WikiSort.ru - Не сортированное

Литература

Кориолисовы расходомеры — приборы, использующие эффект Кориолиса для измерения массового расхода жидкостей, газов. Принцип действия основан на изменениях фаз механических колебаний U-образных трубок, по которым движется среда. Сдвиг фаз пропорционален величине массового расхода. Поток с определенной массой, движущийся через входные ветви расходомерных трубок, создает кориолисову силу, которая сопротивляется колебаниям расходомерных трубок. Наглядно это сопротивление чувствуется, когда гибкий шланг извивается под напором прокачиваемой через него воды.

Устройство

Преимущества измерения кориолисовым расходомером:

• высокая точность измерений параметров;
• работают вне зависимости от направления потока;
• не требуются прямолинейные участки трубопровода до и после расходомера;
• надёжная работа при наличии вибрации трубопровода, при изменении температуры и давления рабочей среды (только если расходомер установлен на резиновые подставки-прокладки);
• длительный срок службы и простота обслуживания благодаря отсутствию движущихся и изнашивающихся частей;
• измеряют расход сред с высокой вязкостью;

Также данные устройства используются для измерения расхода СУГ.

Измерение разности фаз и частоты

За последние 20 лет интерес к массовым кориолисовым расходомерам значительно увеличился [1]. Массовый расход получают в массовом кориолисовом расходомере путем измерения разности фаз сигналов с двух датчиков, плотность жидкости можно связать с частотой сигналов [2]. Поэтому частоту сигнала и разность фаз сигналов с массового кориолисового расходомера необходимо отслеживать с высокой точностью и с минимальной задержкой. В условиях двухфазного (жидкого / газового) потока все параметры сигнала (амплитуда, частота и фаза) подвержены большим и быстрым изменениям, и способность алгоритмов отслеживания следить за этими изменениями с высокой точностью и минимальной задержкой становится все более важной задачей.

Преобразование Фурье является одним из самых изученных, универсальных и эффективных методов исследования сигналов [3,4]. Это определяет его непрерывное совершенствование и появление методов, тесно связанных с ним, но превосходящим по некоторым характеристикам. Например, используя преобразование Гильберта [5] легко реализовать амплитудную и фазовую демодуляцию несущей, а PRISM [6] позволяет эффективно работать со случайными сигналами, представленными суммой затухающих комплексных экспонент.

Перечисленные выше преобразования можно отнести к непараметрическим методам [3], имеющим принципиальное ограничение на разрешение частот, связанное со временем наблюдения соотношением неопределенности:          где  и   – необходимое разрешение по частоте и время наблюдения необходимое для его обеспечения, соответственно. Это соотношение накладывает жесткие требования на длительность наблюдаемого участка при требованиях повышенного разрешения, что в свою очередь ухудшает динамические характеристики алгоритмов обработки и затрудняет работу с нестационарными сигналами.

Преобразование Гильберта-Хуанга [7] расширяет возможность работы с нестационарными нелинейными сигналами, однако, к настоящему времени, оно основано больше на эмпирических выводах, что затрудняет выработку рекомендаций по его конкретному применению.

Одним из способов преодолеть соотношение неопределенности является переход к параметрическим методам обработки сигналов, в которых предполагается, что сигнал состоит из суммы парциальных сигналов известной формы (обычно ортогональных по времени или частоте), а неизвестны только некоторые параметры сигнала. Например, если в качестве парциального сигнала используется комплексная синусоида, то параметрами являются комплексная амплитуда, частота каждой компоненты. Исходя из принципов решения систем независимых уравнений, это дает возможность снизить число отсчетов сигнала до числа неизвестных параметров, что может быть на порядки меньше числа отсчетов необходимых для использования в преобразовании Фурье с теми же характеристиками по разрешению.

Пожалуй, самыми известными методами этого класса являются алгоритмы, основанные на регрессионных процессах и процессах скользящего среднего [3]. Тем не менее, если сигнал можно представить в виде линейной комбинации экспоненциальных функций , достаточно широко используется метод Прони, предложенный еще в конце 18 века [8]. Основной недостаток этого метода – необходимость точного знания числа экспоненциальных компонент, входящих в сигнал и достаточно сильная чувствительность к аддитивным шумам [9]. Стремление преодолеть эти недостатки привели, к появлению одного их самых эффективных методов спектрального анализа – метода матричных пучков (ММП) [10, 11^[1]]. При этом число экспоненциальных компонент  определяется в ходе работы метода. Кроме того, как показывают исследования, ММП обладает существенно большей устойчивость к аддитивным шумам, чем метод Прони, и приближается по этому параметру к оценке Рао-Крамера [12].

В работе [13] рассматриваются методы обработки токовых сигналов с кориолисового расходомера для отслеживания амплитуды, частоты и разности фаз и анализируются их характеристики при моделировании условий двухфазного потока. Эти методы включают в себя преобразование Фурье, цифровую фазовую автоподстройку частоты, цифровую корреляцию, адаптивный режекторный фильтр и преобразование Гильберта. В своей следующей статье [14] авторы описали алгоритм комплексного полосового фильтра и применили его к обработке сигнала с массового кориолисового расходомера. Для оценки параметров сигналов с кориолисового расходомера в статье [15^[2]] также применяется модификация классического метода матричных пучков для векторных процессов, которая показала лучшие результаты по сравнению с методом Гильберта и классическим методом матричных пучков.

Литература

• 1.   Wang, T. Coriolis flowmeters: a review of developments over the past 20 years, and an assessment of the state of the art and likely future directions / T. Wang, R. Baker // Flow Meas. Instrum. –2014. – V. 40 № 1. – P. 99–123.
• 2.   Henry, M. Self-validating digital Coriolis mass flow meter / M. Henry // Comput. Control Eng. – 2000. – V. 11, № 5. – P. 219–227.
• 3.   Marple, S.L. Digital spectral analysis: with applications / S. L. Marple. – New Jersey: Prentice-Hall, 1987. – 492 p.
• 4.   Сергиенко, А.Б. Цифровая обработка сигналов /А.Б. Сергиенко. – СПб.: Изд-во Питер, 2002. – 608 с.
• 5.   Rabiner, L. R. Theory and application of Digital Signal Processing / L. R. Rabiner, B Gold – New Jersey: Prentice-Hall, 1975. – 762 p.
• 6.   Henry, M.P. Prism Signal Processing for Sensor Condition Monitoring / M.P. Henry, O. Bushuev, O. Ibryaeva // 2017 IEEE 26th International Symposium on Industrial Electronics ISIE. – 2017. – V. 10, № 2. – P. 224–276.
• 7.   Huang, N.E. A review on Hilbert-Huang transform: Method and its applications to geophysical studies / N.E. Huang, Z. Wu. //Reviews of geophysics. – 2008. – V. 46, № 2. – P. 1–23.
• 8.   Prony, G. Essai experimental et analytique: sur les lois de la dilatabilite de fluides elastiques et sur celles de la force expansive de la vapeur de l'еau et de la vapeur de l'alkool, a differentes temperatures / G. Prony // J. E. Poly tech. – 1795. – V. 1, № 2. – P. 24–76.
• 9.   Kumeresan, R. Prony method for noisy data: Choosing the signal components and selecting the order in exponential signal models / R. Kumaresan, D. W. Tufts, L. L. Scharf // Proceedings of the IEEE. – 1984. – V. 72, № 2. –P. 230–233.
• 10. Hua, Y. Matrix Pencil Method for Estimating Parameters of Exponentially Damped/Undamped Sinusoids in Noise/ Y. Hua, T. K. Sarkar // IEEE Trans. Acoust. Speech Signal Process. – 1990. – V. 38, № 5. – P. 814–824.
• 11. O. Ibryaeva, D. Salov, "Matrix Pencil Method for Coriolis Mass Flow Meter Signal Processing in Two-Phase Flow Conditions", 2017 International conference on Industrial Engineering (ICIE) to appear., pp. 4, 2017.^[1]
• 12.   Sarrazin, F. Comparison between Matrix Pencil and Prony methods applied on noisy antenna responses / F. Sarrazin, A. Sharaiha, P. Pouliguen // Loughborough Antenna and Propagation Conference Loughborough Antennas & Propagation Conference. – 2011. – P. 1 – 44.
• 13. Li, M. Signal Processing Methods for Coriolis Mass Flow Metering in Two-Phase Flow Conditions / M. Li, M. P. Henry // in 2016 IEEE International Conference on Industrial Technology (ICIT). – 2016. –V. 1, № 1 – P. 1‑14.
• 14. Li, M. Complex Bandpass Filteringfor Coriolis Mass Flow Meter Signal Processing / M. Li, M. P. Henry //in 42nd IEEE Industrial Electronics Conference. – 2016. –V. 1, № 1 – P. 133‑137.
• 15. Генри, М.П. Метод матричных пучков для оценки параметров векторных процессов / М. П. Генри, О.Л. Ибряева, Д.Д. Салов, А.С. Семенов // Вестник ЮУрГУ. Серия «Математическое моделирование и программирование» – 2017 – Т. 10, № 4. – С. 92 – 105.^[2]

Примечания

Ссылки

• Кориолисовые расходомеры
• Кориолисовые расходомеры CORI-FLOW

Для улучшения этой статьи желательно: Найти и оформить в виде сносок ссылки на независимые авторитетные источники, подтверждающие написанное.

В другом языковом разделе есть более полная статья Mass flow meter (англ.). Вы можете помочь проекту, расширив текущую статью с помощью перевода. При этом, для соблюдения правил атрибуции, следует установить шаблон {{переведённая статья}} на страницу обсуждения, либо указать ссылку на статью-источник в комментарии к правке.