本文是一篇工程硕士论文，本文从两个角度进行处理：一、从解析模型的角度出发，使用基于MAKE规则的声共振序列缺陷补偿与液位估计方法对共振点序列进行补偿，并根据液位换算公式重新求得液位高度；二、从数据模型的角度出发，通过建立深度学习（CNN、LSTM）液位估计模型，直接从原始共振数据中推理得到液位高度值，进而提高液位测量的精确度。
第1章 绪论
1.1 研究背景及意义
液位测量在原材料运输、工业及工程系统的状态检测等领域起到了越来越重要的作用[1]。例如，在石油化工领域中，利用液位测量装置检测储油罐内油液高度进而核算油量，是监测油罐安全、管理库存、结算用油等环节的关键步骤。但是，在实际生产或物料运输过程中，由于生产工况多变、计量装置性能退化、监测环境多干扰等原因，导致液位精确测量成为不小的难题。例如，容器内壁出现异物、液体表面出现残渣、气泡等因素导致液位测量不准确。
通常经过检测液面两侧物质的特性或者相关物理参数（电容、电感、压差以及声速和光能等）在液面两侧发生的变化，确定液位高度值[2]。综合国内外液位测量研究现状，按检测装置是否与液体接触，可以将测量方法分为接触式液位测量方法和非接触式液位测量方法[3]。接触式液位测量方法包括音叉振动液位测量法、静压式液位测量法等。非接触式液位测量方法包括超声波液位测量法、光电折射式液位测量法、声共振液位测量法等[3]，非接触式液位测量设备安装简单、耐腐蚀、在工业生产中得到广泛应用。
超声波液位测量法，具有造价低、安装简单、灵活性高等特点，在工业环境中得到了广泛应用。该方法向所测液面发出超声波并记录经液面反射的超声波抵达发射源的时间，利用时间与液位高度成比例的原理来计算液位高度。理想状态下，超声波液位测量方法准确率很高。但是当被测液面含有大量杂质时，超声波会发生寄生反射降低测量精度[8]。
工程硕士论文怎么写
针对超声波测量液位时存在寄生反射问题，文献[10]提出了一种通过发射一段某个频段内随时间均匀变化的正弦波。在导管中发射波和反射波进行叠加后会形成共振波（合成波）并从中提取一组共振点序列，然后换算液位高度。可闻声波衍射特性可以绕过液面上的障碍物，在真实液面上发生反射，进而克服了超声波在测量液位时存在的寄生反射问题，在一定程度上提升了液位测量精度。在基于固定频段的液位测量方法的应用中，要求获取的共振点序列必须是连续的、完整的。但是，由于测量环境噪声干扰、装置安装不当、参数设置不合适等原因，获取的共振点序列会存在缺陷情况（局部虚假共振点或被遗漏的共振点），致使测量结果出现较大误差。
...........................
1.2 液位测量国内外研究现状
液位测量在工业领域应用广泛，国内外大量学者对液位测量方法进行了深入研究。通常根据测量原理、测量方式、装置是否与液体接触等方式对液位测量方法进行分类，本节根据测量装置是否与液体接触将测量方法进行分类讲解。
1.2.1 接触式液位测量方法
机械式浮筒测量：该方法的测量装置主要由带孔的磁浮筒、干簧或者小锰铜电阻、不锈钢套管等器件组成。不锈钢管固定在罐体的顶部与底部，并将磁浮筒(内置干簧等测量元件)穿插在不锈钢上。当液位发生变化时，不锈钢管上套的磁浮筒会发生上下波动，从而接通位于液面上的干簧点，测得液位高度。该原理的优点是装置简单、价格低廉，缺陷是频繁的液面波动会导致该装置发生机械磨损，使得测量精度低，同时增加了维修成本。且浮筒型测量依靠浮力来浮动，因此其测量的液位高度范围都会受到限制，不能满足高液位与低液位的测量要求。
音叉振动液位测量法[4]：该方法将两个振动音叉插入到待检测的液体中，根据检测到的共振波信号的变化情况来输出开关信号。该方法适用于测量粘度较高的液体或粉状物，实现对液体未达到某高度或超过某高度的情况做报警。音叉常安装于容器侧面，且该方法不能用于对液体进行连续测量。
静压式液位测量法[5]：该方法将压力传感器安装于所测液体底部，通过检测底部液体压力，转换计算出液位高度。常用的压力传感器精度高、耐腐蚀，缺点是需要不断矫正传感器，且传感器维修困难。
电容式液位测量法[6]：该方法主要是通过测量由于液体高度变化引起的电容变化量来推算液位高度值。电容式液位测量法具有较好的抗干扰能力，可应用于高温、高压环境和耐腐蚀性介质的测量。
...............................
第2章 相关理论基础
2.1 引言
本文拟从两个角度研究新型的共振缺陷（测量误差）补偿方法。一是在延续使用共振点序列液位换算公式求取液位高度的基础上，给出基于MAKER规则的缺陷补偿模型，对缺陷波形进行修正以实现测量误差补偿的目的；二是在液位监测系统长期运行产生大量声共振数据后，建立深度学习测量模型，直接从原始数据中推理出液位高度。因此，本章介绍了证据推理和深度学习两个方面的相关理论基础。
证据推理理论也称为Dempster - Shafer（D-S）证据理论，该理论为各种不确定性信息的表达（辨识框架）、建模（证据）、推理和融合（组合规则）提供了有效的方法[11]。Yang在传统D-S证据理论算法的基础上，基于正交和定理提出了一种具有严格概率推理过程的证据推理（Evidence Reasoning,ER）规则[12]。在ER规则中，证据可靠性和证据重要性被明确定义。当证据间相关性较弱时，使用ER规则融合证据效果较好，但当证据之间相关性较强时，该规则处理结果不理想。为解决该问题，Yang和Xu进一步提出了一种极大似然证据推理（Maximum Likelihood Evidential Reasoning, MAKER）规则，充分考虑了融合中证据间的相关性。当证据元素的权重和证据的权重相等时，MAKER规则简化为ER规则，当证据的可靠性等于其重要性权重时，MAKER规则简化为Dempster规则。
随着大数据时代的到来，深度学习在处理海量数据的优势显得格外突出，卷积神经网络作为一种典型深度学习模型被广泛应用，但处理时间序列时存在一定的局限性。Elman等人提出了用于处理序列数据的循环神经网络模型（RNN），解决了传统神经网络在处理序列信号方面的局限性。长短期记忆网络（LSTM）相比于RNN，在模型中添加了部分控制单元用于对输入信息进行判定，可以解决输入数据存在长序列依赖的问题。
.........................
2.2 基于MAKER规则的证据推理模型
D-S证据理论定义了辨识框架，然后在辨识框架理论之上建立测度函数和给定Dempster证据组合规则、证据推理（ER）规则[14]。下面对辨识框架、基本概率赋值函数[15]（BPA）、Dempster组合规则、ER规则和极大似然证据推理规则的基本概念进行简单介绍。
ER规则中引入了证据的可靠性因子和重要性权重两个概念[17]。证据的可靠性因子(0 1)j jr r飽是客观存在的，表示证据ej相较于其他证据可以进行正确评估的能力。证据的重要性权重(0 1)j jw w᠃可根据证据的信息源主观确定，在证据组合时wj反映证据ej相较于其他证据的对结果的相对贡献比例。
为了克服上述问题，文献[10]在使用低频声波测量液位的基础上提出了基于固定频段声共振测量液位的方法。该方法将发射波换成一段频率远高于20Hz的固定频段正弦波并采集返回的合成波。通过从合成波中提取一组共振点序列来换算液位高度，可避免麦克风采集声波频率下限的限制，提升液位测量范围（10米以上）。但是，由于测量环境噪声干扰、装置安装不当、参数设置不合适等原因，固定频段测量液位的方法在获取的共振点序列时会存在缺陷情况，致使测量结果出现较大误差。在不同的噪声环境中进行大量实验获取共振点序列，汇总缺陷序列中虚假共振点和遗漏共振点的分布情况并进行共振缺陷分析。
工程硕士论文参考
............................
第3章 基于声共振的液位测量原理及共振缺陷分析........................30
3.1 引言.......................30
3.2 基于低频声共振原理的液位测量方法......................30
第4章 基于MAKER规则的声共振序列缺陷补偿与液位估计方法.......................40
4.1 引言.......................40
4.2 基于MAKER规则的共振波缺陷补偿模型 ....................40
第5章 基于STFT和CNN的频域特征提取与液位估计方法..............................45
5.1 引言............................45
5.2 基于STFT和CNN的液位估计方法 ........................45
第六章 基于LSTM的声共振液位估计方法
6.1 引言
上一章提出的基于STFT和CNN的液位估计方法的液位估值精度由STFT获取的时频特征和CNN获取的特征共同决定。CNN在进行卷积操作前，需要将合成波变换成空间特征（如STFT特征）。然而，在提取特征（STFT）过程中可能会丢失相关音频特征，进而影响液位估值的精度。另一方面，CNN以静态窗口的形式将固定长度的特征数据传递到网络中，输入窗口大小的选择会在识别效果和网络训练难度上带来冲突[44]，进而影响液位估值的精度。因此，可以考虑其他深度学习模型估计液位高度。
循环神经网络（RNN）是深度学习网络的一种。它能够将先前的数据特征与当前数据特征联系起来，通过发掘时序数据的相关性来实现特征的学习。采集的合成波实质是随时间变化的时序信号，因此可以选用循环神经网络模型对合成波的时序特征进行挖掘分析。经典循环神经网络模型在反向传播的过程中存在梯度爆炸和梯度消失的可能性，无法处理存在长时间依赖的数据[45]。合成波属于长时间序列，因此本章选用改良后的循环神经网络LSTM（长短期记忆网络）提取合成波中的特征估计液位高度。
本章所提出的方法中，首先通过声共振液位测量平台采集不同液位高度的合成波。然后，鉴于合成波的时序性优势将其进行预处理后作为模型输入。最后，构建三层长短期记忆网络模型，实现对合成波的特征提取和对液位高度的准确估计。本章提出的基于LSTM的声共振液位估计方法的主要贡献有三方面：一，“端到端”的处理方法不需要选择提取哪种特征；二，模型输出结果不依赖于特征提取结果；三，所提出方法继承了声共振液位测量方法的优势，并显著提升了液位测量精度。
...............................
第7章 总结与展望
7.1 研究总结
本文分析了基于可闻声波测量液位的优势和缺陷，发现使用固定频段声波测量液位的方法在复杂工况的下，提取到缺陷共振点序列的问题。针对该问题，本文从两个角度进行处理：一、从解析模型的角度出发，使用基于MAKE规则的声共振序列缺陷补偿与液位估计方法对共振点序列进行补偿，并根据液位换算公式重新求得液位高度；二、从数据模型的角度出发，通过建立深度学习（CNN、LSTM）液位估计模型，直接从原始共振数据中推理得到液位高度值，进而提高液位测量的精确度。本文主要成果如下：
（1）介绍了两种基于声共振原理的液位测量方法并对采集的缺陷波形进行总结分析。介绍了一种使用低频声波测量液位的方法，并在此方法的基础上介绍了一种使用固定频段声波测量液位的方法。通过大量实验发现，在复杂工况下使用固定频段声波测量液位时，会出现提取到缺陷共振点序列的现象，进而影响液位测量精度。该问题的提出为下面章节指明了研究方向。
（2）针对（1）中出现的问题，从解析模型的角度出发，提出了基于MAKER规则声共振点序列缺陷补偿与液位估计方法。首先提取合成波中的特征（相对频率差和相对液位高度）；然后基于样本值投点法、似然归一化方法构建初始参考证据矩阵和联合参考证据矩阵，获取特征证据；再基于概率赋值函数获取证据的可靠性因子，将证据对共振点序列缺陷类型的集合中每个单子集命题的信任度之和作为证据的可靠性，利用MAKER规则对激活证据进行融合，最后对共振点序列缺陷状况进行推理决策，再根据推理结果补偿共振点序列，重新换算液位高度，降低测量误差。
参考文献（略）