電容式傳感器測量動態容器中液位的方法研究

陸貴榮，朱　睿，陳樹越

（1.常州大學　信息科學與工程學院，江蘇　常州　213164；2.常州市過程感知與互聯技術重點實驗室，江蘇　常州　213164）

電容式傳感器測量動態容器中液位的方法研究

陸貴榮1，2，朱睿1，陳樹越1，2

（1.常州大學信息科學與工程學院，江蘇常州213164；2.常州市過程感知與互聯技術重點實驗室，江蘇常州213164）

文章提出了一種測量動態容器中液體液位的實用傳感方法；該法采用了一種新的傳感器結構，它主要由裝在圓柱形框架內壁的3個電極構成；在不同液位下，采集容器不同傾向傾角時電極之間電容值并送入徑向基網絡進行訓練，構建網絡模型應用于實際液位測量；研究結果證明所設計的傳感器及其數據融合方法可以在容器不同傾向傾角狀態下均能對同一液位正確評價，體現出良好的應用前景。

液位測量；電容式傳感器；徑向基網絡；動態容器；方法研究

0　引言

液位測量傳感器多種多樣，如浮子式傳感器、電容式傳感器、差壓式傳感器和超聲波傳感器等［1］。一般來說，傳統的液位傳感器往往用于測量靜態垂放狀態下容器中液體液位，但當在測量過程中容器處于動態即或靜態垂放或傾斜時，容器中液體的情況將會改變［2］。因此，使用傳統傳感測量液位變得困難，在實際應用中，流行的測量方法是省略容器傾斜引起的誤差或者是使用額外的補償裝置［3］。

徑向基神經網絡作為一種具有良好的曲線擬合能力的數據處理工具，被應用于地下水位預測中。也有文獻中將降雨、徑流和人工開采量作為輸入變量，對研究區域內的承壓水位埋深進行預測，將1984～2001年的數據用于徑向基網絡模型訓練，2002～2005年的數據用于模型的驗證，最后對2006～2023年共18年的地下水位埋深進行預測，結果表明，徑向基神經網絡模型對20年左右的數據序列有較好的預測效果，且根據降雨、徑流和開采量，能較準確的預測地下水位埋深［6］。

基于上述研究背景，一種新的傳感器結構及其數據處理方法被提出，該方法通過測量每兩個電極之間的電容變化，應用徑向基神經網絡分析實驗數據，獲得動態容器中的液位值。

1　結構和原理

為了實現液位測量目標，新傳感器結構被提出如圖1所示，一個塑料管被用作傳感器框架，3個大小相同的長方形銅片作為3個電極自上而下粘貼到塑料管內壁上，另外一銅片被用作傳感器屏蔽層貼在塑料管外面。

圖1　傳感器結構示意圖

論文提出的液位測量原理如圖2所示。在這個過程中，先測量電容值C1、C2和C3，然后通過徑向基神經網絡來擬合液位值，圖中，L、D、A和Lo分別為液位信息、容器的傾向、容器的傾角及估測液位；C1、C2和C3分別代表電極1、2間、電極1、3間及電極2、3之間的電容值。

采用的徑向基神經網絡是具有三層結構的前向網絡，分別為輸入層、隱含層和輸出層，其結構如圖3所示。圖中C1、C2和C3分別為輸入向量，φ1，φ2…φN是隱含層的第n（n=1，2…N）個神經元的輸出，w1o，w2o，wNo是隱含層N 維向量的每個分量對應的權值，Lo是輸出層的輸出值。

圖2　傳感器的測量原理

圖3　徑向基網絡結構

由于擬合值是容器中的單一液位參數，故圖3中輸出層的神經元個數為1。隱含層神經元個數與非線性映射能力有關，一般來說，隱含層節點越多，網絡的非線性映射能力越強。當達到恰當的節點個數時，增加的神經元節點就對提高網絡精度沒有太大的幫助了，反而在計算時增加了運算量，因此，隱含層神經元個數需要通過經驗和實驗確定。輸入層神經元節點數與映射模型有關，論文采用影響液位的3個因素作為自變量，分別為C1、C2和C3，形成的函數關系如表達式（1）所示。

Lo=F（C1，C2，C3）（1）利用徑向基網絡對液位進行測定的詳細步驟如圖4所示。

圖4　測定液位步驟

圖4中定義樣本是實驗的首要步驟，主要標定傳感器采集的在不同傾向傾角上的C1、C2和C3值以及相對應的容器內液體液位值。將數據劃分為兩類即訓練數據和測試數據，訓練數據用來創建并確定徑向基網絡模型，訓練神經網絡往往需要大量的樣本，在樣本數據有限的情況下，可以采用二維插值法擴充樣本數據，由此得到的神經網絡模型更加可靠，能更好的模擬輸入與輸出之間的函數關系。測試數據則是用來驗證訓練好的徑向基網絡能否在任意給定C1、C2和C3值時，輸出正確的液位評價值。若測試結果誤差較大，則修改神經網絡參數，直到輸出值與實際值的誤差在允許的要求范圍內。

最后創建并訓練完成的徑向基網絡便可以應用于實際測量。未知液位對應的C1、C2和C3可由測量電路獲取，然后輸入C1、C2和C3至徑向基網絡，從而評價出該未知液位。

表1　液位訓練樣本數據實測表

2　實驗

為了獲取傳感器在不同條件下的輸出，實驗使用柴油作為液體樣本，在環境溫度為25℃的條件下得到實驗數據如表1所示，所有數據均由HP公司生產的4284A LCR表測得。實驗具體步驟為：選擇3個液體樣本校準液位L（25、50和75毫米）。每個校準液位下，沿如圖5所示的4個不同方向X+、X-、Y+和Y-測量樣本數據，在每個方向上，傳感器傾角選擇0、10、20、30和40度。

圖5　傳感器實驗傾斜方向（俯視圖）

（1）根據表1定義訓練樣本的輸入向量及輸出向量。輸入向量為3×44的矩陣，輸出為1×44的行向量。

（2）訓練樣本插值。為了充分利用訓練樣本，對44份訓練樣本進行二維插值，將樣本數增加到100份。先將訓練輸入向量與對應的目標輸出值合并為一個4×44矩陣，經過插值，得到4×100矩陣，最后將其拆分為3×100的輸入向量矩陣和1×100的輸出向量。

（3）使用newrb函數創建徑向基神經網絡。徑向基函數語法格式如下：

net=newrb（P，T，goal，spread，MN，DF）

P、T分別為輸入矩陣和輸出矩陣，goal為均方誤差，spread表示徑向基函數擴散速度，MN為隱含層節點個數，DF是一個控制顯示級別的參數，默認值為25。除了P、T外，其他參數都是可以靈活選擇的，在這里設置goal=0，spread =10，MN=50。調用這個函數，系統將會依次增加神經元個數，使訓練誤差減小，直到誤差小于goal。誤差下降曲線圖如圖6所示。

圖6　誤差下降曲線圖

（4）測試。使用創建好的徑向基網絡模型對測試樣本進行檢測。為了驗證徑向基網絡模型可行性，用其他實驗數據進行檢測，在液位設定值為40和60 mm條件下，傳感器傾向圖7中D2方向，在不同傾斜角度下測量C1、C2和C3值并使用徑向基網絡評價液位值，測試數據如表2所示。

圖7　測試選擇的傾斜方向（俯視圖）

表2　液位測試樣本數據實測表

價值和真實值之間的對比，計算最大相對誤差值為1.5%，可以看出徑向基網絡的預測效果良好。當液體容器中的液位固定不變時，評價的液位值接近液位的真實值，兩者幾乎重合，液體容器的傾斜角度和傾斜方向對該傳感器幾乎沒有影響。

3　結果與討論

圖8顯示傳感器在不同液位及傾向傾角條件下的響應結果非常令人滿意。在每一個液位下，測試結果幾乎是與傾向傾角無關的直線。分析實驗存在的一些誤差，估計其主要來自兩個方面，一是傳感器由手工制作，所以3個電極的對稱是有限的，并且每兩電極板之間的距離也不完全相同。另一個是實驗方法，如實驗過程中液位、傾斜角度和傾斜方向使用的準確性。除此之外實驗過程中還存在隨機誤差和計算誤差，這些均可通過提高測量系統的準確性和精確工藝加工進一步抑制。

圖8　液位設定值與評價值比較圖

在這項研究中，最重要的一點是如何獲得最佳徑向基網絡。因此，需要更豐富的訓練樣本來改善網絡。在研究中，傳感器是在恒溫條件下進行測試，而在實際應用中溫度是一個重要影響因素，因此，進行溫度補償是必要的，這也是團隊將來的工作。

4　結論

論文提出了一種容器處在不同傾斜方向和傾斜角度下測量液位的新方法。為了實現這個目標，研制了一種實用、結構簡單的傳感器。該傳感器由緊密粘貼在塑料管內壁的3個長方形銅片作為敏感元件，根據液位和各銅片間電容之間的函數關系以及具有良好曲線擬合能力的徑向基網絡，實現了動態容器中未知液位的評價。樣品液位測試證明了所提出方法的可行性，它預示著該方法完全可以用于某些特殊生產過程的液位測量。

［1］郭偉，陳琛，陸振宇.一種改進型動態矩陣控制在水箱液位系統中的應用［J］.計算機測量與控制，2015，23（5）：1563-1567.

［2］徐紹勇，龔磊.傾斜對汽車罐車液位測量的影響與修正［J］.中國化工貿易，2012，（4）：155-156.

［3］Jianguo Yang，Guang Wu.Smart sensor system［M］.Electronic University Press，2000.

［4］陳明等.MATLAB神經網絡原理與實例精解［M］.北京：清華大學出版社，2013.

［5］任林.基于RBF ARX模型的預測控制在液位系統中的應用［J］.計算機測量與控制，2012，20（1）：81-84.

［6］董艷慧，周維博，卜卿等.RBF網絡在西安渭濱地下水位埋深預測中的應用［J］.節水灌溉，2012，（12）：66-69.

Method Research for Measuring Liquid Level in Dynamic Container with a Capacitive Sensor

Lu Guirong1，2，Zhu Rui1，Chen Shuyue1，2
（1.School of Information Science and Engineering，Changzhou University，Changzhou213164，China；2.Key Laboratory for Process Perception and Interconnected Technology，Changzhou213164，China）

In this paper，a practical sensing approach for monitoring the liquid-level in a container is presented.In order to realize the method，a new structure sensor has been developed.The sensor consists of three electrodes installed on the inner wall of the cylindrical body. The capacitances between electrodes are determined in container under different incline condition and sent into RBF network for training.A network model has been got and applied to estimate a known liquid-level.The result of this research proves that the designed sensor and data fusion method can be used to measure the liquid-level in the container unrelated to inclination.The method shows good application prospect.

liquid level measurement；capacitive sensor；RBF network；dynamic container；method research

1671-4598（2016）05-0014-04

10.16526/j.cnki.11-4762/tp.2016.05.005

TP212

A

2015-10-10；

2015-12-07。

國家自然科學基金項目（51176016）；江蘇省產學研聯合創新資金（BY2014037-11）。

陸貴榮（1968-），男，甘肅定西，博士，副教授，主要從事傳感器技術、電子、儀表等領域的教學科研方向的研究。

陳樹越（1963-），男，河北定州人，博士，教授，主要從事圖像處理方向的研究。