[发明专利]基于卡尔曼算法的压力变送器压力预测方法

说明书

本发明提出了一种基于卡尔曼算法的压力变送器压力预测方法，本发明使用卡尔曼算法，来评估压力变送器压力采集值，将加权平均滤波算法与卡尔曼算法进行结合，在牺牲少量时间的基础上保留了二者的优点，不仅具备卡尔曼算法的精度，误差不会累积，也能通过加权平均算法提高初值的精确度，预测精度高，实现了通过准备的预估采集值，不为反馈卡尔曼滤波器参数调整，无论是运行初期还是运行中后期，都具有很高的精度，方法简单，实用性强，抑制了误差的积累，数据处理精度更高。

技术领域

本发明涉及压力预测技术领域，具体而言，涉及一种适用于存在较多高斯噪声的基于卡尔曼算法的压力变送器压力预测方法。

背景技术

现有技术中，压力变送器在数据采集过程中，由于采集精度和采集过程中出现的噪声干扰，造成采集的压力数据存在较大的波动，影响测量稳定度和精度，如何准确的得到稳定的测量数据，成为压力变送器采集数据处理中的一个重要问题。

目前常用的压力变送器采集数据处理方法通常直接进行采信，不进行噪声抑制处理，这就造成不是使用均值平滑算法进行信号处理，通过将最近采集量做均值平滑，从而进行滤波，但这种算法会将误差值累加，影响数据精度。

发明内容

鉴于此，本发明提出了一种基于卡尔曼算法的压力变送器压力预测方法，旨在解决现有的算法误差累积值较高的技术问题。

本发明提出了一种基于卡尔曼算法的压力变送器压力预测方法，包括：

步骤a，从程序系统控制开始采集压力变送器压力所转换为的电压数据；

步骤b，初始启动取得前n次的电压采集值Z(n)，首次得到X(0)为n次采集值的加权平均为预估初值；

步骤e，取预估偏差为最优测量值偏差此处取定值R取0.01；

步骤f，前n+1次采集后，电压采集次数从1开始重计，实际测量值为Z(1)，假设测量值是恒定的，则第1次采集的预估值X(1/0)＝X(0),预估偏差为D(1/0)＝(P(0)^2+R^2)^0.5，卡尔曼增益Kg(1/0)＝D(1/0)^2/(D(1/0)^2+R^2)则第一次的最优预估值为：

E(1)＝Z(1)+Kg(1/0)*(X(1/0)-Z(1))，下次的预估值X(1)＝E(1)，最优评估偏差P(1)＝((1-Kg(1/0))*D(1/0)^2)^0.5；

输出最优预估预估值E(1)，供压力变送器电压数据预警或经转换算法得到压力值后输出；

步骤g，前n+k次采集时，实际电压测量值为Z(k)，假设测量值是恒定的，则第k次采集的预估值X(k/k-1)＝X(k-1),预估偏差为：

D(k/k-1)＝(P(k-1)^2+R^2)^0.5，

卡尔曼增益Kg(k/k-1)＝D(k/k-1)^2/(D(k/k-1)^2+R^2),则第k次的最优预估值为：E(k)＝Z(k)+Kg(k/k-1)*(X(k/k-1)-Z(k))，下次的预估值X(k)＝E(k)，最优评估偏差P(k)＝((1-Kg(k/k-1))*D(k/k-1)^2)^0.5；输出最优预估预估值E(k)，供传压力变送器电压数据预警或经转换算法得到压力值后输出。

进一步地，在上述步骤b中，在对前n次的电压采集值Z(n)计算加权平均值时，首先对电压采集值Z(n)进行比较加权，包括：

步骤b1，将n组数据进行分组，每组两个任意不同时刻的电压值，电压矩阵中的每两组进行实际差值量判断，其按下述公式计算第一、二两组的实际差值P₂₁，