技术摘要：
一种容器液位监控方法，包括：通过液位传感器、压力传感器以及温度传感器实时采集容器内的液位高度值、液体的压力值以及温度值，所述液位传感器、压力传感器以及温度传感器设于所述容器内；将所述液位高度值、压力值以及温度值输入液位监控模型，得到液位高度精确值，  全部
背景技术：
近年来，随着科技的发展，容器液位监控技术也向着监控速度快、监控精度高方向 发展。现有的液位测量传感器装置主要有差压式、浮体式、电容式、电极式等。但利用上述传 感器进行单独测量常出现测量不准确的现象。同时，可能由于温度等外界因素变化带来监 控数据的不准确，这些都会造成所谓的“假液位”。
技术实现要素：
基于此，针对上述技术问题，提供一种容器液位监控方法及其系统。 为解决上述技术问题，本发明采用如下技术方案： 一种容器液位监控方法，包括： 通过液位传感器、压力传感器以及温度传感器实时采集容器内的液位高度值、液 体的压力值以及温度值，所述液位传感器、压力传感器以及温度传感器设于所述容器内； 将所述液位高度值、压力值以及温度值输入液位监控模型，得到液位高度精确值， 所述液位监控模型为RBF神经网络模型，所述RBF神经网络模型通过训练算法以及输入的训 练样本进行训练，使目标函数优化，所述训练样本包括液位高度值、压力值、温度值以及液 位高度实际值，所述目标函数采用误差平方和最小函数。 由容器本地的数据终端通过液位传感器、压力传感器以及温度传感器实时采集容 器内的液位高度值、液体的压力值以及温度值，并通过网络发送给云端服务器； 由所述云端服务器将所述液位高度值、压力值以及温度值输入所述液位监控模 型，得到液位高度精确值； 该方法还包括： 由所述云端服务器将所述压力值、温度值以及外界温度信息输入液位预测模型， 得到液位高度预测值，所述液位预测模型为RBF神经网络模型，所述RBF神经网络模型通过 训练算法以及输入的训练样本进行训练，使目标函数优化，所述训练样本包括压力值、温度 值、外界温度信息以及液位高度实际值，所述目标函数采用误差平方和最小函数。 本方案还包括对数据进行预处理去噪后再输入模型，所述预处理去噪包括： 采用经验模态分解法EMD对数据进行分解； 去掉高频分量； 对其余分量进行数据重组。 所述RBF神经网络模型采用4-10-1结构。 所述学习算法采用RLS算法或者BP算法，所述BP算法为带有动量因子的BP算法，其 权值更新公式如下： 4 CN 111580570 A 说　明　书 2/7 页 其中，μ为学习因子，α为动量因子， 为J(k)对w(k)求偏导数，w(k)为更新前的 权值，w(k 1)为更新后的权值。 本方案还涉及一种容器液位监控系统，包括： 数据采集模块，用于通过液位传感器、压力传感器以及温度传感器实时采集容器 内的液位高度值、压力值以及温度值，所述液位传感器、压力传感器以及温度传感器设于所 述容器内； 液位监控模块，用于将所述液位高度值、压力值以及温度值输入液位监控模型，得 到液位高度精确值，所述液位监控模型为RBF神经网络模型，所述RBF神经网络模型通过训 练算法以及输入的训练样本进行训练，使目标函数优化，所述训练样本包括液位高度值、压 力值、温度值以及液位高度实际值，所述目标函数采用误差平方和最小函数。 本方案还包括液位预测模块，用于将所述压力值、温度值以及外界温度信息输入 液位预测模型，得到液位高度预测值，所述液位预测模型为RBF神经网络模型，所述RBF神经 网络模型通过训练算法以及输入的训练样本进行训练，使目标函数优化，所述训练样本包 括压力值、温度值、外界温度信息以及液位高度实际值，所述目标函数采用误差平方和最小 函数； 所述数据采集模块设于容器本地的数据终端内，所述液位监控模块以及液位预测 模块均设于云端服务器内，所述数据终端通过网络与云端服务器连接。 本方案还包括数据预处理模块，用于对数据进行预处理去噪后再输入模型，所述 数据预处理模块设于所述云端服务器内，所述预处理去噪包括： 采用经验模态分解法EMD对数据进行分解； 去掉高频分量； 对其余分量进行数据重组。 所述RBF神经网络模型采用4-10-1结构，并通过学习算法优化其参数。 所述学习算法采用RLS算法或者BP算法，所述BP算法为带有动量因子的BP算法，其 权值更新公式如下： 其中，μ为学习因子，α为动量因子， 为J(k)对w(k)求偏导数，w(k)为更新前 的权值，w(k 1)为更新后的权值。 本发明提高了液位监控的准确性，提高了监控效率。 附图说明 下面结合附图和