Coriolis - virtausmittarit ovat laitteita, jotka käyttävät Coriolis-ilmiötä nesteiden, kaasujen massavirran mittaamiseen . Toimintaperiaate perustuu U-muotoisten putkien mekaanisten värähtelyjen vaihemuutoksiin, joiden läpi väliaine liikkuu. Vaihesiirto on verrannollinen massavirtaan . Tietyn massan omaava virtaus, joka liikkuu virtausputkien tulohaarojen läpi, muodostaa Coriolis-voiman , joka vastustaa virtausputkien värähtelyjä. Visuaalisesti tämä vastus tuntuu, kun joustava letku vääntelee sen läpi pumpatun veden paineen alaisena.
Coriolis-virtausmittarilla mittaamisen edut:
Näitä laitteita käytetään myös nestekaasun kulutuksen mittaamiseen .
Viimeisten 20 vuoden aikana kiinnostus Coriolis-massavirtausmittareita kohtaan on lisääntynyt merkittävästi [1]. Massavirtaus saadaan massa-Coriolis-virtausmittarissa mittaamalla kahden anturin signaalien vaihe-ero, nesteen tiheys voidaan verrata signaalien taajuuteen [2]. Siksi Coriolis-massavirtausmittarin signaalin taajuutta ja signaalien vaihe-eroa on tarkkailtava suurella tarkkuudella ja mahdollisimman pienellä viiveellä. Kaksivaiheisessa (neste/kaasu) virtausympäristössä kaikki signaaliparametrit (amplitudi, taajuus ja vaihe) ovat alttiita suurille ja nopeille muutoksille, ja seurantaalgoritmien kyky seurata näitä muutoksia suurella tarkkuudella ja minimaalisella viiveellä on tulossa. yhä tärkeämpi.
Fourier-muunnos on yksi tutkituimmista, yleismaailmallisimmista ja tehokkaimmista menetelmistä signaalien tutkimiseen [3,4]. Tämä määrää sen jatkuvan parantamisen ja siihen läheisesti liittyvien, mutta joissakin ominaisuuksissa ylivoimaisten menetelmien syntymisen. Esimerkiksi Hilbert-muunnoksen [5] avulla on helppo toteuttaa kantoaallon amplitudi- ja vaihedemodulointi, ja PRISM [6] mahdollistaa tehokkaan työskentelyn satunnaisten signaalien kanssa, joita edustaa vaimennettujen kompleksisten eksponentiaalien summa.
Yllä luetellut muunnokset voidaan lukea ei-parametristen menetelmien [3] ansioksi, joilla on perustavanlaatuinen rajoitus havaintoaikaan liittyvälle taajuusresoluutiolle epävarmuussuhteen avulla: missä ja ovatko vaadittu taajuusresoluutio ja sen varmistamiseksi tarvittava havaintoaika, vastaavasti. . Tämä suhde asettaa tiukat vaatimukset tarkasteltavan osuuden kestolle ja korkeamman resoluution vaatimuksiin, mikä puolestaan huonontaa prosessointialgoritmien dynaamisia ominaisuuksia ja vaikeuttaa työskentelyä ei-stationaaristen signaalien kanssa.
Hilbert-Huang-muunnos [7] laajentaa kykyä työskennellä ei-stationaaristen epälineaaristen signaalien kanssa, mutta toistaiseksi se perustuu enemmän empiirisiin havaintoihin, mikä vaikeuttaa suositusten laatimista sen erityiseen sovellukseen.
Yksi tapa voittaa epävarmuussuhde on siirtyä parametrisiin signaalinkäsittelymenetelmiin, joissa signaalin oletetaan muodostuvan tunnetun muodon (yleensä ortogonaalisen ajan tai taajuuden) osittaisten signaalien summasta ja vain osa signaaliparametreista on tuntematon. Esimerkiksi, jos kompleksista sinimuotoa käytetään osittaisena signaalina, niin parametrit ovat kompleksiamplitudi, kunkin komponentin taajuus. Riippumattomien yhtälöjärjestelmien ratkaisuperiaatteisiin perustuen tämä mahdollistaa signaalinäytteiden määrän vähentämisen tuntemattomien parametrien määrään, joka voi olla suuruusluokkaa pienempi kuin Fourier-muunnoksen käyttöön tarvittavien näytteiden määrä. samat resoluutioominaisuudet.
Ehkä tunnetuimpia tämän luokan menetelmiä ovat algoritmit, jotka perustuvat regressioprosesseihin ja liukuvan keskiarvon prosesseihin [3]. Jos signaali voidaan kuitenkin esittää eksponentiaalisten funktioiden lineaarisena yhdistelmänä, Prony-menetelmää, jota ehdotettiin jo 1700-luvun lopulla [8], käytetään laajalti. Tämän menetelmän suurin haittapuoli on tarve tietää tarkasti signaalin sisältämien eksponentiaalisten komponenttien lukumäärä ja melko voimakas herkkyys additiiviselle kohinalle [9]. Halu voittaa nämä puutteet johti syntymiseen yksi tehokkaimmista menetelmistä spektrianalyysin - menetelmä matriisi beam (MBM) [10, 11 [1] ]. Tässä tapauksessa eksponentiaalisten komponenttien lukumäärä määritetään menetelmän toiminnan aikana. Lisäksi tutkimukset osoittavat, että IMF:llä on huomattavasti suurempi vastustuskyky lisäkohinalle kuin Prony-menetelmällä, ja se lähestyy Rao-Kramer-estimaattia tässä parametrissa [12].
[13]:ssa tarkastellaan menetelmiä Coriolis-virtausmittarin virtasignaalien käsittelemiseksi amplitudin, taajuuden ja vaihe-eron seuraamiseksi ja niiden ominaisuuksia analysoidaan simuloitaessa kaksivaiheisia virtausolosuhteita. Näitä menetelmiä ovat Fourier-muunnos, digitaalinen vaihelukittu silmukka, digitaalinen korrelaatio, mukautuva lovisuodatin ja Hilbert-muunnos. Seuraavassa artikkelissaan [14] kirjoittajat kuvasivat monimutkaista kaistanpäästösuodatinalgoritmia ja sovelsivat sitä signaalinkäsittelyyn Coriolis-massavirtausmittarista. Coriolis-virtausmittarin signaalien parametrien arvioimiseksi artikkelissa [15 [2] ] käytetään myös vektoriprosessien klassisen matriisisädemenetelmän muunnelmaa, joka osoitti parempia tuloksia verrattuna Hilbertin menetelmään ja klassiseen matriisisuihkumenetelmään.