共查询到20条相似文献,搜索用时 171 毫秒
1.
刘喜泉 《大坝观测与土工测试》2012,(1):57-59
三峡右岸电站压差测量系统选用了雷达水位传感器及气泡式压力水位传感器,通过测量拦污栅前后的水位,采用差分方法计算出每台机组的压差值,从测量系统结构、传感器选型、通信组网、压差测量计算等方面阐述了压差测量系统。该系统自2008年11月运行以来,其测量的三峡右岸电站每台机组的拦污栅压差值与实际值一致,现担负三峡右岸电站的机组实际出力及出力预报,拦污栅前清漂等测量预警工作。 相似文献
2.
文章讨论了浮子式水位传感器实现高精度水位测量过程中碰到的问题及解决的方法。在高精度浮子式水位传感器的设计中,采用绝对值光电轴角编码器准确记录水位变化引起的轴角度变化,通过高性能单片机,完成对轴角编码器、环境温度的采样、多种校正因子的计算、数据显示和通信功能,实现对水位数据的自动精确测量。 相似文献
3.
压力式液位传感器在原型水位观测中的应用 总被引:2,自引:0,他引:2
结合原型水位观测的实际情况, 研究了压力式液位传感器的安装及辅助设施、水位波动等因素对原型水位测量结果的影响, 提出了相应的解决方法和措施, 并在实际测量中得到了应用, 取得了较好的效果。 相似文献
4.
一种新型的潜入式液位传感器,以网络仪表为核心和载体,可与上位计算机组成远距离水位监控测量系统,自动测量水电站水位,可在水利监测中得到广泛应用. 相似文献
5.
介绍一种新型的潜入式液位传感器及以单片机为核心、可自动测量水电站水位的新型智能仪器。该测量装置只有测量准确、操作简便、上下限报警、自动记录打印或远距离传输测量数据的优点,可广泛用于测量水电站的水位。 相似文献
6.
7.
8.
9.
在城市立交桥或下穿隧道的低洼处常会有大量积水,因此需要建设道路积水监测系统。对比分析了常用的水位传感器的优缺点,根据道路积水实际环境,选择TC401感应式数字水位传感器(即电子水尺)作为水位监测仪器。详细介绍了电子水尺的特点、技术参数、安装情况。实际应用说明,电子水尺可广泛使用在城市防汛重要地区,节省土建费用。 相似文献
10.
斜井式激光水位测量装置,为特殊条件下水位测量提供一种新的采集传输手段。介绍了斜井式水位装置的工作原理,并从浮子的设计、激光测距仪的安装、信号控制转换器、装置的可维护性等4个方面分析了实现斜井式水位测量的可用性,并通过实际应用,剖析了斜井式激光水位测量装置的技术优势和应用前景。目前"斜井式激光水位测量装置"已广泛用于水库、江河、湖泊等新建水位遥测站中,具有很好的推广价值。 相似文献
11.
考虑稳定性、准确性、泥沙含量和气温变化等因素综合作用对量测水设备可靠性的影响,建立量测水设备比测综合评价指标体系。在宁夏引黄灌区唐徕渠斗渠建立试验点,分别在夏秋灌和冬灌两个行水期对5类设备进行比测评价。结果表明:灌溉期泥沙对新安装量测水设备的精度影响不大,气温变化不足以影响设备精度;单纯基于超声波原理的设备不适宜在泥沙含量较大的渠道应用;基于电磁法和超声波原理的智能化明渠流量测量系统测流的准确性较高,但稳定性不足;非接触式明渠雷达流量计可靠性最优,其低水位时流量误差综合不确定度为8. 87%(受极端水位影响),中水位时为2. 87%,高水位时为4. 68%。研究可为引黄灌区不同流量级别渠道上量测水设备比测和选用提供借鉴。 相似文献
12.
为解决在线蒸发监测系统配套雨量计精度不足问题,基于磁致伸缩技术的方法原理,蒸发和雨量传感系统均采用磁致伸缩液位传感器,配套减阻、防波阻尼系统,精准测量液位;再依据容积法和水量平衡原理计算降雨量和水面蒸发量,使其蒸发系统和雨量系统精度均达到±0.1mm,解决了在线蒸发系统雨量与蒸发监测精度配套问题。系统实时数据通过GPRS信道传送到中心服务器,对数据进行分析处理、存储、转录、发布,实现WEB、手机APP远程实时水面蒸发量、降雨量、工作状态等查询功能。经云南省昆明市海口水文站1 a多的在线监测数据与人工监测数据对比分析,发现在线监测数据精度基本满足现行规程规范要求,且系统运行正常稳定。该技术可为水面蒸发在线监测系统的建设提供参考。 相似文献
13.
14.
15.
微机控制多点水位同步测量系统 总被引:1,自引:0,他引:1
非恒定流模型多点水位测量要求同步进行,测量周期短,人工测量无法进行。微机控制多点水位同步测量系统采用接触式水位传感器消除了水表面张力、探针极化的影响,提高了测量精度,选用STD总线工业控制机实现了同步测量,增强了系统抗干扰能力,从而提高了试验成果质量。该系统已在数个试验场所投入使用,取得了令人满意的效果。 相似文献
16.
该文对不透水地基上的均质土坝模型,在线性变化水位边界条件下的渗流流态和特性进行了实验研究。测定了非恒定渗流过程中坝体内浸润面的变化过程和压力水头的变化,通过对实验数据的分析,得出了非恒定渗流在水位变化过程中的物理力学特性。该实验对江河堤坝在洪水涨落期间的坝体内渗流场变化的研究有较高的借鉴价值,同时为渗流数学模型的可靠性和准确性提供了最直接的检验数据。 相似文献
17.
Information and communication technologies combined with in-situ sensors are increasingly being used in the management of urban drainage systems. The large amount of data collected in these systems can be used to train a data-driven soft sensor, which can supplement the physical sensor. Artificial Neural Networks have long been used for time series forecasting given their ability to recognize patterns in the data. Long Short-Term Memory (LSTM) neural networks are equipped with memory gates to help them learn time dependencies in a data series and have been proven to outperform other type of networks in predicting water levels in urban drainage systems. When used for soft sensing, neural networks typically receive antecedent observations as input, as these are good predictors of the current value. However, the antecedent observations may be missing due to transmission errors or deemed anomalous due to errors that are not easily explained. This study quantifies and compares the predictive accuracy of LSTM networks in scenarios of limited or missing antecedent observations. We applied these scenarios to an 11-month observation series from a combined sewer overflow chamber in Copenhagen, Denmark. We observed that i) LSTM predictions generally displayed large variability across training runs, which may be reduced by improving the selection of hyperparameters (non-trainable parameters); ii) when the most recent observations were known, adding information on the past did not improve the prediction accuracy; iii) when gaps were introduced in the antecedent water depth observations, LSTM networks were capable of compensating for the missing information with the other available input features (time of the day and rainfall intensity); iv) LSTM networks trained without antecedent water depth observations yielded larger prediction errors, but still comparable with other scenarios and captured both dry and wet weather behaviors. Therefore, we concluded that LSTM neural network may be trained to act as soft sensors in urban drainage systems even when observations from the physical sensors are missing. 相似文献
18.
19.