Caudalímetro Coriolis

La versión actual de la página aún no ha sido revisada por colaboradores experimentados y puede diferir significativamente de la versión revisada el 20 de octubre de 2013; las comprobaciones requieren 28 ediciones .

Los caudalímetros Coriolis  son dispositivos que utilizan el efecto Coriolis para medir el caudal másico de líquidos, gases . El principio de funcionamiento se basa en los cambios de fase de las vibraciones mecánicas de los tubos en forma de U por los que se desplaza el medio. El cambio de fase es proporcional al caudal másico . Un flujo con cierta masa moviéndose a través de las ramas de entrada de los tubos de flujo crea una fuerza de Coriolis que resiste las vibraciones de los tubos de flujo. Visualmente, esta resistencia se siente cuando una manguera flexible se retuerce bajo la presión del agua bombeada a través de ella.

Dispositivo

Beneficios de medir con un caudalímetro Coriolis:

Asimismo, estos aparatos se utilizan para medir el consumo de GLP .

Medida de diferencia de fase y frecuencia

En los últimos 20 años, el interés por los caudalímetros másicos Coriolis ha aumentado significativamente [1]. El caudal másico se obtiene en un caudalímetro másico Coriolis midiendo la diferencia de fase de las señales de dos sensores, la densidad del líquido se puede relacionar con la frecuencia de las señales [2]. Por lo tanto, la frecuencia de la señal y la diferencia de fase de las señales del medidor de flujo másico Coriolis deben monitorearse con alta precisión y con un retraso mínimo. En un entorno de flujo de dos fases (líquido/gas), todos los parámetros de la señal (amplitud, frecuencia y fase) están sujetos a cambios grandes y rápidos, y la capacidad de los algoritmos de seguimiento para seguir estos cambios con alta precisión y un retraso mínimo es cada vez mayor. crecientemente importante.

La transformada de Fourier es uno de los métodos más estudiados, universales y efectivos para el estudio de señales [3,4]. Esto determina su mejora continua y la aparición de métodos estrechamente relacionados con él, pero superiores en algunas características. Por ejemplo, usando la transformada de Hilbert [5] es fácil implementar la demodulación de amplitud y fase de la portadora, y PRISM [6] le permite trabajar efectivamente con señales aleatorias representadas por la suma de exponenciales complejas amortiguadas.

Las transformaciones enumeradas anteriormente se pueden atribuir a métodos no paramétricos [3], que tienen una limitación fundamental en la resolución de frecuencia asociada con el tiempo de observación por la relación de incertidumbre: donde y son la resolución de frecuencia requerida y el tiempo de observación necesario para asegurarla, respectivamente . Esta relación impone requisitos estrictos sobre la duración de la sección observada con los requisitos de mayor resolución, lo que a su vez empeora las características dinámicas de los algoritmos de procesamiento y dificulta el trabajo con señales no estacionarias.

La transformada de Hilbert-Huang [7] amplía la capacidad de trabajar con señales no lineales no estacionarias, sin embargo, a la fecha, se basa más en hallazgos empíricos, lo que dificulta desarrollar recomendaciones para su aplicación específica.

Una forma de superar la relación de incertidumbre es cambiar a métodos paramétricos de procesamiento de señales, en los que se supone que la señal consiste en una suma de señales parciales de una forma conocida (generalmente ortogonal en tiempo o frecuencia), y solo algunos parámetros de señal son desconocido. Por ejemplo, si se usa una sinusoide compleja como señal parcial, entonces los parámetros son la amplitud compleja, la frecuencia de cada componente. Basado en los principios de resolución de sistemas de ecuaciones independientes, esto hace posible reducir el número de muestras de señal al número de parámetros desconocidos, que pueden ser órdenes de magnitud menores que el número de muestras requeridas para usar en la transformada de Fourier con el mismas características de resolución.

Quizás los métodos más famosos de esta clase son los algoritmos basados ​​en procesos de regresión y procesos de promedio móvil [3]. Sin embargo, si la señal se puede representar como una combinación lineal de funciones exponenciales, el método de Prony, propuesto ya a fines del siglo XVIII [8], es ampliamente utilizado. La principal desventaja de este método es la necesidad de un conocimiento preciso del número de componentes exponenciales incluidos en la señal y una sensibilidad bastante fuerte al ruido aditivo [9]. El deseo de superar estas deficiencias condujo al surgimiento de uno de los métodos más efectivos de análisis espectral: el método de haces de matriz (MBM) [10, 11 [1] ]. En este caso, el número de componentes exponenciales se determina durante la operación del método. Además, los estudios muestran que el IMF tiene una resistencia al ruido aditivo significativamente mayor que el método de Prony, y se acerca a la estimación de Rao-Kramer en este parámetro [12].

En [13], se consideran métodos para procesar señales de corriente de un caudalímetro Coriolis para rastrear la amplitud, la frecuencia y la diferencia de fase, y se analizan sus características al simular condiciones de flujo de dos fases. Estos métodos incluyen la transformada de Fourier, el bucle de enganche de fase digital, la correlación digital, el filtro de muesca adaptativo y la transformada de Hilbert. En su siguiente artículo [14], los autores describieron el complejo algoritmo del filtro de paso de banda y lo aplicaron al procesamiento de señales de un caudalímetro másico de Coriolis. Para estimar los parámetros de las señales de un medidor de flujo de Coriolis, el artículo [15 [2] ] también utiliza una modificación del método de haz de matriz clásico para procesos vectoriales, que mostró mejores resultados en comparación con el método de Hilbert y el método de haz de matriz clásico.

Literatura

Notas

  1. ↑ 1 2 Método de lápiz de matriz para el procesamiento de señales de medidores de flujo másico de Coriolis en condiciones de flujo de dos fases:  publicación de la conferencia IEEE . ieeeexplore.ieee.org. Consultado el 7 de junio de 2018. Archivado desde el original el 12 de junio de 2018.
  2. ↑ 1 2 M. P. Henry, O. L. Ibryaeva, D. D. Salov, A. S. Semenov, “Método de lápiz matricial para la estimación de parámetros de procesos vectoriales”, Vestnik YuUrGU. Ser. Estera. Modelo. Progr., 10:4 (2017), 92–104 . www.mathnet.ru Consultado el 7 de junio de 2018. Archivado desde el original el 12 de junio de 2018.

Enlaces