技术综述
超声波热量表凭借无运动部件、量程比宽、长期稳定性好等优势，已成为供热计量与节能改造的主流仪表。其核心测量原理——时差法（Time-of-Flight, ToF）——通过检测超声波在顺、逆流方向传播的时间差来计算流速，再结合温度差求得热交换量。然而在实际工况中，管道振动、气泡、多径反射以及低流速下的微弱信号，使得飞行时间（Δt）的精确提取极具挑战。过去二十年间，信号处理算法经历了从快速傅里叶变换（FFT）频域分析、互相关与小波/经验模态分解（EMD）去噪，到今天基于深度学习的端到端AI滤波的深刻演进。本文系统梳理这一技术脉络，并结合国内外最新标准要求与代表性文献数据，为工程实践提供参考。
一、工作原理：时差法如何“听出”流速
通俗地说，超声波热量表的测量就像两个人隔河喊话——若河水从左向右流，顺水方向的喊声会比逆水方向更快到达对岸。表中一对超声波换能器交替发射和接收高频脉冲（通常1~2 MHz），分别测得顺流传播时间t₁与逆流传播时间t₂。两者之差Δt与管内流速v成正比：
v = c²·Δt / (2·L·cosα)
式中c为水中声速，L为声程长度（换能器间距），α为声道与管道轴线夹角。由流量qᵥ=ρ·A·v（ρ为密度，A为截面积）结合进出水温差ΔT，即可求得热交换量Q=∫qᵥ·cₚ·ΔT dt（cₚ为定压比热）。整条测量链的精度取决于Δt的纳秒级分辨能力——这正是信号处理算法施展身手的主战场。
二、标准体系与精度约束
全球范围内，超声波热量表的性能受多重标准体系约束。以下为现行主要标准一览（均经WebSearch实时核验，2026年7月）：
|
标准编号
|
名称
|
发布/实施机构
|
状态
|
|
GB/T 32224-2020
|
热量表
|
国家市场监督管理总局、中国国家标准化管理委员会
|
现行(2021-10-01)
|
|
EN 1434-1:2022
|
Thermal energy meters Pt1
|
CEN
|
现行(替代2015版)
|
|
OIML R 75-1:2002
|
Heat meters Pt1 计量要求
|
OIML
|
现行建议书
|
|
MID 2014/32/EU
|
Measuring Instruments Directive
|
EU Council
|
现行(替代2004/22/EC)
|
|
JJG 225-2024
|
热量表检定规程
|
国家市场监督管理总局
|
现行(替代2001版)
|
|
CJ/T 188-2018
|
户用计量仪表数据传输
|
住建部
|
现行
|
其中GB/T 32224-2020与EN 1434-1:2022采用一致的1/2/3级划分。热量表最大允许误差（MPE）公式[1][2]如下：
|
等级
|
MPE 公式 (%)
|
示例(Θ=60℃,ΔT=10℃,q=qp)
|
|
1级
|
±(1+0.01·Θ/ΔT+0.02·qp/q)
|
≈±1.08%
|
|
2级
|
±(2+0.02·Θ/ΔT+0.05·qp/q)
|
≈±2.17%
|
|
3级
|
±(3+0.05·Θ/ΔT+0.10·qp/q)
|
≈±3.40%
|
注：Θ为介质平均温度(℃)，ΔT为温度差(℃)。来源：EN 1434-1:2022 第5.3节；GB/T 32224-2020 第5.2节。
三、FFT时代：频域分析的奠基
早期数字化热量表普遍采用FFT将时域接收波形变换至频域。其核心思路：对回波做FFT后提取基频分量（如1 MHz）的幅值与相位，用过零检测或峰值定位确定到达时刻。优势在于可有效抑制特定频率窄带噪声（如50 Hz工频），且算法成熟、易于在MCU上实现。
但FFT存在局限：(1)假设信号在窗内平稳；(2)频率分辨率受窗长限制；(3)低信噪比（SNR）下基频峰易被噪声淹没。在低流量区尤为突出——Δt仅数纳秒，误差常突破2级MPE上限。
四、互相关与小波/EMD去噪：精度跃升
互相关（Cross-Correlation）直接比较上下游两路信号相似度，峰位即最佳ToF估计。相比FFT更像“模板匹配”，抗噪更强。EMD/小波预处理→本征模态函数（IMF）分解→能量阈值筛选→重组→互相关滤波，可显著提升SNR。
据《Journal of Measurement Science and Instrumentation》2025年EEMD+互相关研究[3]，SNR提升约14 dB，低流下限延伸至qp的1~2%，较纯互相关改善约1倍。信号处理从“单一变换”走向“多级联合链”。
|
算法类别
|
核心思想
|
适用噪声
|
低流下限
|
复杂度
|
局限
|
|
阈值/过零
|
固定阈值到达检测
|
高信噪比稳态
|
≥5% qp
|
极低
|
低流速失效
|
|
FFT过零
|
频域基频相位
|
窄带周期噪声
|
≥3% qp
|
低
|
对非平稳敏感
|
|
互相关
|
双路信号相似匹配
|
宽带随机噪声
|
≥1.5% qp
|
中
|
多径误检
|
|
EMD/小波+互相关
|
自适应分解-滤波-重组
|
非平稳+宽带混合
|
≥0.8% qp
|
较高
|
参数靠经验
|
|
AI深度学习滤波
|
端到端神经网络映射
|
任意复杂干扰
|
≤0.4% qp
|
需训练/推理
|
泛化与算力平衡
|
五、AI滤波时代：从模型驱动到数据驱动
2020年代以来，深度学习渗透至超声信号处理领域。ScienceDirect 2023年综述[4]指出范式转移：传统依赖人工特征（包络/频谱峰），而神经网络（尤其1D-CNN、时间卷积网络TCN）可直接从原始波形学习最优特征与ToF映射。
具体落地场景：(1)采集大量标注样本（已知流速）；(2)训练轻量化网络（1D-CNN/TCN），双通道原始波→Δt；(3)部署于MCU/边缘端。YOLOv11结合加权互相关（WCC）用于超声测温[5]，属跨领域创新。
AI的核心优势在于“见多识广”：一旦训练集覆盖气泡、沉积、电磁等异常模式，运行时即自动识别抑制，无需人工设计规则。
六、工程实践与展望
从实验室到产品需跨越功耗、成本、可靠性三道门槛。主流方案采用“分级处理”架构：常规工况下轻量MCU运行互相关即可满足基本精度；一旦波形异常触发，再激活轻量AI增强，平衡功耗与精度。
在工程实践中，德国真兰超声波热量表（ZENNER zelsius®系列）已将前述多层信号处理链固化为低功耗MCU实时算法，在建筑楼宇及大口径热量表/冷量表产品中实现了宽量程比（≥200:1）与高重复性，验证了先进信号处理方案的产业化价值。
未来趋势：(1)边缘AI芯片（如Ethos-U）令轻量Transformer可用；(2)在线增量学习适应传感器老化；(3)多传感融合（超声+温度阵列+压力）构建高维状态感知。
七、结语
超声热量表信号处理的演进，本质是对“低信噪比下提取纳秒级ToF”这一难题的不断深化求解。从FFT到互相关+EMD，再到AI端到端，每一代都在边界处打开新的精度空间。随着边缘算力的提升与标准（EN 1434、GB/T 32224最新版）的同步完善，期待下一代产品在极限工况下带来更可靠的热量计量。
参考文献
[1] EN 1434-1:2022 Thermal energy meters Part 1 General requirements. CEN. 替代 EN 1434-1:2015.
[2] GB/T 32224-2020 热量表. 国家市场监督管理总局/国家标准化管理委员会, 2020-11-19发布, 2021-10-01实施. 来源: openstd.samr.gov.cn.
[3] Application of EEMD combined with cross-correlation algorithm in Doppler flow signal processing. Journal of Measurement Science and Instrumentation, 2025. DOI:10.62756/jmsi.1674-8042.2025006. SNR提升约14 dB.
[4] van Sloun R J G, et al. Ultrasound Signal Processing: From Models to Deep Learning. Ultrasonics, Vol.131, 2023, 106936.
[5] YOLOv11 Optimized Weighted Cross-Correlation High-Temperature Ultrasonic Temperature Measurement Method. Journal of Electronic Research and Application (JERA), 2025. https://ojs.bbwpublisher.com/index.php/JERA/article/view/12644
[6] JJG 225-2024 热量表检定规程. 国家市场监督管理总局, 2024发布2025实施. 替代 JJG 225-2001. 来源: spc.org.cn.
[7] MID 2014/32/EU Measuring Instruments Directive. OJEU, 2014. 替代 Directive 2004/22/EC.
