熱能流量計廣泛應用于冶金、化工、輕工業等國民經濟基礎行業，對國民經濟發展有重要支撐作用。隨著企業生產規模不斷擴大，生產系統結構越來越復雜，為保證工業生產安全運行，需要對關鍵生產參數進行實時監控和測量。此外，隨著國家節能減排政策的出臺，企業對能源綜合利用、余熱回收計量也提出了更高要求。但受工業現場環境惡劣、生產工藝結構復雜，以及多通道、流量不穩定等因素影響，熱能流量計難以準確測量，無法實現工業過程的穩定控制和及時優化。因此，研究流量計高精度補償方法，對企業實現智能制造和降本增效具有積極作用。
目前，在工業生產中大多仍采用結構簡單的傳統機械式儀表，而機械磨損會導致其精度下降、維護成本升高、使用壽命縮短等問題。近年來，隨著人工智能、智能儀器儀表等新興技術的不斷發展，超聲波熱能表、渦輪熱能表、渦街熱能表等先進傳感器在制造業中獲得了成功推廣和應用。其中，超聲波流量表是一類非接觸式儀表，精度高、功耗低、使用壽命長，成為業界研究熱點。
超聲波流量表的常用測量方法包括時差法、噪聲法、多普勒法等。時差法超聲波熱能流量表是一種新型智能檢測儀，但受聲道數量、管道內流速穩定性及變化率等因素的影響，儀器在低流速狀態下存在檢測靈敏度不足、穩定性較差、測量精度低等問題，需要對其進行及時校準和補償。但該方法依賴技術人員的主觀經驗，效率低，特別是隨著工廠規模的不斷擴大，現場包含的大量儀器儀表維護困難，造成技術人員的勞動強度增大。針對上述問題，國內外學者開展了大量研究。文獻提出了基于卡爾曼濾波的數據濾波算法，可顯著降低測量誤差，提高水表檢測精度。文獻提出了一種基于BP 神經網絡的補償算法，應用于超聲波熱量表中，取得良好的補償效果。雖然 BP 神經網絡具有較強的泛化能力，但算法收斂速度慢，且易陷入局部最優解。然而，由于工業現場環境惡劣，儀器易受外界干擾，上述方法在實際應用中存在一定局限。
鑒于此，本文擬提出一種基于改進Lagrange 算法的時差法超聲波熱能流量表自適應補償算法，以期解決儀器低流速狀態下檢測失效難題，實現高精度檢測。
