1.一种基于科氏流量计的流体质量流量检测方法，其特征在于，包括以下步骤：步骤1：利用科氏流量计、霍尔传感器采集科氏流量计工作时的传感器信号X(t)，通过实时感知管道中流体的流动情况，将感知到的信息转化为电信号；

步骤2：利用基于神经网络的自适应滤波算法对信号数据进行实时滤波处理，去除噪声并提取准确信号成分，所述基于神经网络的自适应滤波算法以传感器信号和科氏流量计读数作为特征维度进行划分为训练集和测试集；

步骤2.1：选择递归神经网络RNN作为科氏流量计信号滤波的神经网络结构；

步骤2.2：训练递归神经网络RNN，将采集到的科氏流量计信号数据集分为训练集和验证集，初始化递归神经网络的权重和偏置参数；

将训练集中的传感器信号X(t)输入到网络中，通过递归神经网络计算得到输出Y(t)：Y(t)＝f(WxhX(t)+WhhH(t‑1)+bh)其中，X(t)是输入传感器信号在时间t的值，H(t‑1)是隐藏层在时间步t‑1的值，Wxh是输入到隐藏层的权重矩阵，Whh是隐藏层到隐藏层的权重矩阵，bh隐藏层的偏置向量，f是激活函数；

计算网络输出Y(t)与实际标签之间的损失，使用均方误差计算损失函数：其中，N是数据样本的数量，Y(ti)是网络的输出，Ylabel(ti)是实际标签；

根据损失函数，利用反向传播算法更新网络参数，以减少损失，具体来说，在反向传播过程中，通过链式法则计算出损失函数对网络参数的梯度，损失函数对网络输出的梯度为网络输出对权重参数W的梯度为 根据梯度下降法优化算法更新网络的权重和偏置参数；

使用验证集验证网络在未见过的数据上的性能，检查是否出现过拟合或欠拟合的情况，重复进行前面的步骤，直到网络收敛或达到预设的训练轮数；

步骤2.3：将采集到的实时信号输入到经过训练的神经网络中，神经网络会根据学习到的特征对输入信号进行滤波处理，去除噪声并提取准确的信号成分；

步骤2.4：获取神经网络处理后的信号输出Y'(t)，即为经过滤波处理后的准确信号成分；

步骤3：应用短时傅里叶变换技术对信号进行时频分析；

步骤4：将处理后的信号数据运用盲源信号分离算法将混合信号中的正交信号和过零信号成分分离出来，通过过零检测和正交解调混合的科氏流量计相位差计算方法得出相位差和质量流量值；

盲源信号分离算法将混合信号中的正交信号和过零信号成分分离出来具体如下：将混合信号I(t)按时间采样点进行采样，得到一组采样值序列，将这组采样值序列按时间顺序排列，每个采样值对应一列，形成一个矩阵M，对混合信号矩阵M进行去中心化处理，以消除信号的直流成分，得到中心化的信号矩阵通过PCA白化对中心化后的信号矩阵 进行白化处理，使得每个通道的信号具有单位方差且信号之间的相关性被消除，在PCA白化过程中，计算出混合信号协方差矩阵C；对协方差矩阵进行特征值分解C*V＝V*Λ，得到特征值和特征向量，其中，V是特征向量矩阵，Λ是对角矩阵，对角线上的元素是特征值；

计算出白化矩阵 其中， 表示特征值矩阵的逆平方根；

进行白化变换，得到白化后的信号矩阵为 并用作ICA算法的输入；

将白化处理后的信号矩阵 作为输入数据，对数据进行零均值化，确保数据的均值为零，然后将其表示为独立成分信号Z的线性组合，即 对每个信号进行峭度计算：其中，E[·]表示期望运算；

对所有信号的峭度进行综合考虑，定义为一个综合的独立性度量函数，即其中，P是分离矩阵，pi是P的第i列，N是信号的数量；

通过最大化综合的独立性度量函数，得到最优的分离矩阵P，从而实现信号的独立分离，然后通过 来分离独立源信号，即使得分离后的过零信号Z1(t)和正交信号Z2(t)的各个分量保持独立；

步骤5：根据流体的当前温度，通过温度补偿模型对流体的质量流量进行校正，确定最终的流体质量流量；

步骤5.1：建立温度补偿模型来处理流体密度随温度变化的影响：ρ(T)＝ρ0(1‑β*(T‑T0))

其中，ρ(T)表示校正后的流体密度；β为温度系数，表示密度随温度变化的比例关系；T表示当前温度；

步骤5.2：利用建立的温度补偿模型对流体密度进行校正，进而计算校正后的质量流量Q'(t)：Q'(t)＝ρ(T)*V(t)。

2.根据权利要求1所述的一种基于科氏流量计的流体质量流量检测方法，其特征在于，所述步骤3中短时傅里叶变换技术对信号进行时频分析具体如下：步骤3.1：将滤波处理后的准确信号Y'(t)按照一定的时间窗口长度进行分段处理，每段称为一个帧，得到帧序列Y'(t)n，其中，n表示第n个帧，采用重叠的帧来保证时频分析的连续性；

步骤3.2：选择汉宁窗作为窗函数，对帧序列Y'(t)n应用窗函数ω(t)：其中，t为窗函数的索引，N为窗口长度，加窗后的信号：Y'(t)n*ω(t)；

步骤3.3：对每个加窗后的帧进行傅里叶变换，对傅里叶变换结果Y'(f)n取模平方，得到每个帧的频谱信息：其中，Y'(f)n表示第n个帧的频谱信息，N为每个帧的长度；

步骤3.4：将每个帧的频谱信息按时间顺序排列，形成时频谱矩阵，即时频谱图S(t，f)：2

S(t，f)＝|Y'(f)n|。

3.根据权利要求1所述的一种基于科氏流量计的流体质量流量检测方法，其特征在于，所述步骤4中相位差和质量流量值的确定方法如下：步骤4.1：将分离出的信号Z1(t)和Z2(t)接入示波器观察波形，从中获取过零时间、信号周期和幅度值；

步骤4.2：求解相位差：

其中，t1和t2分别是相邻传感器信号过零的时间，T是信号周期，A1和A2分别是相邻传感器信号解调信号后的幅度；

步骤4.3：求解质量流量：

Q＝ρ0*S*V(t)*相位差

其中，ρ0表示流体在参考温度T0下的密度；S表示测量管道的截面积；V(t)表示介质流速。

4.一种基于权利要求1至3任一所述的一种基于科氏流量计的流体质量流量检测方法的系统，其特征在于，包括科氏流量计本体和两个霍尔传感器模块，将科氏流量计的管道安装在截面的中央位置，将两个霍尔传感器模块分别固定在管道两侧，并将激振器固定在管道中央位置，使其与管道平行，在科氏流量计工作时，激振线圈为测量管提供驱动力，当介质流经科氏流量计时，霍尔传感器感知由线圈产生的磁场的变化，并输出相应的电信号；

信号处理模块，用于利用基于神经网络的自适应滤波算法对科氏流量计传感器信号数据进行实时滤波处理，去除噪声并提取准确信号成分，应用短时傅里叶变换技术对信号进行时频分析；

信号分离模块，用于将处理后的信号数据运用盲源信号分离算法将混合信号中的正交信号和过零信号成分分离出来；

质量流量值确定模块，通过过零检测和正交解调混合的科氏流量计相位差计算方法得出相位差和质量流量值；

温度补偿模块，用于对质量流量值通过温度补偿模型对流体的质量流量进行校正。

5.根据权利要求4所述的一种基于科氏流量计的流体质量流量检测方法的系统，其特征在于，还包括单片机和人机交互界面，所述单片机将经过处理后的传感器信号经过处理后无线通信模块传输到阿里云平台，所述无线通信模块采用NB‑IoT模块和北斗模块与科氏流量计集成，通过MQTT协议将采集并校正后的流体质量流量数据和位置信息传输到阿里云平台，通过人机交互界面进行可视化展示。