專利名稱：基于時間序列與神經(jīng)網(wǎng)絡(luò)模式辨識的兩相流流型識別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及的是一種氣液兩相流流型識別方法，特別是一種可對氣液兩相水平管流流型進(jìn)行在線識別、基于時間序列與神經(jīng)網(wǎng)絡(luò)模式辨識的兩相流流型識別方法。屬于多相流測控與數(shù)據(jù)處理技術(shù)領(lǐng)域。
背景技術(shù)：
兩相流流型識別是兩相流科學(xué)研究的基礎(chǔ)，流型的確定為兩相流動系統(tǒng)及其相關(guān)設(shè)備的設(shè)計(jì)、操作運(yùn)行以及管道沿程壓降的計(jì)算提供可靠參數(shù)，對兩相流系統(tǒng)的設(shè)計(jì)、分析以及運(yùn)行具有重大的意義。近30年來國內(nèi)外分別提出了許多基于不同模型和理論的流型識別方法，包括基于系統(tǒng)參數(shù)的時間序列統(tǒng)計(jì)方法、分形和混沌方法、以及層析成像方法等。Jones，O.C.，Zuber，N.于1975年在論文《Theinterrelation between void fraction fluctuation and flow patterns intwo-phase flow》(Int.J.Multiphase Flow.1975，2273-306)中，首先總結(jié)發(fā)展了基于系統(tǒng)參數(shù)的時間序列統(tǒng)計(jì)方法，根據(jù)采集到的兩相流動系統(tǒng)不同流型的流動參數(shù)時間序列的統(tǒng)計(jì)特征判別流型，具有計(jì)算簡單、直觀的特點(diǎn)。但該方法使用的信息量單一，只能定性的反映流型特征，無法準(zhǔn)確和自動對流型進(jìn)行識別?；趦上嗔鲃恿餍妥兓姆蔷€性特征，王經(jīng)于1995年在論文《兩相流的非線性動力特性及混沌時間序列分析方法的研究》(多相流檢測技術(shù)進(jìn)展，石油工業(yè)出版社，1996)中提出判別流型的混沌時間序列方法；Haojiang Wu，F(xiàn)angde Zhou，Yuyuan Wu.等于2001年在論文《Intelligent identification system of flow regime ofoil-gas-water multiphase flow》(Int.J.Multiphase Flow.2001，27459-475)中提出了利用分形方法來提取信號特征進(jìn)行識別流型的方法。這些數(shù)據(jù)處理方法較深層次地反映了流動特征，但是計(jì)算復(fù)雜、耗時長、缺乏足夠的定量指標(biāo)，無法進(jìn)行準(zhǔn)確的實(shí)時流型識別。1989年C.G.Xie，A.Plaskowski，M.S.Beck等在論文《8-electrode capacitance system for two-compoent flow identification》(IEE proceedings 1989，136(4)173-183)中，提出了通過對管道截面進(jìn)行過程層析成像的方法來識別流型，實(shí)現(xiàn)對流型識別的可視化。但該技術(shù)存在著微小信號測量困難、成像精度低、實(shí)時性差等缺點(diǎn)，尚需進(jìn)一步研究。
鑒于兩相流動的復(fù)雜性，當(dāng)前兩相流科學(xué)研究領(lǐng)域的重要任務(wù)是研究快速、準(zhǔn)確的流型在線自動識別方法。

發(fā)明內(nèi)容
為了克服已有技術(shù)的不足與缺陷，本發(fā)明在已開發(fā)的混沌時間序列流型識別方法的基礎(chǔ)上，將傳統(tǒng)的時間序列統(tǒng)計(jì)數(shù)據(jù)處理方法，與能夠從定量的、歷史信息中學(xué)習(xí)、具有很強(qiáng)的容錯性及識別分類能力的神經(jīng)網(wǎng)絡(luò)模式識別方法相結(jié)合，提出一種新的基于時間序列與神經(jīng)網(wǎng)絡(luò)模式辨識的兩相流流型識別方法。本發(fā)明的識別方法包括1)、信號采集及其預(yù)處理(1)在實(shí)驗(yàn)環(huán)路的水平管路中分別固定和改變液相流量和氣相流量，得到不同流動工況與氣、液流量下的各種不同流型如層狀流、攪拌流、彈狀流以及環(huán)狀流。
(2)利用精度高、動態(tài)響應(yīng)快的差壓傳感器或空泡份額傳感器在實(shí)驗(yàn)環(huán)路上，對水平管內(nèi)氣液兩相流動的流動參數(shù)如差壓值或空泡份額值進(jìn)行實(shí)時在線采集。在一定的采樣時間內(nèi)，獲得足夠多的流動參數(shù)信號的時間序列。
(3)對所采集的流動參數(shù)的原始信號時間序列，利用小波變換對其進(jìn)行去噪聲預(yù)處理，以提高信號處理的精度。
2)、獲取概率密度函數(shù)(PDF)曲線。
對去噪后的流動參數(shù)信號時間序列通過數(shù)據(jù)處理，獲取其概率密度函數(shù)曲線。
3)提取概率密度函數(shù)曲線特征參數(shù)。
概率密度函數(shù)曲線準(zhǔn)確的反映不同流型信號參數(shù)時間序列的統(tǒng)計(jì)特征.對實(shí)驗(yàn)實(shí)時采集得到的不同流型的概率密度函數(shù)曲線分析，發(fā)現(xiàn)不同流型的概率密度函數(shù)曲線的波峰個數(shù)K1、波峰位置K2、波峰峰值K3以及方差K4都存在顯著不同，故提取這四個特征參數(shù)作為對概率密度函數(shù)曲線的定量特征表征，實(shí)現(xiàn)了不同流型概率密度函數(shù)特征的量化。水平管油氣兩相流動的層狀流、攪拌流、彈狀流、環(huán)狀流4個典型流型的四個PDF特征參數(shù)定義為(1)波峰個數(shù)K1。層狀流、攪拌流及環(huán)狀流流型都只有一個波峰，彈狀流有兩個波峰，其雙波峰特性是該流型區(qū)別于其它流型的顯著特征。
(2)波峰峰值K2。不同的流型由于差壓值不同，導(dǎo)致其波峰峰值不同。
(3)波峰位置K3。各種流型的PDF曲線的波峰位置不同。環(huán)狀流最接近低差壓值處，層狀流次之，彈狀流則在低差壓值和高差壓值各有一個波峰。
(4)方差K4。各種流型的PDF形狀不同，層狀流和環(huán)狀流波動小，PDF波峰陡；而攪拌流波動大，PDF波形較寬，用方差K4來表示這種特征。
4)神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)將上述定義的K1，K2，K3，K4，，構(gòu)成特征向量，作為神經(jīng)網(wǎng)絡(luò)的輸入樣本；將不同流型對應(yīng)的輸出向量分別定義為層狀流為(0，0，0，1)，塞狀流為(0，0，1，0)，彈狀流為(0，1，0，0)以及環(huán)狀流(1，0，0，0)。
5)、交叉訓(xùn)練及流型識別將數(shù)量與輸入樣本流型數(shù)量相同的、未知流型的PDF曲線特征參數(shù)作為被檢驗(yàn)樣本，運(yùn)用神經(jīng)網(wǎng)絡(luò)技術(shù)中的徑向基函數(shù)(RBF)進(jìn)行分類，采用交叉訓(xùn)練方法進(jìn)行訓(xùn)練后，獲得流型識別結(jié)果本發(fā)明的有益效果1)本發(fā)明方法將神經(jīng)網(wǎng)絡(luò)模式識別技術(shù)與時間序列統(tǒng)計(jì)數(shù)據(jù)處理方法相結(jié)合，借鑒了神經(jīng)網(wǎng)絡(luò)的容錯性以及智能性，克服單一利用概率密度函數(shù)曲線統(tǒng)計(jì)方法的人為主觀因素的影響。不僅有效提高了識別的準(zhǔn)確率，且使識別過程實(shí)現(xiàn)定量診斷，具有一定程度的智能化，可快速、準(zhǔn)確的得到流型的種類，實(shí)現(xiàn)對流型識別。
2)該方法可在線、實(shí)時、自動對兩相流水平管流動系統(tǒng)進(jìn)行流型識別。因?yàn)樘崛×硕繀?shù)，使識別精度可達(dá)到95％。對兩相流動系統(tǒng)及換熱設(shè)備安全運(yùn)行的檢測控制具有重要的工程應(yīng)用價(jià)值。
3)本發(fā)明通過所獲流動參數(shù)的時間序列的數(shù)據(jù)處理，獲得不同流型的特征參數(shù)；然后應(yīng)用神經(jīng)網(wǎng)絡(luò)識別技術(shù)從測量空間映射到流型空間，最終實(shí)現(xiàn)流型識別。所應(yīng)用的徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)同反向傳播神經(jīng)網(wǎng)絡(luò)相比，具有學(xué)習(xí)速度快，模式識別和分類能力強(qiáng)等特點(diǎn)。
具體實(shí)施例方式
下面結(jié)合在某大型多相流實(shí)驗(yàn)?zāi)M裝置上進(jìn)行的水平管油氣兩相流實(shí)時在線流型識別，對本發(fā)明的具體實(shí)施作進(jìn)一步的描述。
(1)分別固定和改變液相流量和氣相流量，得到不同流動工況、不同氣、液流量的各種不同流型如層狀流、攪拌流、彈狀流以及環(huán)狀流。利用差壓傳感器采集水平管內(nèi)的氣液兩相流動的差壓信號時間序列。采樣點(diǎn)間距為10倍管徑，采樣頻率為200Hz，采樣時間為30秒。
(2)用小波變換法對所獲時間序列信號進(jìn)行去噪聲處理后，并通過數(shù)據(jù)處理，獲得不同流型差壓信號的概率密度函數(shù)曲線。
(3)、提取各種不同流型概率密度函數(shù)曲線的波峰個數(shù)K1、波峰位置K2、波峰峰值K3以及PDF方差K4，作為不同流型的概率密度函數(shù)特征向量。
(4)將上述定義的K1，K2，K3，K4，，構(gòu)成特征向量，作為神經(jīng)網(wǎng)絡(luò)的輸入樣本；將不同流型的輸出向量分別定義為層狀流為(0，0，0，1)，塞狀流為(0，0，1，0)，彈狀流為(0，1，0，0)以及環(huán)狀流(1，0，0，0)。應(yīng)用神經(jīng)網(wǎng)絡(luò)的徑向基函數(shù)模式識別方法，取相同數(shù)量的輸入樣本與待檢驗(yàn)樣本，其數(shù)量分別為42個層狀流、54個攪拌流、54個彈狀流以及18個環(huán)狀流。
(5)采用交叉訓(xùn)練方法對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練次數(shù)為3000次，獲得待檢驗(yàn)樣本的識別結(jié)果。
表1是本發(fā)明具體實(shí)施的部分樣本、特征參數(shù)及識別結(jié)果。
表2為本發(fā)明識別結(jié)果與實(shí)驗(yàn)結(jié)果的比較。
表1部分樣本、特征參數(shù)及識別結(jié)果


表2本發(fā)明識別結(jié)果與待檢流型的比較

權(quán)利要求
1.一種基于時間序列與神經(jīng)網(wǎng)絡(luò)模式辨識的兩相流流型識別方法，其特征在于本發(fā)明的識別方法是將神經(jīng)網(wǎng)絡(luò)模式識別技術(shù)與傳統(tǒng)的時間序列概率密度函數(shù)統(tǒng)計(jì)方法相結(jié)合，在線、實(shí)時、自動對氣液兩相水平管流流型進(jìn)行識別，其方法包括下列步驟1)獲取不同流動工況、不同氣、液流量的各種不同流型；2)對不同流型的流動參數(shù)時間序列進(jìn)行實(shí)時采集，并對該時間序列信號進(jìn)行去噪聲預(yù)處理；3)對去噪聲后的流動參數(shù)信號時間序列運(yùn)用數(shù)理統(tǒng)計(jì)方法進(jìn)行數(shù)據(jù)處理，得到概率密度函數(shù)曲線，提取概率密度函數(shù)曲線的特征參數(shù)；4)將概率密度函數(shù)曲線的特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入樣本，定義神經(jīng)網(wǎng)絡(luò)的輸出向量；5)對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，分類檢驗(yàn)，對未知流型進(jìn)行識別。
2.根據(jù)權(quán)利要求1所述的基于時間序列與神經(jīng)網(wǎng)絡(luò)模式辨識的兩相流流型識別方法，其特征是所述的步驟1，分別固定和改變液相流量和氣相流量，得到不同流動工況、不同氣、液流量下的各種不同流型，包括層狀流、攪拌流、彈狀流以及環(huán)狀流。
3.根據(jù)權(quán)利要求1所述的基于時間序列與神經(jīng)網(wǎng)絡(luò)模式辨識的兩相流流型識別方法，其特征是所述的步驟2，利用差壓傳感器或空泡份額傳感器對流動參數(shù)進(jìn)行實(shí)時在線采集；采樣點(diǎn)間距為10倍管徑；采樣頻率為200Hz；采樣時間為30秒；利用小波變換進(jìn)行信號的去噪聲預(yù)處理。
4.根據(jù)權(quán)利要求1所述的基于時間序列與神經(jīng)網(wǎng)絡(luò)模式辨識的兩相流流型識別方法，其特征是所述的步驟3，不同流型的概率密度函數(shù)曲線的特征參數(shù)是波峰個數(shù)K1、波峰位置K2、波峰峰值K3以及方差K4。
5.根據(jù)權(quán)利要求1所述的基于時間序列與神經(jīng)網(wǎng)絡(luò)模式辨識的兩相流流型識別方法，其特征是所述的步驟4中所采用的神經(jīng)網(wǎng)絡(luò)是徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，其輸入樣本是由特征向量K1，K2，K3，K4，構(gòu)成；輸出向量與流型對應(yīng)，分別是層狀流為(0，0，0，1)，塞狀流為(0，0，1，0)，彈狀流為(0，1，0，0)以及環(huán)狀流(1，0，0，0)。
6.根據(jù)權(quán)利要求1所述的基于時間序列與神經(jīng)網(wǎng)絡(luò)模式辨識的兩相流流型識別方法，其特征是所述的步驟5，采用交叉訓(xùn)練方法對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，交叉訓(xùn)練次數(shù)為3000次。
全文摘要
基于時間序列與神經(jīng)網(wǎng)絡(luò)模式辨識的兩相流流型識別方法，是將神經(jīng)網(wǎng)絡(luò)模式識別技術(shù)與傳統(tǒng)的時間序列概率密度函數(shù)統(tǒng)計(jì)方法相結(jié)合，可以在線、實(shí)時、自動對氣液兩相水平管流型進(jìn)行識別。首先通過對不同流型的流動參數(shù)時間序列進(jìn)行數(shù)據(jù)處理，獲得不同流型概率密度函數(shù)的特征參數(shù)；然后將該特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入樣本，應(yīng)用神經(jīng)網(wǎng)絡(luò)識別技術(shù)從測量空間映射到流型空間，最終實(shí)現(xiàn)流型識別。所應(yīng)用的徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)同反向傳播神經(jīng)網(wǎng)絡(luò)相比，具有學(xué)習(xí)速度快，模式識別和分類能力強(qiáng)等特點(diǎn)。并因?yàn)樘崛《繀?shù)而保證了較高識別精度，對油氣兩相流動及換熱設(shè)備安全運(yùn)行的檢測控制，具有重要的工程應(yīng)用價(jià)值。
文檔編號G09F17/00GK1664555SQ200510024418
公開日2005年9月7日 申請日期2005年3月17日 優(yōu)先權(quán)日2005年3月17日
發(fā)明者王經(jīng), 賈志海, 牛剛 申請人:上海交通大學(xué)