CN102590030A - 基于光电池阵列传感器的小通道气液两相流流型辨识装置及方法 - Google Patents

Abstract

本发明公开了一种基于光电池阵列传感器的小通道气液两相流流型辨识装置及方法。包括小管径透明管道、激光源、分光棱镜、光功率计、扩束镜、狭缝、光电池阵列传感器、放大滤波电路、数据采集模块以及微型计算机。本发明利用光电池阵列传感器获取反映气液两相流流态变化的测量信号，提取测量信号特征值矩阵作为原始数据，经过主成分分析法进行数据压缩之后，将压缩后的数据矩阵输入支持向量机流型分类器，实现两相流流型的辨识。本发明为小通道气液两相流特性分析及参数检测，提供了一条有效的途径。相应装置具有结构简单、成本低、非接触测量、辨识正确率高和应用范围广等优点，为小通道两相流流型辨识提供了有益的借鉴。

Description

基于光电池阵列传感器的小通道气液两相流流型辨识装置及方法

技术领域

本发明涉及多相流测量领域，尤其涉及一种基于光电池阵列传感器的小通道气液两相流流型辨识装置及方法。

背景技术

两相流广泛存在于化工、冶金、能源等工业部门，不同的两相流流型对于生产过程的操作方式、运行可靠性和质量成本控制等都具有重要的意义，因此，对于两相流流型的研究和分析，一直是一个非常重要且被广泛研究的课题。近年来，随着小型工业设备的迅速发展，小通道两相流的相关研究成为了两相流研究领域的研究热点之一。小通道两相流的特点在于，受到小管径管道较小水力直径的限制，管道面积/容积比增大，因表面张力等原因，小通道两相流的流动特性与常规管径不尽相同，导致很多常规领域常见的检测手段不能适应小通道两相流相关参数的检测。

目前，针对小通道两相流参数检测的手段较少，有高速摄影法、电容检测法、电导检测法等，相比之下，使用激光的光学检测方法具有非接触、低成本等优点，可以实现对于两相流参数的有效测量，因此，使用激光及光电池阵列的测量方式进行流型辨识的探索，对于小通道两相流流型辨识的相关研究具有相当的参考价值。

发明内容

本发明的目的克服现有技术的不足，提供一种高可靠性的的基于小通道的气液两相流流型辨识装置及方法。

基于光电池阵列传感器的小通道气液两相流流型辨识装置包括激光器、分光棱镜、光功率计、扩束镜、狭缝、小管径透明测试管段、光电池阵列传感器、放大滤波电路、数据采集模块、微型计算机，在小管径透明测试管段的一侧，垂直从下到上顺次放置共光轴的激光器、分光棱镜、扩束镜、狭缝，棱镜的出射光路分为两路，一路垂直照射扩束镜，另一路垂直照射至光功率计上，光功率计与微型计算机相连，激光器的光轴通过狭缝开口，在小管径透明测试管段的另一侧放置有光电池阵列传感器，光电池阵列传感器、放大滤波电路、数据采集模块、微型计算机顺次相连。

两相流流型辨识方法的步骤如下：

1)使用光电池阵列传感器读取待识别流型的信号，信号经过放大滤波电路8处理后，由数据采集模块采集，最终获得的数据发送到微型计算机；

2)对于发送到微型计算机中的数据，进行特征值的计算和提取，特征值采用每一次测量所得数据组的均值、方差、总能量、平均幅值等参数，特征值表达式如下：

均值M_i： $M_i=\frac{1}{N}\underset{t=1}{\overset{N}{\mathrm{\Σ}}}U\left(t\right)$

方差Std_i： $\mathrm{St}{d}_i=\sqrt{\frac{1}{N-1}\underset{t=1}{\overset{N}{\mathrm{\Σ}}}(U\left(t\right)-M{)}^2}$

总能量TE_i： ${\mathrm{TE}}_i=\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{U}^2\left(t\right)$

平均幅值A_i： $A_i=\frac{1}{N}\underset{t=1}{\overset{N}{\mathrm{\Σ}}}\left|U\left(t\right)\right|$

式中U为光电池经过放大滤波电路之后的电压输出值，N为采样数据点的个数。光电池阵列传感器为一个p行q列的矩形阵列，设p×q＝n，则有i＝1，2，…，n，将所有的特征值依次排列，即可构成单次测量下的信号特征向量a：

a＝[M₁ M₂...M_n Std₁ Std₂...Std_n TE₁ TE₂...TE_n A₁ A₂...A_n]

提取各光电池输出的特征值之后，将所有光电池单元的输出特征值依次排列，构成信号的特征值向量。将多次测量所得特征值向量依次排列，即可得到信号特征值矩阵X：

$X=\left[\begin{array}{c}{a}_1\\ a_2\\ a_3\\ ...\\ a_m\end{array}\right]$

式中，m为测得的流型数据组个数；

3)将信号特征值矩阵采用主成分分析的方法进行数据压缩，变换坐标系并确定主成分个数后，得到数据矩阵Y：

$Y=\left[\begin{array}{c}{s}_1\\ s_2\\ s_3\\ ...\\ s_m\end{array}\right]$

采用主成分分析法，将原矩阵中具有一定相关性的向量组，重新组合成互相无关向量组，并保留其中能够有效反映原矩阵主要信息的部分，使得s₁，s₂，…，s_m的维数取值小于原始矩阵中a₁，a₂，…，a_m的维数，实现数据压缩；

4)分类器采用“一对一”模式建立，即在任意两种能够识别的流型之间，建立一个最小二乘支持向量机的两类分类器，任何一个分类器的决策函数形式如下：

$y\left(s\right)=\mathrm{sign}[\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\β}}_t{y}_t\text{\ψ}(s,s_t)+d]$

式中，为训练样本构成的集合，s_t为数据的特征值向量，即3)中计算所得数据矩阵Y中的s₁，s₂，…，s_m。y_t∈{-1，1}为流型分类标签，t和m分别为训练集的样本序号和数量，β_t和d为通过训练获得的待定训练参数，经过学习后用于计算支持向量机的输出；

ψ(s，s_t)为支持向量机的核函数，有：

ψ(s，s_t)＝exp(-|s-s_t|²/σ²)，式中σ为确定核函数取值的参数。

在支持向量机中输入训练用数据矩阵Y_train，进行训练，完成分类器的建立。对待测两相流进行流型辨识时，用同样方法获取待识别流型的数据矩阵Y_test，输入支持向量机，完成辨识。

本发明为辨识小通道内两相流流型及其相关问题，提供了一条有效的途径。相应装置具有结构简单、成本低、非接触测量、辨识正确率高和应用范围广等优点，为小通道两相流流型辨识提供了有益的借鉴。

附图说明

图1是基于光电池阵列传感器的小通道气液两相流流型辨识装置结构示意图；

图2是本发明的光电池阵列传感器的结构示意图；

图3是本发明的流型辨识流程图。

图中：激光器1、分光棱镜2、光功率计3、扩束镜4、狭缝5、小管径透明测量管段6、光电池阵列传感器7、放大滤波电路8、数据采集模块9、微型计算机10。

具体实施方式

本发明针对小通道气液两相流参数检测手段缺乏的现状，利用光电池阵列传感器，以及支持向量机(Support Vector Machine，SVM)、主成分分析(Principal Component Analysis，PCA)等先进的数据处理技术，提出了一种基于光电池阵列传感器的小通道气液两相流流型辨识装置及方法。相应装置具有结构简单、成本低、非接触测量、辨识正确率高和应用范围广等优点，为小通道两相流流型辨识提供了有益的借鉴。

如图1所示，基于光电池阵列传感器的小通道气液两相流流型辨识装置包括激光器1、分光棱镜2、光功率计3、扩束镜4、狭缝5、小管径透明测试管段6、光电池阵列传感器7、放大滤波电路8、数据采集模块9、微型计算机10，在小管径透明测试管段6的一侧，垂直从下到上顺次放置共光轴的激光器1、分光棱镜2、扩束镜4、狭缝5，棱镜的出射光路分为两路，一路垂直照射扩束镜4，另一路垂直照射至光功率计3上，光功率计3与微型计算机10相连，激光器1的光轴通过狭缝开口，在小管径透明测试管段6的另一侧放置有光电池阵列传感器7，光电池阵列传感器7、放大滤波电路8、数据采集模块9、微型计算机10顺次相连。

激光器1发射的激光光束通过分光棱镜2、扩束镜4及狭缝5后，成为一个近似的线光源，该线光源投射到透明待测管段6上，线光源与管段垂直，进入透明管的部分光线，在透明管与两相流、两相流之间的各个界面间发生折射、反射，由于不同流型下的折射反射情况不同，最终出射到光电池阵列7上不同单元的信号强度与时域特性等也因此不同，通过数据处理分析即可进行流型识别工作。

光电池阵列传感器10由多个的光电池单元组成，各单元之间保持一定距离，形成一个多行、多列的矩形光电池阵列，光电池阵列表面与激光器的光轴垂直。

光电池阵列传感器经放大滤波电路8与数据采集模块9相连接，将光电池阵列传感器10采集到的信号进行放大滤波处理，采用单级放大电路，将光电池的电流信号转换为电压信号，并接入数据采集模块9。数据采集模块9与微型计算机10相连接，将采集到的信号发送到微型计算机，进行数据处理，使用支持向量机方法进行流型的学习和识别工作。

使用本发明的装置，可以获得一个近似的平行线光源用于照射待测透明管道，其具有以下优点：平行光源的性质，使得光电池阵列7的输出对于透明待测管段7与扩束镜4、扩束镜4与激光器1之间的距离都不敏感，因此大大提高了实验装置的稳定性，增强了实验的可重复性；线光源宽度狭窄，可以增强装置对于管道内两相流体形态变化的灵敏度。

两相流流型辨识方法的步骤如下：

1)使用光电池阵列传感器7读取待识别流型的信号，信号经过放大滤波电路8处理后，由数据采集模块9采集，最终获得的数据发送到微型计算机10；

2)对于发送到微型计算机10中的数据，进行特征值的计算和提取，特征值采用每一次测量所得数据组的均值、方差、总能量、平均幅值等参数，特征值表达式如下：

均值M_i： $M_i=\frac{1}{N}\underset{t=1}{\overset{N}{\mathrm{\Σ}}}U\left(t\right)$

方差Std_i： $\mathrm{St}{d}_i=\sqrt{\frac{1}{N-1}\underset{t=1}{\overset{N}{\mathrm{\Σ}}}(U\left(t\right)-M{)}^2}$

总能量TE_i： ${\mathrm{TE}}_i=\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{U}^2\left(t\right)$

平均幅值A_i： $A_i=\frac{1}{N}\underset{t=1}{\overset{N}{\mathrm{\Σ}}}\left|U\left(t\right)\right|$

式中U为光电池经过放大滤波电路8之后的电压输出值，N为采样数据点的个数。光电池阵列传感器10为一个p行q列的矩形阵列，设p×q＝n，则有i＝1，2，…，n，将所有的特征值依次排列，即可构成单次测量下的信号特征向量a：

a＝[M₁ M₂...M_n Std₁ Std₂...Std_n TE₁ TE₂...TE_n A₁ A₂...A_n]

提取各光电池输出的特征值之后，将所有光电池单元的输出特征值依次排列，构成信号的特征值向量。将多次测量所得特征值向量依次排列，即可得到信号特征值矩阵X：

$X=\left[\begin{array}{c}{a}_1\\ a_2\\ a_3\\ ...\\ a_m\end{array}\right]$

式中，m为测得的流型数据组个数；

3)将信号特征值矩阵采用主成分分析的方法进行数据压缩，变换坐标系并确定主成分个数后，得到数据矩阵Y：

$Y=\left[\begin{array}{c}{s}_1\\ s_2\\ s_3\\ ...\\ s_m\end{array}\right]$

采用主成分分析法，将原矩阵中具有一定相关性的向量组，重新组合成互相无关向量组，并保留其中能够有效反映原矩阵主要信息的部分，使得s₁，s₂，…，s_m的维数取值小于原始矩阵中a₁，a₂，…，a_m的维数，实现数据压缩；

4)分类器采用“一对一”模式建立，即在任意两种能够识别的流型之间，建立一个最小二乘支持向量机的两类分类器，任何一个分类器的决策函数形式如下：

$y\left(s\right)=\mathrm{sign}[\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\β}}_t{y}_t\text{\ψ}(s,s_t)+d]$

式中，

为训练样本构成的集合，s_t为数据的特征值向量，即3)中计算所得数据矩阵Y中的s₁，s₂，…，s_m。y_t∈{-1，1}为流型分类标签，t和m分别为训练集的样本序号和数量，β_t和d为通过训练获得的待定训练参数，经过学习后用于计算支持向量机的输出；

ψ(s，s_t)为支持向量机的核函数，有：

ψ(s，s_t)＝exp(-|s-s_t|²/σ²)，式中σ为确定核函数取值的参数。

在支持向量机中输入训练用数据矩阵Y_train，进行训练，完成分类器的建立。对待测两相流进行流型辨识时，用同样方法获取待识别流型的数据矩阵Y_test，输入支持向量机，完成辨识。

以辨识四种典型流型：环状流、泡状流、段塞流、层状流为例，如图3所示，在四种流型两两之间共建立六个分类器，经过主成分分析之后的数据矩阵被输入到各分类器中，每个分类器都对输入的流型进行判别，而后利用投票机制，获得票数最多的流型即为支持向量机辨识得出的流型。

已利用气液两相流在水平玻璃管道上对本发明中所提及的装置与方法进行了初步试验，验证了本发明的可行性，其中水平石英玻璃管道内径为4.02mm，外径为6.12mm，试验介质的两相流为气液两相，液相为常规自来水，气相为压缩空气，使用的光电池阵列传感器为一维8单元纵列式光电池。试验结果表明：利用本发明中所提及的装置与方法，可以实现管道中流体的流型辨识，并可取得较高的辨识准确率，辨识结果如表1所示。

表1 4.02mm内径石英玻璃管道气液两相流流型辨识结果

Claims (2)

1.一种基于光电池阵列传感器的小通道气液两相流流型辨识装置，其特征在于包括激光器(1)、分光棱镜(2)、光功率计(3)、扩束镜(4)、狭缝(5)、小管径透明测试管段(6)、光电池阵列传感器(7)、放大滤波电路(8)、数据采集模块(9)、微型计算机(10)，在小管径透明测试管段(6)的一侧，垂直从下到上顺次放置共光轴的激光器(1)、分光棱镜(2)、扩束镜(4)、狭缝(5)，棱镜的出射光路分为两路，一路垂直照射扩束镜(4)，另一路垂直照射至光功率计(3)上，光功率计(3)与微型计算机(10)相连，激光器(1)的光轴通过狭缝开口，在小管径透明测试管段(6)的另一侧放置有光电池阵列传感器(7)，光电池阵列传感器(7)、放大滤波电路(8)、数据采集模块(9)、微型计算机(10)顺次相连。

2.一种使用如权利要求1所述系统的两相流流型辨识方法，其特征在于它的步骤如下：

1)使用光电池阵列传感器(7)读取待识别流型的信号，信号经过放大滤波电路(8)处理后，由数据采集模块(9)采集，最终获得的数据发送到微型计算机(10)；

2)对于发送到微型计算机(10)中的数据，进行特征值的计算和提取，特征值采用每一次测量所得数据组的均值、方差、总能量、平均幅值等参数，特征值表达式如下：

均值M_i： $M_i=\frac{1}{N}\underset{t=1}{\overset{N}{\mathrm{\Σ}}}U\left(t\right)$

方差Std_i： $\mathrm{St}{d}_i=\sqrt{\frac{1}{N-1}\underset{t=1}{\overset{N}{\mathrm{\Σ}}}(U\left(t\right)-M{)}^2}$

总能量TE_i： ${\mathrm{TE}}_i=\underset{t=1}{\overset{N}{\mathrm{\Σ}}}{U}^2\left(t\right)$

平均幅值A_i： $A_i=\frac{1}{N}\underset{t=1}{\overset{N}{\mathrm{\Σ}}}\left|U\left(t\right)\right|$

式中U为光电池经过放大滤波电路(8)之后的电压输出值，N为采样数据点的个数。光电池阵列传感器(10)为一个p行q列的矩形阵列，设p×q＝n，则有i＝1，2，…，n，将所有的特征值依次排列，即可构成单次测量下的信号特征向量a：

a＝[M₁ M₂ ...M_n Std₁ Std₂...Std_n TE₁ TE₂...TE_n A₁ A₂...A_n]

提取各光电池输出的特征值之后，将所有光电池单元的输出特征值依次排列，构成信号的特征值向量。将多次测量所得特征值向量依次排列，即可得到信号特征值矩阵X：

$X=\left[\begin{array}{c}{a}_1\\ a_2\\ a_3\\ ...\\ a_m\end{array}\right]$

式中，m为测得的流型数据组个数；

3)将信号特征值矩阵采用主成分分析的方法进行数据压缩，变换坐标系并确定主成分个数后，得到数据矩阵Y：

$Y=\left[\begin{array}{c}{s}_1\\ s_2\\ s_3\\ ...\\ s_m\end{array}\right]$

采用主成分分析法，将原矩阵中具有一定相关性的向量组，重新组合成互相无关向量组，并保留其中能够有效反映原矩阵主要信息的部分，使得s₁，s₂，…，s_m的维数取值小于原始矩阵中a₁，a₂，…，a_m的维数，实现数据压缩；

4)分类器采用“一对一”模式建立，即在任意两种能够识别的流型之间，建立一个最小二乘支持向量机的两类分类器，任何一个分类器的决策函数形式如下：

$y\left(s\right)=\mathrm{sign}[\underset{t=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\β}}_t{y}_t\text{\ψ}(s,s_t)+d]$

式中，

为训练样本构成的集合，s_t为数据的特征值向量，即3)中计算所得数据矩阵Y中的s₁，s₂，…，s_m。y_t∈{-1，1}为流型分类标签，t和m分别为训练集的样本序号和数量，β_t和d为通过训练获得的待定训练参数，经过学习后用于计算支持向量机的输出；

ψ(s，s_t)为支持向量机的核函数，有：

ψ(s，s_t)＝exp(-|s-s_t|²/σ²)，式中σ为确定核函数取值的参数。

在支持向量机中输入训练用数据矩阵Y_train，进行训练，完成分类器的建立。对待测两相流进行流型辨识时，用同样方法获取待识别流型的数据矩阵Y_test，输入支持向量机，完成辨识。

Images