CN108304770A - 一种基于时频分析算法结合深度学习理论的气液两相流流型的方法 - Google Patents
一种基于时频分析算法结合深度学习理论的气液两相流流型的方法 Download PDFInfo
- Publication number
- CN108304770A CN108304770A CN201711360206.5A CN201711360206A CN108304770A CN 108304770 A CN108304770 A CN 108304770A CN 201711360206 A CN201711360206 A CN 201711360206A CN 108304770 A CN108304770 A CN 108304770A
- Authority
- CN
- China
- Prior art keywords
- flow
- liquid
- gas
- time
- flow pattern
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于深度学习理论的气液两相流流型的方法。可以对在管道内流动的气液两相流的基本流型泡状流,弹状流,塞状流等进行识别。相较于常规方法识别流型,本发明提出一种通过自适应最优核时频分析算法计算两相流差压信号的时频谱图,通过卷积神经网络来自动提取图像特征,进而使用支持向量机分类器来识别两相流流型的方法。由于使用了把一维动态信号转换为二维图像的方法,更加准确地描述信号的特征,大大增加了本发明对气液两相流流型的识别率。
Description
技术领域
本发明涉及气液两相流流型识别领域,具体涉及一种基于时频分析算法结合深度学习理论的气液两相流流型的方法。
背景技术
气液两相流系统广泛应用于石油开采、化工过程和冶金工程等领域。而两相流的参数包括压力、含气率、流型等。流型的识别作为气液两相流研究的基础展开的。目前处理两相流问题一般分为3种方法:第一种从物理概念出发,从微方程中得到描述两相流的参数,然后得到关系式,第二种为半经验法,通过实验获得,第三种为流体力学法,根据两相流的流动性,建立关系。但是不同类型的界面波产生和发展的规律不同,影响的规律程度也不同,很难使用具体的关系式来表达。
发明内容
针对上述现有技术存在的不足之处,本发明提供一种应用卷积神经网络来识别两相流流型的方法。该发明在很大程度上改善了这个问题,能够利用两相流信号的时频图来提取相应的特征,根据图片特征识别流型。由于这个深度网络都集成在软件中,因此对于操作人员来说,过程非常简单,且随着训练样本的增多,网络更加完善,识别精度越高。
本发明的目的是通过以下技术方案实现的:应用卷积神经网络来识别两相流流型的方法,该方法的系统主要包括差压信号采集模块、数据预处理模块、时频分析模块、灰度化模块、深度学习模块。
进一步地,所述的差压信号采集模块为差压变送器,通过其输出的标准信号来检测出其测量的两端压力之差。
进一步地,通过预处理模块来处理输出的原始信号,其中预处理模块包括数据归一化、剔除异常点、滤波等,去除了噪音干扰,使得分析更加准确。之后根据时频分析软件的提示,输入相应的参数和处理后的信号,画出时频图,进行时频分析。
进一步地,使用在计算机上将时频图进行灰度化处理,通过编译好的卷积神经网络算法对两相流信号的灰度图进行特征提取,以灰度图为输入,识别类型为输出,训练神经网络,得到最优网络。
本发明的有益效果在于:可以充分地利用深度学习的数据挖掘功能,能够准确地提取图像特征。其次,充分地利用自适应最优核分析的非常强的抗交叉干扰项的能力和高分辨率的特性,能够准确地表示出信号的时频特性。
附图说明
图1为本发明的全局整体系统架构图。
图2为本发明的所用的数据预处理细节图。
图3为本发明的卷积神经网络结构图。
具体实施方式
下面结合附图对本发明进行更加详细的说明。
图1说明本发明整体系统架构,一种应用卷积神经网络来识别两相流流型的方法,包括:差压信号采集、信号预处理、自适应最优核分析信号、时频图灰度化、卷积神经网络提取特征以及支持向量机分类器。
差压信号采集使用差压变送器测量压力差,该信号作为气液两相流的信号,之后经过一系列的信号处理,使用编译好的自适应最优核集成软件对信号进行时频分析,进行灰度化以后,进行图片调整,再使用合适的结构的卷积神经网络提取灰度图的特征,最后使用支持向量机分类器对卷积神经网络特征进行计算,分出流型类别。
所述的自适应最优核集成软件使用计算机编译而成的,进一步在软件中编译自适应最优核算法,设定相应的参数,如移动窗的长度,每次移动的距离等,即可显示出信号的时频谱图。
所述的灰度化及图片调整为将软件中显示的彩色图片灰度化为一个灰度矩阵,且为了计算方便,将矩阵的每一个值都除以255,即进行归一化。同时为了简化卷积神经网络算法提取过多的特征,对灰度图进行尺寸调整,这里调整为64*64。
图2为本发明的所用的数据预处理细节图。信号处理包括归一化,拉依达准则剔除异常点,滤波等。其中滤波可以采用HHT滤波,小波滤波和数字滤波器。这里使用数字滤波器滤除噪音,只留下频谱在0-50Hz的信号。
图3为本发明的卷积神经网络结构图。根据大量实验,发现在使用2层的卷积神经网络和分类器为支持向量机的效果最好。这里卷积神经网络的采用层结构固定,都为2*2,而第一层的卷积层个数选择12个,卷积核为15*15,第二层卷积层与第一层有很大不同,其个数为24个,卷积核为6*6*12。网络的最后一层为全连接层,即卷积核与特征图全连接。按照上述结构的神经网络在流型识别中识别率达90%以上。
上述系统中各模块的测试过程主要包括以下步骤:
①测试人员根据差压变送器送出的电压信号,转换为所需要的压力差值信号,以便后续的信号处理;
②打开计算机中的流型识别软件,使用软件中的信号预处理程序,进行归一化、剔除异常点和滤波;
③使用编译的自适应最优核集成软件对已处理的信号进行时频分析,绘制时频谱图,去除坐标轴和图片刻度等相关图形属性,只保留数据信息,截取谱图的频率轴在0-50Hz范围的部分作为信号的有效部分,减小图片的复杂性;
④将截取的图片进行灰度化,为了降低卷积神经网络的复杂程度,将灰度图的尺寸调整为 64*64,将灰度矩阵进行归一化,即将矩阵的每一个数值除以255;
⑤设置卷积神经网络的结构,将一部分的灰度矩阵作为网络的输入,矩阵的流型标识作为网络的支持向量机分类器的理想输出来训练网络的权值与阈值;
⑥将另外一部分的灰度矩阵作为测试信号,来检测网络识别两相流流型的识别率。
Claims (3)
1.一种基于时频分析算法结合深度学习理论的气液两相流流型的方法,其特征在于:通过传统节流装置及高频响差压传感器获取管道内气液两相流动态信号,通过时频分析算法把一维时域信号转化为二维图像,通过卷积神经网络来自动提取图像特征,根据特征识别气液两相流常见流型。
2.根据权利1所述的一种基于时频分析算法结合深度学习理的气液两相流流型的方法,其特征在于:对来至传感器的气液两相流差压信号,采用逐次截取信号长度,使用时频分析算法把时域的差压信号转换为二维的时频谱图,进一步将时频谱图转化为一定尺寸的灰度图片。
3.根据权利1所述的一种基于时频分析算法结合深度学习理的气液两相流流型的方法,其特征在于:把经过灰度化的时频图当作卷积神经网络的输入,训练该深度学习网络自动提取图像特征,已知的流型标识当做网络标准输出来训练该网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711360206.5A CN108304770A (zh) | 2017-12-18 | 2017-12-18 | 一种基于时频分析算法结合深度学习理论的气液两相流流型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711360206.5A CN108304770A (zh) | 2017-12-18 | 2017-12-18 | 一种基于时频分析算法结合深度学习理论的气液两相流流型的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108304770A true CN108304770A (zh) | 2018-07-20 |
Family
ID=62870557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711360206.5A Pending CN108304770A (zh) | 2017-12-18 | 2017-12-18 | 一种基于时频分析算法结合深度学习理论的气液两相流流型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108304770A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190667A (zh) * | 2018-07-31 | 2019-01-11 | 中国电子科技集团公司第二十九研究所 | 一种基于电子侦察信号的目标威胁评估方法、模型及模型构建方法 |
CN109458561A (zh) * | 2018-10-26 | 2019-03-12 | 西安交通大学 | 油气集输立管系统有害流型的预警方法、控制方法及系统 |
CN109931506A (zh) * | 2019-03-14 | 2019-06-25 | 三川智慧科技股份有限公司 | 管道泄露检测方法及装置 |
CN110276415A (zh) * | 2019-07-01 | 2019-09-24 | 山东浪潮人工智能研究院有限公司 | 一种基于深度学习的石油工业多相流流型识别方法 |
CN112507638A (zh) * | 2020-12-18 | 2021-03-16 | 北京科技大学 | 深层凝析气藏多相多流态判别方法及装置 |
CN113313000A (zh) * | 2021-05-19 | 2021-08-27 | 哈尔滨工程大学 | 一种基于光学图像的气液两相流智能识别方法 |
-
2017
- 2017-12-18 CN CN201711360206.5A patent/CN108304770A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190667A (zh) * | 2018-07-31 | 2019-01-11 | 中国电子科技集团公司第二十九研究所 | 一种基于电子侦察信号的目标威胁评估方法、模型及模型构建方法 |
CN109458561A (zh) * | 2018-10-26 | 2019-03-12 | 西安交通大学 | 油气集输立管系统有害流型的预警方法、控制方法及系统 |
CN109931506A (zh) * | 2019-03-14 | 2019-06-25 | 三川智慧科技股份有限公司 | 管道泄露检测方法及装置 |
CN110276415A (zh) * | 2019-07-01 | 2019-09-24 | 山东浪潮人工智能研究院有限公司 | 一种基于深度学习的石油工业多相流流型识别方法 |
CN112507638A (zh) * | 2020-12-18 | 2021-03-16 | 北京科技大学 | 深层凝析气藏多相多流态判别方法及装置 |
CN112507638B (zh) * | 2020-12-18 | 2021-08-06 | 北京科技大学 | 深层凝析气藏多相多流态判别方法及装置 |
CN113313000A (zh) * | 2021-05-19 | 2021-08-27 | 哈尔滨工程大学 | 一种基于光学图像的气液两相流智能识别方法 |
CN113313000B (zh) * | 2021-05-19 | 2022-04-29 | 哈尔滨工程大学 | 一种基于光学图像的气液两相流智能识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304770A (zh) | 一种基于时频分析算法结合深度学习理论的气液两相流流型的方法 | |
Wang et al. | An intelligent approach for engine fault diagnosis based on Hilbert–Huang transform and support vector machine | |
Zhang et al. | Wood defect detection method with PCA feature fusion and compressed sensing | |
CN107784276B (zh) | 微震事件识别方法和装置 | |
CN105929024A (zh) | 混凝土缺陷智能化检测与定量识别方法 | |
CN105844279A (zh) | 基于深度学习和sift特征的sar图像变化检测方法 | |
CN107818298A (zh) | 用于机器学习物质识别算法的通用拉曼光谱特征提取方法 | |
CN109858477A (zh) | 用深度森林在复杂环境中识别目标物的拉曼光谱分析方法 | |
CN109858408A (zh) | 一种基于自编码器的超声信号处理方法 | |
CN107092829A (zh) | 一种基于图像匹配的恶意代码检测方法 | |
CN105005761B (zh) | 一种结合显著性分析的全色高分辨率遥感图像道路检测方法 | |
CN111784721A (zh) | 基于深度学习的超声内窥图像智能分割与量化方法及系统 | |
CN106682278A (zh) | 基于图像处理的超声速流场预测准确度判定装置及方法 | |
CN104680185B (zh) | 基于边界点重分类的高光谱图像分类方法 | |
CN104794729A (zh) | 基于显著性引导的sar图像变化检测方法 | |
CN104807589A (zh) | 一种集输-立管系统内气液两相流流型的在线识别方法 | |
CN106295708B (zh) | 一种基于Fisher分类器组的连续型数据预处理方法 | |
CN113095188A (zh) | 一种基于深度学习的拉曼光谱数据分析方法与装置 | |
CN107563427A (zh) | 用于油画的著作权鉴定的方法以及相应的使用 | |
Gamboa-Medina et al. | Feature extraction in pressure signals for leak detection in water networks | |
CN110298410A (zh) | 基于深度学习的低对比度图像中弱目标检测方法及装置 | |
CN115290596A (zh) | 一种基于fcn-acgan数据增强的隐匿危险品识别方法及设备 | |
CN113740295B (zh) | 基于近红外建模的成品油添加剂检测分析方法及装置 | |
CN107632010A (zh) | 一种结合激光诱导击穿光谱对钢铁样品的定量方法 | |
CN103196356A (zh) | 基于支持向量机的油管缺陷定量识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180720 |
|
WD01 | Invention patent application deemed withdrawn after publication |