CN111896616B - 基于声发射-bp神经网络的气液两相流流型识别方法 - Google Patents

Abstract

基于声发射‑BP神经网络测量的气液两相流流型识别方法，包括在管道外壁布置声发射传感器，将空管声信号中的最大值设定为阈值电压，对两相流声信号进行采集，获取各流型下的声信号；计算各流型下声信号特征参数，包括声信号平均电压电平、均方根值、绝对能量值和振铃计数；计算各流型下声信号的小波包分解分析；将归一化后声信号的4项特征和各个个频率段处重构波形的范数平方作为神经网络输入量；对神经网络进行优化训练；之后即可进行流型识别。本发明可实时、快速、在线的识别，能够识别倾斜和垂直管气液两相流的典型流型，即泡状流、段塞流、搅拌流和环状流，别准确率高达95%以上，对高压厚壁油气管道的流动安全保障和监测具有重要意义。

Description

基于声发射-BP神经网络的气液两相流流型识别方法

技术领域

本发明涉及气液两相流流型检测领域，特别是涉及对海洋油气混输系统倾斜或垂直(20-90°)立管内的气液两相流流型进行实时在线识别方法。

背景技术

气液两相流动现象广泛存在于长距离陆上混输管道系统以及海洋油田混输生产系统中。两相流动介质在管内流动的分布状况，即流型，是气液流动的基础问题。准确的流型识别对于混输系统运行非常关心的管道总压降、管道内滞液量、沉积物的生成情况等预测和监控都有重要影响，是这些生产系统运行操作决策的基础信息。在工程实际应用中，为了实时监控管内流动状态，需要对管道流型进行在线识别。

目前流型识别方法主要分为两类：一类是通过获取两相流流动图像或介质分布来确定流型，如目测法、高速摄影法、电容层析成像法、X射线成像法和伽马射线法等，这类方法往往简单快捷，但多数方法易受管道透明度和人主观判断等因素的影响。其中伽马射线法在油气现场应用较多，但是由于核射线的危险性，目前对核放射线源的监管严格，因此应用不便。另一类是通过分析不同流型下流动参数的波动信号来提取流型特征，进而识别流型，如基于压力、差压波动信号的识别方法。如CN01115235.4就公布了一种基于管内压力、差压信号的油气水多相流流型在线识别方法。在不破坏管内流动状态的前提下，如何快速、方便地在线识别海洋高压油气管道内的两相流流型对于油气混输系统经济安全运行具有重要意义。

声发射技术是一种无损检测技术，因其灵敏度高，检测信号频率范围广，已被成功用于材料缺陷、管道泄漏和裂纹检测等领域。声发射检测设备安装快捷，操作简单，将声发射技术应用于两相流流型识别，可以满足无损、快速在线检测的要求。US005353627A公布了一种采用非侵入式声发射检测技术检测多相流流型的装置和方法，该方法采用声发射技术采集声信号，最后根据信号频谱图由人工经验判别流型，但这种方法没有对识别过程提出详细可行的方法，受识别者主观因素影响大。CN201810028284公布了基于声发射测量的气液段塞流液塞区判别及参数检测方法。研究可见对两相流声信号进行深入地分析计算有助于获取更多的信息，进而实现对管内流型的自动识别。

发明内容

本发明的目的是提供一种基于声发射-BP神经网络的气液两相流流型识别方法，该方法基于声发射技术对海洋油气混输系统倾斜或垂直(一般是指20-90°范围)高压厚壁管道内的气液两相流在线识别。

本发明通过提取分析不同气液折算速度下倾斜管两相流流型对应的声信号特征，建立信号特征与流型的模型，通过BP神经网络学习不同流型下的样本信号特征，达到流型识别的目标。

基于声发射-BP神经网络测量的气液两相流流型识别方法(计算过程见图1)，其特征包括以下步骤：

步骤0、声发射传感器的安装

在海洋油气混输系统倾斜或垂直(20-90°)高压厚壁管道的流形待识别段的外壁布置一个声发射传感器(如图2所示)。

步骤1、根据环境噪音设定阈值

当管道内气速、液速均为零时，进行空管声信号，将空管声信号中的最大值V_max设定为阈值电压。

步骤2、对两相流声信号进行采集，获取各流型下的声信号

当管道的气液两相流动处于不同流型时，通过声发射传感器采集两相流声信号；

在采集声信号的同时，通过高速摄像机对管内摄影并分析记录此时的流型；

若现场不具备观察条件，则通过伽马射线等测量设备临时加装来判别流型；

或在中试实验基地的相同尺寸、相同运行参数和相同介质的大型多相流环道上进行流型标定。

步骤3、计算各流型下声信号特征参数

对采集到的声信号的原始波形数据进行统计分析，得到声信号幅值、平均电压电平、均方根值、绝对能量值和振铃计数；

两相流声信号参数和参数计算函数定义为：

其中，AMP为声信号幅值，单位dB；V_max为两相流声信号中电压数据的最大值，单位V；

其中，ASL为声信号平均电压电平，单位dB；V_mean为两相流声信号中电压数据的平均值，单位V；

其中，RMS为声信号均方根值，单位V；V为两相流声信号中每个数据点电压信号，单位V；n为声信号数据点的个数；

其中，ABS为声信号绝对能量值，单位J；V为两相流声信号中每个数据点电压信号，单位V；10KΩ为参考电阻；T为采样时间，单位s；

振铃计数的符号为Counts，表示越过门槛信号的震荡次数，即为超过门槛电压的有效波峰的个数；

分析不同流型下上述5项声信号特征参数特征时，发现各流型下声信号幅值AMP随机性大，无规律，故舍去；

将其余4项各两相流声信号特征参数组成两相流声信号参数样本库，并将参数样本库作为后续BP 神经网络的输入参数。

步骤4、计算各流型下声信号的小波包分解分析

小波包是由一系列小波包基函数组成，在对采集到的声信号的小波包分析中，由于不同的小波包基函数有不同的时频特性，对于同一个信号，不同的小波包基函数会得到不同的结果，所以选择合适的小波包基函数对准确提取信号特征非常重要。

步骤4.1、选择小波包基函数

声信号实际应用处理中一般选取Symlets8或者coif4小波；本识别方法选取Symlets8小波基函数进行小波包的分解；

步骤4.2、对小波包进行分解

若信号的采样频率为f_s kHz，根据奈奎斯特采样定理，信号的可测频率范围为[0，f_s/2]；由于在信号频率的范围内，细节信号和近似信号的分布范围是对称的，当分解尺度为1时，[0，f_s/4]和[f_s/4，f_s/2]为近似信号和细节信号的频率范围，对于采样频率为f_s的信号f(m)进行J(分解尺度)次小波包分解后，其信号被分解为2^J个频率段，各个频率范围的计算公式如下：

若采样频率为f_s kHz，信号要求的最低识别频率为f_min，根据式(5)，其最大分解尺度J应满足：

即：

本申请实例中的信号采样率f_s为2000kHz，故完整声信号的范围为0-1000kHz；

根据实际应用经验，分解尺度一般选取J＝3～4即能满足要求。本文对声信号进行了J＝3尺度小波包分解，分解树结构如图3所示。从中可以看出第三层得到了2^J＝2³＝8个频率段，每个频率段的频率区间为1000/8＝125kHz，各区间对应频率段如表1所示。

小波包分解后得到了声信号的各个频段的重构波形(图4所示为环状流原始信号小波包分解重构图示例)，为了提取各频段的信号特征，计算各频段的波形信号的范数平方作为各频段的信号特征。

步骤5、确定BP神经网络的输入层

定义归一化后声信号的4项特征参数值作为输入量，故BP神经网络的输入层有多个特征值，即声信号平均电压电平、均方根值、绝对能量值、振铃计数和2^J个频率段处重构波形的范数平方。本文分解尺度J若取3，则2^J＝8，加上前述4项声信号特征参数，因此特征值总数共有12个。

归一化特征值如下：

声信号的特征值为4个统计参数和2^J个频率段处重构波形的范数平方；为了便于计算与比较，需要将特征值进行归一化处理，归一化的方程为：

其中，α为归一化处理后的特征值，x_i为归一化处理前的特征值，x_max、x_min分别为归一化处理前特征值的最大值和最小值，i表示第i个生信号，i∈1，2，…，n。

步骤6、确定神经网络层数和隐含层节点数范围

增加隐层数可以降低网络误差，提高精度，但也使网络复杂化，从而增加了网络的训练时间和出现“过拟合”的倾向。一般来讲应设计神经网络应优先考虑3层网络(即有1个隐层)。本发明设计使用的神经网络为3层网络。

输入层的节点数和输入的统计特征的个数相同，为4+2^J个(本文J若取3，共为12个)；输出层的节点数1；隐层的节点数由计算隐含层元素个数的经验公式确定：

其中，h为隐含层节点的数目，向上取整；m和n分别是输入层和输出层节点的数目；a为1～10之间的调节常数。根据经验公式，计算得到隐含层节点数h应在5到14之间。

步骤7、确定BP神经网络的输出层

定义一个输出量，输出为整数1、2、3或4，不同的整数值表示四种基本流型之一，具体为1代表段塞流，2代表泡状流，3代表搅拌流，4代表环状流；表2为基于声发射－BP神经网络识别流型实施举例。

步骤8、对神经网络进行优化训练

为了避免初始值过大而引起的网络饱和，需要先初始化神经网络权值和阈值。考虑到网络的收敛速度和特征值的复杂性，本申请中所采用的神经网络的权值和阈值为均匀分布的较小随机数值，取值在-0.5 到0.5之间。

在每种流型下选择40个不同气液折算速度的声信号，按照步骤3、4计算提取特征参数，将提取的信号特征参数归一化处理后作为神经网络的输入，流型对应的整数值作为输出对神经网络进行初步训练，得到初步的神经网络。

每种流型选取20个测试样本，对初步的神经网络进行测试，将4个声信号特征参数和2^J个频率段处重构波形的范数平方组成声信号特征参数输入到已训练好的神经网络，将神经网络经过计算得出的输出与实际的流型进行对比，并将识别成功的流型个数与测试样本总数相除得到识别成功率，若神经网络的识别成功率大于或等于设计要求的成功率，说明训练好的神经网络满足设计要求，可以用于流型识别；

若成功率小于设计要求，则应调整网络参数，重复上述步骤，直到神经网络识别成功率满足设计要求；本申请中设计的最小成功率为95％。

步骤9、流型识别

当神经网络满足设计要求时，将实时采集的待识别流型的声信号特征参数输入训练优化好的BP神经网络模型，即可识别该流型。

发明优点

由于高压油气管道的管材一般是碳钢金属材质，虽管壁较厚，但十分有利于声信号的传输，因此声检测技术非常适合于混输管道内的两相流监测。声发射检测技术是一种被动的无损检测技术，可以在不破坏管道的情况下检测两相流信号，对管内流动和清管操作等也无干扰。此外，声发射检测设备安装快捷，测试时传感器只需贴合在管外壁即可，操作简单，环境适应性强。本发明是基于声发射测量的气液两相流流型识别方法，提供了一种实时、快速、可在线的识别方法，对于高压厚壁油气管道的流动安全保障和监测具有重要意义。本发明能够识别倾斜和垂直管气液两相流的典型流型，即泡状流、段塞流、搅拌流和环状流。流型识别准确率高达95％以上。本发明适用流速范围宽，对内径为26mm的管道，测试验证可行范围为表观水速0.1-5m/s、表观气速0.1-60m/s。此外，本发明同样适用于热能动力工程、核能工程、低温工程以及航天等工业领域的气液两相流流型识别。

附图说明

图1为基于声发射技术的两相流流型识别流程图。

图2为油气混输管道声信号采集示意图。

图3为三尺度小波包分解树图。

图4为环状流原始信号小波包分解重构图举例，环状流工况(表观水速0.2m/s，表观气速21m/s)原始信号小波包分解重构。

图5为神经网络训练流程图。

图6为神经网络训练优化流程图。

表1为小波包分解各节点的频率范围；

表2为基于声发射－BP神经网络识别流型实施举例。

图2中，1-声发射传感器，2-信号放大器，3-信号采集箱，4-计算机。

具体实施方式

以下结合附图1对本发明方法作进一步的详细描述：

图1基于声发射技术的两相流流型识别流程图。

通过在管内流型充分发展段安装声发射传感器采集声信号。当管道内气速、液速均为零时，进行空管采集，将空管信号中的最大值设定为阈值电压。

当管道的气液两相流动处于不同流型时，通过声发射传感器采集两相流声信号。在采集声信号的同时，通过高速摄像对管内流动摄影并分析记录此时的流型。

对上一步骤采集到的声信号根据公式1～4和阈值电压计算平均电压电平、均方根值、绝对能量值和振铃计数。

对声信号进行小波包分析，得到不同流型在各个频段的分布。本申请实例中的信号采样率为2000kHz，故完整声信号的范围为0-1000kHz。根据实际应用经验，分解尺度一般选取J＝3～4即能满足要求。本文对声信号进行了3尺度小波包分解，小波基函数为Symlets8，分解树结构如图3所示。从中可以看出第三层得到了2³＝8个频率段，每个频率段的频率区间为1000/8＝125kHz，各区间对应频率段如表1所示。图4为环状流原始信号经过小波包分解得到的各节点信号重构图举例。通过求重构波形信号的范数平方，提取得到各节点的小波包参数。

BP神经网络的输入层为12个特征值，即声信号平均电压电平、均方根值、绝对能量值、振铃计数和2^J＝8个节点处重构波形信号的范数平方。BP神经网络的输出层为一个整数值，代表不同的流型。具体为1代表段塞流，2代表泡状流，3代表搅拌流，4代表环状流。根据公式8将12个特征值归一化处理后组成输入矩阵。表2根据经验公式9，计算得到隐含层节点数应在5到14之间。

初始化神经网络权值和阈值，本申请中所采用的神经网络的权值和阈值为均匀分布的较小随机数值, 取值在-0.5到0.5之间。

在每种流型下选择40个不同气液折算速度下两相流实验的声信号，计算提取特征参数，将提取的信号特征参数归一化处理作为神经网络的输入，对应流型作为输出对神经网络进行初步训练，得到初步的神经网络。具体的训练步骤如图5所示。

神经网络训练优化步骤如图6所示。每种流型选取20个实验工况样本，对初步的神经网络进行测试，将采集到的声信号的特征参数输入已训练好的神经网络，将神经网络经过计算得出的输出与实际的流型进行对比，并将识别成功的个数与测试样本总数相除得到识别成功率，若神经网络的识别成功率大于或等于设计要求的成功率，说明训练好的神经网络满足设计要求，可以用于流型识别。若成功率小于设计要求，则应调整网络参数，重复上述步骤，直到神经网络识别成功率满足设计要求。本申请中设计的最小成功率为95％。

将待识别流型的声信号特征参数输入训练优化好的BP神经网络模型，即可识别该流型。本发明将 80组测试数据导入神经网络识别得到的一部分结果(篇幅限制，仅列出前20组)如表2所示。从表2 中可以看出，除第3组识别错误，其它测试均识别成功。在本实施例中，80组流型识别得出的结果与测试流型相同的有77组，识别成功率达97.25％。

表1小波包分解各节点的频率范围

节点	(3,0)	(3,1)	(3,2)	(3,3)
					频率段/kHz	0-125	125-250	250-375	375-500
节点	(3,4)	(3,5)	(3,6)	(3,7)
					频率段/kHz	500-625	625-750	750-875	875-1000

Claims (3)

1.基于声发射-BP神经网络测量的气液两相流流型识别方法，其特征包括以下步骤：

步骤0、声发射传感器的安装

在海洋油气混输系统倾斜或垂直的高压厚壁管道的流型待识别段的外壁布置一个声发射传感器；

步骤1、根据环境噪音设定阈值

当管道内气速、液速均为零时，进行空管声信号采集，将空管声信号中的最大值设定为阈值电压；

步骤2、对两相流声信号进行采集，获取各流型下的声信号

当管道的气液两相流动处于不同流型时，通过声发射传感器采集两相流声信号；

步骤3、计算各流型下声信号参数

对采集到的声信号的原始波形数据进行统计分析，得到声信号平均电压电平、均方根值、绝对能量值和振铃计数；

两相流声信号参数和参数计算函数定义为：

其中，ASL为声信号平均电压电平，单位dB；V_mean为两相流声信号中电压数据的平均值，单位V；

其中，RMS为声信号均方根值，单位V；V为两相流声信号中每个数据点电压信号，单位V；n为声信号数据点的个数；

其中，ABS为声信号绝对能量值，单位J；V为两相流声信号中每个数据点电压信号，单位V；10KΩ为参考电阻；T为采样时间，单位s；

振铃计数的符号为Counts，表示越过门槛信号的震荡次数，即为超过门槛电压的有效波峰的个数；

将各两相流声信号参数组成两相流声信号参数样本库，并将参数样本库作为后续BP神经网络的输入参数；

步骤4、计算各流型下声信号的小波包分解分析

步骤4.1、选择小波包基函数

步骤4.2、对小波包进行分解

若信号的采样频率为f_skHz，根据奈奎斯特采样定理，信号的可测频率范围为[0，f_s/2]；由于在信号频率的范围内，细节信号和近似信号的分布范围是对称的，当分解尺度为1时，[0，f_s/4]和[f_s/4，f_s/2]为近似信号和细节信号的频率范围，对于采样频率为f_s的信号f(m)进行J次小波包分解后，其信号被分解为2^J个频率段，各个频率范围的计算公式如下：

若采样频率为f_skHz，信号要求的最低识别频率为f_min，根据前式，其最大分解尺度J应满足：

即：

小波包分解后得到了声信号的各个频段的重构波形，为了提取各频段的信号特征，计算各频段的波形信号的范数平方作为各频段的信号特征；

步骤5、确定BP神经网络的输入层

定义归一化后声信号的特征值作为输入量，故BP神经网络的输入层有多个特征值，即声信号平均电压电平、均方根值、绝对能量值、振铃计数和2^J个频率段处重构波形的范数平方；

归一化特征值如下：

声信号的特征值为4个统计参数和2^J个频率段处重构波形的范数平方；为了便于计算与比较，需要将特征值进行归一化处理，归一化的公式为：

其中，α为归一化处理后的特征值，x_i为归一化处理前的特征值，x_max、x_min分别为归一化处理前特征值的最大值和最小值，i表示第i个声信号，i∈1，2，…，n；

步骤6、确定神经网络层数和隐含层节点数范围

设计神经网络应优先考虑3层网络，具有1个隐层；

输入层的节点数和输入的统计特征值的个数相同，为4+2^J；输出层的节点数1；隐层的节点数由计算隐含层元素个数的经验公式确定：

其中，h为隐含层节点的数目，向上取整；m和n分别是输入层和输出层节点的数目；a为1～10之间的调节常数；根据经验公式，计算得到隐含层节点数h应在5到14之间；

步骤7、确定BP神经网络的输出层

定义一个输出量，输出为整数1、2、3或4，不同的整数值代表四种基本流型之一，具体为1代表段塞流，2代表泡状流，3代表搅拌流，4代表环状流；

步骤8、对神经网络进行优化训练

为了避免初始值过大而引起的网络饱和，需要先初始化神经网络权值和阈值；考虑到网络的收敛速度和特征值的复杂性，本方法中所采用的神经网络的权值和阈值为均匀分布的较小随机数值，取值在-0.5到0.5之间；

在每种流型下选择40个不同气液折算速度的声信号，按照步骤3、4计算提取特征参数，将提取的信号特征参数归一化处理后作为神经网络的输入，流型对应的整数值作为输出对神经网络进行初步训练，得到初步的神经网络；

每种流型选取20个测试样本，对初步的神经网络进行测试，将4个统计参数和2^J个频率段处重构波形的范数平方组成声信号特征参数输入到已训练好的神经网络，将神经网络经过计算得出的输出与实际的流型进行对比，并将识别成功的流型个数与测试样本总数相除得到识别成功率，若神经网络的识别成功率大于或等于设计要求的成功率，说明训练好的神经网络满足设计要求，可以用于流型识别；

若成功率小于设计要求，则调整网络参数，重复上述步骤，直到神经网络识别成功率满足设计要求；本申请中设计的最小成功率为95％；

步骤9、流型识别

当神经网络满足设计要求时，将采集的待识别流型的声信号特征参数输入训练优化好的BP神经网络模型，即可识别该流型。

2.如权利要求1所述的基于声发射-BP神经网络测量的气液两相流流型识别方法，其特征是上述步骤2中，在采集声信号的同时，通过高速摄像机对管内摄影并分析记录此时的流型；若现场不具备观察条件，则通过伽马射线等测量设备临时加装来判别流型。

3.如权利要求1所述的基于声发射-BP神经网络测量的气液两相流流型识别方法，其特征是上述步骤4.1中，声信号实际应用处理中选取Symlets8或者coif4小波。

Images