CN115014451A - 一种多网络特征融合模型的气固两相流流量测量方法 - Google Patents
一种多网络特征融合模型的气固两相流流量测量方法 Download PDFInfo
- Publication number
- CN115014451A CN115014451A CN202210468336.5A CN202210468336A CN115014451A CN 115014451 A CN115014451 A CN 115014451A CN 202210468336 A CN202210468336 A CN 202210468336A CN 115014451 A CN115014451 A CN 115014451A
- Authority
- CN
- China
- Prior art keywords
- flow
- solid
- gas
- fluctuation
- convolution
- 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
- 239000007787 solid Substances 0.000 title claims abstract description 56
- 230000005514 two-phase flow Effects 0.000 title claims abstract description 54
- 230000004927 fusion Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000012795 verification Methods 0.000 claims abstract description 13
- 239000000463 material Substances 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000011176 pooling Methods 0.000 claims description 46
- 239000013598 vector Substances 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 239000002245 particle Substances 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 15
- 238000012935 Averaging Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 7
- 239000002184 metal Substances 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 6
- 230000006698 induction Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000005672 electromagnetic field Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 4
- 238000000691 measurement method Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 239000004696 Poly ether ether ketone Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920002530 polyetherether ketone Polymers 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F1/00—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow
- G01F1/56—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow by using electric or magnetic effects
- G01F1/58—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow by using electric or magnetic effects by electromagnetic flowmeters
- G01F1/588—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow by using electric or magnetic effects by electromagnetic flowmeters combined constructions of electrodes, coils or magnetic circuits, accessories therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F1/00—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow
- G01F1/56—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow by using electric or magnetic effects
- G01F1/58—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow by using electric or magnetic effects by electromagnetic flowmeters
- G01F1/60—Circuits therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Fluid Mechanics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Complex Calculations (AREA)
Abstract
一种多网络特征融合模型的气固两相流流量测量方法，包括：构建用于测量气固两相流的循环式电极传感器；采用循环式电极传感器测量气固两相流的流量波动信号；对流量波动信号进行预处理，并得到由训练集、验证集和测试集构成的数据集；对预处理后的流量波动信号进行特征提取；构建多网络特征融合模型，用于实现多元气固两相流流量波动信号的特征融合及流量测量。本发明能准确反映出物料在流动过程中频率的变化，可捕获流量变化的基本特征与规律，可对气固两相流数据有较强的预测性能且客观。
Description
技术领域
本发明涉及一种气固两相流流量测量方法。特别是涉及一种多网络特征融合模型的气固两相流流量测量方法。
背景技术
随着现代科技的不断发展，许多行业中对气固两相流流量的计量精度和实时性要求越来越高，例如化工、冶金、发电等诸多行业。如果气固两相流流量的计量精度和实时性能够达到一定水平，将会对这些行业的运行有重要的指导意义，可以摆脱计算物料的加量而带来的延迟，实现前馈控制，从而实现及时、准确的测量。当前，大多数的气固两相流流量的计量方法存在实时性差，计量精度低的问题，所以对气固两相流流量进行准确且快速的测量是目前存在的技术难题。现有的两相流测量手段如光学法、层析成像法、热力学法、核磁共振等难以实现气固两相流流量的实时性准确测量。
软测量模型近年来在多相流领域也得到了快速发展，尤其是深度学习方法及人工智能技术的应用更是拓宽了多相流软测量模型的应用范围。深度学习技术是近年来兴起的新理论，其通过无监督方式或有监督方式逐层提取被测对象的特征，其特征客观性强，且能够精准、详实的反映被测对象的本质。通过软测量手段可对传感器测量到的多元数据进行融合，采用智能及深度学习方法可精确、高效的提取多相流的特征信息。
发明内容
本发明所要解决的技术问题是，为克服现有技术的不足，提供一种能够实现气固两相流流量精确测量的多网络特征融合模型的气固两相流流量测量方法。
本发明所采用的技术方案是：一种多网络特征融合模型的气固两相流流量测量方法，包括，如下步骤：
1)构建用于测量气固两相流的循环式电极传感器；
2)采用循环式电极传感器测量气固两相流的流量波动信号；
3)对流量波动信号进行预处理，并得到由训练集、验证集和测试集构成的数据集；
4)对预处理后的流量波动信号进行特征提取；
5)构建多网络特征融合模型，用于实现多元气固两相流流量波动信号的特征融合及流量测量。
步骤1)所述的循环式电极传感器是由等间隔镶嵌在不导电测量管段外周面的同一圆周面上的8个金属测量电极构成，每两个金属测量电极构成一个电极对，呈180°夹角设置在不导电测量管段同一直径的两端。
步骤2)包括：
物料由管道进入不导电测量管段时，由安装在不导电测量管段上的循环式电极传感器进行气固两相流流量波动信号的采集；测量时，每一电极对构成正负极板，在不导电测量管段内产生电磁场，气固两相流中固体颗粒在不导电测量管段内流动时，颗粒与颗粒或壁面之间将发生碰撞，导致颗粒表面携带一定电荷量，形成带电颗粒，安装在不导电测量管段上的电极对流动噪声信号进行捕捉；各个带电颗粒在电极对上引起的静电感应现象相互叠加共同构成了感应电极的输出信号；4个电极对采用循环采样的方式对气固两相流的流量进行测量；在一个采样周期T内，4个电极对顺序进行采样，当完成一个周期的采样后，进行下一个周期采样；每一个电极对采集一路流量波动信号，共获取4路流量波动信号。
步骤3)包括：
(3.1)对循环式电极传感器采集的4路流量波动信号分别采用无重叠加窗方式进行分割，采用窗口长度为H，对每路长度为L的流量波动信号分别进行截取，每路截取
个样本，其中，
代表向下取整；以气固两相流的实际流量值为数据标签，每路得到
个带有流量标签值的波动样本，构成预处理后的流量波动信号；
(3.2)随机将每路的N个带有流量标签值的波动样本划分训练集、验证集和测试集构成数据集，训练集、验证集和测试集的比例为8：1：1。
步骤4)包括：
(4.1)首先选取预处理后的流量波动信号的最优模态：分别对每路的N个长度为H的波动样本x，通过经验模态分解为n阶模态，并将模态降噪后得到模态矩阵C＝[c1,c2,...,cn]，大小为n×H，其中cn代表第n阶模态的特征向量，模态矩阵C的能量特征E为1×n的向量，E＝[e1,e2,...,en]，其中en代表第n阶模态的能量特征向量，计算方式为：
其中，
为ci的转置；
(4.2)分别计算n阶模态中的每一阶模态与波动样本x的相关系数，得到向相关系数量R＝[r1,r2,...,rn]，其中rn代表第n阶模态的相关系数特征向量，具体计算公式如下：
其中，Cov(ci,x)代表第i阶模态与波动样本x的协方差，D代表数据的方差，
表示第i阶模态的标准差，
表示波动样本x的标准差；
(4.3)将能量特征E＝[e1,e2,...,en]和相关系数向量R＝[r1,r2,...,rn]做点乘运算，得到模态集合M＝[m1,m2,...,mn]，其中mn代表第n阶模态的能量相关系数向量，表达式为：
mi＝riei,i＝1,2,...,n
将M进行归一化处理之后，映射到[0,1]的范围，最终得到模态的指标向量J＝[j1,j2,...,jn]，表示各阶模态与波动样本x的关联度，其中jn代表第n阶模态的指标向量，值越大，则表示对应的阶模态与波动样本x的关联性就越强，指标向量J中的每个元素的表达式为：
其中，mmin代表M中最小的元素的值，mmax代表M中最大的元素的值。
步骤5)所述的多网络特征融合模型，具体包括有并行设置的用于分别接收4路模态的指标向量的4组结构完全相同的信号处理通道，每组所述的信号处理通道均包括有并行设置的：由第一长短时记忆网络单元和第二长短时记忆网络单元串接构成的第一路流量预测模块，以及由第一卷积池化层、第二卷积池化层和卷积平均池化层依次串接构成的第二路流量预测模块，第一路流量预测模块和第二路流量预测模块的输入接收同一路模态的指标向量，输出连接流量值累和平均模块，流量值累和平均模块对4组信号处理通道输出的8个流量值进行相加并取平均后输出。
所述的
第一长短时记忆网络单元和第二长短时记忆网络单元结构相同均是由输入门、遗忘门和输出门依次串接构成，其中设置长短时记忆网络单元的最大迭代次数为20,000次，批尺寸为50，时间步长为100，长短时记忆网络隐含层数量M为256；
第一卷积池化层和第二卷积池化层结构相同均是由：一维卷积层与一个最大池化层串接构成，其中第一卷积层操作采用48个大小为1*3的卷积核，设置步长为2，随后进行池化操作，池化窗口大小为2；第二卷积层采用128个大小为1*3的卷积核，设置步长为1，池化窗口大小为2，步长为2；
卷积平均池化层是由：一维卷积层与平均池化层串接构成，卷积平均池化层设置128个大小为1*3的卷积核，步长为1。
对所述的多网络特征融合模型进行改进和优化，具体是：
(1)首先对第一长短时记忆网络单元和第二长短时记忆网络单元进行优化，用softsign激活函数代替了tanh激活函数；
(2)对第一卷积池化层、第二卷积池化层和卷积平均池化层进行优化，引入Dropout正则化方法，构成Dropout层，防止出现过拟合现象，用ReLU函数代替sigmoid函数作为激活函数，激活函数ReLU不但具有较大网络的稀疏性，很好的网络泛化性，而且还具有运算量小，网络训练时间少等优点；
(3)最后运用Adam优化器对于整个模型性能进行优化；Adam优化算法的表达式为：
v(k)＝β1v(k-1)+(1-β1)g(k)
其中，k表示当前时间的步长，k-1表示过去时间的步长，v(k)表示一阶动量项，s(k)表示二阶动量项，g(k)表示时间步序列上的梯度，β1表示为一阶矩估计，β2表示二阶矩估计的指数衰减率。
对优化后的多网络特征融合模型进行训练，得到最终的多网络特征融合模型，用于实现多元气固两相流流量波动信号的特征融合及流量测量；具体是，
将训练集中的4路模态的指标向量作为输入，将每一路的指标向量输入到两个并行的信号处理模块中，其中一个信号处理模块通过2层长短时记忆网络模块提取流量波动信号的时序演化特征；另一个信号处理模块通过三层卷积神经网络模块提取流量波动信号的空间波动特征；通过两层全连接层将融合后的特征信息进行学习训练，最终得到流量值；同时，通过验证集来调整超参数并用测试集对已经训练好的模型进行性能评估，得到最终的多网络特征融合模型。
本发明的一种多网络特征融合模型的气固两相流流量测量方法，优势在于：
1、所采用循环式电极传感器，时间常数小，反应速度快，可进行实时监测与动态处理，可快速、准确获得流量序列波动信号；通过多电极组间对称分布在管壁上，以不同角度测量出管道不同截面位置的流量波动信息，能准确反映出物料在流动过程中频率的变化。
2、本发明通过上述方法通过循环式电极传感器将四组不同位置以不同角度测量出的流量波动信号进行多元特征融合，将融合后的特征作为输入信息被神经网络模型学习，可捕获流量变化的基本特征与规律。
3、本发明采用的深度神经网络在预测流量中具有客观性，排除了化验中存在的不确定性和人为操作的主观性，深度卷积神经网络和长短期记忆网络经过大量数据与迭代次数的训练后，可对该类数据有较强的预测性能且客观。
附图说明
图1是本发明中循环式电极传感器的结构示意图；
图2是本发明中多网络特征融合模型的结构示意图。
具体实施方式
下面结合实施例和附图对本发明的一种多网络特征融合模型的气固两相流流量测量方法做出详细说明。
本发明的一种多网络特征融合模型的气固两相流流量测量方法，包括，如下步骤：
1)构建用于测量气固两相流的循环式电极传感器；
如图1所示，所述的循环式电极传感器是由等间隔镶嵌在不导电测量管段2外周面的同一圆周面上的8个金属测量电极1构成，本实施例中，不导电测量管段2可采用内径为50mm，外径为80mm，高度为300mm，管道材质为不导电、耐温、耐压的聚醚醚酮Peek材质。与不导电测量管段2相对应，金属电极1为抛物柱面结构，内径尺寸为50mm，外径尺寸为51mm。如图1所示，每两个金属测量电极1构成一个电极对，呈180°夹角设置在不导电测量管段2同一直径的两端。
2)采用循环式电极传感器测量气固两相流的流量波动信号；包括：
物料由管道进入不导电测量管段2时，由安装在不导电测量管段2上的循环式电极传感器进行气固两相流流量波动信号的采集；测量时，每一电极对构成正负极板，在不导电测量管段2内产生电磁场，气固两相流中固体颗粒在不导电测量管段2内流动时，颗粒与颗粒或壁面之间将发生碰撞，导致颗粒表面携带一定电荷量，形成带电颗粒，安装在不导电测量管段2上的电极对流动噪声信号进行捕捉；各个带电颗粒在电极对上引起的静电感应现象相互叠加共同构成了感应电极的输出信号；4个电极对采用循环采样的方式对气固两相流的流量进行测量；在一个采样周期T内，4个电极对顺序进行采样，当完成一个周期的采样后，进行下一个周期采样；每一个电极对采集一路流量波动信号，共获取4路流量波动信号。
3)对流量波动信号进行预处理，并得到由训练集、验证集和测试集构成的数据集；包括：
(3.1)对循环式电极传感器采集的4路流量波动信号分别采用无重叠加窗方式进行分割，采用窗口长度为H，对每路长度为L的流量波动信号分别进行截取，每路截取
个样本，其中，
代表向下取整；以气固两相流的实际流量值为数据标签，每路得到
个带有流量标签值的波动样本，构成预处理后的流量波动信号；
(3.2)随机将每路的N个带有流量标签值的波动样本划分训练集、验证集和测试集构成数据集，训练集、验证集和测试集的比例为8：1：1。
4)对预处理后的流量波动信号进行特征提取；包括：
(4.1)首先选取预处理后的流量波动信号的最优模态：分别对每路的N个长度为H的波动样本x，通过经验模态分解为n阶模态，并将模态降噪后得到模态矩阵C＝[c1,c2,...,cn]，大小为n×H，模态矩阵C的能量特征E为1×n的向量，E＝[e1,e2,...,en]，计算方式为：
其中，
为ci的转置，cn代表第n阶模态的特征向量，en代表第n阶模态的能量特征向量；
(4.2)分别计算n阶模态中的每一阶模态与波动样本x的相关系数，得到向相关系数量R＝[r1,r2,...,rn]，具体计算公式如下：
其中，rn代表第n阶模态的相关系数特征向量，Cov(ci,x)代表第i阶模态与波动样本x的协方差，D代表数据的方差，
表示第i阶模态的标准差，
表示波动样本x的标准差；
(4.3)将能量特征E＝[e1,e2,...,en]和相关系数向量R＝[r1,r2,...,rn]做点乘运算，得到模态集合M＝[m1,m2,...,mn]，其中mn代表第n阶模态的能量相关系数向量，表达式为：
mi＝riei,i＝1,2,...,n
将M进行归一化处理之后，映射到[0,1]的范围，最终得到模态的指标向量J＝[j1,j2,...,jn]，表示各阶模态与波动样本x的关联度，其中jn代表第n阶模态的指标向量，值越大，则表示对应的阶模态与波动样本x的关联性就越强，指标向量J中的每个元素的表达式为：
其中，mmin代表M中最小的元素的值，mmax代表M中最大的元素的值。
5)构建多网络特征融合模型，用于实现多元气固两相流流量波动信号的特征融合及流量测量。
所述的多网络特征融合模型，首先运用长短时记忆网络(LSTM)能够利用、更新存储单元中的信息来捕获序列中长期依赖关系，以获得持久记忆能力的特性，可以全面把握序列特征，获取关联信息；然后使用卷积神经网络(CNN)对特征信息进行卷积、池化、非线性激励操作后，能够更好地抽取局部特征，进一步挖掘出潜在信息。最终输出气固两相流的流量值。
如图2所示，所述的多网络特征融合模型，具体包括有并行设置的用于分别接收4路模态的指标向量的4组结构完全相同的信号处理通道，每组所述的信号处理通道均包括有并行设置的：由第一长短时记忆网络单元和第二长短时记忆网络单元串接构成的第一路流量预测模块，以及由第一卷积池化层、第二卷积池化层和卷积平均池化层依次串接构成的第二路流量预测模块，第一路流量预测模块和第二路流量预测模块的输入接收同一路模态的指标向量，输出连接流量值累和平均模块，流量值累和平均模块对4组信号处理通道输出的8个流量值进行相加并取平均后输出。其中，
第一长短时记忆网络单元和第二长短时记忆网络单元结构相同均是由输入门、遗忘门和输出门依次串接构成，其中设置长短时记忆网络单元的最大迭代次数为20,000次，批尺寸为50，时间步长为100，长短时记忆网络隐含层数量M为256；
第一卷积池化层和第二卷积池化层结构相同均是由：一维卷积层与一个最大池化层串接构成，其中第一卷积层操作采用48个大小为1*3的卷积核，设置步长为2，随后进行池化操作，池化窗口大小为2；第二卷积层采用128个大小为1*3的卷积核，设置步长为1，池化窗口大小为2，步长为2；
卷积平均池化层是由：一维卷积层与平均池化层串接构成，卷积平均池化层设置128个大小为1*3的卷积核，步长为1。
对所构建的多网络特征融合模型进行改进和优化，具体是：
(1)首先对第一长短时记忆网络单元和第二长短时记忆网络单元进行优化，用softsign激活函数代替了tanh激活函数；softsign激活函数的表达式为：
(2)对第一卷积池化层、第二卷积池化层和卷积平均池化层进行优化，引入Dropout正则化方法，构成Dropout层，防止出现过拟合现象，用ReLU函数代替sigmoid函数作为激活函数；激活函数ReLU不但具有较大网络的稀疏性，很好的网络泛化性，而且还具有运算量小，网络训练时间少等优点。
(3)最后运用Adam优化器对于整个模型性能进行优化；
Adam算法是神经网络中一种基于训练数据迭代更新权重的自适应学习率的优化算法，它利用梯度的一阶矩估计和二阶矩估计进行动态调节学习率，把学习率限定在固定范围内，这样参数值比较稳定，可以加快训练速度。Adam优化算法的表达式为：
v(k)＝β1v(k-1)+(1-β1)g(k)
其中，k表示当前时间的步长，k-1表示过去时间的步长，v(k)表示一阶动量项，s(k)表示二阶动量项，g(k)表示时间步序列上的梯度，β1表示为一阶矩估计，β2表示二阶矩估计的指数衰减率。
(4)对优化后的多网络特征融合模型进行训练，得到最终的多网络特征融合模型，用于实现多元气固两相流流量波动信号的特征融合及流量测量；具体是，
将训练集中的4路模态的指标向量作为输入，将每一路的指标向量输入到两个并行的信号处理模块中，其中一个信号处理模块通过2层长短时记忆网络模块提取流量波动信号的时序演化特征；另一个信号处理模块通过三层卷积神经网络模块提取流量波动信号的空间波动特征；通过两层全连接层将融合后的特征信息进行学习训练，最终得到流量值。同时，通过验证集来调整超参数并用测试集对已经训练好的模型进行性能评估，得到最终的多网络特征融合模型。
Claims (9)
1.一种多网络特征融合模型的气固两相流流量测量方法，其特征在于，包括，如下步骤：
1)构建用于测量气固两相流的循环式电极传感器；
2)采用循环式电极传感器测量气固两相流的流量波动信号；
3)对流量波动信号进行预处理，并得到由训练集、验证集和测试集构成的数据集；
4)对预处理后的流量波动信号进行特征提取；
5)构建多网络特征融合模型，用于实现多元气固两相流流量波动信号的特征融合及流量测量。
2.根据权利要求1所述的一种多网络特征融合模型的气固两相流流量测量方法，其特征在于，步骤1)所述的循环式电极传感器是由等间隔镶嵌在不导电测量管段(2)外周面的同一圆周面上的8个金属测量电极(1)构成，每两个金属测量电极(1)构成一个电极对，呈180°夹角设置在不导电测量管段(2)同一直径的两端。
3.根据权利要求1所述的一种多网络特征融合模型的气固两相流流量测量方法，其特征在于，步骤2)包括：
物料由管道进入不导电测量管段(2)时，由安装在不导电测量管段(2)上的循环式电极传感器进行气固两相流流量波动信号的采集；测量时，每一电极对构成正负极板，在不导电测量管段(2)内产生电磁场，气固两相流中固体颗粒在不导电测量管段(2)内流动时，颗粒与颗粒或壁面之间将发生碰撞，导致颗粒表面携带一定电荷量，形成带电颗粒，安装在不导电测量管段(2)上的电极对流动噪声信号进行捕捉；各个带电颗粒在电极对上引起的静电感应现象相互叠加共同构成了感应电极的输出信号；4个电极对采用循环采样的方式对气固两相流的流量进行测量；在一个采样周期T内，4个电极对顺序进行采样，当完成一个周期的采样后，进行下一个周期采样；每一个电极对采集一路流量波动信号，共获取4路流量波动信号。
4.根据权利要求1所述的一种多网络特征融合模型的气固两相流流量测量方法，其特征在于，步骤3)包括：
(3.1)对循环式电极传感器采集的4路流量波动信号分别采用无重叠加窗方式进行分割，采用窗口长度为H，对每路长度为L的流量波动信号分别进行截取，每路截取
个样本，其中，
代表向下取整；以气固两相流的实际流量值为数据标签，每路得到
个带有流量标签值的波动样本，构成预处理后的流量波动信号；
(3.2)随机将每路的N个带有流量标签值的波动样本划分训练集、验证集和测试集构成数据集，训练集、验证集和测试集的比例为8：1：1。
5.根据权利要求1所述的一种多网络特征融合模型的气固两相流流量测量方法，其特征在于，步骤4)包括：
(4.1)首先选取预处理后的流量波动信号的最优模态：分别对每路的N个长度为H的波动样本x，通过经验模态分解为n阶模态，并将模态降噪后得到模态矩阵C＝[c1,c2,...,cn]，大小为n×H，其中cn代表第n阶模态的特征向量，模态矩阵C的能量特征E为1×n的向量，E＝[e1,e2,...,en]，其中en代表第n阶模态的能量特征向量，计算方式为：
其中，
为ci的转置；
(4.2)分别计算n阶模态中的每一阶模态与波动样本x的相关系数，得到向相关系数量R＝[r1,r2,...,rn]，其中rn代表第n阶模态的相关系数特征向量，具体计算公式如下：
其中，Cov(ci,x)代表第i阶模态与波动样本x的协方差，D代表数据的方差，
表示第i阶模态的标准差，
表示波动样本x的标准差；
(4.3)将能量特征E＝[e1,e2,...,en]和相关系数向量R＝[r1,r2,...,rn]做点乘运算，得到模态集合M＝[m1,m2,...,mn]，其中mn代表第n阶模态的能量相关系数向量，表达式为：
mi＝riei,i＝1,2,...,n
将M进行归一化处理之后，映射到[0,1]的范围，最终得到模态的指标向量J＝[j1,j2,...,jn]，表示各阶模态与波动样本x的关联度，其中jn代表第n阶模态的指标向量，值越大，则表示对应的阶模态与波动样本x的关联性就越强，指标向量J中的每个元素的表达式为：
其中，mmin代表M中最小的元素的值，mmax代表M中最大的元素的值。
6.根据权利要求1所述的一种多网络特征融合模型的气固两相流流量测量方法，其特征在于，步骤5)所述的多网络特征融合模型，具体包括有并行设置的用于分别接收4路模态的指标向量的4组结构完全相同的信号处理通道，每组所述的信号处理通道均包括有并行设置的：由第一长短时记忆网络单元和第二长短时记忆网络单元串接构成的第一路流量预测模块，以及由第一卷积池化层、第二卷积池化层和卷积平均池化层依次串接构成的第二路流量预测模块，第一路流量预测模块和第二路流量预测模块的输入接收同一路模态的指标向量，输出连接流量值累和平均模块，流量值累和平均模块对4组信号处理通道输出的8个流量值进行相加并取平均后输出。
7.根据权利要求6所述的一种多网络特征融合模型的气固两相流流量测量方法，其特征在于，所述的
第一长短时记忆网络单元和第二长短时记忆网络单元结构相同均是由输入门、遗忘门和输出门依次串接构成，其中设置长短时记忆网络单元的最大迭代次数为20,000次，批尺寸为50，时间步长为100，长短时记忆网络隐含层数量M为256；
第一卷积池化层和第二卷积池化层结构相同均是由：一维卷积层与一个最大池化层串接构成，其中第一卷积层操作采用48个大小为1*3的卷积核，设置步长为2，随后进行池化操作，池化窗口大小为2；第二卷积层采用128个大小为1*3的卷积核，设置步长为1，池化窗口大小为2，步长为2；
卷积平均池化层是由：一维卷积层与平均池化层串接构成，卷积平均池化层设置128个大小为1*3的卷积核，步长为1。
8.根据权利要求6所述的一种多网络特征融合模型的气固两相流流量测量方法，其特征在于，对所述的多网络特征融合模型进行改进和优化，具体是：
(1)首先对第一长短时记忆网络单元和第二长短时记忆网络单元进行优化，用softsign激活函数代替了tanh激活函数；
(2)对第一卷积池化层、第二卷积池化层和卷积平均池化层进行优化，引入Dropout正则化方法，构成Dropout层，防止出现过拟合现象，用ReLU函数代替sigmoid函数作为激活函数，激活函数ReLU不但具有较大网络的稀疏性，很好的网络泛化性，而且还具有运算量小，网络训练时间少等优点；
(3)最后运用Adam优化器对于整个模型性能进行优化；Adam优化算法的表达式为：
v(k)＝β1v(k-1)+(1-β1)g(k)
其中，k表示当前时间的步长，k-1表示过去时间的步长，v(k)表示一阶动量项，s(k)表示二阶动量项，g(k)表示时间步序列上的梯度，β1表示为一阶矩估计，β2表示二阶矩估计的指数衰减率。
9.根据权利要求8所述的一种多网络特征融合模型的气固两相流流量测量方法，其特征在于，对优化后的多网络特征融合模型进行训练，得到最终的多网络特征融合模型，用于实现多元气固两相流流量波动信号的特征融合及流量测量；具体是，
将训练集中的4路模态的指标向量作为输入，将每一路的指标向量输入到两个并行的信号处理模块中，其中一个信号处理模块通过2层长短时记忆网络模块提取流量波动信号的时序演化特征；另一个信号处理模块通过三层卷积神经网络模块提取流量波动信号的空间波动特征；通过两层全连接层将融合后的特征信息进行学习训练，最终得到流量值；同时，通过验证集来调整超参数并用测试集对已经训练好的模型进行性能评估，得到最终的多网络特征融合模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210468336.5A CN115014451A (zh) | 2022-04-29 | 2022-04-29 | 一种多网络特征融合模型的气固两相流流量测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210468336.5A CN115014451A (zh) | 2022-04-29 | 2022-04-29 | 一种多网络特征融合模型的气固两相流流量测量方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115014451A true CN115014451A (zh) | 2022-09-06 |
Family
ID=83066416
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210468336.5A Pending CN115014451A (zh) | 2022-04-29 | 2022-04-29 | 一种多网络特征融合模型的气固两相流流量测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115014451A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117007144A (zh) * | 2023-10-07 | 2023-11-07 | 成都睿宝电子科技有限公司 | 一种高精度热式气体质量流量计及其调零方法 |
-
2022
- 2022-04-29 CN CN202210468336.5A patent/CN115014451A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117007144A (zh) * | 2023-10-07 | 2023-11-07 | 成都睿宝电子科技有限公司 | 一种高精度热式气体质量流量计及其调零方法 |
| CN117007144B (zh) * | 2023-10-07 | 2023-12-15 | 成都睿宝电子科技有限公司 | 一种高精度热式气体质量流量计及其调零方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
| CN110070172B (zh) | 基于双向独立循环神经网络的序列预测模型的建立方法 | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN110427654B (zh) | 一种基于敏感状态的滑坡预测模型构建方法及系统 | |
| CN110119854A (zh) | 基于代价敏感lstm循环神经网络的稳压器水位预测方法 | |
| CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN111723523B (zh) | 一种基于级联神经网络的河口余水位预测方法 | |
| CN110880369A (zh) | 基于径向基函数神经网络的气体标志物检测方法及应用 | |
| Morimoto et al. | Assessments of epistemic uncertainty using Gaussian stochastic weight averaging for fluid-flow regression | |
| CN115271186B (zh) | 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法 | |
| CN114596726B (zh) | 基于可解释时空注意力机制的停车泊位预测方法 | |
| CN113447879A (zh) | 基于多应力影响的电能表计量误差预测方法、系统及装置 | |
| Salam et al. | A comparison of activation functions in multilayer neural network for predicting the production and consumption of electricity power | |
| CN114578011A (zh) | 一种基于多传感器多源数据融合的水质监测方法 | |
| CN115014451A (zh) | 一种多网络特征融合模型的气固两相流流量测量方法 | |
| Wang et al. | Research on air pollution gases recognition method based on lstm recurrent neural network and gas sensors array | |
| CN116819423A (zh) | 关口电能计量装置运行状态异常检测方法及系统 | |
| CN118157127A (zh) | 基于lstm-mm模型的多天气光伏发电功率预测数字孪生系统 | |
| CN108710966B (zh) | 一种基于多簇esn神经网络的光伏发电功率预测方法 | |
| CN112685900B (zh) | 一种表征冲击负荷功率特性的电力负荷模拟方法 | |
| CN113987910A (zh) | 一种耦合神经网络与动态时间规划的居民负荷辨识方法及装置 | |
| CN115031794B (zh) | 一种多特征图卷积的新型气固两相流流量测量方法 | |
| CN116565850A (zh) | 一种基于qr-blstm的风电功率超短期预测方法 | |
| Tran-Quang et al. | Aquaculture environment prediction based on improved lstm deep learning model | |
| CN115130662A (zh) | 一种基于迁移学习的配电网时变拓扑状态估计方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |