CN1664555A - 基于时间序列与神经网络模式辨识的两相流流型识别方法 - Google Patents
基于时间序列与神经网络模式辨识的两相流流型识别方法 Download PDFInfo
- Publication number
- CN1664555A CN1664555A CN 200510024418 CN200510024418A CN1664555A CN 1664555 A CN1664555 A CN 1664555A CN 200510024418 CN200510024418 CN 200510024418 CN 200510024418 A CN200510024418 A CN 200510024418A CN 1664555 A CN1664555 A CN 1664555A
- Authority
- CN
- China
- Prior art keywords
- flow
- time series
- flow pattern
- phase
- recognition methods
- 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
Landscapes
- Measuring Volume Flow (AREA)
Abstract
基于时间序列与神经网络模式辨识的两相流流型识别方法，是将神经网络模式识别技术与传统的时间序列概率密度函数统计方法相结合，可以在线、实时、自动对气液两相水平管流型进行识别。首先通过对不同流型的流动参数时间序列进行数据处理，获得不同流型概率密度函数的特征参数；然后将该特征参数作为神经网络的输入样本，应用神经网络识别技术从测量空间映射到流型空间，最终实现流型识别。所应用的径向基函数(RBF)神经网络同反向传播神经网络相比，具有学习速度快，模式识别和分类能力强等特点。并因为提取定量参数而保证了较高识别精度，对油气两相流动及换热设备安全运行的检测控制，具有重要的工程应用价值。
Description
技术领域
本发明涉及的是一种气液两相流流型识别方法，特别是一种可对气液两相水平管流流型进行在线识别、基于时间序列与神经网络模式辨识的两相流流型识别方法。属于多相流测控与数据处理技术领域。
背景技术
两相流流型识别是两相流科学研究的基础，流型的确定为两相流动系统及其相关设备的设计、操作运行以及管道沿程压降的计算提供可靠参数，对两相流系统的设计、分析以及运行具有重大的意义。近30年来国内外分别提出了许多基于不同模型和理论的流型识别方法，包括基于系统参数的时间序列统计方法、分形和混沌方法、以及层析成像方法等。Jones，O.C.，Zuber，N.于1975年在论文《Theinterrelation between void fraction fluctuation and flow patterns intwo-phase flow》(Int.J.Multiphase Flow.1975，2：273-306)中，首先总结发展了基于系统参数的时间序列统计方法，根据采集到的两相流动系统不同流型的流动参数时间序列的统计特征判别流型，具有计算简单、直观的特点。但该方法使用的信息量单一，只能定性的反映流型特征，无法准确和自动对流型进行识别。基于两相流动流型变化的非线性特征，王经于1995年在论文《两相流的非线性动力特性及混沌时间序列分析方法的研究》(多相流检测技术进展，石油工业出版社，1996)中提出判别流型的混沌时间序列方法；Haojiang Wu，Fangde Zhou，Yuyuan Wu.等于2001年在论文《Intelligent identification system of flow regime ofoil-gas-water multiphase flow》(Int.J.Multiphase Flow.2001，27：459-475)中提出了利用分形方法来提取信号特征进行识别流型的方法。这些数据处理方法较深层次地反映了流动特征，但是计算复杂、耗时长、缺乏足够的定量指标，无法进行准确的实时流型识别。1989年C.G.Xie，A.Plaskowski，M.S.Beck等在论文《8-electrode capacitance system for two-compoent flow identification》(IEE proceedings 1989，136(4)：173-183)中，提出了通过对管道截面进行过程层析成像的方法来识别流型，实现对流型识别的可视化。但该技术存在着微小信号测量困难、成像精度低、实时性差等缺点，尚需进一步研究。
鉴于两相流动的复杂性，当前两相流科学研究领域的重要任务是研究快速、准确的流型在线自动识别方法。
发明内容
为了克服已有技术的不足与缺陷，本发明在已开发的混沌时间序列流型识别方法的基础上，将传统的时间序列统计数据处理方法，与能够从定量的、历史信息中学习、具有很强的容错性及识别分类能力的神经网络模式识别方法相结合，提出一种新的基于时间序列与神经网络模式辨识的两相流流型识别方法。本发明的识别方法包括：
1)、信号采集及其预处理
(1)在实验环路的水平管路中分别固定和改变液相流量和气相流量，得到不同流动工况与气、液流量下的各种不同流型：如层状流、搅拌流、弹状流以及环状流。
(2)利用精度高、动态响应快的差压传感器或空泡份额传感器在实验环路上，对水平管内气液两相流动的流动参数如差压值或空泡份额值进行实时在线采集。在一定的采样时间内，获得足够多的流动参数信号的时间序列。
(3)对所采集的流动参数的原始信号时间序列，利用小波变换对其进行去噪声预处理，以提高信号处理的精度。
2)、获取概率密度函数(PDF)曲线。
对去噪后的流动参数信号时间序列通过数据处理，获取其概率密度函数曲线。
3)提取概率密度函数曲线特征参数。
概率密度函数曲线准确的反映不同流型信号参数时间序列的统计特征.对实验实时采集得到的不同流型的概率密度函数曲线分析，发现不同流型的概率密度函数曲线的波峰个数K1、波峰位置K2、波峰峰值K3以及方差K4都存在显著不同，故提取这四个特征参数作为对概率密度函数曲线的定量特征表征，实现了不同流型概率密度函数特征的量化。水平管油气两相流动的层状流、搅拌流、弹状流、环状流4个典型流型的四个PDF特征参数定义为：
(1)波峰个数K1。层状流、搅拌流及环状流流型都只有一个波峰，弹状流有两个波峰，其双波峰特性是该流型区别于其它流型的显著特征。
(2)波峰峰值K2。不同的流型由于差压值不同，导致其波峰峰值不同。
(3)波峰位置K3。各种流型的PDF曲线的波峰位置不同。环状流最接近低差压值处，层状流次之，弹状流则在低差压值和高差压值各有一个波峰。
(4)方差K4。各种流型的PDF形状不同，层状流和环状流波动小，PDF波峰陡；而搅拌流波动大，PDF波形较宽，用方差K4来表示这种特征。
4)神经网络设计
将上述定义的K1，K2，K3，K4，，构成特征向量，作为神经网络的输入样本；将不同流型对应的输出向量分别定义为层状流为(0，0，0，1)，塞状流为(0，0，1，0)，弹状流为(0，1，0，0)以及环状流(1，0，0，0)。
5)、交叉训练及流型识别
将数量与输入样本流型数量相同的、未知流型的PDF曲线特征参数作为被检验样本，运用神经网络技术中的径向基函数(RBF)进行分类，采用交叉训练方法进行训练后，获得流型识别结果
本发明的有益效果：
1)本发明方法将神经网络模式识别技术与时间序列统计数据处理方法相结合，借鉴了神经网络的容错性以及智能性，克服单一利用概率密度函数曲线统计方法的人为主观因素的影响。不仅有效提高了识别的准确率，且使识别过程实现定量诊断，具有一定程度的智能化，可快速、准确的得到流型的种类，实现对流型识别。
2)该方法可在线、实时、自动对两相流水平管流动系统进行流型识别。因为提取了定量参数，使识别精度可达到95％。对两相流动系统及换热设备安全运行的检测控制具有重要的工程应用价值。
3)本发明通过所获流动参数的时间序列的数据处理，获得不同流型的特征参数；然后应用神经网络识别技术从测量空间映射到流型空间，最终实现流型识别。所应用的径向基函数神经网络同反向传播神经网络相比，具有学习速度快，模式识别和分类能力强等特点。
具体实施方式
下面结合在某大型多相流实验模拟装置上进行的水平管油气两相流实时在线流型识别，对本发明的具体实施作进一步的描述。
(1)分别固定和改变液相流量和气相流量，得到不同流动工况、不同气、液流量的各种不同流型：如层状流、搅拌流、弹状流以及环状流。利用差压传感器采集水平管内的气液两相流动的差压信号时间序列。采样点间距为10倍管径，采样频率为200Hz，采样时间为30秒。
(2)用小波变换法对所获时间序列信号进行去噪声处理后，并通过数据处理，获得不同流型差压信号的概率密度函数曲线。
(3)、提取各种不同流型概率密度函数曲线的波峰个数K1、波峰位置K2、波峰峰值K3以及PDF方差K4，作为不同流型的概率密度函数特征向量。
(4)将上述定义的K1，K2，K3，K4，，构成特征向量，作为神经网络的输入样本；将不同流型的输出向量分别定义为层状流为(0，0，0，1)，塞状流为(0，0，1，0)，弹状流为(0，1，0，0)以及环状流(1，0，0，0)。应用神经网络的径向基函数模式识别方法，取相同数量的输入样本与待检验样本，其数量分别为42个层状流、54个搅拌流、54个弹状流以及18个环状流。
(5)采用交叉训练方法对神经网络进行训练，训练次数为3000次，获得待检验样本的识别结果。
表1是本发明具体实施的部分样本、特征参数及识别结果。
表2为本发明识别结果与实验结果的比较。
表1部分样本、特征参数及识别结果
| 序 液相 气相 K1 K2 K3 K4 流型 结号 流速 流速 果no. vlsm/s vgsm/s |
| 1 0.0345 0.138 1 0.020 0 0.883 0 3.90×10-5 分层流 对2 0.0345 0.518 1 0.019 0 0.902 0 3.78×10-5 分层流 对3 0.0345 1.036 1 0.017 0 0.995 0 3.69×10-5 分层流 对4 0.1380 0.138 1 0.017 0 2.03 0 3.65×10-5 分层流 对5 0.1380 0.518 1 0.018 0 2.02 0 3.61×10-5 分层流 对6 0.1380 1.036 1 0.015 0 2.04 0 3.54×10-5 分层流 对7 0.0691 2.843 1 0.017 0 1.32 0 2.65×10-5 搅拌流 对8 0.0691 5.188 1 0.016 0 1.45 0 2.62×10-5 搅拌流 对9 0.0691 6.908 1 0.015 0 1.69 0 2.59×10-5 搅拌流 对10 0.1040 2.843 1 0.016 0 1.41 0 2.46×10-5 搅拌流 对11 0.1040 5.188 1 0.017 0 1.59 0 2.45×10-5 搅拌流 对12 0.1040 6.908 1 0.015 0 1.74 0 2.25×10-5 搅拌流 对13 0.1380 2.843 1 0.014 0 1.45 0 1.91×10-5 搅拌流 对 |
| 14 0.1380 5.188 1 0.014 0 1.60 0 1.80×10-5 搅拌流 对15 0.1380 6.908 1 0.015 0 1.78 0 1.69×10-5 搅拌流 对16 0.3450 0.345 2 0.015 0.021 1.82 2.11 1.73×10-5 弹状流 对17 0.3450 0.691 2 0.015 0.010 1.75 2.08 2.29×10-5 弹状流 对18 0.3450 1.382 2 0.025 0.012 1.62 2.18 3.70×10-5 弹状流 对19 0.8640 0.345 2 0.015 0.012 1.71 2.07 1.95×10-5 弹状流 对20 0.8640 0.691 2 0.010 0.030 1.88 2.20 3.20×10-5 弹状流 对21 0.8640 1.382 2 0.030 0.010 1.68 2.18 4.34×10-5 弹状流 对22 1.3820 0.345 2 0.016 0.027 1.72 2.08 2.33×10-5 弹状流 对23 1.3820 0.691 2 0.018 0.030 1.70 2.08 3.49×10-5 弹状流 对24 1.3820 1.382 2 0.020 0.032 1.76 2.12 4.75×10-5 弹状流 对25 0.0104 20.729 1 0.015 0 0.48 0 4.02×10-5 环状流 对26 0.0104 22.454 1 0.015 0 0.49 0 4.11×10-5 环状流 对27 0.0104 24.178 1 0.016 0 0.49 0 4.06×10-5 环状流 对28 0.0345 20.729 1 0.017 0 0.51 0 4.08×10-5 环状流 对29 0.0345 22.454 1 0.016 0 0.52 0 4.16×10-5 环状流 对30 0.0345 24.178 1 0.017 0 0.51 0 4.15×10-5 环状流 对 |
表2本发明识别结果与待检流型的比较
| 流型分类 | ||||
| 分层流 | 搅拌流 | 弹状流 | 环状流 | |
| 待检流型本发明识别流型识别准确度％ | 423992.9 | 545092.6 | 545194.4 | 181688.8 |
Claims (6)
1、一种基于时间序列与神经网络模式辨识的两相流流型识别方法，其特征在于本发明的识别方法是将神经网络模式识别技术与传统的时间序列概率密度函数统计方法相结合，在线、实时、自动对气液两相水平管流流型进行识别，其方法包括下列步骤：
1)获取不同流动工况、不同气、液流量的各种不同流型；
2)对不同流型的流动参数时间序列进行实时采集，并对该时间序列信号进行去噪声预处理；
3)对去噪声后的流动参数信号时间序列运用数理统计方法进行数据处理，得到概率密度函数曲线，提取概率密度函数曲线的特征参数；
4)将概率密度函数曲线的特征参数作为神经网络的输入样本，定义神经网络的输出向量；
5)对神经网络进行训练，分类检验，对未知流型进行识别。
2、根据权利要求1所述的基于时间序列与神经网络模式辨识的两相流流型识别方法，其特征是所述的步骤1，分别固定和改变液相流量和气相流量，得到不同流动工况、不同气、液流量下的各种不同流型，包括层状流、搅拌流、弹状流以及环状流。
3、根据权利要求1所述的基于时间序列与神经网络模式辨识的两相流流型识别方法，其特征是所述的步骤2，利用差压传感器或空泡份额传感器对流动参数进行实时在线采集；采样点间距为10倍管径；采样频率为200Hz；采样时间为30秒；利用小波变换进行信号的去噪声预处理。
4、根据权利要求1所述的基于时间序列与神经网络模式辨识的两相流流型识别方法，其特征是所述的步骤3，不同流型的概率密度函数曲线的特征参数是波峰个数K1、波峰位置K2、波峰峰值K3以及方差K4。
5、根据权利要求1所述的基于时间序列与神经网络模式辨识的两相流流型识别方法，其特征是所述的步骤4中所采用的神经网络是径向基函数神经网络，其输入样本是由特征向量K1，K2，K3，K4，构成；输出向量与流型对应，分别是层状流为(0，0，0，1)，塞状流为(0，0，1，0)，弹状流为(0，1，0，0)以及环状流(1，0，0，0)。
6、根据权利要求1所述的基于时间序列与神经网络模式辨识的两相流流型识别方法，其特征是所述的步骤5，采用交叉训练方法对神经网络进行训练，交叉训练次数为3000次。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 200510024418 CN1664555A (zh) | 2005-03-17 | 2005-03-17 | 基于时间序列与神经网络模式辨识的两相流流型识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN 200510024418 CN1664555A (zh) | 2005-03-17 | 2005-03-17 | 基于时间序列与神经网络模式辨识的两相流流型识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN1664555A true CN1664555A (zh) | 2005-09-07 |
Family
ID=35035746
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN 200510024418 Pending CN1664555A (zh) | 2005-03-17 | 2005-03-17 | 基于时间序列与神经网络模式辨识的两相流流型识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN1664555A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2006203108B1 (en) * | 2005-07-20 | 2006-10-12 | Phase Dynamics, Inc. | Autocalibrated multiphase fluid characterization using extrema of time series |
| CN101984340A (zh) * | 2010-10-28 | 2011-03-09 | 浙江工业大学 | 一种基于人工智能的软性磨粒两相湍流流型识别方法 |
| CN102175571A (zh) * | 2011-02-23 | 2011-09-07 | 西安交通大学 | 基于希尔伯特边际谱的两相流流型识别方法 |
| CN101685506B (zh) * | 2008-09-27 | 2012-03-28 | 上海轻工业研究所有限公司 | 无机废水处理方案的专家诊断决策方法 |
| CN101706888B (zh) * | 2009-04-30 | 2012-07-18 | 北京世纪高通科技有限公司 | 一种旅行时间预测的方法 |
| CN102878431A (zh) * | 2011-07-12 | 2013-01-16 | 中国海洋石油总公司 | 一种海洋油田油气管线中多相流流型的在线监测方法 |
| CN104144089A (zh) * | 2014-08-06 | 2014-11-12 | 山东大学 | 一种基于bp神经网络进行流量识别的方法 |
| CN106951845A (zh) * | 2017-03-10 | 2017-07-14 | 中国石油大学(华东) | 集输立管系统气液两相流流型判别方法及系统 |
| CN108593191A (zh) * | 2018-03-05 | 2018-09-28 | 中国矿业大学 | 一种湿式除尘设备气液两相流型识别方法 |
| JP2020013561A (ja) * | 2018-07-17 | 2020-01-23 | パロ アルト リサーチ センター インコーポレイテッド | 予め選択されたシグネチャを使用して任意長の時系列を特徴付けるためのシステムおよび方法 |
| CN112242000A (zh) * | 2020-10-22 | 2021-01-19 | 上海交通大学 | 基于丝网探针的气液两相流场特征重构方法、系统及介质 |
| CN113139569A (zh) * | 2021-03-04 | 2021-07-20 | 山东科技大学 | 目标分类检测方法、装置与系统 |
| CN114417723A (zh) * | 2022-01-20 | 2022-04-29 | 西安交通大学 | 一种基于神经网络的两相流动换热模型的应用方法 |
-
2005
- 2005-03-17 CN CN 200510024418 patent/CN1664555A/zh active Pending
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2006203108B1 (en) * | 2005-07-20 | 2006-10-12 | Phase Dynamics, Inc. | Autocalibrated multiphase fluid characterization using extrema of time series |
| CN101685506B (zh) * | 2008-09-27 | 2012-03-28 | 上海轻工业研究所有限公司 | 无机废水处理方案的专家诊断决策方法 |
| CN101706888B (zh) * | 2009-04-30 | 2012-07-18 | 北京世纪高通科技有限公司 | 一种旅行时间预测的方法 |
| CN101984340A (zh) * | 2010-10-28 | 2011-03-09 | 浙江工业大学 | 一种基于人工智能的软性磨粒两相湍流流型识别方法 |
| CN101984340B (zh) * | 2010-10-28 | 2012-01-25 | 浙江工业大学 | 一种基于人工智能的软性磨粒两相湍流流型识别方法 |
| CN102175571A (zh) * | 2011-02-23 | 2011-09-07 | 西安交通大学 | 基于希尔伯特边际谱的两相流流型识别方法 |
| CN102175571B (zh) * | 2011-02-23 | 2012-11-28 | 西安交通大学 | 基于希尔伯特边际谱的两相流流型识别方法 |
| CN102878431A (zh) * | 2011-07-12 | 2013-01-16 | 中国海洋石油总公司 | 一种海洋油田油气管线中多相流流型的在线监测方法 |
| CN102878431B (zh) * | 2011-07-12 | 2014-03-12 | 中国海洋石油总公司 | 一种海洋油田油气管线中多相流流型的在线监测方法 |
| CN104144089B (zh) * | 2014-08-06 | 2017-06-16 | 山东大学 | 一种基于bp神经网络进行流量识别的方法 |
| CN104144089A (zh) * | 2014-08-06 | 2014-11-12 | 山东大学 | 一种基于bp神经网络进行流量识别的方法 |
| CN106951845A (zh) * | 2017-03-10 | 2017-07-14 | 中国石油大学(华东) | 集输立管系统气液两相流流型判别方法及系统 |
| CN106951845B (zh) * | 2017-03-10 | 2023-06-27 | 中国石油大学(华东) | 集输立管系统气液两相流流型判别方法及系统 |
| CN108593191A (zh) * | 2018-03-05 | 2018-09-28 | 中国矿业大学 | 一种湿式除尘设备气液两相流型识别方法 |
| JP2020013561A (ja) * | 2018-07-17 | 2020-01-23 | パロ アルト リサーチ センター インコーポレイテッド | 予め選択されたシグネチャを使用して任意長の時系列を特徴付けるためのシステムおよび方法 |
| JP7393883B2 (ja) | 2018-07-17 | 2023-12-07 | パロ アルト リサーチ センター インコーポレイテッド | 予め選択されたシグネチャを使用して任意長の時系列を特徴付けるためのシステムおよび方法 |
| CN112242000A (zh) * | 2020-10-22 | 2021-01-19 | 上海交通大学 | 基于丝网探针的气液两相流场特征重构方法、系统及介质 |
| CN112242000B (zh) * | 2020-10-22 | 2022-07-26 | 上海交通大学 | 基于丝网探针的气液两相流场特征重构方法、系统及介质 |
| CN113139569A (zh) * | 2021-03-04 | 2021-07-20 | 山东科技大学 | 目标分类检测方法、装置与系统 |
| CN113139569B (zh) * | 2021-03-04 | 2022-04-22 | 山东科技大学 | 目标分类检测方法、装置与系统 |
| CN114417723A (zh) * | 2022-01-20 | 2022-04-29 | 西安交通大学 | 一种基于神经网络的两相流动换热模型的应用方法 |
| CN114417723B (zh) * | 2022-01-20 | 2023-05-30 | 西安交通大学 | 一种基于神经网络的两相流动换热模型的应用方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN1664555A (zh) | 基于时间序列与神经网络模式辨识的两相流流型识别方法 | |
| Abbagoni et al. | Non-invasive classification of gas–liquid two-phase horizontal flow regimes using an ultrasonic Doppler sensor and a neural network | |
| CN104297504A (zh) | 一种自动化气相色谱控制系统 | |
| CN109442221B (zh) | 一种基于压力扰动提取的供水管网爆管侦测方法 | |
| CN104807589B (zh) | 一种集输－立管系统内气液两相流流型的在线识别方法 | |
| CN104316660B (zh) | 快速检测豆瓣酱风味、等级及产品溯源的方法 | |
| CN102011576A (zh) | 基于示功图的有杆抽油系统故障递阶诊断方法 | |
| CN109061426B (zh) | 变压器局部放电故障诊断方法及在线监测装置 | |
| CN100485359C (zh) | 基于信息融合的气液两相流流型识别方法及流型信号采集装置 | |
| CN103902798B (zh) | 数据预处理方法 | |
| CN101074927A (zh) | 基于可见和近红外光谱特征波段的水果水心病诊断方法 | |
| CN112926767A (zh) | 基于粒子群bp神经网络的环雾状流气相表观流速预测方法 | |
| Huang et al. | A deep learning framework based on improved self‐supervised learning for ground‐penetrating radar tunnel lining inspection | |
| CN105738311A (zh) | 一种基于近红外光谱技术的苹果甜度无损快速检测方法 | |
| Xu et al. | Imaging of flow pattern of gas-oil flows with convolutional neural network | |
| CN111031064A (zh) | 一种检测电网假数据注入攻击的方法 | |
| Zhu et al. | Flow regime detection using gamma-ray-based multiphase flowmeter: A machine learning approach | |
| CN1246683C (zh) | 基于软测量技术的气液两相流流型辨识方法及系统 | |
| CN116663126A (zh) | 一种基于通道注意力BiLSTM模型的桥梁温度效应预测方法 | |
| CN1146723C (zh) | 一种油气水多相流流型在线识别方法 | |
| CN110632191A (zh) | 一种基于决策树算法的变压器色谱峰定性方法和系统 | |
| Chiarello et al. | Two-phase slug flow Lagrangian data analysis: Tracking unit-cell behavior across the pipeline with experimental data | |
| CN1896742A (zh) | 空间污染实时监测公示仪 | |
| CN105699302A (zh) | 一种利用光谱法测定苹果主要营养成分的方法 | |
| CN113378935A (zh) | 一种用于气体的嗅觉智能识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |