[发明专利]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

说明书

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。

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。