[发明专利]基于GRU神经网络的气液两相流流型在线识别方法

说明书

本发明公开了一种基于GRU神经网络的气液两相流流型在线识别方法，在两相流管道上设置节流装置，通过差压变送器采集节流装置前后的差压信号，并将其传输给深度学习开发板，该开发板是基于GRU神经网络的气液两相流流型在线识别方法的信息处理平台；流束经过节流装置时管道内的压力产生变化，不同的流型产生的差压变化不同；差压变送器的采压管接至节流装置前后，采集时间序列的压力差信号，并送给深度学习开发板进行采集和处理；深度学习开发板将采集到的差压信号作为GRU神经网络的输入，不同流型的类别作为GRU神经网络的输出向量，先通过训练样本对GRU神经网络内部的参数进行训练，然后进行实际的流型识别。

技术领域

本发明设计一种气液两相流流型在线识别方法。

背景技术

两相流广泛存在于自然界和工业生产中。两相流中两项介质的分布情况称为流型。流型是两相流的重要参数之一，它会严重影响气液两相流的传热传质性能、流动特性以及其他参数的准确测量。

节流装置是在充满管道的流体流经管道内的一种流装置，流束将在节流处形成局部收缩，从而使流速增加，静压力降低，于是在节流件前后产生了静压力差。差压变送器可以采集两个采压口之间的压力差，并转化为模拟信号输出。将差压变送器的两个采压口接至节流件前后，采集节流件前后的差压信号并输出模拟信号。

GRU（Gated Recurrent Unit）神经网络是一种时间循环神经网络，它是LSTM网络的一种变种。GRU网络解决了时间循环神经网络中存在的梯度消失的问题。相较于LSTM网络而言，GRU网络结构更加简单，内部参数更少，计算开销更小，且性能与LSTM网络相差无几。LSTM引入了三个门函数：输入门、遗忘门和输出门来控制输入值、记忆值和输出值，而在GRU网络中将这三个门函数整合为两个门函数：更新门和重置门。更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多。重置门控制前一状态有多少信息被写入到当前的记忆状态上，重置门越小，前一状态的信息被写入的越少。

开发板是用来进行嵌入式系统开发板的电路板，包括中央处理器、存储器、输入设备、输出设备、数据通路/总线和外部资源接口等一系列硬件组件。深度学习开发板是开发板中的一种，因其具备强大的运算能力，所以深度学习开发板适用于一些网络模型的部署，使网络模型能够在线运用。

发明内容

针对现有的差压变送器、深度学习开发板和GRU神经网络技术，本发明的目的是提供一种用这三种技术的结合来应用于在线识别气液两相流流型的方法。

为达到以上目的，本发明是采取如下技术方案予以实现的：

一种基于GRU神经网络的气液两相流流型识别方法，其特征在于，包括以下步骤：

（1）在圆形管道上设置节流装置，将一个差压变送器的取压管接至节流装置前后，差压变送器与一块深度学习开发板相连，该开发板是基于GRU神经网络的气液两相流流型在线识别方法的信息处理平台，开发板还与一块显示屏相连，可以通过显示屏对开发板进行控制操作；

（2）流束在节流处形成局部收缩，于是在节流件前后产生了静压力差，差压变送器采集管道内节流件前后的压力差，并将其转化为模拟信号，并将其传输给深度学习开发板进行数据采集和处理；

（3）深度学习开发板接收到模拟信号，通过显示屏操作开发板储存并将其还原为原始的差压信号，把时间序列的差压信号切分成不同的时间阶段，作为GRU网络的输入，前一时刻的差压信号会通过GRU的更新门来影响当前时刻的差压信号，然后当前时刻的差压信号会通过重置门来影响记忆状态，更新门和重置门有各自的参数，这些参数都是训练过程中学习得到的；

（4）将切分为不同时间阶段的差压信号作为训练样本，输入到GRU网络中，网络输出设置成流型类别，将训练样本通过GRU网络得到的流型类别输出，与训练样本真实的流型类别求误差损失，通过梯度反向传播优化GRU网络内部参数，使得GRU网络得到训练；