李精精 周 濤 段 軍 張 蕾

(華北電力大學(xué)核熱工安全與標(biāo)準(zhǔn)化研究所 北京 102206)

在氣液兩相流中，流型的不同影響了兩相流的流動(dòng)特性和傳熱傳質(zhì)性能，兩相流中流量、空隙率等參量的測(cè)量也依賴于流型。因此，兩相流流型的識(shí)別成為兩相流一個(gè)重要的研究方向[1]。兩相流的壓差波動(dòng)信號(hào)含有不同流型的豐富信息，成為流型辨識(shí)的重要參量。李菊等[2]利用mallat小波多尺度分解的方法研究了段塞流與波狀流的特征。黃竹青等[3]從Lipschitz奇異性的定義出發(fā)，根據(jù)信號(hào)與噪聲的奇異性指數(shù)a的不同，推導(dǎo)出不同流型a值的大小，利用 Lipschitz指數(shù)區(qū)分不同流型。Nguyen等[4]利用小波分析方法研究含氣率的變化，以區(qū)分不同流型。小波神經(jīng)網(wǎng)絡(luò)作為一種智能技術(shù)已經(jīng)在分類辨識(shí)中得到了廣泛應(yīng)用[5,6]。孫斌等[7]利用小波包分解對(duì)流型的動(dòng)態(tài)壓差波動(dòng)信號(hào)進(jìn)行分析、提取特征，然后將小波包能量特征與Kohonen神經(jīng)網(wǎng)絡(luò)結(jié)合進(jìn)行流型識(shí)別。ZHANG等[8]利用支持向量機(jī)分析了油氣兩相流的流型辨識(shí)，得到了較好的效果。龍軍等[9]利用經(jīng)驗(yàn)?zāi)B(tài)分解的小通道氣液兩相流數(shù)據(jù)輸入最小二乘支持向量機(jī)，發(fā)現(xiàn)這種方法可以提高預(yù)測(cè)精度。TAN等[10]利用基于電阻層析成像的支持向量機(jī)方法進(jìn)行了氣液兩相流的流型辨識(shí)。目前，已有文獻(xiàn)多是對(duì)壓差波動(dòng)信號(hào)進(jìn)行小波分析[1–3,5–7]，然后將小波能量數(shù)據(jù)進(jìn)行歸一化處理，處理后的數(shù)據(jù)通過(guò)神經(jīng)網(wǎng)絡(luò)進(jìn)行流型辨識(shí)。張毅等[11]結(jié)合灰色模型和神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)處理的優(yōu)點(diǎn)，提出了并聯(lián)型和嵌入型灰色神經(jīng)網(wǎng)絡(luò)機(jī)床熱誤差預(yù)測(cè)模型，目前還沒(méi)有人利用灰色神經(jīng)網(wǎng)絡(luò)進(jìn)行流型的辨識(shí)。利用支持向量機(jī)進(jìn)行流型辨識(shí)時(shí)，多是利用經(jīng)驗(yàn)?zāi)B(tài)分解的方法對(duì)數(shù)據(jù)進(jìn)行處理，然后通過(guò)最小二乘支持向量機(jī)進(jìn)行分類處理，尚無(wú)出現(xiàn)將小波能量數(shù)據(jù)和壓差波動(dòng)數(shù)據(jù)輸入 Lib-SVM 進(jìn)行氣液兩相流的流型辨識(shí)。

1 研究方法

1.1 灰色神經(jīng)網(wǎng)絡(luò)

首先利用db1小波對(duì)信號(hào)進(jìn)行5尺度分解，提取多尺度小波變換的小波系數(shù)。小波能量表達(dá)式為：

BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1所示。嵌入型灰色神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)處理過(guò)程如圖2所示。

圖1 BP神經(jīng)網(wǎng)絡(luò)拓?fù)鋱DFig.1 BP neural network topological graph.

圖2 嵌入型灰色神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)處理過(guò)程Fig.2 Implant gray neural network data treating processes.

如圖1所示，網(wǎng)絡(luò)共有三層。輸入層中的每個(gè)輸入都饋送到了隱藏層，作為該層每一個(gè)神經(jīng)細(xì)胞的輸入；然后，從隱藏層的每個(gè)神經(jīng)細(xì)胞的輸出都連到了它下一層(即輸出層)。理論證明[12]對(duì)于三層的BP神經(jīng)網(wǎng)絡(luò)可以完成任意維的數(shù)據(jù)轉(zhuǎn)換。

圖2即是借鑒了灰色系統(tǒng)理論對(duì)BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)進(jìn)行改造。強(qiáng)化BP神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)的處理能力，加快運(yùn)算速度，增強(qiáng)模型的容錯(cuò)能力。在BP神經(jīng)網(wǎng)絡(luò)的輸入層前增加一個(gè)灰化層，其作用是將原始數(shù)據(jù)按照式(3)作累加處理，生成新的數(shù)據(jù)序列，有效弱化原始數(shù)據(jù)的隨機(jī)性。由于一次累加序列是單調(diào)遞增的，有利于發(fā)揮BP神經(jīng)網(wǎng)絡(luò)的非線性擬合作用，網(wǎng)絡(luò)學(xué)習(xí)時(shí)間減少，在增加預(yù)測(cè)精度的同時(shí)也加快了收斂速度。

設(shè)有時(shí)間序列：

作一階累加：

1.2 支持向量機(jī)

SVM是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的統(tǒng)計(jì)學(xué)習(xí)方法，具有完備的統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)和出色的學(xué)習(xí)性能，在模式識(shí)別和函數(shù)估計(jì)中得到了有效的應(yīng)用。Lib-SVM作為通用的SVM軟件包，包含了5種SVM類型，可以解決分類問(wèn)題、回歸問(wèn)題以及分布估計(jì)等問(wèn)題。SVM從線性可分情況下的最優(yōu)分類面發(fā)展而來(lái)。最優(yōu)分類面即要求分類線不但能將兩類正確分開(kāi)(訓(xùn)練錯(cuò)誤率為 0)，且使分類間隔最大。SVM考慮尋找一個(gè)滿足分類要求的超平面，并且使訓(xùn)練集中的點(diǎn)距離分類面盡可能的遠(yuǎn)，也就是尋找一個(gè)分類面使它兩側(cè)的空白區(qū)域(margin)最大，w是權(quán)重向量。過(guò)兩類樣本中離分類面最近的點(diǎn)且平行于最優(yōu)分類面的超平面上H1、H2的訓(xùn)練樣本稱作支持向量，如圖3所示。

圖3 最優(yōu)分類超平面Fig.3 Optimal classify hyperplane.

1.3 處理方法

對(duì)于灰色神經(jīng)網(wǎng)絡(luò)方法，目前還沒(méi)有用于氣液兩相流流型的辨識(shí)中。本研究將小波提取的21組小波能量作為特征向量，經(jīng)過(guò)灰化層的處理后輸入灰色神經(jīng)網(wǎng)絡(luò)，選用三層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。數(shù)據(jù)的輸出為T(mén)：泡狀流(0 0 0 1)、環(huán)狀流(0 0 1 1)、間歇流(0 1 1 1)。選用9組數(shù)據(jù)作為測(cè)試數(shù)據(jù)，其中包括泡狀流、環(huán)狀流、間歇流各3組。

對(duì)于支持向量機(jī)的方法，文獻(xiàn)[8–10]是利用經(jīng)驗(yàn)?zāi)B(tài)分解的方法對(duì)數(shù)據(jù)進(jìn)行處理，處理后的數(shù)據(jù)一般通過(guò)最小二乘支持向量機(jī)(LSSVM)進(jìn)行分類處理。本研究選取21組小波能量數(shù)據(jù)，作為訓(xùn)練數(shù)據(jù)輸入Lib-SVM進(jìn)行訓(xùn)練。其中泡狀流用1表示，環(huán)狀流用2表示，間歇流用3表示。選用9組數(shù)據(jù)作為測(cè)試數(shù)據(jù)，其中包括泡狀流、環(huán)狀流、間歇流各3組。將小波分析得到的能量信號(hào)作為L(zhǎng)ib-SVM的輸入，將流型作為L(zhǎng)ib-SVM的標(biāo)簽，對(duì)氣液兩相流的壓差波動(dòng)信號(hào)進(jìn)行分類處理。

訓(xùn)練數(shù)據(jù)共1200組，其中泡狀流400組，環(huán)狀流400組，間歇流400組。測(cè)試數(shù)據(jù)共147組，其中泡狀流49組，環(huán)狀流49組，間歇流49組。

2 研究對(duì)象

王強(qiáng)等[13]進(jìn)行了氣液兩相流的實(shí)驗(yàn)，實(shí)驗(yàn)中氣液兩相流的壓差信號(hào)由 PD-2型差壓變送器進(jìn)行測(cè)量，并由IMP3595數(shù)據(jù)采集板進(jìn)行采集。實(shí)驗(yàn)參數(shù)范圍為0.1–0.5 MPa，工質(zhì)溫度為3oC–42oC，空氣流量為0–25 m3/s，水的流量為0–4.5 m3/s。實(shí)驗(yàn)數(shù)據(jù)如圖4所示，其中n為采樣序列。

圖4 各流型壓差圖Fig.4 Pressure drop of different flow pattern.

圖4中選取了實(shí)驗(yàn)數(shù)據(jù)中的泡狀流、環(huán)狀流和間歇流。氣液兩相流的壓力波動(dòng)信號(hào)特征由低頻部分和高頻部分組成[14]。低頻大尺度波動(dòng)反映了系統(tǒng)的整體性質(zhì)，但是高頻部分也包含了大量的信息。

3 結(jié)果與分析

3.1 嵌入式灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果

嵌入型灰色神經(jīng)網(wǎng)絡(luò)方法與BP神經(jīng)網(wǎng)絡(luò)檢測(cè)數(shù)據(jù)的對(duì)比結(jié)果如表1所示。

由表1可知，接近真實(shí)流型的向量其精確度相對(duì)較高。以第1組和第8組數(shù)據(jù)為例進(jìn)行分析。對(duì)于第1組數(shù)據(jù)，真實(shí)流型為(0 0 0 1)，BP檢測(cè)結(jié)果為(–0.002 0.014 –0.020 1.000)，嵌入型灰色神經(jīng)網(wǎng)絡(luò)的檢測(cè)結(jié)果為(–0.046 –0.098 0.092 1.080)，可以看出對(duì)于第1組數(shù)據(jù)，兩種方法檢測(cè)結(jié)果均很好。對(duì)于第8組數(shù)據(jù)，真實(shí)流型為間歇流(0 1 1 1)，BP檢測(cè)結(jié)果為(–0.0106 0.521 1.021 1.050)，嵌入型灰色神經(jīng)網(wǎng)絡(luò)的檢測(cè)結(jié)果為(–0.009 0.811 0.9747 1.001)，對(duì)比兩組數(shù)據(jù)可知，嵌入型灰色神經(jīng)網(wǎng)絡(luò)的檢測(cè)結(jié)果比BP網(wǎng)絡(luò)檢測(cè)結(jié)果精確。通過(guò)對(duì)表 1的整體分析可知，加入灰化層后，神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)的處理結(jié)果比未加入灰化層時(shí)的預(yù)測(cè)數(shù)據(jù)更準(zhǔn)確，對(duì)流型的辨識(shí)結(jié)果更好，而且明顯減少了數(shù)據(jù)邊緣化的效果，避免了單一模型丟失信息的缺憾，可以更準(zhǔn)確的實(shí)現(xiàn)流型辨識(shí)。

表1 嵌入型灰色神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)測(cè)試結(jié)果Table 1 The test results of implant gray and BP neural network.

3.2 小波支持向量機(jī)預(yù)測(cè)結(jié)果

小波能量數(shù)據(jù)輸入Lib-SVM、BP神經(jīng)網(wǎng)絡(luò)、嵌入型灰色神經(jīng)網(wǎng)絡(luò)檢測(cè)結(jié)果對(duì)比如表2所示。

將小波能量數(shù)據(jù)輸入 Lib-SVM可以完成對(duì)流型的精確辨識(shí)。由表2可知，Lib-SVM和嵌入型灰色神經(jīng)網(wǎng)絡(luò)對(duì)三種流型辨識(shí)結(jié)果都比較準(zhǔn)確。以環(huán)狀流中的第6組數(shù)據(jù)為例，嵌入型灰色神經(jīng)網(wǎng)絡(luò)的檢測(cè)結(jié)果為環(huán)狀流(0.0036 0.3100 1.0010 1.0100)，對(duì)于向量中的第二個(gè)元素，數(shù)據(jù)為0.3100，與真實(shí)泡狀流中的0具有一定的差異。因此嵌入型灰色神經(jīng)網(wǎng)絡(luò)在檢測(cè)數(shù)據(jù)上存在一定的誤差，Lib-SVM對(duì)各種流型的檢測(cè)結(jié)果更準(zhǔn)確。

表2 三種方法預(yù)測(cè)結(jié)果對(duì)比Table 2 The comparison of the three methods.

3.3 壓差信號(hào)支持向量機(jī)預(yù)測(cè)結(jié)果

將147組壓差測(cè)試信號(hào)輸入Lib-SVM進(jìn)行預(yù)測(cè)，支持向量機(jī)對(duì)壓差波動(dòng)信號(hào)的檢測(cè)中，對(duì)于每種流型的預(yù)測(cè)結(jié)果如表3所示。

表3 Lib-SVM直接對(duì)壓降信號(hào)分類結(jié)果Table 3 Lib-SVM method results.

由表3可以看出，環(huán)狀流的錯(cuò)誤預(yù)報(bào)數(shù)為7組，總的準(zhǔn)確率達(dá)到了95.24%。Lib-SVM可以直接用于流型的壓差信號(hào)辨識(shí)，其準(zhǔn)確率較高。在流型的辨識(shí)中泡狀流和間歇流都達(dá)到了較好的預(yù)測(cè)，但是環(huán)狀流的預(yù)測(cè)結(jié)果僅達(dá)到86%，這可能是由于數(shù)據(jù)采集的誤差等造成的。

4 結(jié)語(yǔ)

結(jié)合灰色系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，以嵌入型的灰色神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)，分別對(duì)小波分析的氣液兩相流的能量信號(hào)進(jìn)行分類處理，并與BP網(wǎng)絡(luò)的結(jié)果進(jìn)行對(duì)比，得出如下結(jié)論：

(1) 與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)氣液兩相流流型相比，嵌入型灰色神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)的方法預(yù)測(cè)誤差更小。

(2) 嵌入型灰色神經(jīng)網(wǎng)絡(luò)模型通過(guò)對(duì)數(shù)據(jù)進(jìn)行灰化處理，避免了單一模型丟失信息的缺憾，提高了模型的預(yù)測(cè)精度。

(3) Lib-SVM 對(duì)小波能量數(shù)據(jù)的分類處理方法比BP神經(jīng)網(wǎng)絡(luò)和灰色神經(jīng)網(wǎng)絡(luò)的分類結(jié)果準(zhǔn)確。

(4) 創(chuàng)立了將壓差信號(hào)直接輸入Lib-SVM的方法，該方法可以完成流型的辨識(shí)，準(zhǔn)確率高達(dá)95.2%，為流型的在線識(shí)別提供了依據(jù)與參考。

1 Rouhani S Z. Two-phase flow patterns: a review of research results[J]. Nuclear Energy, 1983, 11(3): 219–259

2 李菊, 董守平. 小波分析在多相流流型識(shí)別中的應(yīng)用[J]. 中國(guó)石油大學(xué)學(xué)報(bào), 2000, 24(2): 93–97

LI Ju, DONG Shouping. Application of wavelet analysis to recognition of multiphase flow pattern[J]. Journal of the University of Petroleum, 2000, 24(2): 93–97

3 黃竹青. 基于小波分析的垂直上升管氣液兩相流流型的識(shí)別[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2006, 26(1): 26–29

HUANG Zhuqing. Wavelet analysis of distinguish flow pattern in vertical upward gas-liquid two-phase flow[J]. Proceedings of the Chinese Society Electrical Engineering, 2006, 26(1): 26–29

4 Nguyen V T, Euh D J, Song C H. An application of the wavelet analysis technique for the objective discrimination of two-phase flow patterns[J]. International Journal of Multiphase Flow, 2010, 36: 755–768

5 SHENG Cheng, ZHOU Tao, HONG Dexun. Research on processing of signals and images of critical heat flux in natural circulation based on wavelet transform and edge detection[C]. Applied Mechanics and Materials, 2012, (105): 2000–2004

6 張昌繁, 龔建, 劉素萍, 等. 基于不同神經(jīng)網(wǎng)絡(luò)算法的钚部件模板測(cè)量方法研究[J]. 核技術(shù), 2012, 35(7): 525–530

ZHANG Changfan, GONG Jian, LIU Suping, et al. Template measurement for plutonium pit based on neural networks[J]. Nuclear Techniques, 2012, 35(7): 525–530

7 孫斌, 周云龍, 張玲, 等. 基于小波包分解和 Kohonen神經(jīng)網(wǎng)絡(luò)的氣液兩相流流型識(shí)別方法[J]. 熱能動(dòng)力工程, 2005, 20(1): 48–51

SUN Bin, ZHOU Yunlong, ZHANG Ling, et al. A method for identifying gas-liquid two-phase flow patterns on the basis of a wavelet packet decomposition and Kohonen neural network[J]. Journal of Engineering for Thermal Energy and Power, 2005, 20(1): 48–51

8 ZHANG Lifeng, WANG Huaxiang. Identification of oil-gas two-phase flow pattern based on SVM and electrical capacitance tomography technique[J]. Flow Measurement and Instrumentation, 2010, 21: 20–24

9 龍軍, 冀海峰, 王保良, 等. 經(jīng)驗(yàn)?zāi)B(tài)分解和小波分析在小通道氣液兩相流流型辨識(shí)中的應(yīng)用[J]. 高?；瘜W(xué)工程學(xué)報(bào), 2011, 25(5): 759–764

LONG Jun, JI Haifeng, WANG Baoliang, et al. Application of empirical mode decomposition and wavelet analysis to small channel gas-liquid two-phase flow pattern identification[J]. Journal of Chemical Engineering of Chinese Universities, 2011, 25(5): 759–764

10 TAN Chao, DONG Feng, WU Mengmeng. Identification of gas/liquid two-phase flow regime through ERT-based measurement and feature extraction[J]. Flow Measurement and Instrumentation, 2007, 18: 255–261

11 張毅, 楊建國(guó). 基于灰色神經(jīng)網(wǎng)絡(luò)的機(jī)床熱誤差建模[J]. 上海交通大學(xué)學(xué)報(bào), 2011, 45(11): 1581–1586

ZHANG Yi, YANG Jianguo. Grey neural network modeling for machine tool thermal error[J]. Journal of Shanghai Jiaotong University, 2011, 45(11): 1581–1586

12 周偉, 桂林, 周林. Matlab小波分析高級(jí)技術(shù)[M]. 西安:西安電子科技大學(xué)出版社, 2006

ZHOU Wei, GUI Lin, ZHOU Lin. Matlab and wavelet analysis advanced technology[M]. Xi’an: Process of Xi Dian University, 2006

13 王強(qiáng), 周云龍, 程思勇, 等. 基于小波和 Elman神經(jīng)網(wǎng)絡(luò)的氣液兩相流流型識(shí)別方法[J]. 熱能動(dòng)力工程學(xué)報(bào), 2007, 22(2): 168–171

WANG Qiang, ZHOU Yunlong, CHENG Siyong, et al. A method for discriminating gas-liquid two phase flow patterns based on wavelets and Elman neural networks[J]. Journal of Engineering for Thermal Energy and Power, 2007, 22(2): 168–171

14 顧麗莉, 石炎福, 余華瑞. 汽液兩相流中壓力波動(dòng)信號(hào)的混沌分析[J]. 化學(xué)反應(yīng)工程與工藝, 1999, 15(4): 428–432

GU Lili, SHI Yanfu, YU Huarui. Chaotic analysis of pressure fluctuation signal in the gas-liquid cocurrent flow[J]. Chemical Reaction Engineering and Technology, 1999, 15(4): 428–432