專利名稱：基于信息融合的氣液兩相流流型識(shí)別方法及流型信號(hào)采集裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及氣液兩相流測(cè)量技術(shù)領(lǐng)域，尤其涉及一種基于信息融合的氣液兩相流流型識(shí)別方法及流型信號(hào)采集裝置。
背景技術(shù)：
兩相流動(dòng)體系在石油、化工、冶金、動(dòng)力等領(lǐng)域中廣泛存在，兩相流中相介質(zhì)的分布狀況稱為流型，不同的流型具有不同的流動(dòng)和傳熱特性，同時(shí)影響兩相流其他參數(shù)的準(zhǔn)確測(cè)量。因此流型識(shí)別的研究一直是兩相流研究的重要基礎(chǔ)課題，具有重要的工業(yè)應(yīng)用價(jià)值和學(xué)術(shù)價(jià)值，并可為相關(guān)工業(yè)的安全與自動(dòng)化生產(chǎn)、管路系統(tǒng)的設(shè)計(jì)與運(yùn)行及兩相流量計(jì)的開發(fā)提供技術(shù)支持。
傳統(tǒng)的流型識(shí)別方法有兩大類一類是采用實(shí)驗(yàn)方法做出流型圖；另一類是根據(jù)對(duì)流型轉(zhuǎn)變機(jī)理的分析得到的轉(zhuǎn)變準(zhǔn)則關(guān)系式，利用現(xiàn)場的流動(dòng)參數(shù)來確定流型。由于在生產(chǎn)實(shí)際中流動(dòng)參數(shù)往往是需要解決的問題，因此傳統(tǒng)的方法無法得到廣泛應(yīng)用。
流型的現(xiàn)代測(cè)量方法從工作原理上可分為直接測(cè)量和間接測(cè)量方法。常用的直接測(cè)量方法有目測(cè)法、高速攝影法等，該方法具有一定的主觀性，不用的觀察者可能得出不同的結(jié)論。間接測(cè)量方法是利用測(cè)量的儀器設(shè)備測(cè)量的壓力、壓差和含氣率等波動(dòng)信號(hào)，通過對(duì)信號(hào)進(jìn)行分析、提取特征，結(jié)合神經(jīng)網(wǎng)絡(luò)等模式識(shí)別技術(shù)來識(shí)別流型。該方法有兩個(gè)關(guān)鍵問題一是流型特征向量的提取；二是網(wǎng)絡(luò)模型的選取，其中特征提取尤為關(guān)鍵?，F(xiàn)有的方法主要是利用單一的壓力或壓差波動(dòng)信號(hào)來提取信號(hào)的單一特征，導(dǎo)致提取的特征無法全面反映流型的信息，致使流型識(shí)別率不高。如發(fā)明“基于軟測(cè)量技術(shù)的氣液兩相流流型辨識(shí)方法和系統(tǒng)”(CN1246683C)是針對(duì)壓差信號(hào)的能量特征來進(jìn)行識(shí)別的。
發(fā)明內(nèi)容
本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的缺陷，提出一種流型識(shí)別準(zhǔn)確性、可靠性高，通用性強(qiáng)的基于信息融合的氣液兩相流流型識(shí)別方法；本發(fā)明的另一目的在于提供一種結(jié)構(gòu)合理，能夠滿足基于信息融合的氣液兩相流流型識(shí)別對(duì)流型信號(hào)采集要求的基于信息融合的氣液兩相流流型信號(hào)采集裝置。
本發(fā)明的目的是由以下技術(shù)方案來實(shí)現(xiàn)的一種基于信息融合的氣液兩相流流型識(shí)別方法，其特征在于它包括以下步驟(1)數(shù)據(jù)采集及預(yù)處理在一個(gè)由水平管路、差壓變送器與由計(jì)算機(jī)組成的基于信息融合的氣液兩相流流型信號(hào)采集裝置中，選取的取壓間距分別為5D、10D和15D，D為管徑，分別固定和改變液相、氣相流量，得到不同的氣液流量下的分層流、間歇流、泡狀流和環(huán)狀流4種流型，對(duì)4種流型的流動(dòng)參數(shù)進(jìn)行采集，并對(duì)三個(gè)不同取壓間距的壓差波動(dòng)信號(hào)進(jìn)行去噪聲處理。
(2)利用小波理論對(duì)去噪聲后的3個(gè)壓差波動(dòng)信號(hào)進(jìn)行特征提取，并形成3個(gè)小波包信息熵特征向量；對(duì)3個(gè)不同取壓間距的壓差波動(dòng)信號(hào)S1、S2和S3按照下面的遞歸式(1)進(jìn)行4層小波包分解u2n(t)=2Σkh(k)un(2t-k)u2n-1(t)=2Σkg(k)un(2t-k)---(1)]]>式中h(k)為高通濾波器組；g(k)為低通濾波器組；u0(t)＝(t)，為尺度函數(shù)；u1(t)＝ψ(t)，為小波函數(shù)；k為分解的尺度。
對(duì)經(jīng)過分解后得到的16個(gè)頻帶內(nèi)的序列進(jìn)行重構(gòu)，各得到16個(gè)小波包重構(gòu)信號(hào)S1j，k、S2j，k和S3j，k(k＝0～15)，則原信號(hào)S1、S2和S3可表示為S1=Σk=015S14,k;S2=Σk=015S24,k;S3=Σk=015S34,k---(2)]]>把信號(hào)的小波包分解看成是對(duì)信號(hào)的一種劃分，定義這種劃分的測(cè)度ϵ(j,k)(i)=SF(j,k)(i)Σi=1NSF(j,k)(i)---(3)]]>式中SF(j，k)(i)為Sj，k(k＝0～2j-1)的傅立葉變換序列的第i個(gè)值，j為分解的尺度；N為原始信號(hào)的長度。
根據(jù)信息熵的基本理論，定義小波包信息熵Hj,k=-Σi=1Nϵ(j,k)(i)logϵ(j,k)(i),k=0~2j-1---(4)]]>信號(hào)第4層第k個(gè)小波包信號(hào)的能量Ej，k為E4,k=∫|S4,k(t)|2dt=Σi=1n|xki|2---(5)]]>把信號(hào)的小波包分解看成是對(duì)信號(hào)的一種劃分，定義這種劃分的測(cè)度ϵ(i,k)(i)=SF(j,k)(i)Σi=1NSF(j,k)(i)---(6)]]>根據(jù)信息熵的基本理論，定義小波包信息熵Hj,k=-Σi=1Nϵ(j,k)(i)logϵ(j,k)(i),k=0~2j-1---(7)]]>由式(7)求出16個(gè)重構(gòu)信號(hào)的小波包信息熵，進(jìn)而以這16個(gè)小波包信息熵為元素可以構(gòu)造特征向量，表示為T1，則T1＝[H140，H141，Λ，H1414，H1415](8)
T2＝[H240，H241，Λ，H2414，H2415] (9)T3＝[H340，H1341，Λ，H3414，H3415] (10)當(dāng)小波包能量和信息熵較大時(shí)，會(huì)給分析使用帶來諸多不便，為此可以對(duì)特征向量作歸一化處理。令H1total=(Σj=015|H14,j|2)1/2;H2total=(Σj=015|H24,j|2)1/2;H3total=(Σj=015|H34,j|2)1/2---(11)]]>矢量T1′即為歸一化小波包能量和信息熵特征向量。
T1′=[H140H1total,H141H1total,Λ,H1414H1total,H1415H1total]---(12)]]>T2′=[H240H2total,H241H2total,Λ,H2414H2total,H2415H2total]---(13)]]>T3′=[H340H3total,H341H3total,Λ,H3414H3total,H3415H3total]---(14)]]>(3)流型的神經(jīng)網(wǎng)絡(luò)識(shí)別由上述得到的3個(gè)小波包信息熵特征向量，分別作為3個(gè)RBF神經(jīng)網(wǎng)絡(luò)的輸入樣本，4種流型的輸出分別定為分層流為(1，0，0，0)，間歇流為(0，1，0，0)，泡狀流為(0，0，1，0)，環(huán)狀流為(0，0，0，1)，建立3個(gè)神經(jīng)網(wǎng)絡(luò)并對(duì)其進(jìn)行訓(xùn)練，訓(xùn)練好的網(wǎng)絡(luò)可完成從特征空間到流型空間的映射。
(4)將各神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果作為彼此獨(dú)立的證據(jù)，利用D-S證據(jù)理論進(jìn)行信息融合，得到最終的識(shí)別結(jié)果。
①確定流型識(shí)別框架，根據(jù)水平管中氣液兩相流中的分層流u1、間歇流u2、泡狀流u3和環(huán)狀流u4四種流型，確定證據(jù)理論中的識(shí)別框架Θ，記為Θ＝{u1，u2，u3，u4}。因?yàn)樵诹鲃?dòng)過程中只能同時(shí)出現(xiàn)一種流型，因此在流型識(shí)別框架中的事件是互斥的。
命題u為某種流型，且為識(shí)別框架下的子集。如果集函數(shù)m2Θ→
(2Θ為Θ的冪集)滿足
m(φ)=0;Σum(u)=1(∀u⊆Θ)---(15)]]>則稱m為框架Θ的基本可信度分配函數(shù)，此處φ為空集。對(duì)uΘ，m(u)稱為u的基本可信度分值，當(dāng)m(u)＞0時(shí)，稱u為Θ上的焦元，m(u)反映了對(duì)某種流型的確認(rèn)程度。對(duì)應(yīng)于mass函數(shù)m的信度函數(shù)定義為(u)=ΣA⊆um(A)(∀u⊆Θ)(16)]]>Bel(u)反映事件的必然性，描述了對(duì)u的總信任度，它包括u的所有子集的信任程度。
②證據(jù)融合規(guī)則設(shè)Bel1和Bel2是同一識(shí)別框架Θ的兩個(gè)信度函數(shù)，m1和m2分別是其對(duì)應(yīng)的基本可信度分配，焦元分別為A1，A2，Λ，Ak和B1，B2，Λ，Bn。
若ΣAi∩Bj=φm1(Ai)m2(Bj)<1]]>那么，兩個(gè)信度函數(shù)Bel1和Bel2合成的基本可信度分配可由下式定義的函數(shù)m2Θ→
計(jì)算m(A)=0A=φΣAi∩Bj=φm1(Ai)m2(Bj)1-ΣAi∩Bj=φm1(Ai)m2(Bj)A≠φ---(17)]]>式中，φ為空集，m(φ)＝0。設(shè)N=ΣAi∩Bj=φm1(Ai)m2(Bj)]]>是包含沖突假設(shè)Ai和Bj的所有信度函數(shù)乘積之和，所謂沖突Ai和Bj，是指假設(shè)的目標(biāo)模式Ai和Bj在Θ中不可能同時(shí)存在，即相互排斥。式(17)中，A指假設(shè)的目標(biāo)模式Ai和Bj布爾組合的一個(gè)綜合命題，A的信度函數(shù)值m(A)是包含不沖突假設(shè)Ai和Bj的所有信度函數(shù)乘積之和。式(17)反映的是兩個(gè)證據(jù)融合，對(duì)于多個(gè)證據(jù)的融合可由式(17)遞推得到。
③融合識(shí)別。識(shí)別系統(tǒng)的流型為4種流型，對(duì)應(yīng)證據(jù)理論的識(shí)別框架Θ就包括4個(gè)流型。同時(shí)，系統(tǒng)共有3個(gè)識(shí)別網(wǎng)絡(luò)，每個(gè)網(wǎng)絡(luò)對(duì)應(yīng)的輸出為4個(gè)，分別對(duì)應(yīng)4種流型。每個(gè)神經(jīng)網(wǎng)絡(luò)作為證據(jù)理論的一個(gè)獨(dú)立證據(jù)，將神經(jīng)網(wǎng)絡(luò)的輸出值經(jīng)過轉(zhuǎn)換，成為此證據(jù)下各種流型的可信度分配，為證據(jù)理論合成奠定基礎(chǔ)。每個(gè)識(shí)別網(wǎng)絡(luò)的能力是不同的，因此每個(gè)網(wǎng)絡(luò)存在一個(gè)可靠性系數(shù)即證據(jù)的折扣，表示了對(duì)識(shí)別結(jié)果的信任程度。
設(shè)第i個(gè)網(wǎng)絡(luò)的第j個(gè)輸出值為Oi(j)，那么它對(duì)應(yīng)在本證據(jù)的基礎(chǔ)上的對(duì)狀態(tài)j的信度分配為mi(j)=Oi(j)αiΣj=1qOi(j)---(18)]]>m(Θ)＝1-αi，i＝1，2，Λ，p (19)式中αi為各網(wǎng)絡(luò)的識(shí)別率，m(Θ)表示各網(wǎng)絡(luò)識(shí)別的不確定程度。
根據(jù)證據(jù)融合公式(17)可得到融合后的各流型基本可信度分配，由此可實(shí)現(xiàn)對(duì)流型的融合識(shí)別，從而得到最終的識(shí)別結(jié)果。
一種基于信息融合的氣液兩相流流型信號(hào)采集裝置，其特征在于它包括在兩相流水平管路14上套置的取壓環(huán)1a、2b、3c、4d、5e、6f，取壓環(huán)1a、2b與取壓管7a連接，取壓環(huán)3c、4d與取壓管7b連接，取壓環(huán)5e、6f與取壓管7c連接，取壓管7a、7b、7c分別與差壓變送器8a、9b、10c連接，差壓變送器8a、9b、10c與數(shù)據(jù)采集卡11電連接，數(shù)據(jù)采集卡11與計(jì)算機(jī)12電連接。
所述取壓環(huán)1a、2b的間距為5倍管徑D，取壓環(huán)3c、4d的間距為10倍管徑D，取壓環(huán)5e、6f的間距為15倍管徑D。
本發(fā)明基于信息融合的氣液兩相流流型識(shí)別方法的有益效果是1)將神經(jīng)網(wǎng)絡(luò)識(shí)別技術(shù)與小波分析技術(shù)相結(jié)合，實(shí)現(xiàn)了流型的智能識(shí)別，克服了傳統(tǒng)方法主觀性強(qiáng)的缺點(diǎn)；
2)該方法對(duì)3個(gè)神經(jīng)網(wǎng)絡(luò)的輸出進(jìn)行信息融合，得到最終的識(shí)別結(jié)果，識(shí)別率高，而且可靠性強(qiáng)。
本發(fā)明基于信息融合的氣液兩相流流型信號(hào)采集裝置的結(jié)構(gòu)合理，采集流型信號(hào)準(zhǔn)確、真實(shí)，能夠滿足基于信息融合的氣液兩相流流型識(shí)別對(duì)流型信號(hào)采集的要求。
圖1是基于信息融合的氣液兩相流流型識(shí)別方法框圖。
圖2是基于信息融合的氣液兩相流流型信號(hào)采集裝置的結(jié)構(gòu)示意圖。
圖3是基于信息融合的氣液兩相流流型信號(hào)采集裝置的程序框圖。
具體實(shí)施例方式
下面利用附圖和實(shí)施例對(duì)本發(fā)明基于信息融合的氣液兩相流流型識(shí)別方法及基于信息融合的氣液兩相流流型信號(hào)采集裝置作進(jìn)一步說明。
如圖1所示，本發(fā)明基于信息融合的氣液兩相流流型識(shí)別方法包括下述步驟(1)數(shù)據(jù)采集及預(yù)處理在一個(gè)由水平管路、差壓變送器與由計(jì)算機(jī)組成的基于信息融合的氣液兩相流流型信號(hào)采集裝置中，選取的取壓間距分別為5D、10D和15D，D為管徑，對(duì)三種不同取壓間距的差壓信號(hào)進(jìn)行采集，并設(shè)定采樣頻率為256Hz；采樣點(diǎn)數(shù)為1024點(diǎn)；采樣時(shí)間為16s。并對(duì)采集的差壓波動(dòng)信號(hào)應(yīng)用小波理論進(jìn)行小波去噪聲處理，為特征提取奠定基礎(chǔ)。
(2)利用小波理論對(duì)去噪聲后的3個(gè)壓差波動(dòng)信號(hào)進(jìn)行特征提取，并形成3個(gè)小波包信息熵特征向量；對(duì)3個(gè)不同取壓間距的壓差波動(dòng)信號(hào)S1、S2和S3按照下面的遞歸式(1)進(jìn)行4層小波包分解
u2n(t)=2Σkh(k)un(2t-k)u2n-1(t)=2Σkg(k)un(2t-k)---(1)]]>式中h(k)為高通濾波器組；g(k)為低通濾波器組；u0(t)＝(t)，為尺度函數(shù)；u1(t)＝ψ(t)，為小波函數(shù)；k為分解的尺度。
對(duì)經(jīng)過分解后得到的16個(gè)頻帶內(nèi)的序列進(jìn)行重構(gòu)，各得到16個(gè)小波包重構(gòu)信號(hào)S1j，k、S2j，k和S3j，k(k＝0～15)，則原信號(hào)S1、S2和S3可表示為S1=Σk=015S14,k;S2=Σk=015S24,k;S3=Σk=015S34,k---(2)]]>把信號(hào)的小波包分解看成是對(duì)信號(hào)的一種劃分，定義這種劃分的測(cè)度ϵ(j,k)(i)=SF(j,k)(i)Σi=1NSF(j,k)(i)---(3)]]>式中SF(j，k)(i)為Sj，k(k＝0～2j-1)的傅立葉變換序列的第i個(gè)值，j為分解的尺度；N為原始信號(hào)的長度。
根據(jù)信息熵的基本理論，定義小波包信息熵Hj,k=-Σi=1Nϵ(j,k)(i)logϵ(j,k)(i),k=0~2j-1---(4)]]>信號(hào)第4層第k個(gè)小波包信號(hào)的能量Ej，k為E4,k=∫|S4,k(t)|2dt=Σi=1n|xki|2---(5)]]>把信號(hào)的小波包分解看成是對(duì)信號(hào)的一種劃分，定義這種劃分的測(cè)度ϵ(i,k)(i)=SF(j,k)(i)Σi=1NSF(j,k)(i)---(6)]]>根據(jù)信息熵的基本理論，定義小波包信息熵
Hj,k=-Σi=1Nϵ(j,k)(i)logϵ(j,k)(i),k=0~2j-1---(7)]]>由式(7)求出16個(gè)重構(gòu)信號(hào)的小波包信息熵，進(jìn)而以這16個(gè)小波包信息熵為元素可以構(gòu)造特征向量，表示為T1，則T1＝[H140，H141，Λ，H1414，H1415] (8)T2＝H240，H241Λ，H2414，H2415] (9)T3＝[H340，H1341，Λ，H3414，H3415] (10)當(dāng)小波包能量和信息熵較大時(shí)，會(huì)給分析使用帶來諸多不便，為此可以對(duì)特征向量作歸一化處理。令H1total=(Σj=015|H14,j|2)1/2;H2total=(Σj=015|H24,j|2)1/2;H3total=(Σj=015|H34,j|2)1/2---(11)]]>矢量T1′即為歸一化小波包能量和信息熵特征向量。
T1′=[H140H1total,H141H1total,Λ,H1414H1total,H1415H1total]---(12)]]>T2′=[H240H2total,H241H2total,Λ,H2414H2total,H2415H2total]---(13)]]>T3′=[H340H3total,H341H3total,Λ,H3414H3total,H3415H3total]---(14)]]>(3)流型的神經(jīng)網(wǎng)絡(luò)識(shí)別將上述3個(gè)特征向量分別作為3個(gè)RBF神經(jīng)網(wǎng)絡(luò)的輸入向量，不同流型的輸出分別定義為分層流(1，0，0，0)，間歇流(0，1，0，0)，泡狀流(0，0，1，0)，環(huán)狀流(0，0，0，1)。將采集到的200組特征樣本(4種流型各50組)，系統(tǒng)的總誤差e＝0.0001。再另外選取160組(每種流型各40組)作為測(cè)試樣本進(jìn)行仿真，檢驗(yàn)各網(wǎng)絡(luò)的識(shí)別效果。
(4)在RBF神經(jīng)網(wǎng)絡(luò)局部識(shí)別的基礎(chǔ)上，加入D-S證據(jù)理論進(jìn)行信息融合識(shí)別，得到最終的識(shí)別結(jié)果。
①確定流型識(shí)別框架，根據(jù)水平管中氣液兩相流中的分層流u1、間歇流u2、泡狀流u3和環(huán)狀流u4四種流型，確定證據(jù)理論中的識(shí)別框架Θ，記為Θ＝{u1，u2，u3，u4}。因?yàn)樵诹鲃?dòng)過程中只能同時(shí)出現(xiàn)一種流型，因此在流型識(shí)別框架中的事件是互斥的。
命題u為某種流型，且為識(shí)別框架下的子集。如果集函數(shù)m2Θ→
(2Θ為Θ的冪集)滿足m(φ)=0;Σum(u)=1(∀u⊆Θ)---(15)]]>則稱m為框架Θ的基本可信度分配函數(shù)，此處φ為空集。對(duì)uΘ，m(u)稱為u的基本可信度分值，當(dāng)m(u)＞0時(shí)，稱u為Θ上的焦元，m(u)反映了對(duì)某種流型的確認(rèn)程度。對(duì)應(yīng)于mass函數(shù)m的信度函數(shù)定義為(u)=ΣA⊆um(A)(∀u⊆Θ)(16)]]>Bel(u)反映事件的必然性，描述了對(duì)u的總信任度，它包括u的所有子集的信任程度。
②證據(jù)融合規(guī)則設(shè)Bel1和Bel2是同一識(shí)別框架Θ的兩個(gè)信度函數(shù)，m1和m2分別是其對(duì)應(yīng)的基本可信度分配，焦元分別為A1，A2，Λ，Ak和B1，B2，Λ，Bn。
若ΣAi∩Bj=φm1(Ai)m2(Bj)<1]]>那么，兩個(gè)信度函數(shù)Bel1和Bel2合成的基本可信度分配可由下式定義的函數(shù)m2Θ→
計(jì)算m(A)=0A=φΣAi∩Bj=φm1(Ai)m2(Bj)1-ΣAi∩Bj=φm1(Ai)m2(Bj)A≠φ---(17)]]>式中，φ為空集，m(φ)＝0。設(shè)N=ΣAi∩Bj=φm1(Ai)m2(Bj)]]>是包含沖突假設(shè)Ai和Bj的所有信度函數(shù)乘積之和，所謂沖突Ai和Bj，是指假設(shè)的目標(biāo)模式Ai和Bj在Θ中不可能同時(shí)存在，即相互排斥。式(17)中，A指假設(shè)的目標(biāo)模式Ai和Bj布爾組合的一個(gè)綜合命題，A的信度函數(shù)值m(A)是包含不沖突假設(shè)Ai和Bj的所有信度函數(shù)乘積之和。式(17)反映的是兩個(gè)證據(jù)融合，對(duì)于多個(gè)證據(jù)的融合可由式(17)遞推得到。
③融合識(shí)別。識(shí)別系統(tǒng)的流型為4種流型，對(duì)應(yīng)證據(jù)理論的識(shí)別框架Θ就包括4個(gè)流型。同時(shí)，系統(tǒng)共有3個(gè)識(shí)別網(wǎng)絡(luò)，每個(gè)網(wǎng)絡(luò)對(duì)應(yīng)的輸出為4個(gè)，分別對(duì)應(yīng)4種流型。每個(gè)神經(jīng)網(wǎng)絡(luò)作為證據(jù)理論的一個(gè)獨(dú)立證據(jù)，將神經(jīng)網(wǎng)絡(luò)的輸出值經(jīng)過轉(zhuǎn)換，成為此證據(jù)下各種流型的可信度分配，為證據(jù)理論合成奠定基礎(chǔ)。每個(gè)識(shí)別網(wǎng)絡(luò)的能力是不同的，因此每個(gè)網(wǎng)絡(luò)存在一個(gè)可靠性系數(shù)即證據(jù)的折扣，表示了對(duì)識(shí)別結(jié)果的信任程度。
設(shè)第i個(gè)網(wǎng)絡(luò)的第j個(gè)輸出值為Oi(j)，那么它對(duì)應(yīng)在本證據(jù)的基礎(chǔ)上的對(duì)狀態(tài)j的信度分配為mi(j)=Oi(j)αiΣj=1qOi(j)---(18)]]>m(Θ)＝1-αi，i＝1，2，Λ，p(19)式中αi為各網(wǎng)絡(luò)的識(shí)別率，m(Θ)表示各網(wǎng)絡(luò)識(shí)別的不確定程度。
根據(jù)證據(jù)融合公式(17)可得到融合后的各流型基本可信度分配，由此可實(shí)現(xiàn)對(duì)流型的融合識(shí)別，從而得到最終的識(shí)別結(jié)果。
表1局部網(wǎng)絡(luò)的輸出結(jié)果
根據(jù)式(18)、(19)確定每個(gè)局部網(wǎng)絡(luò)識(shí)別結(jié)果正確的信任程度，表1給出間歇流一個(gè)待識(shí)別樣本的3個(gè)局部網(wǎng)絡(luò)實(shí)際輸出值，及其對(duì)3個(gè)不同取壓間距壓差波動(dòng)信號(hào)特征提取的信任程度。
由前述定義的識(shí)別框架Θ，命題u為間歇流，且為其識(shí)別框架下的子集。m(u)為命題u的基本可信度分配。將各局部RBF網(wǎng)絡(luò)的實(shí)際輸出值進(jìn)行歸一化處理，再乘以神經(jīng)網(wǎng)絡(luò)總的識(shí)別率，可得到基本可信度分配如表2所示。將3個(gè)RBF網(wǎng)絡(luò)的識(shí)別結(jié)果組合進(jìn)行綜合識(shí)別，得到最終的識(shí)別結(jié)果如表3所示。
表2局部網(wǎng)絡(luò)的基本可信度分配
表3證據(jù)融合的識(shí)別結(jié)果
160組測(cè)試樣本的各網(wǎng)絡(luò)識(shí)別結(jié)果見表4。從表中的識(shí)別結(jié)果來看，運(yùn)用RBF神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論融合的識(shí)別方法，由于充分利用了3個(gè)不同壓差波動(dòng)信號(hào)的流型信息，實(shí)現(xiàn)了流型的準(zhǔn)確識(shí)別，識(shí)別能力明顯增強(qiáng)。
表4測(cè)試樣本的各網(wǎng)絡(luò)識(shí)別率
如圖2所示，一種基于信息融合的氣液兩相流流型信號(hào)采集裝置，具有兩相流水平管路14，在兩相流水平管路14上套置的取壓環(huán)1a、2b、3c、4d、5e、6f，取壓環(huán)1a、2b與取壓管7a連接，取壓環(huán)3c、4d與取壓管7b連接，取壓環(huán)5e、6f與取壓管7c連接，取壓管7a、7b、7c分別與差壓變送器8a、9b、10c連接，差壓變送器8a、9b、10c與數(shù)據(jù)采集卡11電連接，數(shù)據(jù)采集卡11與計(jì)算機(jī)12電連接。所述取壓環(huán)1a、2b的間距為5倍管徑D，取壓環(huán)3c、4d的間距為10倍管徑D，取壓環(huán)5e、6f的間距為15倍管徑D。其中取壓環(huán)1a距離入口500mm，取壓環(huán)2b與取壓環(huán)3c相隔300mm，取壓環(huán)4d與取壓環(huán)5e相隔300mm。差壓變送器8a、9b、10c型號(hào)為PD-23的輸出標(biāo)準(zhǔn)信號(hào)與型號(hào)為IMP3595的數(shù)據(jù)采集卡11相連，數(shù)據(jù)采集卡11與計(jì)算機(jī)12相連，由計(jì)算機(jī)完成壓差信號(hào)的數(shù)據(jù)處理，進(jìn)而實(shí)現(xiàn)對(duì)氣液兩相流流型信號(hào)的采集。計(jì)算機(jī)12還可連接打印機(jī)13。
如圖3所示，描述了基于信息融合的氣液兩相流流型信號(hào)采集裝置的軟件程序框圖。軟件程序依據(jù)自動(dòng)檢測(cè)技術(shù)及計(jì)算機(jī)數(shù)據(jù)處理技術(shù)編制，為本領(lǐng)域技術(shù)人員所熟悉的技術(shù)。程序首先進(jìn)行硬件的初始化，檢查硬件的驅(qū)動(dòng)是否正常，硬件是否都連接，如果成功則進(jìn)行下面的操作，如果不成功則需進(jìn)行檢查。若硬件設(shè)備初始化成功，則進(jìn)行軟件的參數(shù)設(shè)置，包括采樣頻率、采樣點(diǎn)數(shù)(或采樣時(shí)間)、選用的通道編號(hào)等。按要求設(shè)置好這些參數(shù)后，就可進(jìn)行數(shù)據(jù)采集，采集后的信號(hào)先經(jīng)過預(yù)處理，取出信號(hào)中所含的噪聲，進(jìn)而實(shí)現(xiàn)對(duì)氣液兩相流流型信號(hào)的采集。
權(quán)利要求
1.一種基于信息融合的氣液兩相流流型識(shí)別方法，其特征在于它包括下述步驟(1)在一個(gè)由水平管路、差壓變送器與由計(jì)算機(jī)組成的基于信息融合的氣液兩相流流型信號(hào)采集裝置中，通過采集水平管路上3個(gè)不同取壓間距的壓差波動(dòng)信號(hào)，分別固定和改變液相和氣相流量，得到不同的氣液流量下的分層流、間歇流、泡狀流和環(huán)狀流4種流型，對(duì)4種流型的流動(dòng)參數(shù)進(jìn)行采集，并對(duì)三個(gè)不同取壓間距的壓差波動(dòng)信號(hào)進(jìn)行去噪聲處理；(2)利用小波理論對(duì)去噪聲后的3個(gè)壓差波動(dòng)信號(hào)進(jìn)行特征提取，并形成3個(gè)小波包信息熵特征向量；(3)將提取的特征向量分別送入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)可對(duì)未知流型進(jìn)行識(shí)別；(4)將各神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果作為彼此獨(dú)立的證據(jù)，利用D-S證據(jù)理論進(jìn)行信息融合，得到最終的識(shí)別結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于信息融合的氣液兩相流流型識(shí)別方法，其特征在于所述的步驟(1)是利用3個(gè)不同取壓間距的差壓變送器對(duì)流動(dòng)參數(shù)進(jìn)行實(shí)時(shí)采集；取壓間距分別為5倍、10倍和15倍管徑；采樣頻率為256Hz；采樣點(diǎn)數(shù)為1024點(diǎn)；利用小波變換對(duì)信號(hào)進(jìn)行去噪聲處理。
3.根據(jù)權(quán)利要求1所述的基于信息融合的氣液兩相流流型識(shí)別方法，其特征在于所述的步驟(2)是對(duì)壓差波動(dòng)進(jìn)行4層小波包分解，提取16個(gè)重構(gòu)信號(hào)的小波包信息熵H4i(i＝0，1，Λ，15)作為流型的特征向量，并進(jìn)行歸一化處理。
4.根據(jù)權(quán)利要求1所述的基于信息融合的氣液兩相流流型識(shí)別方法，其特征在于所述的步驟(3)中采用的神經(jīng)網(wǎng)絡(luò)是徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)，將步驟(2)得到的3個(gè)壓差波動(dòng)信號(hào)的小波包信息熵作為輸入，輸出與流型對(duì)應(yīng)，即分層流為(1，0，0，0)，間歇流為(0，1，0，0)，泡狀流為(0，0，1，0)，環(huán)狀流為(0，0，0，1)，建立3個(gè)神經(jīng)網(wǎng)絡(luò)并對(duì)其進(jìn)行訓(xùn)練，訓(xùn)練好的網(wǎng)絡(luò)可完成從特征空間到流型空間的映射。
5.根據(jù)權(quán)利要求1所述的基于信息融合的氣液兩相流流型識(shí)別方法，其特征在于所述的步驟(4)中采用的信息融合由D-S證據(jù)理論完成，根據(jù)水平管中氣液兩相流中的分層流u1、間歇流u2、泡狀流u3和環(huán)狀流u4四種流型，確定證據(jù)理論中的識(shí)別框架Θ，記為Θ＝{u1，u2，u3，u4}。設(shè)Bel1和Bel2是同一識(shí)別框架Θ的兩個(gè)信度函數(shù)，m1和m2分別是其對(duì)應(yīng)的基本可信度分配，焦元分別為A1，A2，Λ，Ak和B1，B2，Λ，Bn；若ΣAi∩Bi=φm1(Ai)m2(Bj)<1]]>那么，兩個(gè)信度函數(shù)Bel1和Bel2合成的基本可信度分配可由下式定義的函數(shù)m2Θ→
計(jì)算m(A)=0A=φΣAi∩Bj=φm1(Ai)m2(Bj)1-ΣAi∩Bj=φm1(Ai)m2(Bj)≠φ---(10)]]>式中，φ為空集，m(φ)＝0，上式反映的是兩個(gè)證據(jù)融合，對(duì)于多個(gè)證據(jù)的融合可由該式遞推得到設(shè)第i(i＝1，2，3)個(gè)網(wǎng)絡(luò)的第j(j＝1，2，3，4)個(gè)輸出值為Oi(j)，那么它對(duì)應(yīng)在本證據(jù)的基礎(chǔ)上的對(duì)狀態(tài)j的信度分配為mi(j)=Oi(j)αiΣj=14Oi(j)---(11)]]>m(Θ)＝1-αi，i＝1，2，3 (12)式中αi為各網(wǎng)絡(luò)的識(shí)別率，m(Θ)表示各網(wǎng)絡(luò)識(shí)別的不確定程度；根據(jù)證據(jù)融合公式(10)可得到融合后的各流型基本可信度分配，由此可實(shí)現(xiàn)對(duì)流型的準(zhǔn)確識(shí)別。
6.一種基于信息融合的氣液兩相流流型信號(hào)采集裝置，其特征在于它包括在兩相流水平管路(14)上套置的取壓環(huán)(1a、2b、3c、4d、5e、6f)，取壓環(huán)(1a、2b)與取壓管(7a)連接，取壓環(huán)(3c、4d)與取壓管(7b)連接，取壓環(huán)(5e、6f)與取壓管(7c)連接，取壓管(7a、7b、7c)分別與差壓變送器(8a、9b、10c)連接，差壓變送器(8a、9b、10c)與數(shù)據(jù)采集卡(11)電連接，數(shù)據(jù)采集卡(11)與計(jì)算機(jī)(12)電連接。
7.根據(jù)權(quán)利要求6所述的基于信息融合的氣液兩相流流型信號(hào)采集裝置，其特征在于所述取壓環(huán)(1a、2b)的間距為5倍管徑(D)，取壓環(huán)(3c、4d)的間距為10倍管徑(D)，取壓環(huán)(5e、6f)的間距為15倍管徑(D)。
全文摘要
一種基于信息融合的氣液兩相流流型識(shí)別方法及流型信號(hào)采集裝置，其特點(diǎn)是對(duì)采集的不同取壓間距的壓差波動(dòng)信號(hào)去噪聲處理，利用小波理論對(duì)信號(hào)進(jìn)行特征提取，并形成三個(gè)小波包信息熵特征向量，且作為三個(gè)子神經(jīng)網(wǎng)絡(luò)的輸入特征向量，實(shí)現(xiàn)從特征空間到流型空間的映射；將各子神經(jīng)網(wǎng)絡(luò)的輸出作為彼此獨(dú)立的證據(jù)體，再利用D－S證據(jù)理論進(jìn)行信息融合，得到識(shí)別結(jié)果。本裝置由水平管路、取壓環(huán)、取壓管、差壓變送器、數(shù)據(jù)采集卡和計(jì)算機(jī)組成，將采集到的壓差信號(hào)通過數(shù)據(jù)采集卡送入計(jì)算機(jī)，由計(jì)算機(jī)完成壓差信號(hào)的數(shù)據(jù)處理，進(jìn)而實(shí)現(xiàn)對(duì)氣液兩相流流型信號(hào)的采集。其優(yōu)點(diǎn)是識(shí)別率高，通用性強(qiáng)，適合于不同管道直徑和不同介質(zhì)的氣液兩相流系統(tǒng)。
文檔編號(hào)G06F19/00GK1904580SQ20061001709
公開日2007年1月31日 申請(qǐng)日期2006年8月1日 優(yōu)先權(quán)日2006年8月1日
發(fā)明者周云龍, 孫斌, 趙鵬, 張毅, 洪文鵬, 關(guān)躍波 申請(qǐng)人:東北電力大學(xué)