基于小波包與Elman神經網絡的氣力提升裝置流型識別技術研究

唐川林, 汪志能, 胡　東, 周楓林

(湖南工業大學 機械工程學院，湖南 株洲　412007)

?

基于小波包與Elman神經網絡的氣力提升裝置流型識別技術研究

唐川林, 汪志能, 胡東, 周楓林

(湖南工業大學 機械工程學院，湖南 株洲412007)

氣力提升裝置流型對氣液流動特性及提升系統性能均有很大的影響，但由于氣液兩相交界面形態以及截面含氣率動態變化、氣液兩相速度復雜難測等原因，致使提升管流型亦交替變化且不易識別。針對這一難題，提出了基于小波包分析與Elman神經網絡的流型辨識策略：利用小波包分析方法提取提升裝置壓差信號各頻帶能量特征值，借助Elman神經網絡辨識技術，以各頻帶能量為Elman網絡輸入變量，以流型為輸出變量，通過對Elman神經網絡進行大量數據訓練。從而對提升系統流型進行辨識。實驗結果表明，該方法對流型辨識精度達到了92.6%，比BP 網絡高6.5%，能有效對提升管流型進行辨識。

提升裝置；流型；辨識；小波包；Elman神經網絡

氣力提升系統廣泛運用于深海石油開采、污水處理、深海采礦、河道疏浚等眾多領域[1]。該系統結構簡單，成本低，但其提升性能受管內流型影響巨大。不同的流型下氣液動力學特征存在著巨大的差異，提升效率也大大不同。文獻[2]指出，在不同工況條件下，管道中的流動不是呈現一種單獨流型,而是多種流型交替出現。流型的交替變換會直接影響提升效率，甚至會導致系統不穩定的流動現象。因此，提高氣力提升系統的性能要求氣力提升系統必須具備流型的在線識別功能。

然而，影響流型變化的因素眾多且無法直接測量，如截面含氣率，氣液相速度，氣液相交界面形態等，不同的含氣率、交界面形態以及氣液相速度提升管內表現出不同的流動特征。目前，針對提升管內流型的研究有很多,文獻[3]通過高速攝影結合圖形處理技術監測流型,這種方法對于獲取提升管內各相濃度、顆粒尺寸以及運動軌跡具有一定的意義,但該方法局限于透明液體的提升,對于混濁液體,高速攝像儀拍攝圖像十分模糊,無法對流型進行辨識。針對透明性差的提升管，文獻[4]通過離線分離提升系統的輸出混合相，并單個離線測量各個相的平均流量，根據事先建立經驗或半經驗判別式分析系統的流型，該方法工作量十分龐大，且得到各相的流量為平均流量，難以適應實際過程中流型交替動態變化情況，達不到在線監測的目的。隨著計算機技術與檢測技術的發展，可通過傳感器采集反映提升管內流體波動信號，通過對該信號進行統計分析來確定流型的。如文獻[5]采集壓差信號，利用PDF(概率密度分析方法)曲線的形狀進行流型辨識。文獻[6]通過對壓差信號進行功率譜分析，通過功率譜分析辨識流型。但在實際判別中,PDF曲線與功率譜曲線的形狀往往不是太典型,因此辨別的主觀性就不可避免。對于氣力提升裝置，提升管內壓差信號表現出強烈的非線性、非平穩特征。要精確識別提升管內的動態流型必須尋求新的識別方法。

實際上，提升管內流型變化勢必會導致壓差波動信號頻帶能量將會發生的改變[7]， 本文利用小波包分析方法提取提升裝置壓差信號各頻帶能量特征值，借助Elman神經網絡辨識技術，以各頻帶能量大小為輸入變量，以流型為輸出變量，通過對Elman神經網絡進行大量數據訓練。從而對提升系統流型進行有效辨識。

1　氣力提升實驗

氣力提升裝置包括供氣回路、供水回路以及氣舉頭和提升管組成，如圖1所示。實驗工質采用空氣和水，空氣經空壓機升壓后，經氣體流量計(型號：LUGB/E-DN25；最大測量流量為55方/小時；精度：±1%R)后進入氣舉頭，在氣舉頭內氣體和水混合，在氣體的帶動下，液體沿著提升管向上流動，當到達提升管頂部時，經喇叭形分離器將空氣分離出來并排入大氣，剩下的水流回水箱供循環使用。

圖1　氣力提升裝置Fig.1 Airlift device

圖2　氣舉頭裝置Fig.2 Airlift pump

實驗采用的氣舉頭為課題組自行設計，其結構如圖2所示，提升管選用抗壓性優良的PVC透明管，其內徑為30 mm，管長1.5 m，壁厚5 mm。實驗過程的參數范圍：壓力 0.1～0.5 MPa；工質溫度：18～ 42℃；空氣流量為 0～50 方/小時，浸入率為0.3～0.7。

為分析氣力提升性能，采用壓差傳感器(型號：德魯克PMP4110；量程：0～7kPa；精度為 0.08%FS；工作溫度:-20～+80 ℃)測量提升管壓差數據，并將其送至數據采集板,根據文獻[8-9]水汽兩相流的壓差波動信號為低頻信號，主要能量集中處于64 Hz 以內，因此采集板塊采用IMP3595數據采集板,采樣頻率為256 Hz，同時采用高速攝像儀拍攝提升管內氣液流型狀況。

實驗過程中首先啟動空壓機，調節氣閥使得氣體流量從零開始逐漸增加，改變浸入率[1]，進行多組實驗，通過壓差傳感器采集提升管多組壓差數據。實驗中觀測到提升管內的流型有三種：泡狀流、彈狀流、攪拌流，如圖3～圖5為其中一組泡狀流、彈狀流、攪拌流的圖像和壓差數據。

圖3　泡狀流壓差數據與流型圖像Fig.3 Bubble flow pressure data and flow pattern

圖4　彈狀流壓差數據與流型圖像Fig.4 Slug flow pressure data and flow pattern

圖5　攪拌流壓差數據與流型圖像Fig.5 Churn flow pressure data and flow pattern

2　流型識別方法

氣力提升系統是一個復雜的多相混合流動過程，流動過程中流型變化復雜，壓差信號表現出明顯的非平穩特性。文獻[11]表明提升系統流型改變時，壓差信號各頻帶能量發生劇烈的變化。小波包分析具有高分辨率分解和重構能力，能提取微弱特征信號。因此，本文首先采集氣力提升系統壓差信號(如圖6所示)，通過對壓差信號做小波包分析，將采集到壓力信號分為多個頻帶，對各個頻帶能量進行了有效提取。然而直接根據各個頻帶能量大小很難準確地判斷氣力提升系統流型。為此，本文借助Elman神經網絡辨識技術，以各頻帶能量大小為輸入變量，以流型為輸出變量，通過對Elman神經網絡進行大量數據訓練。從而對提升管內流型進行有效辨識。

圖6　流型識別方法Fig.6 Pattern identification method

2.1基于小波包分析的頻帶能量提取方法

氣力提升壓差信號為一種非平穩信號，小波包分析方法不僅能對低頻部分分解，對高頻部分也能進行分解，利用三層小波包分解技術，對壓差波動信號進行分解。再對小波包分解系數進行重構，提取各頻帶范圍的信號。

(1)根據小波包分解原理，總信號S可以表示為：

S=S30+S31+…+S37

(1)

(2) 求各頻帶信號的總能量。

(2)

(3) 構造特征向量。由式(2)求得 8 個小波包能量，以這 8個小波包能量為元素可以構造一個特征向量T，則

T=[E30,E31,…，E37]

(3)

E3j通常是一個較大的數值，為避免在數據分析上帶來的不便，對特征向量進行歸一化處理，令

(4)

T=[E30/E,E31/E,…，E37/E]

(5)

2.2Elman神經網絡流型識別方法

Elman神經網絡屬反饋型神經網絡，如圖7所示。Elman神經網絡由 4 層組成：輸入層，隱含層，承接層和輸出層。其中輸入層，隱含層和輸出層的連接屬于前饋網絡，承接層屬于反饋網絡，承接層儲存隱含層的輸出信號x(k),并經過1 步延時，將隱含單元前一時刻的輸出值反饋給隱含層的輸入端。從而增加網絡對動態信息的處理能力。

氣力提升系統流型變化時，壓力信號的頻帶能量存在著較大的差異，因此，可用頻帶特征向量T作為Elman神經網絡的輸入量，根據實驗裝置管內氣液流動狀態特征，管內流型主要有3種：泡狀流，彈狀流，攪拌流。因此，Elman 網絡的輸出節點的個數為 3個：泡狀流(100)，彈狀流(010)，攪拌流(001)。Elman 網絡的非線性狀態空間表達式為：

y(k)=g(w3x(k))

(6)

式中：y(k)輸出層節點信號；x(k)為隱含層節點信號；w3為隱含層到輸出層連接權值，g(i)為輸出層的傳遞函數，是中間層輸出的線性組合。

x(k)=f(w1xc(k)+w2(u(k-1)))

(7)

式中：w1承接層到隱藏層的連接權值；w2輸入層到隱藏層的連接權值；xc(k)承接層節點信號，u(k-1) 網絡輸入信號，f(i)為隱藏層的傳遞函數，常采用s函數。

xc(k)=x(k-1)

(8)

Elman網絡采用 BP 算法進行權值修正，學習指標函數采用誤差平方和函數

(9)

圖7　Elman神經網絡Fig.7 Elmanneural network

3　流型識別結果分析

改變提升系統進氣參數以及浸入率， 進行多組實驗，對各種典型流型共提取300個樣本(泡狀流、 彈狀

流、攪拌流各100個)，對采集到的壓力數據首先做歸一化處理，歸一化處理后利用三層小波包分析進行分析，根據小波包分解原理，經歸一化的壓差信號S可分解為三層小波包重構系數(共8個：S31、S32、…、S37),如圖8～圖10為一組泡狀流、彈狀流、攪拌流的小波包重構系數，不同的流型小波重構系數(如S32、S33)存在著細微的區別，根據式(2)～(5)計算出各個樣本的特征向量T,表1中包含了部分流型的特征向量數據，由表1可以看出氣力提升裝置提水時流型不同特征向量T存在著一定的區別，根據特征向量T的不同利用神經網絡能辨識出不同流型。該方法適應于純水的提升，當水中含有固體顆粒時，壓差頻率特征可能發生很大的變化，特征向量T的變化特征有待進一步研究。

利用特征向量T作為Elman神經網絡的輸入數據，特征向量T對應的流型作為輸出數據，對Elman神經網絡進行訓練，訓練完畢后，另外選取60組數據(每種流型20組數據)作為測試樣本進行識別，部分識別結果如表1所示。Elman網絡的整體識別率達到92.6%，識別誤差為7.4%，如需進一步提高識別精度，可進一步增加樣本數量。為衡量Elman網絡效果，采用相同參數的BP神經網絡進行訓練時，網絡的整體識別率為86.1%，Elman網絡識別精度比BP神經網絡識別精度提高了6.5%。

圖8 泡狀流小波包分析Fig.8Bubbleflowwaveletanalysis圖9 彈狀流小波包分析Fig.9Slugflowwaveletanalysis圖10 攪拌流小波包分析Fig.10Churnflowwaveletanalysis

表1　流型識別結果

注：B為泡狀流；S為彈狀流；C為攪拌流。

4　結　論

(1) 基于小波包分析與Elman神經網絡技術提出了一種流型識別的新方法，首先利用小波包技術對壓差信號進行了特征提取，將該特征值與Elman神經網絡結合，從而對提升管內的流型進行辨識。

(2) 利用小波包分析對壓差信號進行了特征提取，實驗結果表明不同的流型小波重構系數存在著細微的區別，因此利用頻帶能量特征向量T能夠有效區分不同的流型。

(3) Elman神經網絡與小波包頻帶特征T相結合的流型識別方法能對氣力提升系統流型進行有效識別，且識別精度比BP神經網絡高。

[1] 胡東,唐川林,張風華,等.鉆孔水力開采用氣力提升裝置模型的建立及實驗研究[J].煤炭學報，2012,37(3):522-527.

HU Dong,TANG Chuan-lin,ZHANG Feng-hua.Theoretical model and experimental research of airlift device in borehole hydraulic jet mining[J]. Journal of China Coal Society, 2012,37(3):522-527.

[2] 趙德喜,曹學文.基于超聲波技術的水平管氣液兩相流流型識別方法[J].油氣儲運,2014,33(2):165-171.

ZHAO De-xi,CAO Xue-wen.Identification method of gas-liquid two-phase flow pattern of horizontal pipebased on ultrasonic technology[J].Oil & Gas Storage and Transportation, 2014,33(2):165-171.

[3] Saisorn S, Wongwises S. Flow pattern, void fraction and pressure drop of two-phase air-water flow in a horizontal circular micro-channel[J]. Experimental Thermal and Fluid Science,2008,32(3):748-760.

[4] Triplett K A,Ghiaasiaan S M, Abdel-khalik S I, et al. Gas-liquid two-phase flow in microchannels Part II: void fraction and pressure drop [J]. International Journal of Multiphase Flow,1999,25(3):395-410.

[5] 肖榮鴿，魏炳乾，沙海濤,等.氣液兩相段塞流的PSD和PDF特征分析[J].西安石油大學學報:自然科學報,2012,27(5):58-62.

XIAO Rong-ge,WEI Bing-qian, SHA Hai-tao.Analysis of the PSD and PDF characteristics of gas-liquid slug flow[J].Journal of Xi’an Shiyou University:Natural Science Edition, 2012,27(5):58-62.

[6] 李文升, 郭烈錦.集輸立管內氣水兩相流壓差信號的特征分析[J].工程熱物理學報,2015,36(6):1247～1251.

LI Wen-Sheng,GUO Lie-Jin.Analysis on the signal features of differential pressure for air-water two phase flow in pipeline-riser system[J].Journal of Engineering Thermophysics, 2015,36(6):1247-1251.

[7] 李常偉,曹夏昕,孫立成.豎直窄矩形通道氣液兩相流流型識別研究[J].原子能科學技術,2012,46(9):1055-1060.

LI Chang-wei, CAO Xia-xin, SUN Li-cheng. Identification and study of flow patterns in narrow vertical rectangular channel[J].Atomic Energy Science and Technology,2012,46(9):1055-1060.

[8] 孫斌,劉彤,趙鵬.基于EEMD氣液兩相流差壓信號時頻分析[J].實驗流體力學,2014,28(5):47-52.

SUN Bin,LIU Tong,ZHAO Peng.Time-frequency analysis on differential pressure signal of two-phase flow based on EEMD[J].Journal of Experiments in Fluid Mechanics,2014,28(5):47-52.

[9] 周云龍,顧楊楊.基于獨立分量分析和RBF神經網絡的氣液兩相流流型識別[J].化工學報,2012,63(3):796-799.

ZHOU Yun-long,GU Yang-yang.Flow regime identification of gas/liquid two-phase flow based ICA and RBF neural networks[J].CIESC Journal, 2012,63(3):796-799.

[10] 胡東,唐川林,張鳳華.進氣方式增強氣力提升作用的研究[J].水動力學研究與進展A輯,2012,27(4):456-463.

HU Dong,TANG Chuan-lin,ZHANG Feng-hua.Effect of air admission way on improving airlift[J].Chinese Journal of Hydrodynamics,2012,27(4):456-463.

[11] 張華,劉玥波.基于小波包和支持向量機的ERT系統流型識別[J].吉林建筑工程學院學報,2012,29(1):83-85.

ZHANG Hua, LIU Yue-bo.Flow regime identification of electrical resistance tomography system based on wavelet packet and support vector machine[J].Journal of Jilin Architectural and Civil Engineering,2012,29(1):83-85.

Flow pattern identification for airlift devices based on wavelet packet and Elman neural network

TANG Chuanlin, WANG Zhineng, HU Dong, ZHOU Fenglin

(College of Mechanical Engineering,Hunan University of Technology, Zhuzhou 412008, China)

Airlift devices’ flow pattern has a great influence on performances of gas-liquid flow and a lifting system. However, because of unpredictable gas-liquid speed and dynamic interface morphology, and dynamic varying of section gas ratio, the flow pattern of lift pipes alternately changes and it becomes too difficult to identify. Aiming at this problem, a flow pattern identification strategy was put forward based on wavelet packet and Elman neural network. The lift device pressure difference signal’s frequency band energy eigenvalues were extracted with the wavelet packet analysis. Then, with the help of Elman neural network identification technology, the frequency band energy was taken as Elman network’s input variable, the flow pattern was taken as the output variable. A lot of experimental data were used to train Elman neural network. At last, flow patterns were effectively identified with this neural network. Experimental results showed that this method’s identification accuracy reaches 92.6%, it is 6.5% higher than that of the BP network; this method can effectively identify flow patterns of air lift deives.

airlift device; flow pattern; identification; wavelet packet; Elman neural network

湖南省教育廳一般科研項目(15C0398);國家自然科學基金面上項目(51374101);湖南省教育廳優秀青年科研項目(14B047)

2015-06-04修改稿收到日期：2015-08-02

唐川林 男，博士，教授，1963年8月生

汪志能 男，碩士，助教，1988年9月生

TD432

A

10.13465/j.cnki.jvs.2016.15.025