唐川林, 汪志能, 胡　東, 周楓林

(湖南工業(yè)大學(xué) 機械工程學(xué)院，湖南 株洲　412007)

?

基于小波包與Elman神經(jīng)網(wǎng)絡(luò)的氣力提升裝置流型識別技術(shù)研究

唐川林, 汪志能, 胡東, 周楓林

(湖南工業(yè)大學(xué) 機械工程學(xué)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(tǒng)性能均有很大的影響，但由于氣液兩相交界面形態(tài)以及截面含氣率動態(tài)變化、氣液兩相速度復(fù)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(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)辨識技術(shù)，以各頻帶能量為Elman網(wǎng)絡(luò)輸入變量，以流型為輸出變量，通過對Elman神經(jīng)網(wǎng)絡(luò)進行大量數(shù)據(jù)訓(xùn)練。從而對提升系統(tǒng)流型進行辨識。實驗結(jié)果表明，該方法對流型辨識精度達到了92.6%，比BP 網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)

氣力提升系統(tǒng)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(lǐng)域[1]。該系統(tǒng)結(jié)構(gòu)簡單，成本低，但其提升性能受管內(nèi)流型影響巨大。不同的流型下氣液動力學(xué)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(xiàn)一種單獨流型,而是多種流型交替出現(xiàn)。流型的交替變換會直接影響提升效率，甚至?xí)?dǎo)致系統(tǒng)不穩(wěn)定的流動現(xiàn)象。因此，提高氣力提升系統(tǒng)的性能要求氣力提升系統(tǒng)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(tài)等，不同的含氣率、交界面形態(tài)以及氣液相速度提升管內(nèi)表現(xiàn)出不同的流動特征。目前，針對提升管內(nèi)流型的研究有很多,文獻[3]通過高速攝影結(jié)合圖形處理技術(shù)監(jiān)測流型,這種方法對于獲取提升管內(nèi)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(tǒng)的輸出混合相，并單個離線測量各個相的平均流量，根據(jù)事先建立經(jīng)驗或半經(jīng)驗判別式分析系統(tǒng)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(yīng)實際過程中流型交替動態(tài)變化情況，達不到在線監(jiān)測的目的。隨著計算機技術(shù)與檢測技術(shù)的發(fā)展，可通過傳感器采集反映提升管內(nèi)流體波動信號，通過對該信號進行統(tǒng)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(nèi)壓差信號表現(xiàn)出強烈的非線性、非平穩(wěn)特征。要精確識別提升管內(nèi)的動態(tài)流型必須尋求新的識別方法。

實際上，提升管內(nèi)流型變化勢必會導(dǎo)致壓差波動信號頻帶能量將會發(fā)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(jīng)網(wǎng)絡(luò)辨識技術(shù)，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(jīng)網(wǎng)絡(luò)進行大量數(shù)據(jù)訓(xùn)練。從而對提升系統(tǒng)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(zhì)采用空氣和水，空氣經(jīng)空壓機升壓后，經(jīng)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(nèi)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(dāng)?shù)竭_提升管頂部時，經(jīng)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(huán)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(shè)計，其結(jié)構(gòu)如圖2所示，提升管選用抗壓性優(yōu)良的PVC透明管，其內(nèi)徑為30 mm，管長1.5 m，壁厚5 mm。實驗過程的參數(shù)范圍：壓力 0.1～0.5 MPa；工質(zhì)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(shù)據(jù)，并將其送至數(shù)據(jù)采集板,根據(jù)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(nèi)，因此采集板塊采用IMP3595數(shù)據(jù)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(nèi)氣液流型狀況。

實驗過程中首先啟動空壓機，調(diào)節(jié)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(shù)據(jù)。實驗中觀測到提升管內(nèi)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(shù)據(jù)。

圖3　泡狀流壓差數(shù)據(jù)與流型圖像Fig.3 Bubble flow pressure data and flow pattern

圖4　彈狀流壓差數(shù)據(jù)與流型圖像Fig.4 Slug flow pressure data and flow pattern

圖5　攪拌流壓差數(shù)據(jù)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(tǒng)是一個復(fù)雜的多相混合流動過程，流動過程中流型變化復(fù)雜，壓差信號表現(xiàn)出明顯的非平穩(wěn)特性。文獻[11]表明提升系統(tǒng)流型改變時，壓差信號各頻帶能量發(fā)生劇烈的變化。小波包分析具有高分辨率分解和重構(gòu)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(tǒng)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(jù)各個頻帶能量大小很難準(zhǔn)確地判斷氣力提升系統(tǒng)流型。為此，本文借助Elman神經(jīng)網(wǎng)絡(luò)辨識技術(shù)，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(jīng)網(wǎng)絡(luò)進行大量數(shù)據(jù)訓(xùn)練。從而對提升管內(nèi)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(wěn)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(shù)，對壓差波動信號進行分解。再對小波包分解系數(shù)進行重構(gòu)，提取各頻帶范圍的信號。

(1)根據(jù)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(gòu)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(gòu)造一個特征向量T，則

T=[E30,E31,…，E37]

(3)

E3j通常是一個較大的數(shù)值，為避免在數(shù)據(jù)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(jīng)網(wǎng)絡(luò)流型識別方法

Elman神經(jīng)網(wǎng)絡(luò)屬反饋型神經(jīng)網(wǎng)絡(luò)，如圖7所示。Elman神經(jīng)網(wǎng)絡(luò)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(wǎng)絡(luò)，承接層屬于反饋網(wǎng)絡(luò)，承接層儲存隱含層的輸出信號x(k),并經(jīng)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(wǎng)絡(luò)對動態(tài)信息的處理能力。

氣力提升系統(tǒng)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(jīng)網(wǎng)絡(luò)的輸入量，根據(jù)實驗裝置管內(nèi)氣液流動狀態(tài)特征，管內(nèi)流型主要有3種：泡狀流，彈狀流，攪拌流。因此，Elman 網(wǎng)絡(luò)的輸出節(jié)點的個數(shù)為 3個：泡狀流(100)，彈狀流(010)，攪拌流(001)。Elman 網(wǎng)絡(luò)的非線性狀態(tài)空間表達式為：

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

(6)

式中：y(k)輸出層節(jié)點信號；x(k)為隱含層節(jié)點信號；w3為隱含層到輸出層連接權(quán)值，g(i)為輸出層的傳遞函數(shù)，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(quán)值；w2輸入層到隱藏層的連接權(quán)值；xc(k)承接層節(jié)點信號，u(k-1) 網(wǎng)絡(luò)輸入信號，f(i)為隱藏層的傳遞函數(shù)，常采用s函數(shù)。

xc(k)=x(k-1)

(8)

Elman網(wǎng)絡(luò)采用 BP 算法進行權(quán)值修正，學(xué)習(xí)指標(biāo)函數(shù)采用誤差平方和函數(shù)

(9)

圖7　Elman神經(jīng)網(wǎng)絡(luò)Fig.7 Elmanneural network

3　流型識別結(jié)果分析

改變提升系統(tǒng)進氣參數(shù)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(shù)據(jù)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(jù)小波包分解原理，經(jīng)歸一化的壓差信號S可分解為三層小波包重構(gòu)系數(shù)(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(gòu)系數(shù)，不同的流型小波重構(gòu)系數(shù)(如S32、S33)存在著細微的區(qū)別，根據(jù)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(shù)據(jù)，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(qū)別，根據(jù)特征向量T的不同利用神經(jīng)網(wǎng)絡(luò)能辨識出不同流型。該方法適應(yīng)于純水的提升，當(dāng)水中含有固體顆粒時，壓差頻率特征可能發(fā)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(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，特征向量T對應(yīng)的流型作為輸出數(shù)據(jù)，對Elman神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，訓(xùn)練完畢后，另外選取60組數(shù)據(jù)(每種流型20組數(shù)據(jù))作為測試樣本進行識別，部分識別結(jié)果如表1所示。Elman網(wǎng)絡(luò)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(shù)量。為衡量Elman網(wǎng)絡(luò)效果，采用相同參數(shù)的BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練時，網(wǎng)絡(luò)的整體識別率為86.1%，Elman網(wǎng)絡(luò)識別精度比BP神經(jīng)網(wǎng)絡(luò)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(jié)果

注：B為泡狀流；S為彈狀流；C為攪拌流。

4　結(jié)　論

(1) 基于小波包分析與Elman神經(jīng)網(wǎng)絡(luò)技術(shù)提出了一種流型識別的新方法，首先利用小波包技術(shù)對壓差信號進行了特征提取，將該特征值與Elman神經(jīng)網(wǎng)絡(luò)結(jié)合，從而對提升管內(nèi)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(jié)果表明不同的流型小波重構(gòu)系數(shù)存在著細微的區(qū)別，因此利用頻帶能量特征向量T能夠有效區(qū)分不同的流型。

(3) Elman神經(jīng)網(wǎng)絡(luò)與小波包頻帶特征T相結(jié)合的流型識別方法能對氣力提升系統(tǒng)流型進行有效識別，且識別精度比BP神經(jīng)網(wǎng)絡(luò)高。

[1] 胡東,唐川林,張風(fēng)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(xué)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(xué)文.基于超聲波技術(shù)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(xué)學(xué)報:自然科學(xué)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(nèi)氣水兩相流壓差信號的特征分析[J].工程熱物理學(xué)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(xué)技術(shù),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(xué),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(jīng)網(wǎng)絡(luò)的氣液兩相流流型識別[J].化工學(xué)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(xué)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(tǒng)流型識別[J].吉林建筑工程學(xué)院學(xué)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(xué)基金面上項目(51374101);湖南省教育廳優(yōu)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