基于小波包与Elman神经网络的气力提升装置流型识别技术研究

唐川林, 汪志能, 胡　东, 周枫林

(湖南工业大学 机械工程学院，湖南 株洲　412007)



基于小波包与Elman神经网络的气力提升装置流型识别技术研究

唐川林, 汪志能, 胡东, 周枫林

(湖南工业大学 机械工程学院，湖南 株洲412007)

气力提升装置流型对气液流动特性及提升系统性能均有很大的影响，但由于气液两相交界面形态以及截面含气率动态变化、气液两相速度复杂难测等原因，致使提升管流型亦交替变化且不易识别。针对这一难题，提出了基于小波包分析与Elman神经网络的流型辨识策略：利用小波包分析方法提取提升装置压差信号各频带能量特征值，借助Elman神经网络辨识技术，以各频带能量为Elman网络输入变量，以流型为输出变量，通过对Elman神经网络进行大量数据训练。从而对提升系统流型进行辨识。实验结果表明，该方法对流型辨识精度达到了92.6%，比BP 网络高6.5%，能有效对提升管流型进行辨识。

提升装置；流型；辨识；小波包；Elman神经网络

气力提升系统广泛运用于深海石油开采、污水处理、深海采矿、河道疏浚等众多领域[1]。该系统结构简单，成本低，但其提升性能受管内流型影响巨大。不同的流型下气液动力学特征存在着巨大的差异，提升效率也大大不同。文献[2]指出，在不同工况条件下，管道中的流动不是呈现一种单独流型,而是多种流型交替出现。流型的交替变换会直接影响提升效率，甚至会导致系统不稳定的流动现象。因此，提高气力提升系统的性能要求气力提升系统必须具备流型的在线识别功能。

然而，影响流型变化的因素众多且无法直接测量，如截面含气率，气液相速度，气液相交界面形态等，不同的含气率、交界面形态以及气液相速度提升管内表现出不同的流动特征。目前，针对提升管内流型的研究有很多,文献[3]通过高速摄影结合图形处理技术监测流型,这种方法对于获取提升管内各相浓度、颗粒尺寸以及运动轨迹具有一定的意义,但该方法局限于透明液体的提升,对于混浊液体,高速摄像仪拍摄图像十分模糊,无法对流型进行辨识。针对透明性差的提升管，文献[4]通过离线分离提升系统的输出混合相，并单个离线测量各个相的平均流量，根据事先建立经验或半经验判别式分析系统的流型，该方法工作量十分庞大，且得到各相的流量为平均流量，难以适应实际过程中流型交替动态变化情况，达不到在线监测的目的。随着计算机技术与检测技术的发展，可通过传感器采集反映提升管内流体波动信号，通过对该信号进行统计分析来确定流型的。如文献[5]采集压差信号，利用PDF(概率密度分析方法)曲线的形状进行流型辨识。文献[6]通过对压差信号进行功率谱分析，通过功率谱分析辨识流型。但在实际判别中,PDF曲线与功率谱曲线的形状往往不是太典型,因此辨别的主观性就不可避免。对于气力提升装置，提升管内压差信号表现出强烈的非线性、非平稳特征。要精确识别提升管内的动态流型必须寻求新的识别方法。

实际上，提升管内流型变化势必会导致压差波动信号频带能量将会发生的改变[7]， 本文利用小波包分析方法提取提升装置压差信号各频带能量特征值，借助Elman神经网络辨识技术，以各频带能量大小为输入变量，以流型为输出变量，通过对Elman神经网络进行大量数据训练。从而对提升系统流型进行有效辨识。

1　气力提升实验

气力提升装置包括供气回路、供水回路以及气举头和提升管组成，如图1所示。实验工质采用空气和水，空气经空压机升压后，经气体流量计(型号：LUGB/E-DN25；最大测量流量为55方/小时；精度：±1%R)后进入气举头，在气举头内气体和水混合，在气体的带动下，液体沿着提升管向上流动，当到达提升管顶部时，经喇叭形分离器将空气分离出来并排入大气，剩下的水流回水箱供循环使用。

图1　气力提升装置Fig.1 Airlift device

图2　气举头装置Fig.2 Airlift pump

实验采用的气举头为课题组自行设计，其结构如图2所示，提升管选用抗压性优良的PVC透明管，其内径为30 mm，管长1.5 m，壁厚5 mm。实验过程的参数范围：压力 0.1～0.5 MPa；工质温度：18～ 42℃；空气流量为 0～50 方/小时，浸入率为0.3～0.7。

为分析气力提升性能，采用压差传感器(型号：德鲁克PMP4110；量程：0～7kPa；精度为 0.08%FS；工作温度:-20～+80 ℃)测量提升管压差数据，并将其送至数据采集板,根据文献[8-9]水汽两相流的压差波动信号为低频信号，主要能量集中处于64 Hz 以内，因此采集板块采用IMP3595数据采集板,采样频率为256 Hz，同时采用高速摄像仪拍摄提升管内气液流型状况。

实验过程中首先启动空压机，调节气阀使得气体流量从零开始逐渐增加，改变浸入率[1]，进行多组实验，通过压差传感器采集提升管多组压差数据。实验中观测到提升管内的流型有三种：泡状流、弹状流、搅拌流，如图3～图5为其中一组泡状流、弹状流、搅拌流的图像和压差数据。

图3　泡状流压差数据与流型图像Fig.3 Bubble flow pressure data and flow pattern

图4　弹状流压差数据与流型图像Fig.4 Slug flow pressure data and flow pattern

图5　搅拌流压差数据与流型图像Fig.5 Churn flow pressure data and flow pattern

2　流型识别方法

气力提升系统是一个复杂的多相混合流动过程，流动过程中流型变化复杂，压差信号表现出明显的非平稳特性。文献[11]表明提升系统流型改变时，压差信号各频带能量发生剧烈的变化。小波包分析具有高分辨率分解和重构能力，能提取微弱特征信号。因此，本文首先采集气力提升系统压差信号(如图6所示)，通过对压差信号做小波包分析，将采集到压力信号分为多个频带，对各个频带能量进行了有效提取。然而直接根据各个频带能量大小很难准确地判断气力提升系统流型。为此，本文借助Elman神经网络辨识技术，以各频带能量大小为输入变量，以流型为输出变量，通过对Elman神经网络进行大量数据训练。从而对提升管内流型进行有效辨识。

图6　流型识别方法Fig.6 Pattern identification method

2.1基于小波包分析的频带能量提取方法

气力提升压差信号为一种非平稳信号，小波包分析方法不仅能对低频部分分解，对高频部分也能进行分解，利用三层小波包分解技术，对压差波动信号进行分解。再对小波包分解系数进行重构，提取各频带范围的信号。

(1)根据小波包分解原理，总信号S可以表示为：

S=S30+S31+…+S37

(1)

(2) 求各频带信号的总能量。

(2)

(3) 构造特征向量。由式(2)求得 8 个小波包能量，以这 8个小波包能量为元素可以构造一个特征向量T，则

T=[E30,E31,…，E37]

(3)

E3j通常是一个较大的数值，为避免在数据分析上带来的不便，对特征向量进行归一化处理，令

(4)

T=[E30/E,E31/E,…，E37/E]

(5)

2.2Elman神经网络流型识别方法

Elman神经网络属反馈型神经网络，如图7所示。Elman神经网络由 4 层组成：输入层，隐含层，承接层和输出层。其中输入层，隐含层和输出层的连接属于前馈网络，承接层属于反馈网络，承接层储存隐含层的输出信号x(k),并经过1 步延时，将隐含单元前一时刻的输出值反馈给隐含层的输入端。从而增加网络对动态信息的处理能力。

气力提升系统流型变化时，压力信号的频带能量存在着较大的差异，因此，可用频带特征向量T作为Elman神经网络的输入量，根据实验装置管内气液流动状态特征，管内流型主要有3种：泡状流，弹状流，搅拌流。因此，Elman 网络的输出节点的个数为 3个：泡状流(100)，弹状流(010)，搅拌流(001)。Elman 网络的非线性状态空间表达式为：

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

(6)

式中：y(k)输出层节点信号；x(k)为隐含层节点信号；w3为隐含层到输出层连接权值，g(i)为输出层的传递函数，是中间层输出的线性组合。

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

(7)

式中：w1承接层到隐藏层的连接权值；w2输入层到隐藏层的连接权值；xc(k)承接层节点信号，u(k-1) 网络输入信号，f(i)为隐藏层的传递函数，常采用s函数。

xc(k)=x(k-1)

(8)

Elman网络采用 BP 算法进行权值修正，学习指标函数采用误差平方和函数

(9)

图7　Elman神经网络Fig.7 Elmanneural network

3　流型识别结果分析

改变提升系统进气参数以及浸入率， 进行多组实验，对各种典型流型共提取300个样本(泡状流、 弹状

流、搅拌流各100个)，对采集到的压力数据首先做归一化处理，归一化处理后利用三层小波包分析进行分析，根据小波包分解原理，经归一化的压差信号S可分解为三层小波包重构系数(共8个：S31、S32、…、S37),如图8～图10为一组泡状流、弹状流、搅拌流的小波包重构系数，不同的流型小波重构系数(如S32、S33)存在着细微的区别，根据式(2)～(5)计算出各个样本的特征向量T,表1中包含了部分流型的特征向量数据，由表1可以看出气力提升装置提水时流型不同特征向量T存在着一定的区别，根据特征向量T的不同利用神经网络能辨识出不同流型。该方法适应于纯水的提升，当水中含有固体颗粒时，压差频率特征可能发生很大的变化，特征向量T的变化特征有待进一步研究。

利用特征向量T作为Elman神经网络的输入数据，特征向量T对应的流型作为输出数据，对Elman神经网络进行训练，训练完毕后，另外选取60组数据(每种流型20组数据)作为测试样本进行识别，部分识别结果如表1所示。Elman网络的整体识别率达到92.6%，识别误差为7.4%，如需进一步提高识别精度，可进一步增加样本数量。为衡量Elman网络效果，采用相同参数的BP神经网络进行训练时，网络的整体识别率为86.1%，Elman网络识别精度比BP神经网络识别精度提高了6.5%。

图8 泡状流小波包分析Fig.8Bubbleflowwaveletanalysis图9 弹状流小波包分析Fig.9Slugflowwaveletanalysis图10 搅拌流小波包分析Fig.10Churnflowwaveletanalysis

表1　流型识别结果

注：B为泡状流；S为弹状流；C为搅拌流。

4　结　论

(1) 基于小波包分析与Elman神经网络技术提出了一种流型识别的新方法，首先利用小波包技术对压差信号进行了特征提取，将该特征值与Elman神经网络结合，从而对提升管内的流型进行辨识。

(2) 利用小波包分析对压差信号进行了特征提取，实验结果表明不同的流型小波重构系数存在着细微的区别，因此利用频带能量特征向量T能够有效区分不同的流型。

(3) Elman神经网络与小波包频带特征T相结合的流型识别方法能对气力提升系统流型进行有效识别，且识别精度比BP神经网络高。

[1] 胡东,唐川林,张风华,等.钻孔水力开采用气力提升装置模型的建立及实验研究[J].煤炭学报，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] 赵德喜,曹学文.基于超声波技术的水平管气液两相流流型识别方法[J].油气储运,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] 肖荣鸽，魏炳乾，沙海涛,等.气液两相段塞流的PSD和PDF特征分析[J].西安石油大学学报:自然科学报,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, 郭烈锦.集输立管内气水两相流压差信号的特征分析[J].工程热物理学报,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] 李常伟,曹夏昕,孙立成.竖直窄矩形通道气液两相流流型识别研究[J].原子能科学技术,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] 孙斌,刘彤,赵鹏.基于EEMD气液两相流差压信号时频分析[J].实验流体力学,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] 周云龙,顾杨杨.基于独立分量分析和RBF神经网络的气液两相流流型识别[J].化工学报,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] 胡东,唐川林,张凤华.进气方式增强气力提升作用的研究[J].水动力学研究与进展A辑,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] 张华,刘玥波.基于小波包和支持向量机的ERT系统流型识别[J].吉林建筑工程学院学报,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

湖南省教育厅一般科研项目(15C0398);国家自然科学基金面上项目(51374101);湖南省教育厅优秀青年科研项目(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，硕士，助教，1988年9月生

TD432

A

10.13465/j.cnki.jvs.2016.15.025