[发明专利]基于声发射-BP神经网络的气液两相流流型识别方法

权利要求书

1.基于声发射-BP神经网络测量的气液两相流流型识别方法，其特征包括以下步骤：

步骤0、声发射传感器的安装

在海洋油气混输系统倾斜或垂直的高压厚壁管道的流型待识别段的外壁布置一个声发射传感器；

步骤1、根据环境噪音设定阈值

当管道内气速、液速均为零时，进行空管声信号采集，将空管声信号中的最大值设定为阈值电压；

步骤2、对两相流声信号进行采集，获取各流型下的声信号

当管道的气液两相流动处于不同流型时，通过声发射传感器采集两相流声信号；

步骤3、计算各流型下声信号参数

对采集到的声信号的原始波形数据进行统计分析，得到声信号平均电压电平、均方根值、绝对能量值和振铃计数；

两相流声信号参数和参数计算函数定义为：

其中，ASL为声信号平均电压电平，单位dB；V_mean为两相流声信号中电压数据的平均值，单位V；

其中，RMS为声信号均方根值，单位V；V为两相流声信号中每个数据点电压信号，单位V；n为声信号数据点的个数；

其中，ABS为声信号绝对能量值，单位J；V为两相流声信号中每个数据点电压信号，单位V；10KΩ为参考电阻；T为采样时间，单位s；

振铃计数的符号为Counts，表示越过门槛信号的震荡次数，即为超过门槛电压的有效波峰的个数；

将各两相流声信号参数组成两相流声信号参数样本库，并将参数样本库作为后续BP神经网络的输入参数；

步骤4、计算各流型下声信号的小波包分解分析

步骤4.1、选择小波包基函数

步骤4.2、对小波包进行分解

若信号的采样频率为f_skHz，根据奈奎斯特采样定理，信号的可测频率范围为[0，f_s/2]；由于在信号频率的范围内，细节信号和近似信号的分布范围是对称的，当分解尺度为1时，[0，f_s/4]和[f_s/4，f_s/2]为近似信号和细节信号的频率范围，对于采样频率为f_s的信号f(m)进行J次小波包分解后，其信号被分解为2^J个频率段，各个频率范围的计算公式如下：

若采样频率为f_skHz，信号要求的最低识别频率为f_min，根据前式，其最大分解尺度J应满足：

即：

小波包分解后得到了声信号的各个频段的重构波形，为了提取各频段的信号特征，计算各频段的波形信号的范数平方作为各频段的信号特征；

步骤5、确定BP神经网络的输入层

定义归一化后声信号的特征值作为输入量，故BP神经网络的输入层有多个特征值，即声信号平均电压电平、均方根值、绝对能量值、振铃计数和2^J个频率段处重构波形的范数平方；

归一化特征值如下：

声信号的特征值为4个统计参数和2^J个频率段处重构波形的范数平方；为了便于计算与比较，需要将特征值进行归一化处理，归一化的公式为：

其中，α为归一化处理后的特征值，x_i为归一化处理前的特征值，x_max、x_min分别为归一化处理前特征值的最大值和最小值，i表示第i个声信号，i∈1，2，…，n；

步骤6、确定神经网络层数和隐含层节点数范围

设计神经网络应优先考虑3层网络，具有1个隐层；

输入层的节点数和输入的统计特征值的个数相同，为4+2^J；输出层的节点数1；隐层的节点数由计算隐含层元素个数的经验公式确定：

其中，h为隐含层节点的数目，向上取整；m和n分别是输入层和输出层节点的数目；a为1～10之间的调节常数；根据经验公式，计算得到隐含层节点数h应在5到14之间；

步骤7、确定BP神经网络的输出层

定义一个输出量，输出为整数1、2、3或4，不同的整数值代表四种基本流型之一，具体为1代表段塞流，2代表泡状流，3代表搅拌流，4代表环状流；

步骤8、对神经网络进行优化训练

为了避免初始值过大而引起的网络饱和，需要先初始化神经网络权值和阈值；考虑到网络的收敛速度和特征值的复杂性，本方法中所采用的神经网络的权值和阈值为均匀分布的较小随机数值，取值在-0.5到0.5之间；

在每种流型下选择40个不同气液折算速度的声信号，按照步骤3、4计算提取特征参数，将提取的信号特征参数归一化处理后作为神经网络的输入，流型对应的整数值作为输出对神经网络进行初步训练，得到初步的神经网络；

每种流型选取20个测试样本，对初步的神经网络进行测试，将4个统计参数和2^J个频率段处重构波形的范数平方组成声信号特征参数输入到已训练好的神经网络，将神经网络经过计算得出的输出与实际的流型进行对比，并将识别成功的流型个数与测试样本总数相除得到识别成功率，若神经网络的识别成功率大于或等于设计要求的成功率，说明训练好的神经网络满足设计要求，可以用于流型识别；

若成功率小于设计要求，则调整网络参数，重复上述步骤，直到神经网络识别成功率满足设计要求；本申请中设计的最小成功率为95％；

步骤9、流型识别

当神经网络满足设计要求时，将采集的待识别流型的声信号特征参数输入训练优化好的BP神经网络模型，即可识别该流型。