[发明专利]基于多传感器融合的混输泵相含率识别方法

说明书

本发明基于多传感器融合的混输泵相含率识别方法，具体为：采集不同含气率工况下混输泵的主轴振动信号、导叶区域内进口的压力脉动信号及导叶区域内出口的压力脉动信号，对采集信号进行多重分形去趋势分析，再提取多重分形特征参数并构建特征向量，将特征向量作为样本集并进行归一化处理，划分为训练集、测试集、验证集，搭建LSTM模型，利用灰狼优化算法优化LSTM模型超参数，得到最优超参数值，采用训练集、验证集及最优超参数重新训练LSTM模型，得到训练好的LSTM模型，将测试集输入到训练好的LSTM模型中，得到识别结果。本发明方法解决了现有技术难以精确快速识别深海油气开采利用及运输过程中混输泵相含率的问题。

技术领域

本发明属于多相混输泵相含率识别技术领域，具体涉及基于多传感器融合的混输泵相含率识别方法。

背景技术

随着我国经济的快速腾飞，对于能源的需求也不断增加，目前已经成为全球第一大石油和天然气进口国，提高油气资源的开采力度已经迫在眉睫。而为了克服长距离输送管路及立管集输系统的压力损失、减少设备成本、提高输送效率，常采用多相混输系统。多相混输泵作为核心增压部件，常需要在气液两相流动工况下长时间运行，工况的复杂变化对混输泵的稳定性提出了严苛要求。随着入口含气率的增加，混输泵内部流动状况逐渐恶化，直至断流以及随之引起的空化空蚀会严重影响泵的性能以及运行稳定性；而在实际设备运行过程中无法直接判断介质含气率，也就无法判断混输泵内部流态继而对于设备的运行状况做出可靠预警。

多相混输泵在工作过程中由于相含率的不同，使得混输泵压力脉动特性与振动特性存在差异，这种差异外在表现为信号的差异，因此可以通过分析信号来进行混输泵状态的识别。近年来，随着机器学习理论的发展，支持向量机、BP神经网络等传统的浅层机器学习方法越来越多的使用在故障识别等问题中。而随着工程问题的复杂性不断提高，浅层机器学习理论难以精确快速的对多相混输泵相含率进行识别。

发明内容

本发明的目的是提供基于多传感器融合的混输泵相含率识别方法，解决了现有技术难以精确快速识别深海油气开采利用及运输过程中混输泵相含率的问题。

本发明所采用的技术方案是，基于多传感器融合的混输泵相含率识别方法，具体按照以下步骤实施：

步骤1，采集不同含气率工况下混输泵的主轴振动信号x(t)、导叶区域内进口的压力脉动信号v(t)及导叶区域内出口的压力脉动信号s(t)；

步骤2，对步骤1获得的混输泵主轴振动时间序列信号X(t)、导叶区域内进口的压力脉动时间序列信号V(t)、导叶区域内出口的压力脉动时间序列信号S(t)分别进行多重分形去趋势分析，再分别提取多重分形特征参数并构建特征向量；

步骤3，将步骤2得到的特征向量作为样本集，将样本集进行归一化处理，将归一化处理后的样本集划分为训练集、测试集、验证集；

步骤4，搭建LSTM模型；

步骤5，利用灰狼优化算法优化LSTM模型超参数，得到LSTM模型的最优超参数值；

步骤6，采用训练集、验证集及步骤5中得到的最优超参数重新训练LSTM模型，得到训练好的LSTM模型；

步骤7，将测试集输入到步骤6得到的训练好的LSTM模型中，测试模型的准确性，得到识别结果。

本发明的特点还在于，

步骤1的具体过程为：固定总流量，不断改变多相混输泵实验系统中的气相、液相流量以调整系统含气率，并在不同的含气率工况下利用激光测振仪采集主轴振动信号x(t)，利用动态压力传感器分别采集导叶区域内进口的压力脉动信号v(t)及导叶区域内出口的压力脉动信号s(t)，通过数据采集卡将采集的信号发送到计算机，获得混输泵主轴振动时间序列信号X(t)、导叶区域内进口的压力脉动时间序列信号V(t)、导叶区域内出口的压力脉动时间序列信号S(t)。