基于Choi-Williams分析與神經(jīng)網(wǎng)絡(luò)的兩相流流型識(shí)別

張立峰, 張思佳, 劉 帥

(華北電力大學(xué) 自動(dòng)化系，河北 保定 071003)

1 引 言

氣液兩相流現(xiàn)象在自然界和工業(yè)過程中廣泛存在,其流動(dòng)結(jié)構(gòu)復(fù)雜,過程狀態(tài)波動(dòng)劇烈,具有很強(qiáng)的非線性和隨機(jī)性[1,2]。流型是流態(tài)的基本特征之一,是建立兩相流理論模型和計(jì)算工藝參數(shù)的基礎(chǔ)。對(duì)不同流型的準(zhǔn)確識(shí)別不僅有利于揭示復(fù)雜的流動(dòng)過程,而且可以保證生產(chǎn)過程的安全性并提高經(jīng)濟(jì)效益,對(duì)于工業(yè)生產(chǎn)具有重要意義[3]。根據(jù)流動(dòng)條件和流動(dòng)結(jié)構(gòu)的不同,氣液兩相流動(dòng)可以劃分出多種流型,對(duì)流型的識(shí)別方法一直是兩相流研究領(lǐng)域的重要組成部分[4]。目前存在的流型識(shí)別方法主要分為2類:第一類是直接測(cè)量法,包括目測(cè)法和高速攝影法;第二類為間接測(cè)量法,即利用傳感器獲取兩相流的測(cè)量數(shù)據(jù)并進(jìn)行分析處理,以此來推斷流型的類別[5]。第一類方法具有直接、快速的優(yōu)點(diǎn),但是存在一定主觀性;第二類方法通過數(shù)據(jù)處理、特征量化與降維、分類模型等實(shí)現(xiàn)流型識(shí)別,相比之下,后者更適用于工業(yè)過程的自動(dòng)化。陣列電導(dǎo)傳感器已廣泛應(yīng)用于氣液兩相流的參數(shù)檢測(cè),具有結(jié)構(gòu)簡單、價(jià)格低廉、非侵入性等優(yōu)點(diǎn)。由于陣列電導(dǎo)傳感器的測(cè)量信號(hào)是一組非線性、非平穩(wěn)的多元時(shí)間序列[6],傳統(tǒng)的時(shí)域分析手段難以對(duì)其進(jìn)行有效處理。

近年來,學(xué)者們利用時(shí)頻分析方法對(duì)非線性的兩相流信號(hào)展開研究,將傳感器的測(cè)量數(shù)據(jù)轉(zhuǎn)換為時(shí)頻譜圖,通過比較不同流型之間譜圖的差異性進(jìn)行流型識(shí)別。金寧德等[7]利用Wigner-Ville分布(WVD)對(duì)電導(dǎo)傳感器的波動(dòng)信號(hào)進(jìn)行分析,觀察到時(shí)頻譜圖與流型之間的關(guān)系,有效實(shí)現(xiàn)了流型識(shí)別;方麗萍等[8]將短時(shí)傅里葉變換(STFT)、小波變換(WT)和S變換(ST)應(yīng)用于多相流管道泄漏聲波信號(hào)的處理,定性歸納了信號(hào)的時(shí)頻域特征;Chu W J等[9]利用自適應(yīng)最優(yōu)核算法(AOK)研究加熱條件下矩形管道內(nèi)的流型,總結(jié)了不同工況下流體的沸騰規(guī)律。這些成果發(fā)展了新的流型間接測(cè)量方法,取得了良好效果。由于STFT、WT、ST等方法屬于線性時(shí)頻表示,無法描述流型信號(hào)的瞬時(shí)功率。而WVD、AOK等時(shí)頻分布則存在著交叉項(xiàng)的干擾,嚴(yán)重影響對(duì)信號(hào)時(shí)頻特征的分析。Choi-Williams分析屬于雙線性時(shí)頻分析方法[10],能夠有效抑制交叉項(xiàng)對(duì)時(shí)頻分布效果的影響,具有高分辨率和抗干擾特性,更適合處理陣列電導(dǎo)傳感器的非線性測(cè)量信號(hào)。傳統(tǒng)的流型特征提取方法主要針對(duì)某些特定的參數(shù),如流型的概率密度函數(shù)極值或方差、功率譜密度函數(shù)的峰值、小波譜的頻率范圍等[11],但這些參數(shù)大多只是反映流型信息的一個(gè)方面,且傳感器測(cè)得的數(shù)據(jù)量龐大,特征提取較為困難。神經(jīng)網(wǎng)絡(luò)是一種新興的機(jī)器學(xué)習(xí)算法,近年來發(fā)展迅速。相較于傳統(tǒng)的特征提取方法,神經(jīng)網(wǎng)絡(luò)更善于從輸入數(shù)據(jù)中挖掘特征,并且可以處理大量數(shù)據(jù),能夠更為客觀、全面地反映不同流型的特點(diǎn),適合用于流型識(shí)別問題[12～14,20]。

為實(shí)現(xiàn)垂直上升管道氣液兩相流的流型識(shí)別,本文提出一種將Choi-Williams分析與神經(jīng)網(wǎng)絡(luò)相結(jié)合的流型識(shí)別方法。在內(nèi)徑為50 mm的垂直上升管道進(jìn)行氣液兩相流動(dòng)態(tài)實(shí)驗(yàn),利用16電極陣列電導(dǎo)傳感器采集流型信息。對(duì)測(cè)量數(shù)據(jù)進(jìn)行去噪及降維處理,并采用Choi-Williams分析將其轉(zhuǎn)換為時(shí)頻譜圖。分別搭建了CNN、VGG-16和ResNet-18三種網(wǎng)絡(luò)模型,并將時(shí)頻譜圖作為網(wǎng)絡(luò)輸入進(jìn)行訓(xùn)練和測(cè)試。結(jié)果表明,Choi-Williams分析可以在時(shí)頻域突出不同流型之間的特征差異,三種網(wǎng)絡(luò)模型經(jīng)訓(xùn)練后具有較高的識(shí)別準(zhǔn)確率,其中ResNet-18網(wǎng)絡(luò)精度最高,平均識(shí)別率達(dá)到99.4%。

2 實(shí)驗(yàn)設(shè)置

2.1 陣列電導(dǎo)傳感器

本文使用的陣列電導(dǎo)傳感器結(jié)構(gòu)如圖1所示。將16個(gè)相同的銅電極等間隔安裝在內(nèi)徑為50 mm的實(shí)驗(yàn)管道內(nèi)表面上,構(gòu)成傳感器陣列。采用單電極激勵(lì)、單電極測(cè)量傳感策略,電壓激勵(lì)、電流測(cè)量的工作方式。其工作原理如下:任取其中一個(gè)電極作為E1號(hào)電極,對(duì)其施加激勵(lì)電壓,依次測(cè)量其他電極的輸出電流,然后按編號(hào)順序更換激勵(lì)電極繼續(xù)測(cè)量。具體的,當(dāng)電極E1激勵(lì)時(shí),測(cè)量電極E2、E3、E4、…、E15、E16的輸出電流,共可得到15個(gè)測(cè)量數(shù)據(jù),變換激勵(lì)電極,直到電極E16激勵(lì)完成,則一幀掃描可獲得240個(gè)測(cè)量值,根據(jù)場(chǎng)域結(jié)構(gòu)的對(duì)稱性,可得獨(dú)立測(cè)量數(shù)為120個(gè)[15]。

2.2 氣液兩相流實(shí)驗(yàn)

實(shí)驗(yàn)在華北電力大學(xué)先進(jìn)測(cè)量實(shí)驗(yàn)室的氣液兩相流實(shí)驗(yàn)裝置上進(jìn)行,其結(jié)構(gòu)如圖2所示。

圖2 氣液兩相流實(shí)驗(yàn)裝置

實(shí)驗(yàn)開始前,先將水箱加滿水,并利用空氣壓縮機(jī)將空氣壓縮至儲(chǔ)氣罐。當(dāng)實(shí)驗(yàn)開始時(shí),通過觀察電磁流量計(jì),調(diào)節(jié)水箱的閥門開度控制液相流量。通過觀察浮子流量計(jì),調(diào)節(jié)氣泵的閥門開度控制氣相流量。試驗(yàn)管段為垂直上升管道,內(nèi)徑為50 mm,在實(shí)驗(yàn)管段安裝16電極陣列電導(dǎo)傳感器,通過數(shù)字化電導(dǎo)傳感器測(cè)量系統(tǒng)將采集到的模擬量轉(zhuǎn)換為數(shù)字量,并傳給計(jì)算機(jī)保存數(shù)據(jù)。

在實(shí)驗(yàn)過程中,參照Taitel流型圖[16]調(diào)節(jié)液相和氣相流量,并通過觀測(cè)透明管段,根據(jù)流體結(jié)構(gòu)和形態(tài)特征劃分出不同的流型。將氣泡較小、分布離散的流動(dòng)狀態(tài)劃分為泡狀流;增加氣相流量,小氣泡逐漸聚合,間歇性出現(xiàn)比管道直徑略小的氣彈,將此種流動(dòng)狀態(tài)劃分為泡狀-段塞過渡流型;進(jìn)一步增加氣相流量,出現(xiàn)與管道直徑相當(dāng)?shù)拇笮蜌鈴?此時(shí)氣相與液相交替出現(xiàn),將此種流動(dòng)狀態(tài)劃分為段塞流。如圖3所示。

圖3 流動(dòng)圖像

實(shí)驗(yàn)共采集到45種工況的實(shí)驗(yàn)數(shù)據(jù),3種流型各15組,每組采集10 000幀,電導(dǎo)傳感器在每一幀內(nèi)可獲得120個(gè)獨(dú)立測(cè)量值,則每組數(shù)據(jù)構(gòu)成1個(gè)10 000×120維的多元時(shí)間序列。

3 Choi-Williams分析與神經(jīng)網(wǎng)絡(luò)結(jié)合的流型識(shí)別方法

將時(shí)頻分析與神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)合,以更好地提取流型特征,實(shí)現(xiàn)對(duì)流型的精確識(shí)別。采集到實(shí)驗(yàn)數(shù)據(jù)后,考慮到環(huán)境噪聲干擾,首先對(duì)信號(hào)進(jìn)行預(yù)處理;然后利用Choi-Williams分析將其轉(zhuǎn)換為二維的時(shí)頻譜圖,有效展現(xiàn)信號(hào)的時(shí)域和頻域特征;最后采用神經(jīng)網(wǎng)絡(luò)對(duì)時(shí)頻譜圖進(jìn)行分類,實(shí)現(xiàn)流型識(shí)別。此方法的基本流程如圖4所示。

3.1 兩相流信號(hào)的時(shí)頻分析

3.1.1 數(shù)據(jù)預(yù)處理

在對(duì)測(cè)量信號(hào)進(jìn)行時(shí)頻分析之前,需要對(duì)其進(jìn)行預(yù)處理,以減少實(shí)驗(yàn)環(huán)境的干擾。首先對(duì)信號(hào)進(jìn)行去噪處理,本文使用非線性小波閾值法消除噪聲[17]。對(duì)于10 000行120列的測(cè)量數(shù)據(jù)矩陣,本文選擇按列進(jìn)行去噪。小波變換的閾值設(shè)置為:

(1)

式中:Ni為第i列信號(hào)的長度;ei為第i列信號(hào)的標(biāo)準(zhǔn)差;λi即為第i列小波變換的閾值。

經(jīng)去噪后,對(duì)120維的多元時(shí)間序列數(shù)據(jù)進(jìn)行降維處理。由于電導(dǎo)傳感器的敏感場(chǎng)是非線性的,其相位效應(yīng)與測(cè)量電流之間的關(guān)系不能用線性表達(dá)式來簡化[18]。因此,本文引入1個(gè)能代表相分?jǐn)?shù)變化的特征變量,其形式如下:

(2)

式中:VR為不同相分?jǐn)?shù)總體變化的平均值;Vij為管道內(nèi)為氣液兩相流時(shí)電極i激勵(lì)電極j測(cè)量的電流值;Vij0為管道內(nèi)充滿水時(shí)電極i激勵(lì)電極j測(cè)量的電流值。

經(jīng)特征變量表示后,原來的120維多元時(shí)間序列變?yōu)橐痪S序列。再對(duì)其進(jìn)行標(biāo)準(zhǔn)化處理,以統(tǒng)一量綱并減小計(jì)算量,如式(3)所示。

(3)

式中:X為原序列;μ為原序列均值;σ為原序列標(biāo)準(zhǔn)差;Y為標(biāo)準(zhǔn)化之后的序列。

3.1.2 Choi-Williams分析

Choi-Williams分布是Cohen類時(shí)頻分布的1種,Cohen類時(shí)頻分布是眾多去除交叉項(xiàng)的二次時(shí)頻分布的統(tǒng)一表達(dá)方式,根據(jù)核函數(shù)的不同來區(qū)分不同的時(shí)頻分布形式[19]。對(duì)于1個(gè)隨機(jī)非平穩(wěn)信號(hào)s(t),Cohen類時(shí)頻分布可以表示為:

(4)

式中:P(t,f)為時(shí)頻分布矩陣;t為時(shí)間;f為頻率;u為積分變量;τ和ν分別為時(shí)移和頻移;上標(biāo)*表示復(fù)共軛;Φ(τ,ν) 為時(shí)頻域分布的核函數(shù)。

對(duì)于Choi-Williams分布,其核函數(shù)形式如下:

Φ(τ,ν)=exp(-(2πντ)2/c)

(5)

式中:c為常數(shù)項(xiàng),其大小影響自項(xiàng)的分辨率以及對(duì)交叉項(xiàng)的抑制效果。

本文依據(jù)經(jīng)驗(yàn)法將c設(shè)置為3.6。聯(lián)立式(4)和式(5)即可得到Choi-Williams時(shí)頻分布的表達(dá)形式:

(6)

測(cè)量數(shù)據(jù)經(jīng)過預(yù)處理之后,采用Choi-Williams分析進(jìn)行特征提取,將不同流型信號(hào)轉(zhuǎn)換為時(shí)頻譜圖,并根據(jù)其差異進(jìn)行流型識(shí)別。

3.2 神經(jīng)網(wǎng)絡(luò)

搭建了3種典型的神經(jīng)網(wǎng)絡(luò)(CNN、VGG-16和ResNet-18),并對(duì)其原始結(jié)構(gòu)參數(shù)進(jìn)行調(diào)整,以適應(yīng)流型識(shí)別問題。使用的3種網(wǎng)絡(luò)具有不同的網(wǎng)絡(luò)深度和卷積核大小,用于研究不同結(jié)構(gòu)對(duì)流型識(shí)別精度的影響。

1) CNN:如圖5所示,CNN網(wǎng)絡(luò)由3個(gè)卷積結(jié)構(gòu)和2個(gè)全連接層(FC)組成。在前2個(gè)卷積結(jié)構(gòu)中,使用32個(gè)尺寸為5×5的卷積核進(jìn)行特征提取,卷積步長為1。在卷積層后添加最大池化層,池化核為2×2,步長為1,用來保留特征映射參數(shù)的局部最大值,提高表達(dá)精度。在池化層之后添加批量歸一化層防止過擬合。第3個(gè)卷積結(jié)構(gòu)采用64個(gè)卷積核提取更多特征,其余參數(shù)與前2個(gè)相同。

圖5 CNN網(wǎng)絡(luò)結(jié)構(gòu)

使用ReLU作為卷積結(jié)構(gòu)的激活函數(shù)。第1個(gè)全連接層包含1 024個(gè)用于圖像特征合并的神經(jīng)元,激活函數(shù)為ReLU。第2個(gè)全連接層包含64個(gè)神經(jīng)元,采用Softmax激活函數(shù)進(jìn)行分類。由于本文將目標(biāo)流型劃分為3種,因此將最后的全連接層輸出類別設(shè)置為3。

2) VGG-16:如圖6所示,VGG-16網(wǎng)絡(luò)包含5個(gè)卷積結(jié)構(gòu)和3個(gè)全連接層。第1個(gè)和第2個(gè)卷積結(jié)構(gòu)分別由2個(gè)卷積層、1個(gè)最大池化層和1個(gè)批量歸一化層組成,卷積核尺寸為3×3,步長為1,池化核大小為2×2,步長為2。第3、第4和第5個(gè)卷積結(jié)構(gòu)分別增加了1個(gè)卷積層,其余參數(shù)與前2個(gè)相同。5個(gè)卷積結(jié)構(gòu)均采用ReLU作為激活函數(shù)。前2個(gè)全連接層各包含512個(gè)神經(jīng)元,激活函數(shù)為ReLU。最后1個(gè)全連接層包含64個(gè)神經(jīng)元,激活函數(shù)為Softmax,輸出類別也設(shè)置為3。與CNN相比,該網(wǎng)絡(luò)的深度增加,且使用了更小的3×3的卷積核,可以提取更多的輸入圖像特征。

圖6 VGG-16網(wǎng)絡(luò)結(jié)構(gòu)

3) ResNet-18:如圖7所示,本文使用的ResNet-18網(wǎng)絡(luò)包含8個(gè)殘差結(jié)構(gòu)、1個(gè)平均池化層和1個(gè)全連接層。

圖7 ResNet-18網(wǎng)絡(luò)結(jié)構(gòu)

殘差結(jié)構(gòu)分為2種:第1種包含2個(gè)卷積層、1個(gè)批量歸一化層和1個(gè)跳接通道,卷積核大小為3×3,卷積步長均為1,跳接通道為直接相加方式;第2種殘差結(jié)構(gòu)與第1種類似,只是將第2個(gè)卷積層的卷積步長更改為2,跳接通道改為卷積之后再相加,其卷積核為1×1,步長為2。2種卷積結(jié)構(gòu)均采用ReLU作為激活函數(shù)。平均池化層的池化核為4×4,步長為1。最后的全連接層有512個(gè)神經(jīng)元,激活函數(shù)為Softmax,輸出類別為3。

3種網(wǎng)絡(luò)均選用隨機(jī)梯度下降(SGD)優(yōu)化器進(jìn)行訓(xùn)練,損失函數(shù)選擇交叉熵(Cross Entropy)損失函數(shù)?？偣灿?xùn)練50個(gè)輪次,每輪從訓(xùn)練集中隨機(jī)抓取16個(gè)樣本作為輸入。將初始學(xué)習(xí)率設(shè)置為0.01,并使其隨著訓(xùn)練的進(jìn)行逐漸衰減,每經(jīng)過一輪訓(xùn)練減小0.002,以降低訓(xùn)練損失。

4 結(jié)果與分析

4.1 測(cè)量數(shù)據(jù)的時(shí)頻分析結(jié)果

每一組測(cè)量數(shù)據(jù)均為10 000幀120維的多元時(shí)間序列,經(jīng)過去噪、降維、標(biāo)準(zhǔn)化處理之后,利用Choi-Williams分析將其轉(zhuǎn)換為時(shí)頻譜圖。將進(jìn)行時(shí)頻轉(zhuǎn)換的信號(hào)幀數(shù)設(shè)置為1 000,以充分考慮流型的變化,則每1組測(cè)量數(shù)據(jù)可以轉(zhuǎn)換為10張時(shí)頻譜圖,共可得到450個(gè)樣本數(shù)據(jù),每種流型各150個(gè)。

圖8顯示了3種流型的標(biāo)準(zhǔn)化時(shí)域信號(hào)和相應(yīng)的Choi-Williams時(shí)頻域譜圖,時(shí)頻譜圖中的顏色代表能量強(qiáng)度,反映時(shí)域信號(hào)的幅值波動(dòng)性大小。由于時(shí)頻譜圖的能量特征大部分位于低頻率范圍,故本文依據(jù)低頻段的時(shí)頻譜圖進(jìn)行分析,以充分體現(xiàn)不同流型之間的特征差異。

圖8 3種流型的標(biāo)準(zhǔn)化信號(hào)及其Choi-Williams時(shí)頻譜圖

觀察圖8中的時(shí)域信號(hào),除泡狀流特征較為明顯外,泡狀-段塞過渡流型和段塞流的信號(hào)波動(dòng)則十分相似,難以發(fā)現(xiàn)二者的區(qū)別。而觀察時(shí)頻譜圖,則容易看出不同流型之間的特征差異。如圖8(a)所示,泡狀流時(shí)頻譜圖的能量主要位于0～10 Hz的頻段里,能量分布間隔較大,且強(qiáng)度較高,形狀細(xì)長。由于泡狀流的氣泡較為分散,單個(gè)氣泡的運(yùn)動(dòng)隨機(jī)性較強(qiáng),因此其時(shí)頻譜圖具有較高的能量值,而分布則較為稀疏;圖8(b)為泡狀-段塞過渡流型的時(shí)頻譜圖,可以看出其時(shí)頻域分布具有明顯的間歇性,能量主要位于0～6 Hz的頻段,能量分布較泡狀流更為密集,強(qiáng)度稍低,形狀更寬、短。由于泡狀-段塞過渡流型氣泡較大,流體相對(duì)均一、穩(wěn)定,每1個(gè)峰值反映出1個(gè)氣彈通過,因此其時(shí)頻譜圖的間歇性較強(qiáng),能量值較低,具有明顯的規(guī)律性;圖8(c)所示為段塞流時(shí)頻譜圖,與泡狀-段塞過渡流型相比,其能量雖也是位于0～6 Hz頻段,但能量分布更為密集,強(qiáng)度更低,且形狀比泡狀-段塞過渡流型更寬。由于段塞流的時(shí)域信號(hào)與泡狀-段塞過渡流型高度相似,因此二者能量所處的頻段基本相同。而段塞流的氣泡更大,流體波動(dòng)性更小,因而其能量強(qiáng)度在3種流型中最低,分布最為密集。

因此,不同流型的時(shí)頻譜圖具有較為明顯的差異,可以此為依據(jù),將時(shí)頻譜圖作為神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行流型識(shí)別。

4.2 流型識(shí)別結(jié)果

為防止訓(xùn)練數(shù)據(jù)量少引起過擬合現(xiàn)象,利用數(shù)據(jù)增強(qiáng)技術(shù)從原始數(shù)據(jù)集中生成更多的樣本。采用亮度變化、對(duì)比度增強(qiáng)、鏡像翻轉(zhuǎn)等方法,將時(shí)頻譜圖數(shù)據(jù)集樣本擴(kuò)充為1 800個(gè),每種流型各600個(gè),按照8:2的比例劃分為訓(xùn)練集和測(cè)試集。

測(cè)量信號(hào)經(jīng)過Choi-Williams分析之后,生成的時(shí)頻譜圖尺寸為875×656,為了減小網(wǎng)絡(luò)訓(xùn)練時(shí)所占用的內(nèi)存,使用中心裁剪法將每張圖片的尺寸裁剪為600×600,然后調(diào)整為32×32輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。網(wǎng)絡(luò)的輸出類別設(shè)置為0、1、2,分別對(duì)應(yīng)泡狀流、泡狀-段塞過渡流型和段塞流。圖9顯示了不同網(wǎng)絡(luò)的訓(xùn)練集損失值和正確率曲線。

圖9 訓(xùn)練集的損失值和正確率

由圖9可見,隨著訓(xùn)練次數(shù)增加,每種網(wǎng)絡(luò)的訓(xùn)練損失逐漸減小。CNN網(wǎng)絡(luò)由于層數(shù)較淺,訓(xùn)練初期的損失值較大,但其收斂最快;VGG-16網(wǎng)絡(luò)層數(shù)較深,收斂最慢;ResNet-18網(wǎng)絡(luò)由于使用了殘差結(jié)構(gòu),雖然層數(shù)較VGG-16更深,但收斂速度卻更快。經(jīng)過50輪訓(xùn)練之后,3種網(wǎng)絡(luò)的訓(xùn)練損失已趨于穩(wěn)定,且訓(xùn)練集正確率均已達(dá)到100%,表明網(wǎng)絡(luò)已經(jīng)過完全訓(xùn)練。

在網(wǎng)絡(luò)訓(xùn)練完成后,利用測(cè)試集數(shù)據(jù)對(duì)3種網(wǎng)絡(luò)進(jìn)行評(píng)估。使用識(shí)別準(zhǔn)確率定量評(píng)價(jià)不同網(wǎng)絡(luò)的識(shí)別效果:

(7)

式中:ACCn為類別n的識(shí)別準(zhǔn)確率;TPn為類別n的識(shí)別正確個(gè)數(shù);Tn為類別n的測(cè)試集樣本總數(shù)。則每種網(wǎng)絡(luò)的流型識(shí)別準(zhǔn)確率如表1所示。

表1 流型識(shí)別準(zhǔn)確率

由表1可得,3種網(wǎng)絡(luò)的平均識(shí)別準(zhǔn)確率均在98%以上,表明Choi-Williams分析可以有效提取流型信號(hào)的特征。3種網(wǎng)絡(luò)對(duì)泡狀流的識(shí)別率均可達(dá)到100%,表明泡狀流的時(shí)頻譜圖具有明顯特征,和另外兩種流型之間存在較大差異,易于區(qū)分;對(duì)于泡狀-段塞過渡流型和段塞流,由于二者時(shí)域波動(dòng)信號(hào)高度類似,因而時(shí)頻譜圖具有一定相似性,網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率略低于泡狀流。相比之下,CNN網(wǎng)絡(luò)由于其結(jié)構(gòu)簡單,層數(shù)較淺,因而識(shí)別準(zhǔn)確率稍低,平均為98.3%;VGG-16增加了網(wǎng)絡(luò)深度,且減小了卷積核尺寸,可以獲得更多的特征信息,準(zhǔn)確率較CNN有所提升,平均識(shí)別率達(dá)到98.8%;ResNet-18網(wǎng)絡(luò)由于采用了殘差結(jié)構(gòu),有效保護(hù)了特征信息的完整性,其識(shí)別準(zhǔn)確率最高,可以將泡狀流和泡狀-段塞過渡流型完全區(qū)分,平均流型識(shí)別率達(dá)到了99.4%。

因此,不同流型的陣列電導(dǎo)傳感器測(cè)量數(shù)據(jù)在經(jīng)過Choi-Williams分析后,其時(shí)頻譜圖具有較高的區(qū)分度,可以結(jié)合神經(jīng)網(wǎng)絡(luò)有效實(shí)現(xiàn)流型識(shí)別。

5 結(jié) 論

研究氣液兩相流的流型具有重要現(xiàn)實(shí)意義。為充分提取流型信號(hào)的特征,提出了一種基于Choi-Williams分析和神經(jīng)網(wǎng)絡(luò)的流型識(shí)別方法。主要研究結(jié)論如下:

1) 針對(duì)陣列電導(dǎo)傳感器的多元測(cè)量數(shù)據(jù),利用特征變量表示相分?jǐn)?shù)變化的均值,有效降低了特征維度,提高了運(yùn)算效率。

2) 采用Choi-Williams分析將流型信號(hào)轉(zhuǎn)換為時(shí)頻譜圖,在時(shí)頻域內(nèi)展現(xiàn)流型的分布特征。結(jié)果顯示Choi-Williams時(shí)頻分布能有效反映不同流型之間的特征差異,為研究氣液兩相流的流動(dòng)演化行為提供了一定參考。

3) 分別搭建CNN、VGG-16和ResNet-18網(wǎng)絡(luò)實(shí)現(xiàn)流型識(shí)別,分析并比較了不同網(wǎng)絡(luò)對(duì)時(shí)頻譜圖的識(shí)別效果。結(jié)果表明,殘差網(wǎng)絡(luò)ResNet-18識(shí)別精度最高,平均識(shí)別率可達(dá)99.4%。