基于时频图卷积的油水两相流含水率测量方法

1.本发明涉及一种油水两相流含水率测量方法。特别是涉及一种基于时频图卷积的油水两相流含水率测量方法。


背景技术：

2.随着现代科技的不断发展，许多行业中对油水两相流含水率的计量精度和实时性要求越来越高，例如化工、石油等诸多行业。如果油水两相流含水率的计量精度和实时性能够达到一定水平，将会对这些行业的运行有重要的指导意义。当前，大多数的油水两相流含水率的计量方法存在实时性差，计量精度低的问题，所以对油水两相流含水率进行准确且快速的测量是目前存在的技术难题。现有的两相流测量手段如超声法、光学法、射线法等难以实现油水两相流含水率的实时性准确测量。
3.软测量模型近年来在多相流领域也得到了快速发展，尤其是深度学习方法及人工智能技术的应用更是拓宽了多相流软测量模型的应用范围。深度学习技术是近年来兴起的新理论，其通过无监督方式或有监督方式逐层提取被测对象的特征，其特征客观性强，且能够精准、详实的反映被测对象的本质。图卷积神经网络便由卷积神经网络发展推移产生，既学习节点特征，又考虑节点之间的空间特征，在处理多元信号的特征提取及预测问题更具优势。


技术实现要素：

4.本发明所要解决的技术问题是，为克服现有技术的不足，提供一种能准确反映出物料在流动过程中频率变化的基于时频图卷积的油水两相流含水率测量方法。
5.本发明所采用的技术方案是：一种基于时频图卷积的油水两相流含水率测量方法，包括如下步骤：
6.1)构建用于测量油水两相流含水率波动信号的分布式多电极高频电容传感器；
7.2)采用分布式多电极高频电容传感器测量油水两相流波动信号，并转换为微波差频信号；
8.3)构建数据集，具体是对微波差频信号进行预处理，然后使用滑动窗口从数据中获取样本，为样本添加相应的标签，再将80％的样本作为训练集，10％的样本作为验证集，剩余10％的样本作为测试集；
9.4)基于互信息法计算4路微波差频信号的互信息值，基于互信息值构建微波差频信号的邻接矩阵；
10.5)基于韦尔奇法构建4路微波差频信号的特征矩阵；
11.6)构建时频图卷积神经网络模型，用于实现微波差频信号的特征提取及含水率预测。
12.步骤1)所述的分布式多电极高频电容传感器，包括有等间隔的安装在不导电管道的测量管段外壁同一圆周面上的4个电磁激励正极和4个电磁激励负极，且每个电磁激励正
极的两侧均是与电磁激励负极相邻设置，其中，一个电磁激励正极和一个电磁激励负极为一组测量电极对，共4组测量电极对，每组测量电极对在测量管段的径向截面上都位于同一直径上。
13.步骤2)包括：
14.油水两相流由管道进入测量管段时，由安装在测量管段上的分布式多电极高频电容传感器进行两相流波动信号的测量；测量时，由正弦激励信号源产生激励信号，通过功分器一路送至检测模块，另一路送至多电极高频电容传感器的每组测量电极对的电磁激励正极对油水两相流进行激励，每组测量电极对的电磁激励负极将测得的管道内不同流速工况下的两相流波动信号送至检测模块，在检测模块内激励信号和波动信号进入混频器进行信号混频，混频后的信号经加法器后得到微波差频信号；分布式多电极高频电容传感器的四组测量电极共得到4路微波差频信号。
15.步骤3)包括：
16.(3.1)对微波差频信号进行预处理，公式如下：
[0017][0018]
其中，ii代表第i个数据，i
mean
和i
std
分别为数据的平均值和标准差，为预处理后的第i个数据；
[0019]
对四路微波差频信号分别采用无重叠加窗方式进行分割，从窗口长度为h，长度为l的微波差频信号中获取个样本，其中，代表向下取整；
[0020]
对于油水两相流，以实际含水率值为标签，共得到n个带有标签值的波动样本；
[0021]
(3.2)随机将n个带有标签值的波动样本划分为训练集、验证集和测试集，整体构成数据集，具体比例为[训练集：验证集：测试集]＝[8：1：1]。
[0022]
步骤4)包括：
[0023]
在4路微波差频信号中随机选取两路微波差频信号x和y，信号长度都为m，两路微波差频信号x和y的互信息值i(x,y)计算公式如下：
[0024][0025]
式中，p(x)和p(y)为分别两路微波差频信号x和y的概率密度分布函数，p(x,y)为两路微波差频信号x和y的联合概率密度分布函数，x为微波差频信号x的索引，y为微波差频信号y的索引；
[0026]
将4路微波差频信号两两组合计算互信息值，共得到12个互信息值，基于12个互信息值构建微波差频信号的邻接矩阵，具体是将邻接矩阵主对角线的元素数值取1，每个互信息值i(x,y)在邻接矩阵为第x行第y列的元素。
[0027]
步骤5)包括：
[0028]
首先分别对每一路微波差频信号使用海明窗函数进行分段，相邻数据段之间重叠50％，对得到的微波差频信号数据段基于韦尔奇法计算功率谱，根据每一路的微波差频信号和功率谱提取获取每一路微波差频信号的：最大值和功率谱的最大值、最小值和功率谱
的最小值、平均值和功率谱的平均值、标准差和功率谱的标准差，构成特征矩阵。
[0029]
步骤6)所述的时频图卷积神经网络模型，是由两个图卷积模块和一个输出模块构成，每个图卷积模块包括依次连接的一个图卷积层、一个批量归一化层、一个激活函数层和一个丢弃层；输出模块包括依次连接的一个展开层、一个激活函数层和一个全连接层；其中：
[0030]
图卷积模块中的：
[0031]
图卷积层所用的卷积公式如下：
[0032][0033]
其中是邻接矩阵；是度矩阵；c为特征矩阵；σ是激活函数；θ为滤波器参数矩阵，可由训练不断优化得到；
[0034]
批量归一化层，对图卷积层的输出进行批量归一化操作，加速模型训练过程，防止过拟合；
[0035]
激活函数层，使用relu激活函数，将非线性特性引入时频图卷积神经网络模型；
[0036]
丢弃层，以0.5的概率随机选择上一层的神经元，使选择的神经元不输出；
[0037]
输出模块中的：
[0038]
展开层，将数据展开成一维；
[0039]
激活函数层，使用relu激活函数，将非线性特性引入时频图卷积神经网络模型；
[0040]
全连接层，输出结果，采用sigmoid作为激活函数。
[0041]
在所述的时频图卷积神经网络模型中：
[0042]
设置超参数，所述的超参数是使用amsgrad优化算法，基于训练集和验证集通过梯度反向更新时频图卷积神经网络模型的权重；
[0043]
使用均方误差(mse)作为损失函数，衡量时频图卷积神经网络模型输出和真实标签之间的差距，以最小化差距为准则，指导网络训练与优化向正确的方向进行。
[0044]
本发明的基于时频图卷积的油水两相流含水率测量方法，优势在于：
[0045]
1、所采用分布式多电极高频电容传感器，时间常数小，反应速度快，可进行实时监测与动态处理，可快速、准确获得序列波动信号；通过多电极组间对称分布在管壁上，以不同角度测量出管道不同截面位置的波动信息，能准确反映出物料在流动过程中频率的变化。
[0046]
2、本发明的方法通过分布式多电极高频电容传感器测得四组不同位置以不同角度测量出的含水率波动信号，将通道作为节点，既考虑节点相互关系，有考虑节点自身特征，输入图卷积神经网络进行学习，可捕获信号变化的基本特征与规律。
[0047]
3、本发明采用的时频图卷积神经网络模型在预测流量中具有客观性，排除了化验中存在的不确定性和人为操作的主观性，时频图卷积神经网络模型经过大量数据与迭代次数的训练后，可对该类数据有较强的预测性能且客观。
附图说明
[0048]
图1是本发明中分布式多电极高频电容传感器的结构示意图；
[0049]
图2是本发明中时频图卷积神经网络模型的结构示意图。
具体实施方式
[0050]
下面结合实施例和附图对本发明的基于时频图卷积的油水两相流含水率测量方法做出详细说明。
[0051]
本发明的基于时频图卷积的油水两相流含水率测量方法，采用分布式多电极高频电容传感器获取油水两相流波动信号，基于互信息法构建邻接矩阵，基于韦尔奇法提取频域特征，基于时频图卷积神经网络模型提取测量信号中的含水率特征并进行预测，采用有监督学习的方式，含水率化验值为标签，以实现油水两相流含水率的精确计量。具体包括如下步骤：
[0052]
1)构建用于测量油水两相流含水率波动信号的分布式多电极高频电容传感器；
[0053]
如图1所示，所述的分布式多电极高频电容传感器，包括有等间隔的安装在不导电管道的测量管段(9)外壁同一圆周面上的4个电磁激励正极1、3、5、7和4个电磁激励负极2、4、6、8，且每个电磁激励正极的两侧均是与电磁激励负极相邻设置，其中，一个电磁激励正极和一个电磁激励负极为一组测量电极对，共4组测量电极对，每组测量电极对在测量管段9的径向截面上都位于同一直径上。
[0054]
2)采用分布式多电极高频电容传感器测量油水两相流波动信号，并转换为微波差频信号；包括：
[0055]
油水两相流由管道进入测量管段时，由安装在测量管段上的分布式多电极高频电容传感器进行两相流波动信号的测量；通过每对电极测量返回的频率值得到波动信息，频率值的波动反映了管道内两相流的截面波动信息；测量时，由正弦激励信号源产生激励信号，通过功分器一路送至检测模块，另一路送至多电极高频电容传感器的每组测量电极对的电磁激励正极对油水两相流进行激励，每组测量电极对的电磁激励负极将测得的管道内不同流速工况下的两相流波动信号送至检测模块，在检测模块内激励信号和波动信号进入混频器进行信号混频，混频后的信号经加法器后得到微波差频信号；每组测量电极对分别采用独立的电路实现对管道内两相流的波动信息进行测量，分布式多电极高频电容传感器的四组测量电极共得到4路微波差频信号。
[0056]
具体是，4组测量电极对采用循环采样的方式对油水两相流波动信号进行测量，测量策略为：在一个采样周期内，4组测量电极对顺序进行采样，当完成一个周期的采样后，进行下一个周期采样。每组测量电极对可采集一路油水两相流波动信号，共可获取4路分布式多电极高频电容传感器测量油水两相流波动信号。测量过程中，采样周期设置为0.001秒。
[0057]
通过每组测量电极对返回的频率值得到油水两相流波动信号，频率值的波动反映了管道内油水两相流的截面含水率波动。
[0058]
3)构建数据集，具体是对微波差频信号进行预处理，然后使用滑动窗口从数据中获取样本，为样本添加相应的标签，再将80％的样本作为训练集，10％的样本作为验证集，剩余10％的样本作为测试集；包括：
[0059]
(3.1)对微波差频信号进行预处理，公式如下：
[0060][0061]
其中，ii代表第i个数据，i
mean
和i
std
分别为数据的平均值和标准差，为预处理后的第i个数据；
[0062]
对四路微波差频信号分别采用无重叠加窗方式进行分割，从窗口长度为h，长度为l的微波差频信号中获取个样本，其中，代表向下取整；
[0063]
对于油水两相流，以实际含水率值为标签，共得到n个带有标签值的波动样本；
[0064]
(3.2)随机将n个带有标签值的波动样本划分为训练集、验证集和测试集，整体构成数据集，具体比例为[训练集：验证集：测试集]＝[8：1：1]。
[0065]
4)基于互信息法计算4路微波差频信号的互信息值，基于互信息值构建微波差频信号的邻接矩阵；包括：
[0066]
在4路微波差频信号中随机选取两路微波差频信号x和y，信号长度都为m，两路微波差频信号x和y的互信息值i(x,y)计算公式如下：
[0067][0068]
式中，p(x)和p(y)为分别两路微波差频信号x和y的概率密度分布函数，p(x,y)为两路微波差频信号x和y的联合概率密度分布函数，x为微波差频信号x的索引，y为微波差频信号y的索引；
[0069]
将4路微波差频信号两两组合计算互信息值，共得到12个互信息值，基于12个互信息值构建微波差频信号的邻接矩阵，具体是将邻接矩阵主对角线的元素数值取1，每个互信息值i(x,y)在邻接矩阵为第x行第y列的元素。
[0070]
5)基于韦尔奇法构建4路微波差频信号的特征矩阵；包括：
[0071]
首先分别对每一路微波差频信号使用海明窗函数进行分段，相邻数据段之间重叠50％，对得到的微波差频信号数据段基于韦尔奇法计算功率谱，根据每一路的微波差频信号和功率谱提取获取每一路微波差频信号的：最大值和功率谱的最大值、最小值和功率谱的最小值、平均值和功率谱的平均值、标准差和功率谱的标准差，构成特征矩阵。
[0072]
6)构建时频图卷积神经网络模型，用于实现微波差频信号的特征提取及含水率预测；
[0073]
如图2所示，所述的时频图卷积神经网络模型，是由两个图卷积模块和一个输出模块构成，每个图卷积模块包括依次连接的一个图卷积层、一个批量归一化层、一个激活函数层和一个丢弃层；输出模块包括依次连接的一个展开层、一个激活函数层和一个全连接层；其中：
[0074]
图卷积模块中的：
[0075]
图卷积层所用的卷积公式如下：
[0076][0077]
其中是邻接矩阵；是度矩阵；c为特征矩阵；σ是激活函数；θ为滤波器参数矩阵，可由训练不断优化得到；
[0078]
批量归一化层，对图卷积层的输出进行批量归一化操作，加速模型训练过程，防止过拟合；
[0079]
激活函数层，使用relu激活函数，将非线性特性引入时频图卷积神经网络模型；
[0080]
丢弃层，以0.5的概率随机选择上一层的神经元，使选择的神经元不输出；
[0081]
输出模块中的：
[0082]
展开层，将数据展开成一维；
[0083]
激活函数层，使用relu激活函数，将非线性特性引入时频图卷积神经网络模型；
[0084]
全连接层，输出结果，采用sigmoid作为激活函数。
[0085]
在所述的时频图卷积神经网络模型中：
[0086]
设置超参数，所述的超参数是使用amsgrad优化算法，基于训练集和验证集通过梯度反向更新时频图卷积神经网络模型的权重；
[0087]
使用均方误差(mse)作为损失函数，衡量时频图卷积神经网络模型输出和真实标签之间的差距，以最小化差距为准则，指导网络训练与优化向正确的方向进行。