CN101900589B - 基于质量流量计的夹气液体流量测量方法 - Google Patents

Abstract

本发明公开了一种基于质量流量计的夹气液体流量测量方法。包括计量管道、压力传感器、质量流量计、A/D转换卡、计算机。压力传感器测得的压力信号、质量流量计测得的瞬时质量流量信号、介质密度信号、介质温度信号经A/D转换卡进计算机。测量方法包括有如下三个基本步骤：1)压力波动信号特征提取；2)BP神经网络训练；3)流量测量误差校正。本发明具有结构简单，安装方便，参数检测精度高，实时性好，可靠，易于实现等优点。适用于含气液体的测量。

Description

基于质量流量计的夹气液体流量测量方法

技术领域

本发明属于流体测量技术领域，具体涉及到一种基于质量流量计与神经网络的夹气液体流量测量方法。 

背景技术

夹气液体广泛存在于石油、化工、冶金、能源、动力、轻工等部门，其应用的普遍性及重要性促使该领域研究工作的迅速发展。夹气液体是指管道内流体由于设计或流动工况导致的液体和气体之间的转换或包含两种状态的介质。夹气液体的流量是气液两相流系统中具有重要科学和工程意义的参数，对气液两相流应用系统的计量、控制、可靠性和效率等均具有重大影响，长期以来，一直是两相流领域的重要研究方向。 

国内外学者对夹气液体流量测量方法进行了大量的研究，其中主要方法有质量流量计法、单相流量计法、相关测量法等。 

质量流量计也称直接式质量流量计，其特点是能够直接测量出流体的质量流量而无需测量流体的密度，因而被许多研究者尝试用于直接测量夹气液体的质量流量。质量流量计法是一种比较成熟的方法，测量精度较高，与质量流量含气率(又称干度)或空隙率等分相含率测量设备相结合，可以满足较高的测量要求。该方法用于测量低含气率质量流量取得了一定的进展。 

单相流量计法是将单相流流量测量仪表应用到夹气液体流量测量中的方法，由于这些单相流量计在理论研究和实际应用上都比较成熟，使得该方法在工业应用中更容易被接受。根据单相流量计组合的不同，该方法可以分为两个单相流量计组合法、单相流量计与密度计组合法和波动信号特征值法等。 

相关测量法是以相关技术为基础构成的两相流流量测量方法。理论上该方法可用于测量任何流体系统的流量，而且测量流速的范围很宽，因此相关流量计法为解决两相流量测量提供了一种强有力的技术手段。该技术的优点是可以采用不同的传感器来获得流体流动信号，再配以其他测量手段，可构成各种流体流量测量系统，实现非接触式测量。但相关流量测量技术目前仍存在一些问题需要进一步探讨，例如相关速度的物理意义仍不甚明确，互相关函数峰值较难确定，相关流量计标定仍有一定难度等。 

科氏质量流量计因其极高的测量精度、可靠性及非常低的维护费用而广泛地被推广和应用到石油石化及其它工业生产领域。科氏质量流量计可精确测量单相流流量，精度可达0.2％。然而，在很多应用领域中都存在着大量的夹气液体(或称为气液两相流)。目前研究者都认为较高的气体含率情况下，管子震动不稳定，很难得到稳定的信号，鉴于科氏质量流量计测量夹气液体介质时测量误差较大，测量结果不能很好的满足石油石化及其它工业生产领域的要求，科氏质量流量计很少被考虑应用于夹气液体介质流量的测量。 

夹气液体的流量与其空隙率密不可分，可以利用空隙率建立夹气液体质量流量测量误差校正模型。由于气液两相流中气相与液相密度、粘度等特性的差异，相界面运动以及气液相间的相互作用等原因，伴随着压力波动现象。压力信号的波动特性可以用来估算夹气液体的空隙率。 

发明内容

本发明的目的是克服现有技术的上述不足，提供一种基于质量流量计的夹气液体流量测量方法。本发明提供的方法参数检测精度高，实时性好，可靠，易于实现。适用于含气液体的测量。 

为此，本发明采用如下的技术方案： 

一种基于质量流量计的夹气液体流量测量装置，包括计量管道(1)、压力传感器(2)、科氏质量流量计(3)、A/D转换卡(4)、计算机(5)，在计量管道(1)上依次设有压力传感器(2)、科氏质量流量计(3)，A/D转换卡(4)与压力传感器(2)、科氏质量流量计(3)相连，计算机(5)与A/D转换卡(4)相连。 

本发明基于质量流量计与神经网络的夹气液体流量测量方法，包括有如下基本步骤： 

(1)压力波动信号特征提取：分析压力波动信号的时频特性，提取压力波动信号的分形维数、均方根、偏态系数、不同频段上的频谱值形成一个向量，构成特征向量； 

(2)BP神经网络训练：根据要求设计出BP神经网络，用步骤1)得到的特征向量训练BP神经网络，确定神经网络权值和阈值； 

(3)含气率计算：把实时采集到的压力波动数据输入步骤1)，步骤1)提取压力波动数据的特征向量。然后，将提取的特征向量输入训练好的神经网络，获得该压力波动数据对应的夹气液体的含气率φ_g； 

(4)流量测量误差校正：根据ρ_pre＝a₁·φ_g+b₁计算夹气液体的混合密度，式中，ρ_pre为夹气液体的混合密度，a₁、b₁为混合密度计算式系数，通过实验数据离线确定，存储于计算机中，φ_g为夹气液体的含气率，由上述步骤3)确定。根据m_pre＝a₂·φ_g+b₂计算夹气液体的混合质量流量，式中，m_pre为夹气液体的混合质量流量，a₂、b₂为混合质量流量计算式系数，通过实验数据离线确定，存储于计算机中。如果|ρ_mea-ρ_pre|≤U_ρ且|m_mea-m_pre|≤U_m，那么 

式中，ρ_mea为科氏质量流量计测得的视密度，U_ρ为密度测量的不确定度，存储于计算机中，m_mea为科氏质量流量计测得的视质量流量，U_m为质量流量测量的不确定度，存储于计算机中，m_liquid为校正后的液体质量流量，ρ_l为液体密度，a₃、b₃为液体质量流量修正系数，存储于计算机中。如果|ρ_mea-ρ_pre|≤U_ρ且|m_mea-m_pre|＞U_m，那么  $m_{\mathrm{mea}}^{*}=a_4\·{\mathrm{\ρ}}_{\mathrm{mea}}+b_4$ 且

式中， 

为根据密度测量值估计的可信赖质量流量值，a₄、b₄为可信赖质量流量估计式系数。如果|ρ_mea-ρ_pre|＞U_ρ且|m_mea-m_pre|≤U_m，那么  ${\mathrm{\ρ}}_{\mathrm{mea}}^{*}=\frac{1}{a_4}\·m_{\mathrm{mea}}-\frac{b_4}{a_4}$ 且 $m_{\mathrm{liquid}}=\frac{m_{\mathrm{mea}}}{b_3+a_3\·\frac{{\mathrm{\ρ}}_{\mathrm{mea}}^{*}}{{\mathrm{\ρ}}_l}},$ 式中， 为根据质量流量测量值估计的可信赖密度值。如果|ρ_mea-ρ_pre|＞U_ρ且|m_mea-m_pre|＞U_m，那么 式中， 

为前一测量点校正后的液体质量流量。 

上述步骤2)中训练好的神经网络权值和阈值存储于计算机中。 

上述步骤2)中选择三层的BP神经网络，其中输入层节点数为2～7，隐层节点数为4～12，输出层节点数为1。 

本发明的有益效果及优点是，无需采用高效气液分离器进行气液分离，采用压力传感器与科氏质量流量计组合测量夹气液体流量。利用压力波动信号的时频特性和神经网络方法确定夹气液体的含气率，利用科氏质量流量计测量瞬时质量流量、混合密度和温度，利用计算得到的含气率对科氏质量流量计的测量结果进行校正。该装置结构简单，安装方便。该测量方法参数检测精度高，实时性好，易于实现。适用于含气液体的测量。 

附图说明

图1为基于质量流量计与神经网络的夹气液体流量测量装置结构示意图； 

图2为BP神经网络结构示意图； 

图3为本发明软件程序流程图； 

图4为含气率与夹气液体混合密度关系图； 

图5为含气率与夹气液体混合质量流量关系图； 

图6为密度降与流量降的关系图； 

图7为可信赖密度测量值与可信赖质量流量测量值关系图； 

图8为夹气液体流量测量误差校正结果。 

具体实施方式

基于质量流量计的夹气液体流量测量装置具有计量管道(1)，在计量管道(1)上依次设有压力 传感器(2)、科氏质量流量计(3)，A/D转换卡(4)与压力传感器(2)、科氏质量流量计(3)相连，计算机(5)与A/D转换卡(4)相连。 

本实施例对气体体积流量从0.29m³/h到0.905m³/h的夹气液体流量测量误差进行校正。 

1)压力波动信号特征提取 

本发明的第一步为提取压力波动信号的时频特性，构成特征向量。压力波动信号的特征向量由压力信号的分形维数、均方根、偏态系数、不同频段上的频谱值组成，该特征向量与夹气液体的空隙率之间为复杂的非线性关系，该非线性关系由神经网络确定。神经网络的输入为压力波动信号的特征向量，神经网络的输出为夹气液体的含气率。由压力波动信号提取的特征向量如下所示。每一行数据为一个夹气液体空隙率值对应的特征向量。 

压力波动信号的特征向量 

1.4641    3.0498    1.1858     0.94    19.05    39.97 

1.2823    3.0414    1.3620     2.46    22.13    43.44 

1.4906    3.2716    0.2807     0.21    24.84    33.95 

1.4895    3.7372    -0.0312    0.29    21.34    35.49 

压力波动信号特征向量对应的夹气液体空隙率值向量 

0.028    0.041    0.056    0.073 

2)BP神经网络训练 

本发明的第二步为训练BP神经网络的权值和阈值。因三层BP神经网络具有逼近任意非线性函数的学习能力，所以本发明采用三层BP神经网络。三层BP神经网络的输入层节点数可为2～7，隐层节点数可为4～12，输出层节点数为1。本实施例中，三层BP神经网络的输入节点数为6，隐层节点数为7，输出层节点数为1。 

在进行夹气液体空隙率估算前，首先应用上一步得到的压力波动信号特征向量和夹气液体空隙率值向量对设计好的BP神经网络进行训练，确定神经网络的权值和阈值。训练神经网络的参数如下：学习速率为0.6，惯性比例因子为0.9，网络迭代1000步后获得满意的收敛效果。 

3)含气率计算 

BP神经网络经步骤2)训练好后，就可以用于夹气液体空隙率的计算。将采集到的夹气液体压力波动信号进行时频分析后的数据输入到训练好的BP神经网络，神经网络的输出结果就是该夹气液体的空隙率值φ_g。 

在本实施例中，测量两种流动情况下的夹气液体压力波动信号，经时频分析后得到两个特征向量 

V1＝[1.3876    3.4301    -0.6309    0.84    29.28    41.69]′ 

V2＝[1.4433    3.5710    0.4102     0.35    24.70    35.82]′ 

将上述两个特征向量输入步骤2)训练好的BP网络中，特征向量V1对应的神经网络输出为0.048， 特征向量V2对应的神经网络输出为0.065，从而得到了这两种流动情况下的空隙率值φ_g分别为0.048和0.065。 

4)流量测量误差校正 

夹气液体含气率与其混合密度关系式如下： 

ρ_pre＝a₁·φ_g+b₁     (1) 

在本实施例中，a₁＝-0.6181，b₁＝1.0082，φ_g利用压力波动信号以及存储于计算机的神经网络权值和阈值确定，ρ_pre为根据夹气液体空隙率值预测的夹气液体混合密度。 

夹气液体含气率与其混合质量流量关系式如下： 

m_pre＝a₂·φ_g+b₂      (2) 

在本实施例中，a₂＝-161.08，b₂＝174.24，m_pre为根据夹气液体空隙率值预测的夹气液体混合质量流量。 

在夹气液体(或称为气液两相流)中，由于存在着一个形状和分布在时间和空间里均随机可变的相界面，而相间实际上又存在一个不可忽略的相对速度，致使两相流具有比单相流复杂得多的流动特性，科氏质量流量计测量这种夹气液体时测量精度明显下降，但是，科氏质量流量计测得的视密度与质量流量测量误差相关。因此，可以利用该视密度校正液体质量流量测量值。 

定义： 

$\mathrm{\Δ\ρ}=\frac{{\mathrm{\ρ}}_l-{\mathrm{\ρ}}_{\mathrm{mea}}}{{\mathrm{\ρ}}_l}\×100\%---\left(3\right)$

$\mathrm{\Δm}=\frac{m_{\mathrm{liquid}}-m_{\mathrm{mea}}}{m_{\mathrm{liquid}}}\×100\%---\left(4\right)$

其中，Δρ表示密度降，ρ_l和ρ_mea分别表示待测液体的密度和科氏质量流量计测得的视密度，Δm表示流量降，m_liquid和m_mea分别表示校正后待测液体的质量流量和校正前科氏质量流量计测得的视质量流量。 

如果科氏质量流量计的测量较稳定，那么，根据空隙率预测的夹气液体混合密度与科氏质量流量计测得的视密度应相差不多，预测的夹气液体质量流量与测得的视质量流量也应相差不多。也就是说，如果满足 

|ρ_mea-ρ_pre|≤U_ρ    (5) 

|m_mea-m_pre|≤U_m       (6) 

那么，根据关系式(3)、关系式(4)及大量的实验数据，有 

$m_{\mathrm{liquid}}=\frac{m_{\mathrm{mea}}}{b_3+a_3\·\frac{{\mathrm{\ρ}}_{\mathrm{mea}}}{{\mathrm{\ρ}}_l}}---\left(7\right)$

在本实施例中，a₃＝1.5017，b₃＝0.6427，U_ρ＝0.0011，U_m＝0.9683，m_mea和ρ_mea由科氏质量流量计测得。 

如果 

|ρ_mea-ρ_pre|≤U_ρ    (8) 

|m_mea-m_pre|＞U_m       (9) 

那么， 

$m_{\mathrm{mea}}^{*}=a_4\·{\mathrm{\ρ}}_{\mathrm{mea}}+b_4---\left(10\right)$

$m_{\mathrm{liquid}}=\frac{m_{\mathrm{mea}}^{*}}{b_3+a_3\·\frac{{\mathrm{\ρ}}_{\mathrm{mea}}}{{\mathrm{\ρ}}_l}}---\left(11\right)$

在本实施例中，a₄＝259.91，b₄＝-87.83。 

如果 

|ρ_mea-ρ_pre|＞U_ρ    (12) 

|m_mea-m_pre|≤U_m       (13) 

那么， 

${\mathrm{\ρ}}_{\mathrm{mea}}^{*}=\frac{1}{a_4}\·m_{\mathrm{mea}}-\frac{b_4}{a_4}---\left(14\right)$

$m_{\mathrm{liquid}}=\frac{m_{\mathrm{mea}}}{b_3+a_3\·\frac{{\mathrm{\ρ}}_{\text{mea}}^{*}}{{\mathrm{\ρ}}_l}}---\left(15\right)$

如果 

|ρ_mea-ρ_pre|＞U_ρ    (16) 

|m_mea-m_pre|＞U_m       (17) 

那么 

$m_{\mathrm{liquid}}=m_{\mathrm{liquid}}^{*}---\left(18\right)$

式中， 

为前一测量点校正后的液体质量流量。 

Claims (4)

1.一种基于质量流量计的夹气液体流量测量方法，其特征在于，包括下列步骤：

(1)压力波动信号特征提取：分析压力波动信号的时频特性，提取压力波动信号的分形维数、均方根、偏态系数、不同频段上的频谱值形成一个向量，构成特征向量；

(2)BP神经网络训练：根据要求设计出BP神经网络，用步骤1)得到的特征向量训练BP神经网络，确定神经网络权值和阈值；

(3)含气率计算：把实时采集到的压力波动数据输入步骤1)，步骤1)提取压力波动数据的特征向量，然后，将提取的特征向量输入训练好的神经网络，获得该压力波动数据对应的夹气液体的含气率φ_g；

(4)流量测量误差校正：根据ρ_pre＝a₁·φ_g+b₁计算夹气液体的混合密度，式中，ρ_pre为夹气液体的混合密度，a₁、b₁为混合密度计算式系数，通过实验数据离线确定，存储于计算机中，φ_g为夹气液体的含气率，由上述步骤3)确定，根据m_pre＝a₂·φ_g+b₂计算夹气液体的混合质量流量，式中，m_pre为夹气液体的混合质量流量，a₂、b₂为混合质量流量计算式系数，通过实验数据离线确定，存储于计算机中，如果|ρ_mea-ρ_pre|≤U_ρ且|m_mea-m_pre|≤U_m，那么 

式中，ρ_mea为科氏质量流量计测得的视密度，U_ρ为密度测量的不确定度，存储于计算机中，m_mea为科氏质量流量计测得的视质量流量，U_m为质量流量测量的不确定度，存储于计算机中，m_liquid为校正后的液体质量流量，ρ_l为液体密度，a₃、b₃为液体质量流量修正系数，存储于计算机中，如果|ρ_mea-ρ_pre|≤U_ρ且|m_mea-m_pre|＞U_m，那么 

且 

式中， 为根据密度测量值估计的可信赖质量流量值，a₄、b₄为可信赖质量流量估计式系数，如果|ρ_mea-ρ_pre|＞U_ρ且|m_mea-m_pre|≤U_m，那么 

且

式中， 

为根据质量流量测量值估计的可信赖密度值，如果|ρ_mea-ρ_pre|＞U_ρ且|m_mea-m_pre|＞U_m，那么 

式中， 

为前一测量点校正后的液体质量流量。

2.根据权利要求1所述的一种基于质量流量计的夹气液体流量测量方法，其特征在于上述步骤2)中训练好的神经网络权值和阈值存储于计算机中。

3.根据权利要求1所述的一种基于质量流量计的夹气液体流量测量方法，其特征在于上述步骤2)中选择三层的BP神经网络，其中输入层节点数为2～7，隐层节点数为4～12，输出层节点数为1。

4.根据权利要求1所述的一种基于质量流量计的夹气液体流量测量方法，其特征在于上述步骤4)中的流量测量误差校正式存储于计算机中。 

Images