一种基于涡街流量计频谱的流速、密度和粘度的测量方法
阅读说明：本技术 一种基于涡街流量计频谱的流速、密度和粘度的测量方法 (Measuring method for flow velocity, density and viscosity based on vortex shedding flowmeter frequency spectrum ) 是由 刘安 于 2019-09-18 设计创作，主要内容包括：本发明公开了一种基于涡街流量计频谱的流速、密度和粘度的测量方法,包含：步骤1、积累训练数据：通过实验或模拟测试涡街流量计的压力波动；步骤2、预处理数据与特征选择；步骤3、通过机器学习算法建立雷诺数和压力信号频谱的关系,然后通过雷诺数给出流速的非线性校正以及压力信号幅度与密度之间的关系；步骤4、预测：使用测试数据进行运行,以预测雷诺数的值；步骤5、根据雷诺数推导出粘度结果。本发明通过涡街流量计测量的压力波动的频谱以估计雷诺数,使用与时间相关的压力信号的形状来实现同时测量流速、密度和粘度；可以通过直接监测流过管道的流体混合物的粘度来提高测量精度,故障检测和预防性维护。(The invention discloses a method for measuring flow velocity, density and viscosity based on a vortex shedding flowmeter frequency spectrum, which comprises the following steps: step 1, accumulating training data: testing the pressure fluctuation of the vortex shedding flowmeter through experiments or simulation; step 2, preprocessing data and selecting characteristics; step 3, establishing a relation between Reynolds number and pressure signal frequency spectrum through a machine learning algorithm, and then giving nonlinear correction of flow rate and a relation between pressure signal amplitude and density through the Reynolds number; and 4, predicting: run using the test data to predict a value for the Reynolds number; and 5, deducing a viscosity result according to the Reynolds number. The invention estimates Reynolds number through the frequency spectrum of pressure fluctuation measured by the vortex shedding flowmeter, and realizes the simultaneous measurement of flow rate, density and viscosity by using the shape of a pressure signal related to time; measurement accuracy, fault detection and preventive maintenance can be improved by directly monitoring the viscosity of the fluid mixture flowing through the pipe.)
技术领域
本发明涉及流量计测量领域，特别涉及一种基于涡街流量计频谱的流速、密度和粘度的测量方法。
背景技术
目前，往往需要通过流量计来测量工业环境中管道的流速，流量计包括差压、科里奥利、磁力、涡流(涡街流量计)、超声波和传热技术。其中，科里奥利、超声波、差压和涡流是最常见的。涡街流量计主要用于工业管道介质流体的流量测量，如气体、液体、蒸气等多种介质。其特点是压力损失小，量程范围大，精度高，在测量工况体积流量时几乎不受流体密度、压力、温度、粘度等参数的影响。无可动机械零件，因此可靠性高，维护量小。与科里奥利流量计和超声波流量计相比，涡街流量计更便宜、维护要求更低。
目前有些研究(Power-spectrum-analysis-based signal processing systemof vortex flowmeters–K.Xu,Y.Huang,X.Lv,IEEE trans.Instr.Meas.(2006)vol55no3pp1006-1011)，仅仅关注一些信号分析，但是不未研究信号谐波与雷诺数的关系。还有研究(On the formation and suppression of vortex‘shedding’at low Reynolds numbers–P.Strykowski and K.Sreenivasan–J.Fluid.Mech.(1990)vol 218pp71-107)指出涡旋脱落频谱的实验和数值观察，它们的测量(热线风速测量)清楚地表明功率谱与雷诺数的函数关系。
还有研究(Secondary frequencies in the wake of a circular cylinderwith vortex shedding–S.Abarbanel,W.S.Don,D.Gottlieb,D.Rudy,C.Townsend–J.Fluid.Mech.(1991)vol 225pp 557-574)比较了几种数值方法，以阐明分谐波的出现条件和涡旋脱落频率的谐波，得出结论，虽然次谐波峰值的存在和幅度取决于外部因素，但谐波的存在仅取决于非流线体的几何形状和雷诺数。
这些论文涉及基本的流体力学，而不是专注于涡街流量计，也都没有涉及阻流体上的压力波动，更没有报道使用压力/速度波动的谱来找到雷诺数的方法。
另，专利申请(EP2072970B1:Method for determining the viscosity of afluid using a vortex flow meter)中记载，通过测量形成第一涡流所需的时间，使用涡旋流量计测量流体粘度，但是该方法受到严格限制，因为它仅允许在泵启动时测量流体的粘度，而不是在工业设置中的连续操作期间。
专利申请(DE102013019872A1:Method and apparatus for determining theviscosity of a flowing fluid in a flow channel)中，使用涡旋脱落来找到流体的粘度。当流体高速流动时，它会形成强烈的漩涡，从而改变系统的传热特性。通过热板和温度计网络监控这种传热，这种仪器需要了解流速和密度以确定粘度，或者需要了解粘度和密度以确定速度。
专利申请(DE102011050716B4 Method and apparatus for on-linemeasurement of viscosity of a fluid)使用涡旋流量计基于流速的知识确定流体粘度，以及还有专利申请(DE69811044T2 A method for measuring the viscosity of afluid)使用已知尺寸的通道上的压降和由涡旋流量计测量的流速来测量流体粘度，它需要比所提出的发明更多的传感器和更复杂的几何形状。此外它不能轻易地安装在现有的装置上。
涡街流量计的一个重要限制是它们测量流速但不提供流体密度和粘度的信息，但是密度对于确定流量的质量流速至关重要；而且粘度也很重要，因为有三个原因：(a)对于测量精度：涡街流量计略微非线性，这种非线性取决于雷诺数Re＝ρDv/μ，其中ρ为流体密度，μ为粘度，D为钝体(也称非流线体)直径，v为流速。因此，知道粘度(和密度)会产生雷诺数，然后，可以校正测量值，这提高了速度测量精度。(b)对于故障检测：当使用制冷剂，蒸汽或可能发生相变的流体时，测量粘度可以在发生严重故障(堵塞，腐蚀等等)之前检测到意外的相变(凝胶，冷凝)。(c)用于诊断：即使使用已知成分的流体，监测粘度也可以在检测到超压时加速故障诊断；实际上，超压可能源于管堵塞或粘度增加(由于相或组成变化)，当知道粘度时可以在不打开管的情况下立即确定原因。最常见的是，通过假设给定的流体成分并使用列表数据校正温度偏差来估计粘度，但是这种方法需要制表数据且这些数据可能并不总是可用，并且在组成方面不稳健。
基于上述原因，研发一种基于涡街流量计频谱的流速、密度和粘度的测量方法实为必要。
发明内容
本发明的目的在于提供一种基于涡街流量计频谱的流速、密度和粘度的测量方法，通过涡街流量计测量的压力波动的频谱以估计雷诺数，使用与时间相关的压力信号的形状来实现同时测量流速、密度和粘度；本发明可以通过直接监测流过管道的流体混合物的粘度来提高测量精度，故障检测和预防性维护。
为了达到上述目的，本发明通过以下技术方案实现：
一种基于涡街流量计频谱的流速、密度和粘度的测量方法，包含：步骤1、积累训练数据：通过实验或模拟测试涡街流量计的压力波动；步骤2、预处理数据与特征选择；所述特征选择是指将该压力信号频谱相关的量作为特征向量；步骤3、训练：通过机器学习算法建立雷诺数和压力信号频谱的关系，然后通过雷诺数给出流速的非线性校正以及压力信号幅度与密度之间的关系；步骤4、预测：使用测试数据进行运行，以预测雷诺数的值；步骤5、根据步骤4中的雷诺数推导出粘度结果。
优选地，所步骤S5中包含：
St＝f·D/v＝g(Re) (1)；
式中，St为斯特罗哈尔数，当雷诺数Re为一定范围值时，St基本为一常数；f为压力波动频率；D为非流线体的体径；v为流速；当已知雷诺数Re，通过公式(1)算g的结果，再从结果g算流速v；
另外：P＝ρ·v2·h(Re) (2)
其中，P为压力波动大小，ρ为流体的密度，当已知雷诺数Re，计算得出h，基于h和v，可以计算流体的密度ρ；
再根据：Re＝ρDv/μ (3)；
其中，μ为流体的粘度；当已知Re、ρ、D和v，可以算出流体粘度μ。
优选地，所述机器学习算法包含线性回归、最近邻、支持向量机回归、感知器方法以及它们之间的任意组合。
与现有技术相比，本发明的有益效果为：
本发明与现有技术中的仅使用压力幅度和波动频率的方法不同，本发明通过涡街流量计测量的压力波动的频谱以估计雷诺数，使用与时间相关的压力信号的形状来实现同时测量流速、密度和粘度；可以通过直接监测流过管道的流体混合物的粘度来提高测量精度，故障检测和预防性维护。
附图说明
图1为本发明的涡街流量计原理示意图；
图2为本发明的不同雷诺数下的模拟压力波动轨迹示意图；
图3为本发明的不同雷诺数下的压力信号频谱示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
如图1所示，本发明公开了一种基于涡街流量计频谱的流速、密度和粘度的测量方法，其通过软件升级在典型的涡街流量计上实现。涡街流量计包括阻流体和连接到其上的压力传感器。压力传感器可以连接或不连接到阻流体。压力传感器用于检测由于阻流体的涡流脱落引起的流入相关的压力波动。
如图1-图3结合所示，本发明的基于涡街流量计频谱的流速、密度和粘度的测量方法，该方法包含以下步骤：
步骤1、积累训练数据：通过实验或模拟测试涡街流量计的压力波动；
步骤2、预处理数据与特征选择：
所述预处理数据的过程包含：
(i)对与时间相关的数据(例如压力波动)执行fft(快速傅里叶变换)；
(ii)将压力波动频率进行归一化；例如图3所示的不同波动曲线的基波的无量纲频率都等于1，即将因雷诺数所引起的压力波动的基波的频率进行归一化；
(iii)取fft振幅的平方根(目标是放大小峰)；
(iv)缩放：缩放0(最小振幅)和1(最大振幅)。
其中，该步骤(iii)还可以通过取fft振幅的对数进行进行预处理，然后在0(最小雷诺数)和1(最大雷诺数)之间进行缩放。
例如，压力信号频谱如图3所示，横坐标是压力波动频率，纵坐标是压力波动傅里叶变化的平方根。
fft不是获取信号频率内容信息的唯一方法，还可以采用其他任意函数进行预处理，例如小波算法、统计测量、递归神经网络和广义变换等，本发明在此不做限制。
所述特征选择是指将该压力信号频谱相关的量作为特征向量。
进一步地，将特征向量X链接到与雷诺数相关的量y，并通过参数优化计算y。其中，可以随便选X和y(只要它们与压力信号、雷诺数有关)。
本实施例，当前实现中，X＝sqrt(F)，F就是压力波动的傅里叶变化，y＝log10(Re)。
步骤3、训练：通过机器学习算法建立雷诺数和压力信号频谱的关系，然后通过雷诺数给出流速的非线性校正以及压力信号幅度与密度之间的关系。其中，所述机器学习算包含例如线性回归(例如岭回归等)、最近邻、支持向量机回归、感知器和其他方法，以及它们之间的任意组合(堆叠或增强)。
步骤4、预测：上述模型(即步骤3中的流速的非线性校正以及压力信号幅度与密度之间的关系)使用新的测试数据进行运行，以预测雷诺数的值。其中，测试数据与训练数据类似地，必须进行预处理，并且必须对输出进行后处理(例如反向缩放和取幂)，以恢复雷诺数。
步骤5、根据步骤4中的雷诺数推导出粘度结果，具体如下：
St＝f·D/v＝g(Re) (1)；
式中，St为斯特罗哈尔数，当雷诺数Re为一定范围值时(例如500-150000时)，St基本为一常数；f为压力波动频率；D为非流线体的体径；v为流速；因此，如果知道雷诺数Re，就可以算g(即g是通过公式1校准计算的结果)，从结果g可以算流速v。
另外：P＝ρ·v2·h(Re) (2)
其中，P为压力波动大小，ρ为流体的密度，因此，如果知道雷诺数Re，就可以算h(即h是通过校准计算的结果)，从h和v可以算流体的密度ρ。
再根据：Re＝ρDv/μ (3)；
其中，μ为流体的粘度，因此，如果知道Re、ρ、D和v，就可以算流体粘度μ。
其中，在目前的实施中，岭回归显示出最佳表现，然后雷诺数给出了流速的非线性校正以及压力信号幅度和密度之间的关系。
如图2所示显示了涡街流量计在不同雷诺数下记录的模拟压力波动轨迹。其中，横坐标t为时间，纵坐标p为不同雷诺数下的压力信号。
根据p＝(p-pmin)/(pmax-pmin)，将压力信号按比例调整到0和1之间。在低雷诺数(例如Re＝100)时，压力类似于正弦曲线；且在较高的雷诺数(例如Re＝31623)下变得较不规则。
执行这些压力时间序列的傅立叶变换(F＝傅立叶(p))，可以看出，当雷诺数增加时，尖峰(谐波)的数量也会增加：然后雷诺数给出了流速的非线性校正以及压力信号幅度和密度之间的关系；最终，粘度是从雷诺数的表达推导出来的(参考上述步骤S4)。
如表1所示为本发明的从模拟给出的预测与实际雷诺数的表格，该表格显示本发明的算法从Re＝300到Re＝11,000得到的结果是准确的。
表1本发明的从模拟给出的预测与实际雷诺数的表格
综上所述，本发明的基于涡街流量计频谱的流速、密度和粘度的测量方法，使用快速傅里叶变换算法提取信号频谱，并使用该频谱作为特征向量，同时使用神经网络、线性回归、支持向量等机器学习算法预测雷诺数，然后基于雷诺数给出了获取流速的非线性校正以及压力信号幅度与密度之间的关系，最终推导出粘度。
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。