(19)國家知識產(chǎn)權局(10)申請公布號CN120217114A(21)申請?zhí)?02510687517.0地址528000廣東省佛山市禪城區(qū)江灣一(72)發(fā)明人劉雯謝志敏田樂伍楠李超眾黃平南張立平(74)專利代理機構佛山信智匯知識產(chǎn)權代理事一種多模塊深度學習的氣液兩相旋流流型識別方法及系統(tǒng)本發(fā)明涉及數(shù)據(jù)處理技術領域，提供了一種多模塊深度學習的氣液兩相旋流流型識別方法號進行數(shù)據(jù)切片處理；通過訓練好的分類預測模型對螺旋氣流的流型進行分類預測，具體包括：通過CNN網(wǎng)絡提取數(shù)據(jù)切片處理后的壓降信號的時域特征以及頻域特征；對時域特征以及頻域特征進行增強處理，獲取增強后的時域特征以及頻域特征；對增強后的時域特征以及頻域特征進行特征融合處理，獲取融合特征向量；根據(jù)融合特征向量以及全連接層對螺旋氣流的流型進行分類預測。本發(fā)明能夠實現(xiàn)對多維度、多尺度特征的聯(lián)合建模，從而提高復雜旋流工況下的流型識21.一種多模塊深度學習的氣液兩相旋流流型識別方法，其特征在于，所述識別方法包采集垂直管中螺旋氣流的壓差信號，根據(jù)所述壓差信號獲取壓構建分類預測模型以及損失函數(shù)，基于所述損失函數(shù)對分類預測模型進行訓練，通過其中，通過訓練好的所述分類預測模型對所述螺旋氣流的依次通過雙向門控循環(huán)單元以及全局注意力機制對所述時域特征以及頻域特征進行2.如權利要求1所述的一種多模塊深度學習的氣液兩相旋流流型識別方法，其特征在于，采集垂直管中螺旋氣流的壓差信號，根據(jù)所述壓差信號獲取壓降信號的具在所述垂直管的穩(wěn)定段的出口安裝起旋器，使氣液兩相流經(jīng)穩(wěn)在所述起旋器的出口處以及距起旋器預設距離處設置測壓孔，對所述壓差信號進行數(shù)據(jù)處理，獲取初始壓降信號,對所述初始壓降信號進行無量綱處理獲取最終壓降信號3.如權利要求2所述的一種多模塊深度學習的氣液兩相旋流流型識別方法，其特征在通過雙向門控循環(huán)單元捕捉所述時域特征以及頻域特征的前向與反向信息，獲取128通過全局注意力機制對所述128維時域特征序列以及128維頻域特征序列的每個時間4.如權利要求3所述的一種多模塊深度學習的氣液兩相旋流流型識別方法，其特征在35.如權利要求4所述的一種多模塊深度學習的氣液兩相旋流流型識別方法，其特征在在所述分類預測模型的每個訓練批次中，計算少數(shù)類樣本數(shù)量Nminor與多數(shù)類樣本數(shù)6.如權利要求5所述的一種多模塊深度學習的氣液兩相旋流流型識別方法，其特征在根據(jù)所述損失值變化率動態(tài)調整調節(jié)因子γ=Ybase+η·tanh(δ·L);7.一種多模塊深度學習的氣液兩相旋流流型識別系統(tǒng)，用于實現(xiàn)如權利要求1-6任一數(shù)據(jù)采集模塊，用于采集垂直管中螺旋氣流的壓差信號信號；模型構建模塊，用于構建分類預測模型以及損失函數(shù)，基于所特征處理模塊，用于依次通過雙向門控循環(huán)單元以及全局注特征融合模塊，用于對所述增強后的時域特征以及頻域特征進行特征融合處理，獲取8.如權利要求7所述的一種多模塊深度學習的氣液兩相旋流流型識別系統(tǒng)，其特征在9.如權利要求8所述的一種多模塊深度學習的氣液兩相旋流流型識別系統(tǒng)，其特征在4比值獲取模塊，用于在所述分類預測模型的每個訓練批次中，計算少數(shù)類樣本數(shù)量變化率獲取模塊，用于獲取當前訓練批次損失值Lcurent以及上一個訓練批次損失值Lprevious,根據(jù)所述當前訓練批次損失值以及上一個訓練批次損失值計算損失值變化率調節(jié)因子調整模塊，用于根據(jù)所述損失值變化率動態(tài)調整調節(jié)因子5技術領域[0001]本發(fā)明涉及數(shù)據(jù)處理技術領域，具體而言，涉及一種多模塊深度學習的氣液兩相旋流流型識別方法及系統(tǒng)。背景技術[0002]目前，基于壓降波動信號進行氣液兩相旋流流型識別的研究相對較少。氣液旋流內部流動結構高度復雜、非穩(wěn)態(tài)特性顯著,各類流型在相態(tài)界面形態(tài)、流速場分布及壓力場特征等方面存在一定差異，而由于流動過程受隨機擾動影響顯著,導致特征提取困難，傳統(tǒng)識別方法難以準確建模與分類。[0003]現(xiàn)有的傳統(tǒng)識別方法多依賴圖像分析、經(jīng)驗公式或侵入式傳感器，受限于工況條為提升識別精度，部分研究引入了深度學習方法，但通常采用單一神經(jīng)網(wǎng)絡結構(如CNN或LSTM),在面對壓降波動信號中強非線性、多尺度變化和時空特性時，存在動態(tài)建模能力不足、空間特征提取受限以及局部關鍵特征捕捉能力較弱等局限性。因此，針對氣液旋流復雜流型特性的高效識別仍面臨諸多挑戰(zhàn)。發(fā)明內容[0004]基于此，本發(fā)明提供了一種多模塊深度學習的氣液兩相旋流流型識別方法及系一種多模塊深度學習的氣液兩相旋流流型識別方法，包括如下步驟：采集垂直管中螺旋氣流的壓差信號，根據(jù)所述壓差信號獲取壓降信號，并對所述壓降信號進行數(shù)據(jù)切片處理；構建分類預測模型以及損失函數(shù)，基于所述損失函數(shù)對分類預測模型進行訓練，通過訓練好的所述分類預測模型對所述螺旋氣流的流型進行分類預測；其中，通過訓練好的所述分類預測模型對所述螺旋氣流的流型進行分類預測的具體方法包括：通過CNN網(wǎng)絡提取數(shù)據(jù)切片處理后的所述壓降信號的時域特征以及頻域特征；依次通過雙向門控循環(huán)單元以及全局注意力機制對所述時域特征以及頻域特征進行增強處理，獲取增強后的時域特征以及頻域特征；對所述增強后的時域特征以及頻域特征進行特征融合處理，獲取融合特征向量；根據(jù)所述融合特征向量以及全連接層對所述螺旋氣流的流型進行分類預測。[0005]所述多模塊深度學習的氣液兩相旋流流型識別方法通過CNN網(wǎng)絡對壓降信號進行時頻特征展開，強化了特征表達，然后通過BiGRU捕捉信號中的時間依賴性與雙向動態(tài)特征，最后引入全局注意力機制實現(xiàn)對關鍵特征區(qū)域的加權增強，該組合模型能夠實現(xiàn)對多維度、多尺度特征的聯(lián)合建模，從而提高復雜旋流工況下的流型識別準確率和系統(tǒng)魯棒性，具備良好的工程實用性與工程價值。6在所述起旋器的出口處以及距起旋器預設距離處設置測壓對所述壓差信號進行數(shù)據(jù)處理，獲取初始壓降信號,對所述初始壓降信通過雙向門控循環(huán)單元捕捉所述時域特征以及頻域特征通過全局注意力機制對所述128維時域特征序列以及128維頻域特征序列的每個在所述分類預測模型的每個訓練批次中，計根據(jù)所述比值動態(tài)調整平衡因子數(shù)。7數(shù)據(jù)采集模塊，用于采集垂直管中螺旋氣流的壓差特征融合模塊，用于對所述增強后的時域特征以及頻域特征進行特征融合處理，變化率獲取模塊，用于獲取當前訓練批次損失值Lcurrent以及上一個訓練批次損失值Lprevious,根據(jù)所述當前訓練批次損失值以及上一個訓練批次損失值計算損失值變化率調節(jié)因子調整模塊，用于根據(jù)所述損失值變化率動態(tài)調整調節(jié)因子8附圖說明[0015]從以下結合附圖的描述可以進一步理解本發(fā)明。圖中的部件不一定按比例繪制，而是將重點放在示出實施例的原理上。在不同的視圖中，相同的附圖標記指定對應的部分。[0016]圖1是本發(fā)明一實施例中一種多模塊深度學習的氣液兩相旋流流型識別方法的整體流程示意圖；圖2是本發(fā)明一實施例中采集垂直管中螺旋氣流的壓差信號，根據(jù)所述壓差信號獲取壓降信號的具體方法的流程示意圖；圖3是本發(fā)明一實施例中FFT-BiGRU-CNN-Attention模型的工作原理示意圖；圖4是本發(fā)明一實施例中獲取增強后的時域特征以及頻域特征的具體方法的流程示意圖；圖5是本發(fā)明另一實施例中一種多模塊深度學習的氣液兩相旋流流型識別方法的流程示意圖一；圖6是本發(fā)明另一實施例中一種多模塊深度學習的氣液兩相旋流流型識別方法的流程示意圖二；圖7是本發(fā)明一實施例中一種多模塊深度學習的氣液兩相旋流流型識別系統(tǒng)的整體結構；圖8是本發(fā)明一實施例中采集垂直管中螺旋氣流壓差信號的實驗裝置的結構示意圖9是本發(fā)明一實施例中模型訓練與驗證的準確率和損失變化曲線圖；圖10是本發(fā)明一實施例中測試集準確率混淆矩陣圖。附圖標記說明：具體實施方式[0018]為了使得本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白，以下結合其實施例，對本發(fā)明進行進一步詳細說明。應當理解的是，此處所描述的具體實施方式僅用以解釋本發(fā)明，并不限定本發(fā)明的保護范圍。[0019]需要說明的是，當元件被稱為“固定于”另一個元件，它可以直接在另一個元件上或者也可以存在居中的元件。當一個元件被認為是“連接”另一個元件，它可以是直接連接“右”以及類似的表述只是為了說明的目的，并不表示是唯一的實施方式。[0020]除非另有定義，本文所使用的所有的技術和科學術語與屬于本發(fā)明的技術領域的技術人員通常理解的含義相同。本文中在本發(fā)明的說明書中所使用的術語只是為了描述具體的實施方式的目的，不是旨在于限制本發(fā)明。本文所使用的術語“及相關的所列項目的任意的和所有的組合。[0022]在展開說明本發(fā)明實施例前，先對現(xiàn)有技術作簡單介紹。[0023]螺旋流在氣液兩相流動中表現(xiàn)出獨特的流動特性，廣泛應用于石油開采、化工生9產(chǎn)及核能冷卻系統(tǒng)等重要工業(yè)領域。管道中氣液兩相同時流動時，其相分布受到多種因素的影響，例如管道的尺寸與形狀、流體物性形成了多種不同的流動狀態(tài)。因此可以根據(jù)不同的流動狀態(tài)，將其劃分為不同的流型。流型反映了兩相流復雜的流動界面結構，不同流型的傳熱傳質特性、壓降特性會有顯著差異，由于流型直接影響到傳熱設備的效率、管道系統(tǒng)的穩(wěn)定性及能耗控制，因此，準確識別其流型對于管道輸送系統(tǒng)優(yōu)化設計和調控操作是至關確保系統(tǒng)的安全運行。[0024]近年來國內外學者對垂直管中非旋流流型的氣液兩相流型進行了識別研究，主要基于圖像數(shù)據(jù)或波動信號特征進行識別。其中圖像數(shù)據(jù)需要加工可視化實驗段，并且需要高速攝影機的配合，存在測量方法復雜、對實驗段材質要求高、成本高等問題，難以在工業(yè)實際中實施?；趬翰罨驂毫Σ▌有盘栐诠I(yè)實際中實施相對簡單、測量成本低，但是目前方法測量精度不高，由于壓差信號屬于間接測量，無法直接觀測流型，因此容易受到流速變化、管道振動、測壓裝置靈敏度等因素的干擾而導致識別準確度不夠。此外，在某些工況下(如過渡狀態(tài)),不同流型對應的壓差波動特征差異較小，導致分類邊界模糊，增加了識別的難度。[0025]目前對氣液兩相流型的識別主要集中在未加起旋器的非旋流流型上。公開號為CN112113742A的中國發(fā)明專利，公開了一種基于GRU神經(jīng)網(wǎng)絡的氣液兩相流流型在線識別方法，是基于壓差信號的一種非旋流流型識別。公開開了一種基于GoogLeNet模型的氣液兩相流流型識別方法，是基于圖像數(shù)據(jù)的水平管非旋流流型識別。公開號為CN118861797A的中國國發(fā)明專利，公開了一種基于差壓波動分析的氣液多相流動流型識別方法及系統(tǒng)，是基于壓差信號的奇偶進行拆分的水平管非旋流流型識別。公開號為CN118072069A的中國發(fā)明專利，公開了一種基于注意力機制和卷積神經(jīng)網(wǎng)絡的兩相流流型識別方法、裝置、計算機設備及存儲介質，是基于圖像數(shù)據(jù)的非旋流深度學習流型識別。公開號為CN117725362A的中國發(fā)明專利，公開了一種基于小波分析的氣液兩相流流型識別方法，是基于壓力波動的非旋流的傳統(tǒng)機器學習流型識別。[0026]綜上所述，目前已有的方法大多基于圖像或壓差信號進行建模，采用的模型結構通常為單一神經(jīng)網(wǎng)絡或傳統(tǒng)信號處理算法，且研究重點集中在非旋流流型的識別上。因此，針對氣液兩相旋流流型的識別技術仍有較大的研究和發(fā)展空間。[0027]針對上述問題，如圖1以及圖3所示，本發(fā)明一實施例中的一種多模塊深度學習的氣液兩相旋流流型識別方法，包括如下步驟：S1,采集垂直管中螺旋氣流的壓差信號，根據(jù)所述壓差信號獲取壓降信號，并對所述壓降信號進行數(shù)據(jù)切片處理；作為一種優(yōu)選的技術方案，如圖2所示，步驟S1包括如下步驟：S11,生成氣液兩相流，并使所述氣液兩相流經(jīng)蜂窩混合器混合后進入垂直管中。[0028]S12,在所述垂直管的穩(wěn)定段的出口安裝起旋器，使氣液兩相流經(jīng)穩(wěn)定段后，通過起旋器形成氣液兩相螺旋流。[0029]S13,在所述起旋器的出口處以及距起旋器預設距離處設置測壓孔，在所述測壓孔[0031]S14,對所述壓差信號進行數(shù)據(jù)處理，獲取初始壓降信號,對所述初始壓降信號進行無量綱處理獲取最終壓降信號;其中，△Ps表示當所述垂直管為兩相流動過程中管道內的瞬時壓力變化。由于原始壓差信號可能包含噪聲及高頻干擾，需[0034]S2,構建分類預測模型以及損失函數(shù)，基于所述損失函數(shù)對分類預測模型進行訓S21,通過CNN網(wǎng)絡提取數(shù)據(jù)切片處理后的所述壓降信號的時域特征以及頻域特S22,依次通過雙向門控循環(huán)單元以及全局注意力機制對所述時域特征以及頻域S23,對所述增強后的時域特征以及頻域特征進行特征融合[0038]首先通過統(tǒng)計分析保證每片至少包含一次完整段塞/螺旋周期(確保切片數(shù)據(jù)流11型的完整性),又將輸入維度較原序列降低約75%。隨后采用隨機滑動窗口對每條序列切片，可以有效擴充樣本并緩解類別不平衡。[0039]作為一種優(yōu)選的技術方案，這里以采集壓差信號轉化為壓降信號為基礎，融合快速傅里葉變換(FFT)轉換頻域，隨后通過卷積神經(jīng)網(wǎng)絡(CNN)對壓降信號的時域與頻域特征進行深度提取，強化特征表達。[0040]具體而言，時域信號特征提取部分使用了1維卷積來從時域信號中提取特征。卷積核的大小為3,即每次卷積操作會掃描一個大小為3的滑動窗口，聚焦于局部的時域特征。整個時域信號通過3組(每組兩層共6層，通道數(shù)分別是32,64,128)卷積操作進行逐步提取，具體結構為：第一組卷積：采用了2個卷積層，每個卷積層的輸出通道為32;第二組卷積：采用了2個卷積層，每個卷積層的輸出通道為64;第三組卷積：采用了2個卷積層，每個卷積層的輸出通道為128。在每組的每層卷積之后，先進行ReLU激活，隨后進行最大池化操作(MaxPooling),池化操作的目的是通過減小信號的長度，逐步提取更加高級的特征。池化層有助于減小卷積結果的維度，使得特征的空間大小逐步縮小，減少后續(xù)計算的復雜度，并提取出卷積結果進行激活，其目的是引入非線性變換，增強表達能力。ReLU激活函數(shù)連接最大池化層，通過采用2×2的池化窗口進行最大池化操作，目的是降低數(shù)據(jù)維度，同時保留主要特征。最大池化層后連接ReLU激活函數(shù)，ReLU激活函數(shù)后連接歸一化層，采用BatchNormld進行歸一化處理，有助于加速訓練過程并提高模型的穩(wěn)定性。即是說，時域特征初步提取部分包括三組6層卷積操作，每層卷積均依次包括1維卷積ReLU激活、最大池化、ReLu激活以及歸一化BatchNormld五個步驟，所不同的是第一組的兩層卷積通道數(shù)均為32,第二組的兩層卷積通道數(shù)均為64,第三組的兩層卷積通道數(shù)均為128。[0041]頻域信號特征提取部分則是通過對信號進行傅里葉變換，將時域信號轉換為頻域信號。然后使用了3個1維卷積層來提取頻域特征，每個卷積層的通道數(shù)分別是16、32和64。與時域特征提取部分不同，頻域部分采用的是較少的卷積層，意味著頻域信號的特征維度相對較低。這些卷積操作的目標是通過在頻域中提取出信號的頻率成分，幫助模型理解頻率特性，從而補充時域特征提取中的信息，提升整體特征表示能力。在頻域特征初步提取部表達能力。ReLU激活函數(shù)連接最大池化層，通過采用2×2的池化窗口進行最大池化操作，目連接歸一化層，采用BatchNormld進行歸一化處理，有助于加速訓練過程并提高模型的穩(wěn)定性。這里，每一組卷積只包括一層卷積，每一層卷積均依次包括1維卷積ReLU激活、最大池[0042]通過上述時域和頻域并行的特征提取方式，模型能夠同時捕捉到信號在時間和頻率維度上的復雜特征，從而為后續(xù)的分類提供更加全面的信號表示。[0043]雙向門控循環(huán)單元包括依次連接的輸入層、前向隱藏層、反向隱藏層以及輸出層，輸入層與頻域特征初步提取部分以及時域特征初步提取部分的歸一化層連接，輸出層與全局注意力機制的輸入層連接。雙向門控循環(huán)單元采用2層雙向門控循環(huán)單元(隱藏單元為128、64),最后時域頻域各輸出128維特征。[0044]全局注意力機制包括依次連接的輸入層、BiGRU層以及輸出層，輸出層輸出128維時域特征序列以及128維頻域特征序列。如圖3所示，hs表示雙向門控循環(huán)單元(BiGRU)在以理解為所有t個時刻的隱藏狀態(tài)的權重組合，長度與時間步長相同，Ct表示全局對齊權重，用于把BiGRU各時間步的輸出，用注意力權重加權求和，得到的上下文向量，yt表示最終的輸出。S221,通過雙向門控循環(huán)單元捕捉所述時域特征以及頻域特征的前向與反向信息，獲取128維時域特征序列以及128維頻域特征序列。[0046]S222,通過全局注意力機制對所述128維時域特征序列以及128維頻域特征序列的每個時間步進行加權處理，獲得增強后的時域特征以及頻域特征。[0047]在時域和頻域的特征提取后，本模型采用了雙向門控循環(huán)單元(Bi-directionalGateRecurrentUnit,BiGRU)和全局注意力機制來進一步提取和強化特征。[0048]BiGRU是一種雙向的GRU(門控循環(huán)單元)網(wǎng)絡。GRU是RNN(循環(huán)神經(jīng)網(wǎng)絡)的一種變體，通過門控機制(更新門和重置門),能夠有效地避免傳統(tǒng)RNN中存在的梯度消失問題，從而更好地捕捉長時間序列中的復雜模式。相比傳統(tǒng)RNN,GRU在捕捉序列中的長依賴性時具有更強的能力。BiGRU不僅能處理輸入序列的前向信息，還能處理反向信息，即從序列的最后一個時間步反向傳播信息。因此，BiGRU的輸出是一個同時包含了正向和反向隱藏狀態(tài)的向量。BiGRU模型在本實施例中采用了兩層BiGRU,第一層BiGRU的隱藏維度為128,第二層BiGRU的隱藏維度為64。BiGRU能夠同時捕捉序列的前向和反向信息，因此輸出維度需要乘以2(每層有前向和反向兩個隱藏狀態(tài))。[0049]全局注意力機制的作用是基于BiGRU的輸出，對序列的每個時間步進行加權，選擇對分類任務最重要的時間步進行關注。這種機制允許模型自適應地聚焦于輸入序列中的關鍵部分，從而提升特征選擇能力。BiGRU的輸出會傳入注意力層，注意力機制根據(jù)每個時間步的重要性學習得到一個權重分布。這些權重會被用來加權BiGRU的輸出，從而提取出序列中最有信息量的部分。在時域和頻域的特征提取中，時域特征和頻域特征分別有128維的輸出，經(jīng)過注意力機制后，時域和頻域的特征都會被加權以突出重要特征。通過全局注意力機制，模型能夠自動選擇信號中最有用的部分，不僅可以提高性能，還能夠增強模型的解釋性。[0050]在時域和頻域特征經(jīng)過BiGRU和全局注意力機制的處理后，將得到兩個128維的特征向量，它們分別來自時域和頻域的注意力層。這兩個特征向量會通過拼接操作(torch.cat())合并成一個256維的特征向量。拼接操作的意義在于，它將時域和頻域信號提取到的關鍵信息結合在一起，從而為后續(xù)分類提供一個更加豐富的特征表示。該256維的特征向量綜合了信號在時間和頻率域上的信息，增強了分類模型的表達能力。[0051]本實施例采用的損失函數(shù)并非采用傳統(tǒng)的交叉熵函數(shù)，而是采用FocalLoss損失函數(shù)，F(xiàn)ocalLoss通過對難分類樣本施加更大的權重，有效提升了模型對少數(shù)類別的分類精度，從而提高了整體識別效果。[0052]優(yōu)選地，所述損失函數(shù)LoSSFL=-a(1-Pt)"1g(pt);獲取訓練數(shù)據(jù)集，最后基于所述損失函數(shù)以及訓練出具及對分類預測模型進行批量訓練，[0056]傳統(tǒng)的FocalLoss中平衡因子和調節(jié)因子通常在實驗開始前基于經(jīng)驗設定為固定值，如α=0.25,無法適應不同訓練階段的動態(tài)數(shù)據(jù)分布。為了更好地適S3,在所述分類預測模型的每個訓練批次中，計算少數(shù)類樣本數(shù)量Nminor與多數(shù)[0057]S4,根據(jù)所述比值動態(tài)調整平衡因子;其中，e表示自然常數(shù)，β類別。當某個類別的樣本數(shù)量遠少于其他類別時，該類別的樣本被稱為少數(shù)類樣本。相本數(shù)量均為225,則少數(shù)類樣本數(shù)量為100,多[0060]預設的第一敏感度參數(shù)是一個經(jīng)驗值，其取值范圍可設為5-20,用于控制平衡因[0061]函數(shù)通過Sigmoid激活函數(shù)動態(tài)調整平衡因子α,其核心作用是[0062]基于每個訓練批次的少數(shù)類/多數(shù)類樣本數(shù)量比值r,調整調整平衡因子α以平衡S5,獲取當前訓練批次損失值Lcurrent以及上一個訓練批次損失值Lprevious,根據(jù)所述當前訓練批次損失值以及上一個訓練批次損失值計算損失值變化率調整過程平滑，避免梯度爆炸。7通常設置為0.1-0.5,避免Y調整幅度過大導致訓練不穩(wěn)注。在目標檢測任務中，當模型對簡單背景樣本快速收斂(L為負且大),Y可降低至2,減少對簡單樣本的權重；當模型陷入局部最優(yōu)(L接近0),Y可提升至5,強制關注難分類樣本。[0069]函數(shù)γ=Ybase+η·tanh(δ·L)通過結合損失值變化率和雙曲正切函數(shù)tanh,可實現(xiàn)對調節(jié)因子的動態(tài)調整，其核心作用是根據(jù)模型訓練過程中的收斂狀態(tài)，動態(tài)平衡對易分類樣本和難分類樣本的關注程度，從而提升模型魯棒性和收斂效率。[0070]即是說，通過函數(shù)γ=Ybase+η·tanh(δ·L),模型能夠自適應不同訓練階段的需[0071]在其中一個實施例中，本發(fā)明提供一種多模塊深度學習的氣液兩相旋流流型識別系統(tǒng)，用于實現(xiàn)所述的氣液兩相旋流流型識別方法，如圖7理模塊以及模型構建模塊。[0072]數(shù)據(jù)采集模塊用于采集垂直管中螺旋氣流的壓差信號，根據(jù)所述壓差信號獲取壓降信號；數(shù)據(jù)處理模塊用于對所述壓降信號進行數(shù)據(jù)切片處理；模型構建模塊用于構建分類預測模型以及損失函數(shù)，基于所述損失函數(shù)對分類預測模型進行訓練。[0073]其中，所述分類預測模型包括CNN網(wǎng)絡、特征處理模塊、特征融合模塊以及全連接層。[0074]數(shù)據(jù)采集模塊用于采集垂直管中螺旋氣流的壓差信號，根據(jù)所述壓差信號獲取壓降信號；數(shù)據(jù)處理模塊用于對所述壓降信號進行數(shù)據(jù)切片處理。CNN網(wǎng)絡用于提取數(shù)據(jù)切片處理后的所述壓降信號的時域特征以及頻域特征；特征處理模塊用于通過依次雙向門控循環(huán)單元以及全局注意力機制對所述時域特征以及頻域特征進行增強處理，獲取增強后的時域特征以及頻域特征。[0075]具體而言，如圖8所示，本實施例采集垂直管中螺旋氣流壓降信號的實驗裝置主要由空氣和水兩個回路、垂直管、采集系統(tǒng)及相關的連接管路和閥門(流量調節(jié)閥)組成。實驗系統(tǒng)的基本工作流程為：(1)壓縮空氣由壓縮機提供，通過第一流量調節(jié)閥1控制流量大小，流經(jīng)第一流量計2進行流量大小的測量；水箱9中的水經(jīng)過多級離心泵10,通過第二流量調節(jié)閥3控制流量大小，流經(jīng)第二流量計4進行水的流量大小測量。[0076](2)氣液兩相流通過蜂窩混合器5混合后，流入透明有機玻璃組成的垂直管6,首先流入垂直管6的穩(wěn)定段，以保證流型的充分發(fā)展，起旋器7安裝在穩(wěn)定段出口，氣液兩相流流經(jīng)起旋器7后，在其下游形成氣液兩相螺旋流動；在起旋器7出口處及距起旋器7出口725mm處鉆測壓孔，安裝壓差傳感器測量該區(qū)間長度的壓差信號，記錄時間為60s、數(shù)據(jù)采集頻率為200Hz。[0077](3)垂直管6的出口流出的氣液混合流體通過旋風氣液分離器8進行分離，液相流回水箱9循環(huán)使用，空氣通過分離器的排氣口直接放空。[0078]數(shù)據(jù)處理模塊包括時域特征提取單元以及頻域特征提取單元。[0079]時域特征提取單元：時域信號特征提取部分使用了1維卷積來從時域信號中提取特征。卷積核的大小為3,即每次卷積操作會掃描一個大小為3的滑動窗口，聚焦于局部的時域特征。整個時域信號通過3組卷積操作進行逐步提取，具體結構為：第一組卷積：采用了2個卷積層，每個卷積層的輸出通道為32;第二組卷積：采用了2個卷積層，每個卷積層的輸出通道為64;第三組卷積：采用了2個卷積層，每個卷積層的輸出通道為128。在每組卷積之后，都緊接著進行最大池化操作(MaxPooling),池化操作的目的是通過減小信號的長度，逐步提取更加高級的特征。池化層有助于減小卷積結果的維度，使得特征的空間大小逐步縮小，減少后續(xù)計算的復雜度，并提取出信號的關鍵信息。[0080]頻域特征提取單元：頻域信號特征提取部分則是通過對信號進行傅里葉變換，將時域信號轉換為頻域信號。然后使用了3個1維卷積層來提取頻域特征，每個卷積層的通道數(shù)分別是16、32和64。與時域特征提取部分不同，頻域部分采用的是較少的卷積層，意味著頻域信號的特征維度相對較低。這些卷積操作的目標是通過在頻域中提取出信號的頻率成分，幫助模型理解頻率特性，從而補充時域特征提取中的信息，提升整體特征表示能力。[0081]通過上述時域和頻域并行的特征提取方式，模型能夠同時捕捉到信號在時間和頻率維度上的復雜特征，從而為后續(xù)的分類提供更加全面的信號表示，有效增強了特征的多維度表達能力。[0082]特征融合模塊用于對所述增強后的時域特征以及頻域特征進行特征融合處理，獲取融合特征向量；全連接層用于根據(jù)所述融合特征向量對所述螺旋氣流的流型進行分類預[0083]在時域和頻域特征經(jīng)過BiGRU和全局注意力機制的處理后，模型將得到兩個128維的特征向量，它們分別來自時域和頻域的注意力層。這兩個特征向量會通過拼接操作(torch.cat())合并成一個256維的特征向量，作為輸入送入全連接層進行最終分類。拼接操作的意義在于，它將時域和頻域信號提取到的關鍵信息結合在一起，從而為后續(xù)分類提供一個更加豐富全面的特征表示。這個256維的特征向量綜合了信號在時間和頻率域上的信息，增強了分類模型的表達能力，有助于提高對不同流型的辨識能力，尤其在復雜流型的識別中，能夠更好地體現(xiàn)信號的全局特征。[0084]所述模型構建模塊根據(jù)公式LosSFL=-a(1-Pt)1g(t)構建損失函數(shù)；其中，Pt表示對正確類別的預測概率，α表示平衡因子，Y表示調節(jié)因子。[0085]對于拼接后的256維特征向量會輸入到一個全連接層中進行最終的分類預測。全連接層的輸出維度為5,對應于5個分類任務中的每個類別。模型的最終輸出是一個5維向量，表示氣液流型屬于每個類別的概率分布。[0086]所述多模塊深度學習的氣液兩相旋流流型識別系統(tǒng)通過構建一個混合深度學習和全局注意力機制，成功實現(xiàn)了對氣液旋流流型的高精度識別，特別適應于復雜的工業(yè)環(huán)境中的多相流流型識別任務。該模型通過時域和頻域信號特征的并行提取，融合多尺度、多特征信息，能夠在高噪聲、復雜流型等挑戰(zhàn)性工況下提供精準的分類。相比傳統(tǒng)方法，本發(fā)明在復雜工況下展現(xiàn)出更強的魯棒性和適應性。通過自動化流程，本發(fā)明顯著提高了工業(yè)環(huán)境中的自動化水平，減少了人為錯誤和干擾，提升了氣液兩相旋流流型的監(jiān)測和智能分類能力，具有廣泛的工程應用價值。[0087]在其中一個實施例中，對所述模型進行實驗測試。本模型采用Adam優(yōu)化器，學習率設置為0.0002,并依據(jù)模型的評估性能動態(tài)衰減20%,以提升訓練的穩(wěn)定性與收斂速度。經(jīng)過多輪實驗驗證，最終訓練輪數(shù)設定為65輪。為全面評估模型性能，實驗采用訓練和損失值[0088]圖9展示了模型在訓練過程中準確率與損失函數(shù)的變化趨勢?？梢杂^察到，訓練準確率在初期快速上升，并在約第65輪后趨于飽和，最終達到100%;同時近于0,說明模型在訓練集上已充分擬合。驗證準確率整體呈上升趨勢，盡管在部分迭代階段存在一定波動，但波動幅度較小，且整體走勢穩(wěn)定，最終收斂至99.32%。這類輕微的抖動現(xiàn)象在深度學習訓練中較為常見，可能源于數(shù)據(jù)分布的不均衡或模型參數(shù)微調過程中的波動，但并未影響整體的收斂效果。該趨勢表明，模型在訓練過程中未出現(xiàn)明顯過擬合，具有良好的擬合能力與穩(wěn)定性。[0089]表1展示了五類旋流流型的分類性能評估指標。模型在五類流型上均展現(xiàn)出優(yōu)異的分類效果。五類流型的平均準確率為98.16%。其中螺旋間歇流與螺旋氣柱流流型的各項指標均達到100%,說明模型在這兩類流型上實現(xiàn)了完全準確的識別，既無誤判也無漏判，表明其特征明顯，易于模型區(qū)分。段塞流流型具有100%的精確率和96.67%的召回率，F(xiàn)1分數(shù)為98.31%,說明所有被預測為段塞流的樣本均為正確分類，但仍存在部分段塞流樣本未被識別，表現(xiàn)為小幅漏檢。螺旋環(huán)狀流流型在四項指標中表現(xiàn)均衡，準確率為96%,精確率與召回率接近，F(xiàn)1分數(shù)為96.48%,說明模型對該類流型的分類較為穩(wěn)定，但區(qū)分度略低于螺旋間隙流與螺旋氣柱流。攪拌流流型的召回率為98.33%,表明模型能識別大部分攪拌流樣本；但精確率為93.65%,為所有流型中最低，意味著部分其他類樣本被誤分為攪拌流，提示其特征可能與其他類樣本存在一定重疊?？偟膩碚f，模型在各類流型分類中表現(xiàn)出良好的準確性與泛化能力，特別在螺旋間隙流與螺旋氣柱流型上達到最優(yōu)識別效果，具有較強的工程應用價值。流型類別精確率(%)召回率段塞流螺旋環(huán)狀流螺旋間歇流攪拌流螺旋氣柱流[0091]表1五類流型的測試分類性能評估指標值螺旋氣柱流(SG)綜上所述，本發(fā)明通過快速傅里葉變換(FFT)實現(xiàn)對壓降信號的時頻特征聯(lián)合建依賴性與局部空間結構進行建模，突破了現(xiàn)有單一網(wǎng)絡結構在序列建?；蚓植刻卣魈崛≈械木窒扌浴Ｒ肴肿⒁饬C制后，模型能夠自動關注時序數(shù)據(jù)中最具區(qū)分度的特征段，提高對多類復雜流型(如螺旋環(huán)狀流、氣柱流等)的識別準確率。實驗證明，本發(fā)明在典型流型識別任務中準確率達到98.16%,明顯優(yōu)于現(xiàn)有模型的識別性能。相比部分需借助圖像、可視Nminor與多數(shù)類樣本數(shù)量Nmajor之間的比值;平衡因子調整模塊用于根據(jù)所述比值動態(tài)調整平衡因子;其中，e表示自然常數(shù)，β表示預設的第一敏感度[0094]函數(shù)通過Sigmoid激活函數(shù)動態(tài)調整平衡因子α,其核心作用是基于每個訓練批次的少數(shù)類/多數(shù)類樣本數(shù)量比值r,調整調整平衡因子α以平衡[0097]變化率獲取模塊用于獲取當前訓練批次損失值Lcurrent以及上一個訓練批次損失;調節(jié)因子調整模塊用于根據(jù)所述損失值變化率動態(tài)調整調節(jié)因子