本发明涉及气液两相及油气水多相流领域，尤其适用于多相流量计标准装置测试点的自动选取。
背景技术：
1、多相流量计不同于传统的单相流量计，它通常内置有多个测量传感器和专用软件程序，其计量性能的测试评价具有特殊性和复杂性。多相流工况条件复杂，流量点由油气水三相介质中的两相或三相按不同的比例构成，还需要考虑温度、压力、含水率、含气率等影响因素，同时存在流型流态及相变问题，是一个依据流量计测量范围、影响因素及多相流量计标准装置测试能力统筹确定的多维测试矩阵，测试点数量多，排列组合方式复杂。
2、目前国内外还没有统一的多相流量计测试评价矩阵选取方法，多相流量计测试点的选取主要采用人工选点的方式，无法实现自动化，存在人为影响因素大、自动化水平低、测试评价效率低、无法合理分配测试点的问题。多相流量计标准装置测试点自动选取，是实现流量计标准装置智能校准的关键环节。随着大数据、人工智能技术的发展，我们对该环节进行了科技攻关，首次将人工神经网络、模糊算法等智能算法应用于多相流量计标准装置校准点的智能选取，采用人工神经网络智能反向传播算法，结合历次测试数据的大数据分析，程序化植入大庆多相流量计标准装置测试矩阵选取规则的方式，完成了测试评价矩阵的自动精准优化，实现了多相流量计标准装置的智能、自动校准，提高了装置的测试评价效率。
技术实现思路
1、为解决油气水多相流量计标准装置在多参数复杂多变测试条件下，流量计评价测试点人工选取效率低，自动化水平低，无法实现多相流量计标准装置自动、高效智能校准的难题。本发明提供了一种基于优化测试矩阵的流量计装置测试点选取方法。采用人工神经网络智能反向传播算法，实现多相流量计测试评价矩阵的精准优化，完成多相流量计流量测试点自动选取，有效保证流量计性能评价方法的科学、高效性。
2、为实现上述目的，本发明提供如下技术方案：1、一种基于优化测试矩阵的流量计装置测试点选取方法，其特征在于，包括如下步骤：
3、s1：采用三层bp神经网络训练模型和遗传算法结合；
4、s2：建立多相流参数求解模型所需的数据库，提取大数据库中的流量实验数据筛选所需数据建立多参数数据库；
5、s3：通过遗传算法对bp神经网络的初始权矩阵的参数进行优化，利用数据库中多相流特征对每个个体求出其适应度，通过适应性评价确定最优权矩阵，建立遗传神经网络选点模型；
6、s4：利用多相流测试装置中温度、压力、分相含率参数作为神经网络输入层；测试点作为模型训练的输出标签。
7、s5：利用梯度搜索技术调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度，利用预训练的权重进行模型的微调，采用均方误差损失函数，计算模型的损失并结合adam优化算法进行参数的更新采用训练函数train优化测试矩阵算法和调节学习系数等参数。
8、s6：利用数据库创建测试数据集进行网络模型的评价，采用标准方均根误差作为评价指标。
9、作为本发明优选的方案，所述步骤s1中根据经验公式确定网络中各参数的值搭建初始神经网络模型，然后将初始权值作为遗传算法的输入，经过选择、交叉、变异操作，计算适应度值，得到最好的一组权值矩阵输入神经网络模型中，计算误差，调整各隐含层的权值，输出预测结果。
10、作为本发明优选的方案，所述步骤s2中建立多相流参数求解模型所需的数据库，提取大数据库中的流量实验数据筛选所需数据建立多参数数据库，是为保证神经网络迭代结果准确需要大量实验数据进行计算分析。
11、作为本发明优选的方案，所述步骤s3中随机形成初试种群，通过预期进化，采用mse适应度函数，通过数据库预输入得到种群的适应度值为选择算子提供支撑，再通过交换和变异和多次运算后获得bp神经网络初始权值。
12、作为本发明优选的方案，所述步骤s4中通过输入参数与测试流量点的对应关系和管道内流场系数的对应关系建立连接模型调节网络的中间层的处理单元数，采用蒙特卡洛策略梯度算法进行局部极小值搜索，通过人工神经网络反向传播算法可以迭代逼近任意函数的原理机进行反馈计算。
13、作为本发明优选的方案，标准方均根误差作为每个输入变量对神经网络性能影响的一个评估函数，考虑到迭代计算过程中的稳定性和收敛性，采用线性整流函数作为基本函数设置激发阈值来保证在迭代过程中的计算收敛。
14、作为本发明优选的方案，结合权利要求1-6所述的模型，神经网络同预遗传算法结合,先用遗传算法进行矩阵优化得到最优的权值输入bp神经网络模型中，计算误差，调整各隐含层的权矩阵参数，输出预测结果。
15、有益效果：本发明采取上述方案，采用智能学习算法对测试评价矩阵实现优化，减少重复测试点的选取，最大程度增加测试点覆盖范围，实现测试点的自动选取，减少人为因素影响，更有针对性地分析流量计计量性能的影响因素，提高流量计测试评价的可靠性。同时测试点的自动选取还可以与装置自动控制系统实现联动，最终达到全方位自动化的效果，提高装置测试评价效率，单台流量计校准时间由原来的(3～4)天缩短到(2～3)天。本发明使标准装置在评价时更具有智能化、数字化特点，测试评价结果更加科学合理。
1.一种基于优化测试矩阵的流量计装置测试点选取方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于优化测试矩阵的流量计装置测试点选取方法，其特征在于，所述步骤s1中根据经验公式确定网络中各参数的值搭建初始神经网络模型，然后将初始权值作为遗传算法的输入，经过选择、交叉、变异操作，计算适应度值，得到最好的一组权值矩阵输入神经网络模型中，然后使用梯度搜索技术进行微调以提高模型性能，调整各隐含层的权值，输出预测结果。
3.根据权利要求1所述的一种基于优化测试矩阵的流量计装置测试点选取方法，其特征在于，所述步骤s2中建立多相流参数求解模型所需的数据库，提取大数据库中的流量实验数据筛选所需数据建立多参数数据库，是为保证神经网络迭代结果准确需要大量实验数据进行计算分析。
4.根据权利要求1所述的一种基于优化测试矩阵的流量计装置测试点选取方法，其特征在于，所述步骤s3中随机形成初始权值，采用二进制编码将神经网络的权重和拓扑结构进行编码作为初始种群输入，利用步骤s2中的数据库作为训练集对每个个体求出其适应度，作为选择算子的依据，采用mse函数作为适应度函数，通过轮盘赌选择，单点交叉，非均匀变异操作更新种群，利用新的种群进行适应性评价经过多次运算后得到神经网络初始权值。
5.根据权利要求1所述的一种基于优化测试矩阵的流量计装置测试点选取方法，其特征在于，所述步骤s4中通过输入参数与测试流量点的对应关系和管道内流场系数的对应关系建立连接模型调节网络的中间层的处理单元数，采用蒙特卡洛策略梯度算法进行局部极小值搜索，结合adam优化算法进行参数的更新，通过人工神经网络反向传播算法可以迭代逼近任意函数的原理机进行反馈计算。
6.根据权利要求1所述的一种基于优化测试矩阵的流量计装置测试点选取方法，其特征在于，标准方均根误差作为每个输入变量对神经网络性能影响的一个评估函数，利用训练集计算模型的损失函数，并通过adam算法调整模型的参数，考虑到迭代计算过程中的稳定性和收敛性，采用线性整流函数函数作为基本函数设置激发阈值来保证在迭代过程中的计算收敛。
7.据权利要求1所述的一种基于优化测试矩阵的流量计装置测试点选取方法，其特征在于，结合权利要求1-6所述的模型，神经网络同预遗传算法结合,先用遗传算法进行矩阵优化得到最优的权值输入bp神经网络模型中，经过遗传算法初始化权重后，通过gd微调来优化模型，采用权重作为初始值，并结合adam优化算法来更新网络参数，输出预测结果。
