CN104807589B - 一种集输-立管系统内气液两相流流型的在线识别方法 - Google Patents
一种集输-立管系统内气液两相流流型的在线识别方法 Download PDFInfo
- Publication number
- CN104807589B CN104807589B CN201510184600.2A CN201510184600A CN104807589B CN 104807589 B CN104807589 B CN 104807589B CN 201510184600 A CN201510184600 A CN 201510184600A CN 104807589 B CN104807589 B CN 104807589B
- Authority
- CN
- China
- Prior art keywords
- flow
- flow pattern
- defeated
- gas
- liquid
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Measuring Volume Flow (AREA)
Abstract
本发明公开了一种集输-立管系统内气液两相流流型在线识别方法,对待识别集输-立管系统的立管顶部压力信号进行预处理;通过统计参数计算和主成分分析,提取出一个包含三个主成分分量的特征参数向量,随后将这个特征参数向量输入预先训练好的最小二乘支持向量机多类分类器中,从而识别出立管顶部信号在第一类严重段塞流、第二类严重段塞流、向严重段塞流过渡的流型、振荡型严重段塞流和稳定流动的混合类流型这四个基本类别中的归属;当属于振荡型严重段塞流和稳定流动的混合类流型时,将待处理信号的两个频域内特征参数输入训练好的两类分类器来决定最终归属。本发明识别率高,可移植性强,现场适用性良好,能够有效满足在线识别要求。
Description
【技术领域】
本发明属于石油工程多相流检测技术领域,为一种气液两相流流型的识别方法。
【背景技术】
在海洋石油工业,油气两相流动的流型对油田的安全运行非常重要。工业中经常采用集输-立管系统的管线形式将油气资源从油井传输至处理平台。在传输过程中,集输-立管系统内的油气多相混合物经常呈现出多种流型,一些流型可以导致设备的损坏或产量的减少。因此,必须严格控制油气输运管道中的流型来保证生产的安全。
分析和判别集输-立管系统内气液两相流流型是进行有效控制的第一步,通常的方法是构建流型图,然而,基于稳态流量参数构建这些流型图费时费力,而且一些重要参数如分离器背压参数、各相的密度粘度、通道几何形状等对流型的影响均不能包含进流型图内。事实上,这些参数变化剧烈时,流型往往也区别很大。另外,不同的观察者缺乏对不同流型的定量和客观的描述,导致获得的流型图区别很大,特别是对流型过渡区域的认识,根据不同的观察者,所描述的现象均有不同。还有的流型判别方法是基于简化的一种或若干种典型流型下的流体动力学模型的计算结果,模型大多依赖系统进口或出口的流量等参数。而在实际油田中,想获得实时变化的流量等参数则是一件比较困难的事,油田通常能提供的都是油气的日产量,利用日产量作为机理模型的初始条件,会导致机理模型的准确度降低。
因此,利用流型图以及理论模型等流型辨别方法时,前人关于流型的研究结果并不能得到很好的统一。那么另外一种基于现场仪器实时监控信号,如含气率和压力压差等信号的流型判别的方法得到了越来越广泛的应用,而如今传感器和计算机价格的降低使得对两相流系统进行基于仪器的流型判别具有较强的吸引力。
但是,基于空隙率测量技术和压力压差信号测量技术的较为成熟的流型识别理论目前仍只局限在普通单管中的两相流动中。至于针对集输-立管系统内的两相流动,研究成果较少。Blaney和Yeung的研究结果也证实了在集输-立管系统内由于系统结构的不同导致即使是竖直立管中的流型也与普通竖直上升管中的流型有所不同。而且集输-立管系统中的多相流型转变关联式并没有如水平管或者竖直管中两相流的流型预测关联式普遍适用,在工业现场应用时也并不是完全适用。
在工业现场使用时,空隙率测量技术由于其仍处于实验室验证阶段,对于压力压差信号测量技术而言缺乏竞争力。压力压差测量技术由于安装简便,工业化较好,在流型识别方法中具有无可替代的优势,但是由于管路上可能安装有大量的压力压差传感器从而存在压力压差信号选择问题,即选择与流型紧密相关还是选择安装方便的矛盾。
信号的处理技术是基于仪器的流型识别技术的重要问题之一。常用的数据处理方法包括参数化和非参数化方法以及非线性特性参数提取法,但是针对复杂管路系统内流型识别的在线性,对信号的处理的实时性要求较高,需要利用简单快速的处理方法得到最准确和信息冗余度最小的参数。另外,由于不同系统的压力压差信号存在较大的差异,也需要针对不同系统建立信号处理的规范,使得识别技术更具适用性和推广性。
流型与特征参数的映射即流型规则的建立是流型识别技术的关键。通常可行的技术途径是采用人工神经网络(ANN)模式识别理论。人工神经网络具有较强的非线性拟合能力、鲁棒性和记忆能力,但是由于流型识别技术在推广过程中,样本数往往较少,且参数维数较高,支持向量机(SVM)能够较好的解决上述问题,也得到了较为广泛的应用。
【发明内容】
本发明的目的在于提供一种集输-立管系统内气液两相流流型的在线识别方法,以克服上述现有技术的不足;该方法基于立管顶部压力信号特性,准确性高,现场适用性好,移植性强且能够有效满足在线识别要求。
为了实现上述目的,所采用的技术方案是:
一种集输-立管系统内气液两相流流型的在线识别方法,包括以下步骤:对待识别的集输-立管系统的立管顶部压力信号P19进行预处理,包括10阶Haar小波去噪和均值-方差标准化,得到待处理的标准化信号P19 *;通过统计参数计算和主成分分析,提取出P19 *标准信号中一个包含前三个主成分分量的特征参数向量,随后将这个特征参数向量输入预先训练好的一个多类分类器中,从而识别出待识别的集输-立管系统的的立管顶部信号在第一类严重段塞流、第二类严重段塞流、向严重段塞流的过渡流型、振荡型严重段塞流和稳定流动的混合类流型这四个大类中的归属;当立管顶部压力信号P19属于振荡型严重段塞流和稳定流动的混合类流型时,将P19 *标准信号中频域下的两个特征参数{F5,F6}输入一个两类分类器中来决定最终的流型归属。
本发明主要解决识别信号采集和选择,信号处理和特征提取以及特征和流型映射三个方面的技术问题,其包括以下步骤:
1)集输-立管系统立管顶部压力信号的采集和压力波-流型关联数据库的建立
利用西安交通大学油气水多相流大型实验环路进行大量的气液两相流实验,设定较广的流量范围,选择不同的工质类型,配置不同的立管结构,在实验环路上测取不同位置处的压力信号。通过分析、归纳和总结前人文献中的实验结论以及本实验中的观察结果,将流型分为五类,选择立管顶部压力信号作为待分析的信号,将压力信号与流型强烈关联起来,建立一套完备的压力波-流型相关联的数据库。
2)立管顶部压力信号规范化预处理和特征参数向量的提取
采用小波分解和重构的去噪方法将原始的立管顶部压力信号进行滤波,并利用均值-方差归一化方法对不同工质和立管结构下的立管顶部压力信号进行标准化预处理,使不同条件下采集到的立管顶部压力信号均能进行定量的比较。对预处理后的立管顶部压力信号进行概率密度函数分布和功率谱密度分析,依据分析结果计算得到统计参数向量。利用主成分分析法对统计参数向量进行多变量分析,去除冗余参量,融合特征信息,提取表征立管顶部压力信号变化规律的特征参数向量。
3)建立流型识别规则,利用最小二乘支持向量机对流型样本进行训练并识别。
根据特征参数向量的聚类分析,在高维空间内,流型类别满足同类内聚,不同类离散的原则,具有较好的分离特性。对应着不同流型,将实验中获得的所有立管顶部压力信号特征参数参量构建为流型样本,从中选择出学习样本作为标准样本以确定区分不同流型类别的最小二乘支持向量机分类器的结构,利用组成该分类器的高维超平面分离函数对实验中以及现场的不同流型样本进行识别和测试。
优选的,技术方案步骤1)中所述的气液两相流压力信号为立管顶部压力信号,其采样频率为200Hz,采样时间为20min。
优选的,技术方案步骤2)中采集的立管顶部压力信号进行小波去噪和均值-方差标准化,所述小波为Haar小波,小波分解的层数为10层。
优选的,技术方案步骤2)中统计参数计算方法具体为:先计算标准化后压力信号的概率密度函数分布和功率谱密度,再计算出的统计参数为压力信号的绝对值的平均值、绝对值的方差、偏度系数、峭度系数、功率谱发展到25%、50%、70%、90%、95%总功率时的频率与功率谱发展到99%总功率时的频率的比值、功率谱的0阶、1阶、2阶矩共12个参数。
优选的,技术方案步骤2)中统计参数的融合采用的是主成分分析法,利用主成分分量对统计参数的累积贡献率阈值(ACR)来确定表征流型的特征参数向量;所述的累积贡献率阈值为85%,所述的特征参数向量为一个三元素的向量,分别为统计参数主成分分析后第一、第二和第三主成分分量。
优选的,技术方案步骤3)中所述的最小二乘支持向量机两类分类器的函数表达式为:
上式中,xk∈Rn表示k维输入向量,yk∈{-1,1}表示k维类别输出向量,sgn(·)表示符号函数,ψ(·)为径向基核函数,αk为拉格朗日算子,b为分类器常数系数,N为流型样本数。
优选的,技术方案步骤3)中所述的最小二乘支持向量机分类器分为两个部分:1)在第一、第二和第三主成分分量构成的三维特征空间内构建共6个如上所述的最小二乘支持向量机两类分类器函数并采用“投票”方式用于识别出第一类严重段塞流(SSI)、第二类严重段塞流(SSII)、向严重段塞流的过渡流型(SST)以及振荡型严重段塞流(OSC)和稳定流动(ST)的混合类流型;2)在功率谱发展到25%和50%总功率时的频率与功率谱发展到99%总功率时的频率的比值F5和F6两个统计参数构成的二维特征空间内构建1个如上所述的最小二乘支持向量机两类分类器函数用于识别出振荡型严重段塞流(OSC)和稳定流动(ST)。
优选的,技术方案步骤3)中所述的最小二乘支持向量机训练样本为在集输-立管系统中试验获取的300组压力信号计算所得的特征参数向量,每种流型各60个。
相对于现有技术,本发明具有以下有益效果:
本发明基于压力信号的流型信号处理技术,通过采集和处理气液两相流压力信号,引入统计学理论计算获得表征流型特性的特征参数向量,再通过最小二乘支持向量机构建各类的分类函数得到流型识别规则和对流型进行分类。本发明针对目前复杂管路系统内气液两相流流型在线识别理论和技术上的需求,提出了在经典统计学分析方法基础上,通过对立管顶部压力信号的统计参数进行二次挖掘,使用最小二乘支持向量机进行分类的方法实现了集输-立管系统内气液两相流流型的在线识别。该方法填补了相关领域内的空白,克服了目前流型识别方法难于实际应用的缺陷,可移植性强,通用性好,适用范围广泛,能够有效满足流型在线识别的要求。
【附图说明】
图1为进行气液两相流实验的集输-立管系统结构示意图。
图2为五种典型流型与立管顶部压力信号波动特性的关联图;其中图2(a)为第一类严重段塞流示意图;图2(b)为第二类严重段塞流示意图;图2(c)为向严重段塞流的过渡流型示意图;图2(d)为振荡型严重段塞流示意图;图2(e)和图2(f)为稳定流动示意图。
图3为主成分分量去冗余度原理图。
图4(a)为提取出的特征参数向量{PC1,PC2,PC3}构成的三维特征空间中{PC1,PC3}的二维分解图;
图4(b)为提取出的特征参数向量{PC1,PC2,PC3}构成的三维特征空间中{PC1,PC2}的二维分解图;
图4(c)为提取出的特征参数向量{PC1,PC2,PC3}构成的三维特征空间中{PC2,PC3}的二维分解图;
图4(d)为提取出的特征参数向量{PC1,PC2,PC3}构成的三维特征空间示意图;
图5为特征参数数向量{F5,F6}构成的二维特征空间图。
图6为基于集输-立管系统立管顶部压力信号的气液两相流流型在线识别流程图。
【具体实施方式】
下述实施例中所使用的实验方法如无特殊说明,均为常规方法。
下述实施例中所用的材料、试剂等,如无特殊说明,均可从商业途径得到。
下述实施方式中所用的数学符号,如无特殊说明,均为表示常规定义。
结合附图1~6,下面详细说明本发明的具体实施方式。
本发明一种集输-立管系统内气液两相流流型的在线识别方法,通过在实验室内多相流实验环路上获取大量气液两相流压力信号数据,建立压力波特性与流型一一对应的关系,运用小波去噪法和均值-方差归一化法实现压力信号的标准化处理,根据概率密度函数分布和功率谱密度计算方法以及主成分分析基本原理,将流型信息进行融合,获得表征集输-立管系统内气液两相流不同流型类别的客观的特征参数向量,以特征参数向量为基础构建不同流型类别的标准流型样本,并通过训练最小二乘支持向量机分类器函数,实现对集输-立管系统内气液两相流流型的在线识别。主要包括气液两相流压力信号选择和采集、信号特征参数向量提取、对应流型规则分析、最小二乘支持向量机分类器函数学习和训练、未知流型样本的检验和在线识别等方面。
(1)所述的集输-立管系统内气液两相流压力信号的选择和采集包括气液两相流实验、特征压力信号的筛选以及特征压力信号的数据采集三个基本环节。
针对国内外缺乏在大型集输-立管系统内相关气液两相流的规律性实验结果,本发明对该系统中气液两相流的流型变化进行了大量的实验研究。气液两相流流实验在西安交通大学动力工程多相流国家重点实验室内的油气水多相流大型实验环路上进行,实验管段内径50mm,全长133m,高15.3m,由水平环道、下倾管段和立管系统三个部分组成。所述的立管系统分为三种,一种为垂直立管,内径为50mm,一种为S型柔性立管,分为50mm和64mm内径两种。该系统如图1所示。依据典型流型图,设定较为宽广的流速范围(0~10m/s),流动工质分别为空气-水,空气-白油,空气-白油-水三种,其中空气-白油-水条件下又设置多种液相含水率(0%,30%,5-%,70%,90%)。采用压阻式压力传感器对实验系统的立管顶部压力信号(P19)在上述多种实验条件下进行采集,设定采样频率200Hz,采样时间为20min,得到集输-立管系统内该点的压力随时间变化的曲线图,本发明共采集到571列立管顶部压力波动信号。通过总结文献中的分析,并对照本发明的实验结果,本发明共涉及五种典型流型,如图2所示,分别为图2(a)第一类严重段塞流(SSI)、图2(b)第二类严重段塞流(SSII)、图2(c)向严重段塞流的过渡流型(SST)、图2(d)振荡型严重段塞流(OSC)以及图2(e/f)稳定流动(ST),其中稳定流动包含立管内泡状流和弹状流两种,由于对油田生产危害较小,不做明确区分,统一为稳定流动。通过图2,将五种典型流型与立管顶部压力信号(P19)波动特性进行了相关联。
(2)所述的立管顶部压力信号标准化预处理和特征参数向量的提取包括该点压力信号滤波、均值-方差标准化预处理、计算标准信号的统计参数向量、统计参数向量冗余度分析以及表征流型的特征参数向量提取等环节。
①利用小波分解和重构去噪方法将原始压力信号进行滤波
采用Mallat算法,选用哈尔(Haar)小波对每一列立管顶部原始的压力信号在其频带上进行10层分解,减除信号中的高频部分,得到其低频部分并对低频部分进行信号重构,获得噪音干扰相对较少的该点压力信号波动。
②滤波后立管顶部压力信号的标准化预处理
为了消除不同条件下做出的实验结果中立管顶部压力信号在维度和量纲上的差异,本发明选择均值-方差标准化方法,对滤波后的每一列立管顶部压力信号进行预处理。均值-方差标准化方法可用如(1)式描述的数学方法进行计算:
其中,为标准化后的立管顶部压力信号;pi为滤波后的立管顶部压力信号/Pa;为滤波后的立管顶部压力信号的平均值/Pa;S为立管顶部压力信号的样本方差/Pa2。
③标准化后立管顶部压力信号的统计参数
为了简化特征参数提取的计算方法,本发明主要使用经典统计学中的概率密度函数(PDF)和功率谱密度分布(PSD)计算方法对标准化后的立管顶部压力信号进行统计分析,如式(2)和(3)所示的数学公式分别计算PDF和PSD:
其中,P{}表示利用无限小区间内的频数代替的概率密度函数,Sx(ω)为半功率谱密度估计,N为信号长度,X(ejω)是信号的离散傅里叶变换,如式(4)所示:
其中,x(n)为立管顶部压力信号时间离散序列。
为降低流型识别分类器输入参数维数,提升分类器训练和学习效率,将概率密度函数(PDF)和功率谱密度分布(PSD)分析结果用统计参数进行定量描述,对每一列立管顶部压力信号共计算出一个包含12个统计参数的向量,每个统计参数均考虑了标准化的信号均值为0,方差为1的特性,并且均进行了无量纲处理,以保证所计算的统计参数具有较好的推广性和普适性,其计算方法如表1所示。
表1各统计参数的数学定义
其中,fx%表示功率谱发展到x%总功率时的频率。
④统计参数向量的主成分分析及表征流型的特征参数向量的提取和融合
本发明采用主成分分析(Principal Component Analysis,PCA)来提取各流型的特征参数,进行各统计参数的信息融合,以避免统计参数选择上的随意性以及流动信息的分散性。具体计算方法如下:
记上述12个统计参数向量为x={F1,F2,F3,…,Fp}T(p=12),在进行信息融合之前首先使用均值-方差标准化方法去除各统计参数之间的量纲差异,假设共采集了M列立管顶部压力信号,通过(2)中①②③三个步骤共可得到M个参数向量,将M个统计参数向量组合成一个参数矩阵X(M×p),即X={x1,x2,…,xM}T。所述信息融合指将统计参数中包含的流型信息聚集在一系列为原统计参数线性组合的变量上的过程,这些变量相互正交,称作主成分分量,其中,第一主成分分量对应参数矩阵X的协方差矩阵的最大特征值,表明各统计参数到该最大特征值对应的特征向量的空间距离最近,对原统计参数贡献最大,包含流动的最大信息量。其余11个主成分分量以此类推,那么第j个主成分分量PCj可以由式(5)决定:
其中,x为统计参数向量x的一个分量F;μ为统计参数向量x的样本平均值;aij为权重系数。权重系数aij是参数矩阵X的协方差矩阵Σ的一个特征值向量,X的协方差矩阵如式(6)所示,
考虑各个主成分分量对各个原统计参数从强到弱的贡献程度,主成分分量的维度可以进行缩减,使得分类器更加有效而且不需进行大量的数学运算。本发明采用累积贡献率(ACR)法,通过计算贡献度即前m个主成分分量对应的特征值λ所占总的特征值的比例d,作为缩减主成分分量维度的阈值,即满足下式:
在本发明中,d取为85%,图3所示为主成分分量对应的协方差矩阵Σ的特征值与累积贡献率,从而本发明中提取的表征集输-立管系统内气液两相流流型的特征参数向量为前三个主成分分量构成的一维向量{PC1,PC2,PC3}。
(3)所述的流型规则建立和识别包括特征参数向量在特征空间内的聚类规则,最小二乘支持向量机分类器函数学习和训练、未知流型样本的检验和在线识别环节。
①流型识别规则
根据多相流动力学基本规律,流型必定存在于一定的特征空间内,从而成为各类流型可分的基础。对新提取的特征参数向量,必然存在一个特征空间,在特征空间内,同类流型满足近内聚原则,不同类流型满足远间距原则。图4中以{PC1,PC2,PC3}三个参数构成的三维特征空间分布表明,对所有实验工况,除振荡型严重段塞流(OSC)和稳定流动(ST)聚类在一起,其他流型类别各有其聚类中心,且相互之间分离特性较好。
为有效解决振荡型严重段塞流(OSC)和稳定流动(ST)聚类在一起的分离问题,本发明采用主成分分析计算中第一主成分权重系数最大的两个统计参数{F5,F6}构成特征空间对振荡型严重段塞流(OSC)和稳定流动(ST)两类进行分离,如图5所示。
②最小二乘支持向量机分类器函数学习和训练
为解决上述流型识别规则非线性分类问题以及实际人工智能分类中用于训练分类器的有限统计样本的问题,本发明采用基于统计学习理论的最小二乘支持向量机分类方法,可以有效地克服神经网络等其他人工智能方法在小样本、非线性、高维数、局部极小点方面遇到的实际问题。
对于两种类别的分类,采用最小二乘支持向量机,目的在于建立如下分类函数:
其中,xk∈Rn表示k维输入向量,yk∈{-1,1}表示k维输出向量,表示将输入空间映射入高维空间的函数,N为训练样本数。待定变量ω,b都归于求解最小化问题:
其中,ek为附加松弛变量,γ为惩罚因子,通过样本采用网格搜索和交叉验证法进行最优化训练得到。利用径向基核函数代替的内积:
最终可得最小二乘支持向量机两类分类器函数的最终形式:
对于多种类别的分类,本发明采用“一对一”的方法,即若存在m个类别,则构造出m(m-1)/2个两类分类器,每次判别时选一个类的样本做正类样本,而负类样本也只选一个类,让对应分类器对未知样本进行判别,即“投票”过程,以此类推,直到每个分类器对类别都做出“投票”后,统计出“得票”最多的类别,则待判别的特征为此类别。
最小二乘支持向量机分类器函数中各未知参数的估计需确定流型训练样本,流型训练样本选择在步骤(1)中获得的571组立管顶部压力信号中的300组信号通过步骤(2)中①②③④计算而得,每种流型挑选出60个实验点,从而保证训练样本的典型性。
③未知流型样本的检验和在线识别
按照附图6中的流程进行未知流动的流型在线识别,具体步骤是:
首先,通过对原始压力信号P19进行滤波和标准化处理,计算出标准信号P19*的12个统计参数和PCA主成分分析,提取出一个包含3个主成分分量的特征参数向量,随后将这个特征参数向量输入进预先构建好的多类分类器中,从而判断测试的P19信号在第一类严重段塞流、第二类严重段塞流、向严重段塞流过渡的流型、振荡型严重段塞流和稳定流动的混合类流型中所属的类别。当P19信号属于稳定流动、振荡流型和类第一类严重段塞流的混合类流型时,启用另外一个使用P19*的两个特征参数{F5,F6}作为输入的两类分类器来决定最终的流型类别。
本发明经过在线流型识别的检验,平均识别率达到了90%,结果如表2所示。
表2未知流型在线识别结果
Claims (9)
1.一种集输-立管系统内气液两相流流型的在线识别方法,其特征在于,包括以下步骤:
对待识别的集输-立管系统的立管顶部压力信号P19进行预处理,包括10阶Haar小波去噪和均值-方差标准化,得到待处理的标准化信号P19 *;通过统计参数计算和主成分分析,提取出P19 *标准信号中一个包含前三个主成分分量的特征参数向量,随后将这个特征参数向量输入预先训练好的一个多类分类器中,从而识别出待识别的集输-立管系统的的立管顶部信号在第一类严重段塞流、第二类严重段塞流、向严重段塞流的过渡流型、振荡型严重段塞流和稳定流动的混合类流型这四个大类中的归属;当立管顶部压力信号P19属于振荡型严重段塞流和稳定流动的混合类流型时,将P19 *标准信号中频域下的两个特征参数{F5,F6}输入一个两类分类器中来决定最终的流型归属;
所述的一个两类分类器的构造函数为:
即等价于,
在最小二乘支持向量机求解过程中,待求变量ωT,b的方法在于求解下述最优化问题,
利用拉格朗日求极值的方法,求解ωT,b,并得到下述分类器的最终表达形式,
式中,
上述各公式中,xk∈Rn表示k维输入向量,yk∈{-1,1}表示k维类别输出向量,sgn(·)表示符号函数,J(·)表示待优化的目标函数,ψ(·)为径向基核函数,表示将输入空间映射入高维空间的函数,αk为拉格朗日算子,ek为附加松弛变量,γ为惩罚因子,N为流型样本数。
2.根据权利要求1所述的一种集输-立管系统内气液两相流流型的在线识别方法,其特征在于,所述的一个多类分类器的构造采用“一对一”的方法,即若存在m个类别,则构造出m(m-1)/2个权利要求1中所述的两类分类器,每次判别时选一个类的样本做正类样本,而负类样本也只选一个类,让对应的两类分类器对未知样本进行判别,即“投票”过程,以此类推,直到每个分类器对类别都做出“投票”后,统计出“得票”最多的类别,则待判别的特征为此类别。
3.根据权利要求2所述的一种集输-立管系统内气液两相流流型的在线识别方法,其特征在于,分类器通过以下步骤获得:1)气液两相流压力信号的选择和采集;2)基于概率密度函数分布和功率谱密度的压力信号统计参数的选择和分析;3)基于主成分分析法的多参数的提取和融合以形成新的指示流型的特征参数向量;4)利用最小二乘支持向量机对由3)中提取和融合后的特征参数向量形成的流型样本进行训练,利用权利要求2和权利要求3中的计算方法确定不同流型类别的最小二乘支持向量机高维超平面分离函数,建立流型识别分类器函数。
4.根据权利要求3所述的一种集输-立管系统内气液两相流流型的在线识别方法,其特征在于,所述步骤1)的气液两相流压力信号为立管顶部压力信号,其采样频率为200Hz,采样时间为20min;所述的信号预处理方法,包括10阶Haar小波去噪方法和均值-方差标准化方法。
5.根据权利要求3所述一种集输-立管系统内气液两相流流型的在线识别方法,其特征在于,所述步骤2)的统计参数为标准化信号的绝对值的平均值、绝对值的方差、偏度系数、峭度系数、功率谱发展到25%,50%,70%,90%及95%的频率比值、功率谱的无量纲0阶、1阶、2阶矩,共12个参数。
6.根据权利要求3所述的一种集输-立管系统内气液两相流流型的在线识别方法,其特征在于,所述步骤3)中统计参数的融合采用的是主成分分析法,利用主成分分量对统计参数的累积贡献率阈值来确定表征流型的特征参数向量;所述的累积贡献率阈值为85%,所述的特征参数向量为一3元素的向量,分别为第一、第二和第三主成分分量。
7.根据权利要求3所述的一种集输-立管系统内气液两相流流型的在线识别方法,其特征在于,所述流型分类器分为两个部分:1)在第一、第二和第三主成分分量构成的三维特征空间内构建非线性分类函数用于识别出第一类严重段塞流(SSI)、第二类严重段塞流(SSII)、向严重段塞流的过渡流型(SST)以及振荡型严重段塞流(OSC)和稳定流动(ST)的混合类;2)在功率谱发展到25%和50%总功率时的频率与功率谱发展到99%总功率时的频率的比值F5、F6构成的二维特征空间内构建非线性分类函数用于识别出振荡型严重段塞流(OSC)和稳定流动(ST)。
8.根据权利要求1所述的一种集输-立管系统内气液两相流流型的在线识别方法,其特征在于,所述的两个频域内的特征参数{F5,F6}分别为:
fx%表示功率谱发展到x%总功率时的频率,表达式为:
式中,x表示功率百分比值,S(f)为使用快速傅立叶变换(FFT)得到的归一化功率谱密度(PSD)函数。
9.根据权利要求7所述的一种集输-立管系统内气液两相流流型的在线识别方法,其特征在于,非线性分类函数构建方法采用最小二乘支持向量机的机器学习方法,所述的最小二乘支持向量机训练样本为在某集输-立管系统中试验获取的300组压力信号计算所得的特征参数向量,每种流型各60个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510184600.2A CN104807589B (zh) | 2015-04-17 | 2015-04-17 | 一种集输-立管系统内气液两相流流型的在线识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510184600.2A CN104807589B (zh) | 2015-04-17 | 2015-04-17 | 一种集输-立管系统内气液两相流流型的在线识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104807589A CN104807589A (zh) | 2015-07-29 |
CN104807589B true CN104807589B (zh) | 2017-03-01 |
Family
ID=53692614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510184600.2A Active CN104807589B (zh) | 2015-04-17 | 2015-04-17 | 一种集输-立管系统内气液两相流流型的在线识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104807589B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102126394B1 (ko) * | 2018-11-14 | 2020-06-24 | 서울대학교산학협력단 | 가속도계를 이용한 유동 모니터링 방법 및 시스템 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105806591A (zh) * | 2016-03-17 | 2016-07-27 | 西安交通大学 | 基于沿程信号耦合的气液两相流整体流型快速识别方法 |
CN105806643B (zh) * | 2016-05-24 | 2018-07-13 | 中国矿业大学 | 一种除尘器气液混合状态的识别方法和装置 |
CN106934138B (zh) * | 2017-03-06 | 2019-12-13 | 中国石油大学(北京) | 内输气液两相段塞流的海底管道悬跨段振动特性分析方法 |
CN106951845B (zh) * | 2017-03-10 | 2023-06-27 | 中国石油大学(华东) | 集输立管系统气液两相流流型判别方法及系统 |
CN108593191A (zh) * | 2018-03-05 | 2018-09-28 | 中国矿业大学 | 一种湿式除尘设备气液两相流型识别方法 |
CN109458561B (zh) * | 2018-10-26 | 2023-07-07 | 西安交通大学 | 油气集输立管系统有害流型的预警方法、控制方法及系统 |
CN110796155A (zh) * | 2019-07-12 | 2020-02-14 | 大港油田集团有限责任公司 | 一种基于聚类算法的原油含水数据分析方法 |
CN115825222B (zh) * | 2022-12-27 | 2024-06-04 | 天津大学 | 一种基于超声波技术辨识段塞流结构的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102410391B (zh) * | 2011-08-01 | 2013-07-10 | 西安交通大学 | 消除集输-立管系统严重段塞流的实时节流装置及方法 |
-
2015
- 2015-04-17 CN CN201510184600.2A patent/CN104807589B/zh active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102126394B1 (ko) * | 2018-11-14 | 2020-06-24 | 서울대학교산학협력단 | 가속도계를 이용한 유동 모니터링 방법 및 시스템 |
Also Published As
Publication number | Publication date |
---|---|
CN104807589A (zh) | 2015-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104807589B (zh) | 一种集输-立管系统内气液两相流流型的在线识别方法 | |
Farsadnia et al. | Identification of homogeneous regions for regionalization of watersheds by two-level self-organizing feature maps | |
CN108564229A (zh) | 一种基于arima模型的工业污水进水量预测的方法 | |
CN103245907B (zh) | 一种模拟电路故障诊断方法 | |
Kovács et al. | Classification into homogeneous groups using combined cluster and discriminant analysis | |
CN112506990B (zh) | 一种基于时空信息的水文数据异常检测方法 | |
CN108985380B (zh) | 一种基于聚类集成的转辙机故障识别方法 | |
CN101984340B (zh) | 一种基于人工智能的软性磨粒两相湍流流型识别方法 | |
CN107273924B (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
CN101178703B (zh) | 基于网络分割的故障诊断谱聚类方法 | |
CN108445752A (zh) | 一种自适应选择深度特征的随机权神经网络集成建模方法 | |
CN109146144A (zh) | 基于改进贝叶斯网络的滑坡灾害预测方法 | |
CN107463993A (zh) | 基于互信息‑核主成分分析‑Elman网络的中长期径流预报方法 | |
CN108595414A (zh) | 基于源汇空间变量推理的土壤重金属企业污染源识别方法 | |
CN101710422B (zh) | 基于全局流形原型聚类算法与分水岭算法的图像分割方法 | |
CN103530818A (zh) | 一种基于brb系统的供水管网建模方法 | |
CN103967478A (zh) | 一种基于电导探针的垂直井流型辨识方法 | |
Mishra et al. | Rainfall-runoff modeling using clustering and regression analysis for the river brahmaputra basin | |
CN110472689A (zh) | 基于集成高斯过程回归的有杆泵抽油井动液面软测量方法 | |
CN116702638A (zh) | 排水管道淤积病害双层智能诊断方法及系统 | |
Zemzami et al. | Improvement of artificial neural networks to predict daily streamflow in a semi-arid area | |
Gholami Rostam et al. | Precipitation forecasting by large-scale climate indices and machine learning techniques | |
CN117078077A (zh) | 一种高速公路路域的生态脆弱性评价方法 | |
Yang et al. | An intelligent singular value diagnostic method for concrete dam deformation monitoring | |
CN103616889A (zh) | 一种重构样本中心的化工过程故障分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |