CN113486607B - 多传感器信息核规范变量分析的气液两相流状态监测方法 - Google Patents

多传感器信息核规范变量分析的气液两相流状态监测方法 Download PDF

Info

Publication number
CN113486607B
CN113486607B CN202110750984.5A CN202110750984A CN113486607B CN 113486607 B CN113486607 B CN 113486607B CN 202110750984 A CN202110750984 A CN 202110750984A CN 113486607 B CN113486607 B CN 113486607B
Authority
CN
China
Prior art keywords
monitoring
flow
flow state
matrix
kcva
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
Application number
CN202110750984.5A
Other languages
English (en)
Other versions
CN113486607A (zh
Inventor
董峰
武文韬
张淑美
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN202110750984.5A priority Critical patent/CN113486607B/zh
Publication of CN113486607A publication Critical patent/CN113486607A/zh
Application granted granted Critical
Publication of CN113486607B publication Critical patent/CN113486607B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Monitoring And Testing Of Nuclear Reactors (AREA)

Abstract

本发明涉及一种多传感器信息核规范变量分析的气液两相流状态监测方法，其特征在于，包含有以下步骤：建模数据获取；建模数据归一化；利用KPCA方法实现流动状态多传感器测量信号的非线性映射，得到各流动状态的主成分特征；对第a个流动状态的主成分特征
Figure DDA0003144384630000011
进行规范变量分析，提取流动过程的动态时序特征构建多个KCVA监测模型；流动状态在线监测：遍历多个KCVA监测模型，通过与监测指标控制上限的对比，实现气液两相流流动状态的在线监测。

Description

多传感器信息核规范变量分析的气液两相流状态监测方法
技术领域
本发明属于多相流过程测试技术领域，涉及利用核规范变量分析(KernelCanonical Variate Analysis，KCVA)方法实现气液两相流流动过程的状态监测。
背景技术
多相流流动过程广泛存在于石油、化工等工业生产过程中，具有多变量、非线性、状态波动等典型的复杂过程特点，给工业生产带来了许多安全与经济问题。掌握多相流流动状态产生、发展及转化的过程，并建立模型实现流动过程的有效监测，对多相流问题的深入研究和实际生产的安全运行具有重要意义。
气液两相流呈现出几何与动力特征各异的流动状态，可通过流型定性描述。目前对气液两相流流动机理与动力学规律尚未完全掌握，难以建立准确描述复杂流动状态的机理模型。随着多传感器测量技术的不断进步，大量蕴含流动状态信息的数据可以被准确测量。通过数据分析可以获得描述流动过程的流速、含率、流量、相分布等流动参数信息。因此，基于两相流流动过程多传感器数据，挖掘反映流动特性的信息并建立模型可以实现流动状态监测。
基于数据的多元统计过程监测方法广泛应用于工业过程监测及故障诊断。常见的方法有：主成分分析方法(Principal Component Analysis，PCA)、独立成分分析方法(Independent Component Analysis，ICA)、费舍尔判别分析方法(Fisher DiscriminantAnalysis，FDA)和规范变量分析方法(Canonical Variate Analysis，CVA)等。多元统计过程监测方法的基本思想是将高维测量数据映射到低维特征空间，通过构建统计性能指标对过程状态进行监测和分析。
规范变量分析方法从历史数据与未来数据的相关性角度进行特征提取，更加适用于分析具有动态时序变化的数据。基于规范变量分析方法的过程监测与故障诊断技术最早由Negiz和Cinar在1997年提出。此后，CVA在生产过程的信息提取、状态监测和故障诊断方面实现了成功应用。CVA是一种线性降维方法，然而在许多实际工业过程中，复杂的多元过程数据往往需要非线性映射才能找到恰当的低维嵌入。最常用的一种非线性降维方法是基于核技巧对线性降维方法进行“核化”。核规范变量分析方法(Kernel Canonical VariateAnalysis，KCVA)通过核函数将非线性空间映射到高维线性空间，之后再进行规范变量分析。根据Samuel Raphael T等在基于核规范变量分析方法的非线性动态过程监测(Kernelcanonical variate analysis for nonlinear dynamic process monitoring)一文中所述，KCVA算法由KPCA算法和CVA算法组成。其中，KPCA方法将多元非线性数据投影到核空间后进行降维，得到主成分。之后对主成分进行规范变量分析获取具有时序动态信息的特征。
气液两相流流动过程具有典型的非线性、时变性特点。KCVA方法具有可以同时处理高维非线性数据变量间的互相关性和变量自身的时序相关性的优势，适用于分析气液两相流多传感器测量数据。且目前尚未有对气液两相流流动过程状态监测的应用。本发明结合多模型建模思想，利用KCVA方法建立多个气液两相流流动状态监测模型，实现流动过程监测。
发明内容
本发明的目的在于提出一种多传感器信息核规范变量分析的气液两相流状态监测方法，结合KPCA以及CVA方法的优势，解决传统规范变量分析方法对多维非线性数据不适用的问题。利用KCVA方法提取描述气液两相流流动状态非线性数据的动态时序特征，计算流动状态监测指标。通过核密度估计方法得到不同流动状态监测指标的控制上限，建立多个气液两相流流动状态KCVA监测模型，实现流动状态监测。技术方案如下：
一种多传感器信息核规范变量分析的气液两相流状态监测方法，其特征在于，包含有以下步骤：
(1)建模数据获取：气液两相流包括a个流动状态，获取气液两相流流动状态多传感器测量数据Xa(m×Na)，其中，m为多传感器测量信号的个数，Na为第a个流动状态测量样本的个数；
(2)建模数据归一化：
针对不同的气液两相流流动状态，分别将每一种流动状态的多传感器测量数据Xa进行归一化处理，得到归一化后的多传感器测量数据：
Figure BDA0003144384610000021
其中，μa和σa分别是第a个流动状态多传感器测量信号的均值和标准差；
(3)利用KPCA方法实现流动状态多传感器测量信号的非线性映射，得到各流动状态的主成分特征，该步骤由以下子步骤实现：
(3.1)对于归一化后的多传感器测量数据
Figure BDA0003144384610000031
选取径向基函数核K实现非线性映射，计算第a个流动状态的核矩阵Ka，Ka中每个元素Ki,j的计算公式为：
Figure BDA0003144384610000032
其中，xi和xj分别为第i个采样点和第j个采样点的多传感器测量信号组成的向量，γa为核参数，i,j＝1,2,…,Na；
(3.2)中心化核矩阵Ka：
Figure BDA0003144384610000033
其中，
Figure BDA0003144384610000034
为中心化后的核矩阵，
Figure BDA0003144384610000035
(3.3)进行广义特征值分解：
中心化后的核矩阵
Figure BDA0003144384610000036
通过广义特征值分解对角化：
Figure BDA0003144384610000037
其中，
Figure BDA0003144384610000038
代表Na个广义特征向量组成的矩阵，
Figure BDA0003144384610000039
是广义特征值从大到小排列构成的对角矩阵，转换矩阵
Figure BDA00031443846100000310
由Sa中具有最大特征值的前c列特征向量构成；
(3.4)通过转换矩阵
Figure BDA00031443846100000311
计算第a个流动状态的主成分特征：
Figure BDA00031443846100000312
(4)对第a个流动状态的主成分特征
Figure BDA00031443846100000313
进行规范变量分析，提取流动过程的动态时序特征构建多个KCVA监测模型，该步骤由以下子步骤实现：
(4.1)将时刻k第a个流动状态的主成分特征
Figure BDA00031443846100000314
分别扩展形成过去观测向量
Figure BDA0003144384610000041
和未来观测向量
Figure BDA0003144384610000042
构建过去观测矩阵
Figure BDA0003144384610000043
和未来观测矩阵
Figure BDA0003144384610000044
Figure BDA0003144384610000045
Figure BDA0003144384610000046
其中，p和f代表过去观测向量和未来观测向量的长度，下标Ma＝Na-f-p+1；
(4.2)计算过去和未来观测矩阵的协方差
Figure BDA0003144384610000047
Figure BDA0003144384610000048
和互协方差
Figure BDA0003144384610000049
构建Hankel矩阵Ha并对其进行奇异值分解：
Figure BDA00031443846100000410
其中，Ua和Va是奇异向量正交矩阵，Da是对角矩阵；Ua和Va成对相关，相关关系由Da中对角线特征值表示；
(4.3)按Da中对角线特征值由大到小的顺序重排Va中的特征向量；选择Va的前r列生成新的降维矩阵
Figure BDA00031443846100000411
进而得到变换矩阵Ja和La：
Figure BDA00031443846100000412
(4.4)通过变换矩阵Ja和La计算流动状态的规范变量Za和残差变量Ea，描述流动状态的动态时序相关性：
Figure BDA00031443846100000413
(4.5)计算每一时刻流动状态的监测指标：
Figure BDA00031443846100000414
式中，za和ea分别是规范变量和残差变量；对于第a个流动状态的KCVA监测模型，通过给定显著性水平α，依据核密度估计算法计算得到流动状态监测指标Ta 2和Qa的控制上限
Figure BDA00031443846100000415
和QUCL,a；
(5)流动状态在线监测：遍历步骤(4)建立的多个KCVA监测模型，通过与监测指标控制上限的对比，实现气液两相流流动状态的在线监测，该步骤由以下子步骤实现：
(5.1)监测数据归一化：利用建立KCVA监测模型时的均值和标准差对流动状态测试数据Xt进行归一化；
Figure BDA0003144384610000051
其中，Nt为流动状态监测数据样本的个数；
(5.2)计算监测数据的核矩阵
Figure BDA0003144384610000052
并对其进行中心化：
Figure BDA0003144384610000053
中每个元素Ki,j的计算公式为：
Figure BDA0003144384610000054
其中，xi和xj分别为
Figure BDA0003144384610000055
中第i个采样点和第j个采样点的多传感器测量信号组成的向量，γa为核参数，i,j＝1,2,…,Nt；
Figure BDA0003144384610000056
其中，
Figure BDA0003144384610000057
为监测数据中心化核矩阵，
Figure BDA0003144384610000058
(5.3)利用步骤(3)得到的转换矩阵
Figure BDA0003144384610000059
得到流动状态监测数据的主成分特征
Figure BDA00031443846100000510
Figure BDA00031443846100000511
(5.4)将k时刻的流动状态主成分特征向量
Figure BDA00031443846100000512
进行扩展，得到在线监测数据的过去观测向量：
Figure BDA00031443846100000513
(5.5)根据第a个流动状态KCVA监测模型的转换矩阵，计算测试数据的规范变量以及残差变量：
Figure BDA0003144384610000061
(5.6)流动状态监测：通过下式得到在线监测数据在第a个KCVA监测模型下的统计监测指标
Figure BDA0003144384610000062
和Qa,t，与第a个流动状态KCVA监测模型的控制上限
Figure BDA0003144384610000063
和QUCL,a比较；遍历多个KCVA模型，实现流动状态的有效监测；
Figure BDA0003144384610000064
若
Figure BDA0003144384610000065
和Qa,t均低于相应流动状态KCVA监测模型的控制上限
Figure BDA0003144384610000066
和QUCL,a，则判定当前流动状态属于该典型流动状态，流体流动稳定，状态未发生改变；若
Figure BDA0003144384610000067
和Qa,t均超出或有一个超出控制上限，则认为当前流动状态发生改变。
本发明利用核规范变量分析方法，建立了多个气液两相流流动状态KCVA监测模型，实现了流动过程的实时监测。通过核技巧实现了气液两相流多传感器测量数据的非线性降维，提高了对非线性流动过程的表征能力；并结合CVA方法在时序相关性问题处理方面的优势，实现了动态的流动状态特征提取。KCVA方法从数据的角度描述了气液两相流过程的动态流动特性，结合多模型建模思想建立了多个气液两相流监测模型，实现了流动过程的全面监测，提高了流动状态监测效果的准确性。
附图说明
图1为本发明的多传感器信息核规范变量分析的气液两相流状态监测方法流程框图；
图2为本发明的气液两相流动态实验装置示意图；
图3为本发明实施例选取的三个气水两相流的典型流动状态：(a)为层状流(b)为塞状流(c)为弹状流；
图4为本发明的实施例中三个气水两相流典型流动状态在KCVA监测模型下的监测结果图：其中(a-c)分别对应图3中的流动状态(a-c)；
图5为本发明的实施例中三个气水两相流典型流动状态在CVA监测模型下的监测结果图：其中(a-c)分别对应图3中的流动状态(a-c)；
具体实施方式
结合附图和具体实施例对本发明的多传感器信息核规范变量分析的气液两相流状态监测方法加以说明。
多传感器信息核规范变量分析的气液两相流状态监测方法，将传统工业过程中应用的多元统计过程监测方法应用于气液两相流流动状态监测。气液两相流过程是典型的非线性多模态时变过程。针对气液两相流多传感器数据的高维非线性特点，通过核函数处理数据的非线性映射关系。之后通过规范变量分析方法提取流动状态特征，利用规范变量及残差变量计算不同流动状态监测统计指标的控制上限，建立多个KCVA监测模型，实现气液两相流流动过程监测。图1所示，为本发明多传感器信息核规范变量分析的气液两相流状态监测方法的流程框图，具体分为建模与监测两个部分。
如图2所示为气液两相流动态实验装置示意图。在测试管道区域安装有电导环传感器、电容传感器、截面阵列式电阻传感器和压力传感器。采用多传感器测量方式，基于不同的敏感原理获取能多角度描述流动特性的数据。气水两相流动态实验获取的不同传感器测量数据进行如下预处理：
电导环传感器使用满水时的电压测量值Vw1对实际电压测量值Vm1归一化来表征含水率。
Figure BDA0003144384610000071
电容传感器采用满水时的电压测量值Vw2对实际电压测量值Vm2归一化来表征含气率。
Figure BDA0003144384610000072
截面阵列式电阻传感器由16个电极组成，其工作方式为相邻电流激励相邻电压检测，每帧包含208个测试数据。经下式预处理后形成16维时间序列，每个序列VRi都表示全场域对激励电极i的平均响应，反映了管道中流体的相分布信息。
Figure BDA0003144384610000073
其中，Vij为第i个激励电极下测量的第j个电压值，Vij0为管道内充满水时第i个激励电极下测量的第j个电压值。
选取三个(a＝1,2,3)典型的气水两相流流动状态为实施例，流动状态分别为层状流、塞状流、弹状流，如图3(a-c)所示。每种流动状态的建模数据Xa选取4000个采样点，多传感器测量信号变量共19个，包括：电导环传感器测量值1个，电容传感器测量值1个，压力传感器测量值1个，截面阵列式电阻传感器测量值16个。即每种流动状态的建模数据为Xa(19×4000)。本实施例中的流动状态监测测试数据选取层状流、塞状流、弹状流各1000个采样点，组成测试数据集Xt(19×3000)测试本发明提出的KCVA流动状态监测方法。
本发明的多传感器信息核规范变量分析的气液两相流状态监测方法，包括如下具体步骤：
(1)建模数据获取：气液两相流包括a个流动状态，获取气液两相流流动状态多传感器测量数据Xa(m×Na)。其中，m为多传感器测量信号的个数，Na为第a个流动状态测量样本的个数。
(2)建模数据归一化：
针对不同的气液两相流流动状态，分别将每一种流动状态的多传感器测量数据Xa进行归一化处理：
Figure BDA0003144384610000081
其中，μa和σa分别是第a个流动状态多传感器测量信号的均值和标准差。
(3)利用KPCA方法实现流动状态多传感器测量信号的非线性映射，得到各流动状态的主成分特征，该步骤由以下子步骤实现：
(3.1)对于归一化后的多传感器测量数据
Figure BDA0003144384610000082
选取径向基函数核K实现非线性映射，计算第a个流动状态的核矩阵Ka，Ka中每个元素Ki,j的计算公式为：
Figure BDA0003144384610000083
其中，xi和xj分别为第i个采样点和第j个采样点的多传感器测量信号组成的向量，γa为核参数，i,j＝1,2,…,Na。
(3.2)中心化核矩阵Ka：
Figure BDA0003144384610000091
其中，
Figure BDA0003144384610000092
为归一化后的核矩阵，
Figure BDA0003144384610000093
(3.3)进行广义特征值分解：
中心化后的核矩阵
Figure BDA0003144384610000094
可以通过广义特征值分解对角化：
Figure BDA0003144384610000095
其中，
Figure BDA0003144384610000096
代表Na个广义特征向量组成的矩阵，
Figure BDA0003144384610000097
是广义特征值从大到小排列构成的对角矩阵。转换矩阵
Figure BDA0003144384610000098
由Sa中具有最大特征值的前c列特征向量构成。
(3.4)通过转换矩阵
Figure BDA0003144384610000099
计算第a个流动状态的主成分特征：
Figure BDA00031443846100000910
(4)对第a个流动状态的主成分特征
Figure BDA00031443846100000911
进行规范变量分析，提取流动过程的动态时序特征构建多个KCVA监测模型，该步骤由以下子步骤实现：
(4.1)将时刻k第a个流动状态的主成分特征向量
Figure BDA00031443846100000912
分别扩展形成过去观测向量
Figure BDA00031443846100000913
和未来观测向量
Figure BDA00031443846100000914
然后构建过去观测矩阵
Figure BDA00031443846100000915
和未来观测矩阵
Figure BDA00031443846100000916
Figure BDA00031443846100000917
Figure BDA00031443846100000918
其中，p和f代表过去观测向量和未来观测向量的长度，Ma＝Na-f-p+1。
(4.2)计算过去和未来观测矩阵的协方差
Figure BDA00031443846100000919
Figure BDA00031443846100000920
和互协方差
Figure BDA00031443846100000921
构建Hankel矩阵Ha并对其进行奇异值分解。
Figure BDA0003144384610000101
其中，Ua和Va是奇异向量正交矩阵，Da是对角矩阵。Ua和Va成对相关，相关关系由Da中对角线特征值表示。
(4.3)按Da中对角线特征值由大到小的顺序重排Va中的特征向量。选择Va的前r列生成新的降维矩阵
Figure BDA0003144384610000102
进而得到变换矩阵Ja和La。
Figure BDA0003144384610000103
(4.4)通过变换矩阵计算流动状态的规范变量Za和残差变量Ea，描述流动状态的动态时序相关性。
Figure BDA0003144384610000104
(4.5)计算每一时刻流动状态的监测指标：
Figure BDA0003144384610000105
式中，za和ea分别是规范变量和残差变量。对于第a个流动状态的KCVA监测模型，通过给定显著性水平α，依据核密度估计算法计算得到流动状态监测指标Ta 2和Qa的控制上限
Figure BDA0003144384610000106
和QUCL,a。
(5)流动状态在线监测：遍历步骤(4)建立的多个KCVA监测模型，通过与监测指标控制上限的对比，实现气液两相流流动状态的在线监测，该步骤由以下子步骤实现：
(5.1)监测数据归一化：利用建立KCVA监测模型时的均值和标准差对流动状态测试数据Xt进行归一化。
Figure BDA0003144384610000107
其中，Nt为流动状态监测数据样本的个数。
(5.2)计算监测数据的核矩阵
Figure BDA0003144384610000111
并对其进行中心化：
Figure BDA0003144384610000112
中每个元素Ki,j的计算公式为：
Figure BDA0003144384610000113
其中，xi和xj分别为
Figure BDA0003144384610000114
中第i个采样点和第j个采样点的多传感器测量信号组成的向量，γa为核参数，i,j＝1,2,…,Nt。
Figure BDA0003144384610000115
其中，
Figure BDA0003144384610000116
为监测数据中心化核矩阵，
Figure BDA0003144384610000117
(5.3)利用步骤(3)得到的转换矩阵
Figure BDA0003144384610000118
可以得到流动状态监测数据的主成分特征
Figure BDA0003144384610000119
Figure BDA00031443846100001110
(5.4)将k时刻的流动状态主成分特征向量
Figure BDA00031443846100001111
进行扩展，得到过去观测向量：
Figure BDA00031443846100001112
(5.5)根据第a个流动状态KCVA监测模型的转换矩阵，计算测试数据的规范变量以及残差变量：
Figure BDA00031443846100001113
(5.6)流动状态监测：通过下式得到在线监测数据在第a个KCVA监测模型下的统计监测指标
Figure BDA00031443846100001114
和Qa,t，与第a个流动状态KCVA监测模型的控制上限
Figure BDA00031443846100001115
和QUCL,a比较。遍历多个KCVA模型，实现流动状态的有效监测。
Figure BDA00031443846100001116
若
Figure BDA0003144384610000121
和Qa,t均低于相应流动状态KCVA监测模型的控制上限
Figure BDA0003144384610000122
和QUCL,a，则判定当前流动状态属于该典型流动状态，流体流动稳定，状态未发生改变。若
Figure BDA0003144384610000123
和Qa,t均超出或有一个超出控制上限，则认为当前流动状态发生改变。
利用本发明的监测方法对气液两相流过程进行流动状态监测。取图3(a-c)所示典型的层状流、塞状流和弹状流测试监测样本各1000组组成测试数据，采用不同的KCVA监测模型对流动状态进行监测，监测结果如图4(a-c)所示。采用CVA方法与KCVA方法进行对比，监测结果如图5(a-c)所示，图中(a-c)分别与图3流动状态(a-c)对应。
图4(a-c)分别为层状流、塞状流、弹状流KCVA监测模型。图4(a)中层状流样本点1-1000的监测指标均位于控制上限以下，而其它测试样本点均超过了层状流流动状态的控制上限；图4(b)中塞状流样本点1001-2000的监测指标均位于控制上限以下，而其它测试样本点均超过了塞状流流动状态的控制上限；图4(c)中弹状流样本点2001-3000的监测指标均位于控制上限以下，而其它测试样本点均超过了弹状流流动状态的控制上限。由图4(a-c)可知，不同流动状态的KCVA监测模型可以有效区分不同的流体流动特征，较好地实现了流动状态的辨识与监测。
对比图5(a-c)可以看出，基于传统CVA方法的监测模型比KCVA监测模型存在更多的流动状态误识别。在图5(b)中，采样点1001-2000中的部分塞状流测试点超过了塞状流控制上限。在图5(c)中，采样点2001-3000中的部分弹状流测试点超过了弹状流控制上限。本发明提出的核规范变量分析监测方法能实现对上述不同流动状态的准确监测与区分，通过核函数的非线性映射，提高了气水两相流流动状态的监测效果。
以上所述实施例为本发明的几个较佳监测模型，本发明不局限于该实施例和附图所公开的内容。凡是不脱离本发明所公开的精神下完成的等效或修改，都在本发明保护的范围。

Claims (2)

1.一种多传感器信息核规范变量分析的气液两相流状态监测方法，其特征在于，包含有以下步骤：
(1)建模数据获取：气液两相流包括a个流动状态，获取气液两相流流动状态多传感器测量数据Xa(m×Na)，其中，m为多传感器测量信号的个数，Na为第a个流动状态测量样本的个数；
(2)建模数据归一化：
针对不同的气液两相流流动状态，分别将每一种流动状态的多传感器测量数据Xa进行归一化处理，得到归一化后的多传感器测量数据：
Figure FDA0003520486650000011
其中，μa和σa分别是第a个流动状态多传感器测量信号的均值和标准差；
(3)利用KPCA方法实现流动状态多传感器测量信号的非线性映射，得到各流动状态的主成分特征，该步骤由以下子步骤实现：
(3.1)对于归一化后的多传感器测量数据
Figure FDA0003520486650000012
选取径向基函数核K实现非线性映射，计算第a个流动状态的核矩阵Ka，Ka中每个元素Ki,j的计算公式为：
Figure FDA0003520486650000013
其中，xi和xj分别为第i个采样点和第j个采样点的多传感器测量信号组成的向量，γa为核参数，i,j＝1,2,…,Na；
(3.2)中心化核矩阵Ka：
Figure FDA0003520486650000014
其中，
Figure FDA0003520486650000015
为中心化后的核矩阵，
Figure FDA0003520486650000016
(3.3)进行广义特征值分解：
中心化后的核矩阵
Figure FDA0003520486650000017
通过广义特征值分解对角化：
Figure FDA0003520486650000021
其中，
Figure FDA0003520486650000022
代表Na个广义特征向量组成的矩阵，
Figure FDA0003520486650000023
是广义特征值从大到小排列构成的对角矩阵，转换矩阵
Figure FDA0003520486650000024
由Sa中具有最大特征值的前c列特征向量构成；
(3.4)通过转换矩阵
Figure FDA0003520486650000025
计算第a个流动状态的主成分特征：
Figure FDA0003520486650000026
(4)对第a个流动状态的主成分特征
Figure FDA0003520486650000027
进行规范变量分析，提取流动过程的动态时序特征构建多个KCVA监测模型，该步骤由以下子步骤实现：
(4.1)将时刻k第a个流动状态的主成分特征
Figure FDA0003520486650000028
分别扩展形成过去观测向量
Figure FDA0003520486650000029
和未来观测向量
Figure FDA00035204866500000210
构建过去观测矩阵
Figure FDA00035204866500000211
和未来观测矩阵
Figure FDA00035204866500000212
Figure FDA00035204866500000213
Figure FDA00035204866500000214
其中，p和f代表过去观测向量和未来观测向量的长度，下标Ma＝Na-f-p+1；
(4.2)计算过去和未来观测矩阵的协方差
Figure FDA00035204866500000215
Figure FDA00035204866500000216
和互协方差
Figure FDA00035204866500000217
构建Hankel矩阵Ha并对其进行奇异值分解：
Figure FDA00035204866500000218
其中，Ua和Va是奇异向量正交矩阵，Da是对角矩阵；Ua和Va成对相关，相关关系由Da中对角线特征值表示；
(4.3)按Da中对角线特征值由大到小的顺序重排Va中的特征向量；选择Va的前r列生成新的降维矩阵
Figure FDA00035204866500000219
进而得到变换矩阵Ja和La：
Figure FDA0003520486650000031
(4.4)通过变换矩阵Ja和La计算流动状态的规范变量Za和残差变量Ea，描述流动状态的动态时序相关性：
Figure FDA0003520486650000032
(4.5)计算每一时刻流动状态的监测指标：
Figure FDA0003520486650000033
式中，za和ea分别是规范变量和残差变量；对于第a个流动状态的KCVA监测模型，通过给定显著性水平α，依据核密度估计算法计算得到流动状态监测指标Ta 2和Qa的控制上限
Figure FDA0003520486650000034
和QUCL,a；
(5)流动状态在线监测：遍历步骤(4)建立的多个KCVA监测模型，通过与监测指标控制上限的对比，实现气液两相流流动状态的在线监测。
2.根据权利要求1所述的方法，其特征在于，步骤(5)由以下子步骤实现：
(5.1)监测数据归一化：利用建立KCVA监测模型时的均值和标准差对流动状态测试数据Xt进行归一化：
Figure FDA0003520486650000035
(5.2)计算监测数据的核矩阵
Figure FDA0003520486650000036
并对其进行中心化：
Figure FDA0003520486650000037
中每个元素Ki,j的计算公式为：
Figure FDA0003520486650000038
其中，xi和xj分别为
Figure FDA0003520486650000039
中第i个采样点和第j个采样点的多传感器测量信号组成的向量，γa为核参数，i,j＝1,2,…,Nt，Nt为流动状态监测数据样本的个数；
Figure FDA00035204866500000310
其中，
Figure FDA0003520486650000041
为监测数据中心化核矩阵，
Figure FDA0003520486650000042
(5.3)利用步骤(3)得到的转换矩阵
Figure FDA0003520486650000043
得到流动状态监测数据的主成分特征
Figure FDA0003520486650000044
Figure FDA0003520486650000045
(5.4)将k时刻的流动状态主成分特征向量
Figure FDA0003520486650000046
进行扩展，得到在线监测数据的过去观测向量：
Figure FDA0003520486650000047
(5.5)根据第a个流动状态KCVA监测模型的转换矩阵，计算测试数据的规范变量以及残差变量：
Figure FDA0003520486650000048
(5.6)流动状态监测：通过下式得到在线监测数据在第a个KCVA监测模型下的统计监测指标
Figure FDA0003520486650000049
和Qa,t，与第a个流动状态KCVA监测模型的控制上限
Figure FDA00035204866500000410
和QUCL,a比较；遍历多个KCVA模型，实现流动状态的有效监测；
Figure FDA00035204866500000411
若
Figure FDA00035204866500000412
和Qa,t均低于相应流动状态KCVA监测模型的控制上限
Figure FDA00035204866500000413
和QUCL,a，则判定当前流动状态属于典型流动状态，流体流动稳定，状态未发生改变；若
Figure FDA00035204866500000414
和Qa,t均超出或有一个超出控制上限，则认为当前流动状态发生改变。
CN202110750984.5A 2021-07-01 2021-07-01 多传感器信息核规范变量分析的气液两相流状态监测方法 Active CN113486607B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110750984.5A CN113486607B (zh) 2021-07-01 2021-07-01 多传感器信息核规范变量分析的气液两相流状态监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110750984.5A CN113486607B (zh) 2021-07-01 2021-07-01 多传感器信息核规范变量分析的气液两相流状态监测方法

Publications (2)

Publication Number Publication Date
CN113486607A CN113486607A (zh) 2021-10-08
CN113486607B true CN113486607B (zh) 2022-04-12

Family

ID=77940324

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110750984.5A Active CN113486607B (zh) 2021-07-01 2021-07-01 多传感器信息核规范变量分析的气液两相流状态监测方法

Country Status (1)

Country Link
CN (1) CN113486607B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145256A (zh) * 2018-11-14 2019-01-04 南通大学 基于规范变量非线性主成分分析的非线性动态过程监测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108803520B (zh) * 2018-06-11 2020-06-16 宁波大学 一种基于变量非线性自相关性剔除的动态过程监测方法
CN110303380B (zh) * 2019-07-05 2021-04-16 重庆邮电大学 一种数控机床刀具剩余寿命预测方法
CN111551383A (zh) * 2020-05-12 2020-08-18 山东大学 一种基于异质多传感器的机械状态监测方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145256A (zh) * 2018-11-14 2019-01-04 南通大学 基于规范变量非线性主成分分析的非线性动态过程监测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Flow state monitoring of gas-water two-phase flow using multi-Gaussian mixture model based on canonical variate analysis;Feng Dong et.al;《Flow Measurement and Instrumentation》;20210316;全文 *
Flow status identification based on multiple slow feature analysis of gas–liquid two-phase flow in horizontal pipes;Feng Dong et.al;《Measurement Science and Technology》;20210324;全文 *
基于核规范变量分析的非线性故障诊断方法;邓晓刚等;《控制与决策》;20061028(第10期);全文 *

Also Published As

Publication number Publication date
CN113486607A (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
Ma et al. Discriminative deep belief networks with ant colony optimization for health status assessment of machine
CN103412003B (zh) 基于半监督领域自适应的气体检测方法
CN110346142A (zh) 基于无监督特征对齐的变负载下滚动轴承故障诊断方法
CN108664009B (zh) 基于相关分析的阶段划分和故障检测方法
CN108062565A (zh) 基于化工te过程的双主元-动态核主元分析故障诊断方法
CN103488091A (zh) 一种数据驱动的基于动态成分分析的控制过程监控方法
CN111914889B (zh) 一种基于简略核主元分析的精馏塔异常状态识别方法
CN102339389A (zh) 一种基于密度的参数优化单分类支持向量机故障检测方法
CN105676833A (zh) 发电过程控制系统故障检测方法
Dette et al. Detecting structural breaks in eigensystems of functional time series
CN116204831A (zh) 一种基于神经网络的道地性分析方法
Dong et al. Quality monitoring and root cause diagnosis for industrial processes based on Lasso-SAE-CCA
CN115204257A (zh) 一种用于传感器数据的异常监测方法
CN117171702A (zh) 一种基于深度学习的多模态电网故障检测方法和系统
Liao et al. Recognition of partial discharge patterns
CN113486607B (zh) 多传感器信息核规范变量分析的气液两相流状态监测方法
CN111914471B (zh) 一种基于快速核独立成分分析的精馏塔故障检测方法
CN113449809A (zh) 一种基于kpca-nsvdd的电缆绝缘在线监测方法
CN112149054B (zh) 基于时序扩展的正交邻域保持嵌入模型的构建与应用
Tian et al. Decentralized monitoring for large‐scale process using copula‐correlation analysis and Bayesian inference–based multiblock principal component analysis
CN111061151B (zh) 一种基于多元卷积神经网络的分布式能源状态监测方法
CN112557459A (zh) 一种mems薄膜半导体气敏传感器阵列识别方法
CN115452957B (zh) 基于注意力原型网络的小样本金属损伤识别方法
Baranowski et al. Transient anomaly detection using gaussian process depth analysis
Dave et al. Inference of Gas-liquid Flowrate using Neural Networks

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant