[发明专利]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

权利要求书

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X^a(m×N_a)，其中，m为多传感器测量信号的个数，N_a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X^a进行归一化处理，得到归一化后的多传感器测量数据：

其中，μ^a和σ^a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K_a，K_a中每个元素K_i,j的计算公式为：

其中，x_i和x_j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，γ_a为核参数，i,j＝1,2,…,N_a；

(3.2)中心化核矩阵K_a：

其中，为中心化后的核矩阵，

(3.3)进行广义特征值分解：

中心化后的核矩阵通过广义特征值分解对角化：

其中，代表N_a个广义特征向量组成的矩阵，是广义特征值从大到小排列构成的对角矩阵，转换矩阵由S_a中具有最大特征值的前c列特征向量构成；

(3.4)通过转换矩阵计算第a个流动状态的主成分特征：

(4)对第a个流动状态的主成分特征进行规范变量分析，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分别扩展形成过去观测向量和未来观测向量构建过去观测矩阵和未来观测矩阵

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M_a＝N_a-f-p+1；

(4.2)计算过去和未来观测矩阵的协方差和互协方差构建Hankel矩阵H_a并对其进行奇异值分解：

其中，U_a和V_a是奇异向量正交矩阵，D_a是对角矩阵；U_a和V_a成对相关，相关关系由D_a中对角线特征值表示；

(4.3)按D_a中对角线特征值由大到小的顺序重排V_a中的特征向量；选择V_a的前r列生成新的降维矩阵进而得到变换矩阵J_a和L_a：

(4.4)通过变换矩阵J_a和L_a计算流动状态的规范变量Z_a和残差变量E_a，描述流动状态的动态时序相关性：

(4.5)计算每一时刻流动状态的监测指标：

式中，z_a和e_a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T_a²和Q_a的控制上限和Q_UCL,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X_t进行归一化：

(5.2)计算监测数据的核矩阵并对其进行中心化：

中每个元素K_i,j的计算公式为：

其中，x_i和x_j分别为中第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，γ_a为核参数，i,j＝1,2,…,N_t，N_t为流动状态监测数据样本的个数；

其中，为监测数据中心化核矩阵，

(5.3)利用步骤(3)得到的转换矩阵得到流动状态监测数据的主成分特征

(5.4)将k时刻的流动状态主成分特征向量进行扩展，得到在线监测数据的过去观测向量：

(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：

(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和Q_a,t，与第a个流动状态KCVA监测模型的控制上限和Q_UCL,a比较；遍历多个KCVA模型，实现流动状态的有效监测；

若和Q_a,t均低于相应流动状态KCVA监测模型的控制上限和Q_UCL,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；若和Q_a,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。