[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

说明书

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。

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