法律状态公告日
法律状态信息
法律状态
2019-11-01
未缴年费专利权终止 IPC(主分类):G01N11/00 授权公告日:20180202 终止日期:20181107 申请日:20141107
专利权的终止
2018-02-02
授权
授权
2015-03-11
实质审查的生效 IPC(主分类):G01N11/00 申请日:20141107
实质审查的生效
2015-02-04
公开
公开
技术领域
本发明属于流体测量技术领域,具体涉及到一种基于ICA和SVM的气液两相流型识别方法。
背景技术
气液两相流动现象在日常的生活和生产中是非常常见的,对整个社会发展有着重要的影响。在发电、化工、石油等行业都包含各种各样的气液两相流系统,例如化工生产中分馏过程,油气混合运输过程等。两相流的不同流型之间有着不一样的特性,例如流体的热传导性质,流体的流动参数等。如果能够有效地识别两相流的流型,将有利于提升产品的质量,提高生产过程的安全性,避免造成人身财产损失,同时可以有效地节约能源。总之,两相流流型识别的研究对于促进整个国民经济的健康有序发展起到了重要的作用。
在气液两相流系统中,由于流体在流动中是一个动态过程,流体的分界面等都会时刻发生着变化,流体存在一个非常复杂的结构,从而导致了气液两相流流型多种多样,这在一定程度上加剧了气液两相流流型识别难度。同时,受到技术的限制,很多流体参数(流速、流动形态等)的采集比较困难,或者测量精度不高,导致对流型做出错误的判断。还有在气液两相流中,气相和液相流体的流动参数不同,并且两者之间还会出现一些耦合现象,所以很难有效的预测气液两相流的流型。
近年来,科技的快速发展为气液两相流流型的在线识别提供了技术依据。例如神经网络、支持向量机等算法的出现,提供了新方法和新思路。尽管国内外科研工作者已经在流型识别上进行了非常多的理论研究和实验测试,但是依然存在着比较多的问题,例如特征参数的选择、气液两相之间的耦合影响等。特征参数如果选择不当,掺杂入了冗余的特征参数的话,就会造成较大的运算量和较低的识别率。气相和液相的相互影响,导致了提取的特征参数不能有效地表征气相和液相的特征。这些都是以后的气液两相流研究中需要进一步解决的问题。
盲源分离技术能够较好地反映出气液两相流系统的特性以及系统内部气相和液相之间的相互作用,得到分别表征气、液相的独立成分,这有利于提高流型的识别率。本发明专利结合盲源分离技术和支持向量机获取两相流流型分类模型。
发明内容
本发明专利从文丘里管上45°取压口和下45°取压口采集两路测量差压信号,然后采用ICA对测量差压信号进行分离得到分离信号后,提取表征流型的特征参数,应用支持向量机SVM训练特征参数得到分类模型。
一种基于ICA和SVM的气液两相流型识别装置,其特征包括:标准文丘里管、差压变送器1、差压变送器2、AD转换器和计算机。差压变送器1安装在文丘里管垂直截面向上45°处,差压变送器2安装在文丘里管垂直截面向下45°处,差压变送器1和差压变送器2测得的两路差压信号经AD转换器输入计算机。
上述差压变送器1与差压变送器2具有相同的原理、相同的精度和灵敏度。
一种基于ICA和SVM的气液两相流型识别方法,具体内容包括以下步骤:
步骤A:测量差压信号的采集,本发明从差压变送器1和差压变送器2取压得到两路差压信号x1和x2;
步骤B:应用ICA方法对x1和x2进行分离得到两路分离信号y1和y2;
步骤C:根据相关系数确定分离信号y1与y2的顺序和相位,计算相关系数 >和>其中,n为测量差压信号和分离信号的采样点数,
步骤D:提取两相流流型识别的特征参数,计算x1的均值和方差,x2的均值和方差,y1的偏斜度和峭度,y2的偏斜度和峭度,作为特征参数;
步骤E:将步骤D得到的特征参数归一化后作为训练样本集送入支持向量机训练,得到支持向量机的分类模型。
上述步骤E得到的用于流型识别的分类模型存储于计算机中。
本发明的有益效果在于:采用ICA算法对测量差压信号进行盲分离处理,得到独立性强且能够分别表征气相和液相信号特征的分离信号,并提取测量差压信号的均值和方差以及分离信号的偏斜度和峭度作为特征参数输入支持向量机获取用于流型识别的分类模型。该流型识别方法简单、易于实现、实时性好。
附图说明
图1为文丘里管取压图;
图2为液相体积流量为4.00m3/h,气相体积流量为9.50m3/h,流型为泡状流时文丘里管上45°取压口的测量差压信号;
图3为液相体积流量为4.00m3/h,气相体积流量为9.50m3/h,流型为泡状流时文丘里管下45°取压口的测量差压信号;
图4为采用ICA方法将图2、图3两路测量差压信号分离后得到的第一路分离信号;
图5为采用ICA方法将图2、图3两路测量差压信号分离后得到的第二路分离信号;
图6为实验工况下的测量差压信号的均值;
图7为实验工况下的测量差压信号的方差;
图8为实验工况下的分离信号的偏斜度;
图9为实验工况下的分离信号的峭度;
图10为流型识别结果。
具体实施方式
一种基于ICA和SVM的气液两相流型识别装置,其特征包括:标准文丘里管、差压变送器1、差压变送器2、AD转换器和计算机。差压变送器1安装在文丘里管垂直截面向上45° 处,差压变送器2安装在文丘里管垂直截面向下45°处,差压变送器1和差压变送器2测得的两路差压信号经AD转换器输入计算机。
上述差压变送器1与差压变送器2具有相同的原理、相同的精度和灵敏度。
一种基于ICA和SVM的气液两相流型识别方法,其特征包括如下具体步骤:应用差压变送器1和差压变送器2测量两路差压信号x1与x2,应用ICA方法对x1与x2进行分离得到两路分离信号y1与y2,提取测量差压信号的均值和方差以及分离信号的偏斜度和峭度作为特征参数,将归一化后的特征参数作为训练样本集输入支持向量机训练,得到用于流型识别的分类模型CM。下面结合附图与具体实施方式对本发明作进一步详细描述。
本实施例实现液相体积流量0-20m3/h,气相体积流量0-40m3/h的泡状流、环状流、塞状流三种不同气液两相流的流型识别,其中,气相为空气,液相为水。
步骤A:采集气液两相流测量差压信号。采用图1所示的方式进行取压,差压变送器1和差压变送器2测得两路差压信号x1和x2。
本实施例中,共选取113种工况进行实验,包括28组泡状流,45组塞状流和40组环状流。
图2为液相体积流量为4.00m3/h,气相体积流量为9.50m3/h,流型为泡状流时文丘里管上45°取压口的测量差压信号。
图3为液相体积流量为4.00m3/h,气相体积流量为9.50m3/h,流型为泡状流时文丘里管下45°取压口的测量差压信号。
步骤B:应用ICA方法对测量差压信号进行分离。具体步骤如下:(1)对测量差压信号x进行白化,得到z,其中x=[x1;x2];(2)初始化分离矩阵||Wi(0)||2=1,其中i=1,2;(3)对分离矩阵进行迭代:Wi(k+1)=E[zf(WiT(k)z)]-E[f'(WiT(k)z)]Wi(k);(4)对刚迭代产生的分离矩阵进行归一化处理:
步骤C:根据相关系数确定分离信号y1与y2的顺序和相位,计算相关系数 >和>其中,n为测量差压信号和分离信号的采样点数,
本实施例中,采用ICA方法分别将步骤A中得到的113种工况下的测量差压信号进行分离得到分离信号,并根据相关系数对分离信号进行排序。
图4为液相体积流量为4.00m3/h,气相体积流量为9.50m3/h时,采用ICA方法对两路测量差压信号分离后得到的第一路分离信号。
图5为液相体积流量为4.00m3/h,气相体积流量为9.50m3/h时,采用ICA方法对两路测量差压信号分离后得到的第二路分离信号。
步骤D:计算测量差压信号x的均值和方差以及分离信号y的偏斜度和峭度作为特征参数。其中:
均值:>
方差:>
偏斜度:>
峭度:>
其中,n为测量差压信号和分离信号的采样点数。
图6为实验工况下的测量差压信号的均值。图7为实验工况下的测量差压信号的方差。图8为实验工况下的分离信号的偏斜度。图9为实验工况下的分离信号的峭度。
步骤E:将步骤D得到的特征参数归一化后作为训练样本集输入支持向量机训练得到流型识别模型。具体的,支持向量机的训练样本可以表示为:(p1,q1),(p2,q2),…(pn,qn)。其中qi(i=1…n)是目标值,pi(i=1…n)是输入向量。线性支持向量分类机问题可以描述为:
(1)T={(p1,q1),…,(pl,ql)}∈(Rn×Q)l,其中pi∈Rn,qi∈Q={1,-1},i=1,…,l;
(2)选择适当的惩罚参数C>0;
(3)构造并求解凸二次规划问题:
>
得解α=(α1,…,αl)T;
(4)计算b:选取位于开区间(0,C)中的α的分量αj,据此计算:
>
(5)构造分划超平面(ω·p)+b=0,由此求得决策函数
f(p)=sgn(g(p))
其中,
对于非线性问题,如果选取合适的核函数K,则能把非线性问题转变为一个线性问题,此时对应的目标函数为:
>
式中,αi是拉格朗日乘子。同时,非线性情况下的分类函数变成:
式中,K是核函数,选择径向基函数其中σ为核函数的调整参数,v是支持向量的个数。
针对多类支持向量机,采用一对一分类法,各个类两两之间需要构造所有可能的二类分类向量机。在训练阶段,一个类记作“+1”类,而另一个对应的类记作“-1”类,得到v(v-1)/2个二类分类器。第一个二类分类器是区别样本属于第一类还是第二类,第二个二类分类器是区别样本属于第一类还是第三类,以此类推。通常采用投票法对样本进行分类,如果输入样本属于第i个类,那么就可以把票投给第i个类,一直把所有的v(v-1)/2个两类分类机遍历一遍。得票数最多的类就是输入样本属于的类别。其中,v是支持向量的个数。
步骤E得到的流型识别模型存储于计算机中。流型识别时,将待预测流型对应的特征参数直接输入上述流型识别模型中进行流型识别。
本实施例针对上述113种实验工况,选择其中的14组泡状流,23组塞状流和20组环状流的归一化后的特征参数作为训练样本集输入支持向量机训练得到流型识别模型CM,剩下的作为测试样本。将测试样本归一化后的特征参数输入到上述流型识别模型CM中进行流型预测。
图10表示测试样本的流型识别结果。横坐标1-14代表不同工况下的泡状流的编号,横坐标15-34代表不同工况下的环状流的编号,横坐标35-56代表不同工况下的塞状流的编号。纵坐标-1、0、1分别代表不同的流型,-1代表泡状流,0代表环状流,1代表塞状流。从图10中可以看出,14组泡状流中无识别错误,20组环状流中无识别错误,22组塞状流中有3组识别错误,一共有3组错误识别样本,正确率为94.6%。
机译: 基于HMM-SVM两层改进模型的复杂道路环境下车辆行为识别方法
机译: 指数移动平均的基于双层SVM的雷达信号复杂PRI调制类型识别方法
机译: 利用基于组件的PCA / ICA的面部识别方法和装置