博文
多模态动态核主成分分析的气液两相流状态监测
|
引用本文
董峰, 李昭, 李凌涵, 张淑美. 多模态动态核主成分分析的气液两相流状态监测. 自动化学报, 2022, 48(3): 762−773. doi: 10.16383/j.aas.c210690 Dong Feng, Li Zhao, Li Ling-Han, Zhang Shu-Mei. Flow state monitoring of gas-liquid two-phase flow using multiple dynamic kernel principle component analysis. Acta Automatica Sinica, 2022, 48(3): 762−773. doi: 10.16383/j.aas.c210690 http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c210690?viewType=HTML 文章简介 关键词 气液两相流, 状态监测, 多模态, 多传感器, 动态核主成分分析 摘 要 气液两相流流动过程作为一种非平稳过程, 其状态的变化具有时变性、非线性、随机性等复杂流动过程的特点, 其流动状态的实时监测对掌握其流动过程的产生、发展及转化, 保障实际生产的安全稳定运行具有重要意义. 特别是流动状态的过渡过程反映了流动状态的发展及演化, 其流动结构非常复杂. 针对气液两相流的3种典型流动状态及过渡转化过程, 在多传感器获取流动状态测试数据的基础上, 提出一种多模态动态核主成分分析方法. 通过采用动态自相关、互相关方法提取流动过程测试数据中的动态特性, 采用核方法提取非线性特性, 结合主成分分析建立不同典型流动状态的监测模型; 利用模型对不同典型流动状态进行判别, 并进一步实现流动过渡状态的监测. 通过对气液两相流实验装置中不同流动状态实验测试数据进行处理, 验证了所提出方法对典型流动状态判别的准确性及对过渡状态监测的有效性. 引 言 气液两相流是一种气体和液体同时存在且具有明确分界面的流体流动形式, 广泛存在于自然界及能源、动力、石油、化工、冶金、制药等众多工业领域中, 具有流动结构复杂、过程状态波动、过程变量多及状态的变化具有随机性、非线性等特点. 由于气液两相流流动状态随环境、各分相流体性质及相间的相互作用而改变, 其过程参数的检测和流动状态的监测相比单相流具有更大的挑战. 如能及时、准确地获得流动过程状态信息, 对流动过程的产生、发展及转化进行分析, 实现流动状态的表征和描述, 可为进一步实现气液两相流流动过程的控制提供关键参数, 对促进多相流问题研究的进一步发展, 保障实际生产过程的安全稳定运行具有重要意义. 在气液两相流流动过程中, 流速、相含率、压力或压力降等过程参数及相介质的分布反映了其流动过程特性. 其中, 相含率可以通过电学法、射线法、微波法、快关阀法等获取; 流速可以通过差压法、超声多普勒方法等测量; 截面阵列式电阻传感器可以获取流体不同位置处的相分布信息. 在获取相关流动参数及相分布特性等基础上, 采用小波变换、经验模态分解、希尔伯特−黄变换等时频分析方法, 可以进一步揭示气液两相流流动过程状态的演化特性, 为流动状态的判别和过程监控提供了有益的借鉴. 通过多传感器获取同类传感器的多模式信息以及异类传感器的多检测角度信息, 可以更加完整地表征气液两相流的流动状态. 根据不同传感器特点进行原始信号预处理, 获得的多维时间序列蕴含了流动状态的变化特性. 通过历史数据建立状态监测模型, 获取实时数据进行状态监测, 为实现气液两相流复杂流动状态的监测和分析提供了可行性方法. 基于数据驱动的多元统计监测方法如主成分分析(Principal component analysis, PCA)、独立成分分析(Independent component analysis, ICA)、偏最小二乘(Partial least squares, PLS)等可以简化数据结构, 解决多变量的耦合问题, 在实际过程得到广泛应用. 在气液两相流研究领域, PCA、ICA等方法多用于流型识别和流体测量中传感器信号的特征提取. Shaban等利用归一化后的差压信号建立PCA-ICA模型, 实现了垂直气液两相流流量测量; 李凯锋等利用PCA提取电导率信息主成分, 结合K-均值聚类算法实现了气水两相流流型辨识; Dong等对电导环信号的多域特征采用等距特征映射、PCA等方法得到三维向量实现了流型样本间结构的可视化. PCA作为实际工业过程最为成熟和常用的过程监测方法, 可以从相互关联的高维数据中提取有用信息, 实现数据的有效降维. Li等将PCA方法和支持向量数据描述结合起来用于制冷系统的故障诊断; Aouabdi等结合多尺度熵和PCA, 通过分析电机电流信号监测齿轮退化. PCA假设过程变量是线性的且在时间上静态独立, 仅提取了变量间的静态互相关, 但实际的工业过程数据往往具有非线性、动态性等特点. Ku等通过增加迟滞数据对数据矩阵进行动态拓展, 提出了一种动态主成分分析方法(Dynamic PCA, DPCA). DPCA提取变量在时间上的自相关和动态互相关关系, 但仍未考虑到过程数据的非线性特性. 基于以上问题, Choi等提出了基于动态核主成分分析(Dynamic kernel PCA, DKPCA)的非线性动态过程监测方法, Zhang等将特征向量选择与DKPCA相结合提高了故障检测效率. DKPCA在工业领域中主要用于监测正常工况是否出现异常故障, 时滞数据扩展适合描述过程的动态特性, 核函数有利于捕获过程的非线性特性, 其方法本身同时考虑了过程数据的动态性和非线性, 符合气液两相流流动过程特点. 在应用于气液两相流流动状态监测时, 更应注重对流动状态的描述和分析. 为实现气液两相流动过程状态的监测, 以实际流动过程中出现频率较高的泡状流、塞状流和弹状流3种典型流动状态为研究对象, 利用不同流动状态下多传感器测试数据所呈现的流动特性差异性, 提出一种针对气液两相流状态监测的多模态动态核主成分分析方法(Multiple dynamic kernel PCA, MDKPCA). 通过对多种流动状态采用历史数据建立多模态监测模型, 实现对典型流动状态的判别及过渡状态的监测. 图 2 气液两相流水平环管实验装置 图 3 测试管段多传感器结构 作者简介 董 峰 天津大学电气自动化与信息工程学院教授.主要研究方向为过程参数检测与控制系统, 多相流测试技术, 过程层析成像技术. E-mail: fdong@tju.edu.cn 李 昭 天津大学电气自动化与信息工程学院硕士研究生. 主要研究方向为多相流测试技术, 流动过程建模与状态监测. E-mail: lizhao_@tju.edu.cn 李凌涵 天津大学电气自动化与信息工程学院硕士研究生. 主要研究方向为多相流测试技术, 流动状态分析与和特征提取. E-mail: lilinghan@tju.edu.cn 张淑美 天津大学电气自动化与信息工程学院副教授. 主要研究方向为复杂工业过程建模, 状态监测与故障诊断. 本文通信作者. E-mail: shumeizhang@tju.edu.cn 相关文章 [1] 钟凯, 韩敏, 韩冰. 基于动态特性描述的变量加权型分散式故障检测方法. 自动化学报, 2021, 47(9): 2205-2213. doi: 10.16383/j.aas.c180276 http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180276?viewType=HTML [2] 赵春晖, 余万科, 高福荣. 非平稳间歇过程数据解析与状态监控—回顾与展望. 自动化学报, 2020, 46(10): 2072-2091. doi: 10.16383/j.aas.c190586 http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190586?viewType=HTML [3] 陈晓露, 王瑞璇, 王晶, 周靖林. 基于混合型判别分析的工业过程监控及故障诊断. 自动化学报, 2020, 46(8): 1600-1614. doi: 10.16383/j.aas.c180089 http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180089?viewType=HTML [4] 李霞, 卢官明, 闫静杰, 张正言. 多模态维度情感预测综述. 自动化学报, 2018, 44(12): 2142-2159. doi: 10.16383/j.aas.2018.c170644 http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2018.c170644?viewType=HTML [5] 朱红蕾, 朱昶胜, 徐志刚. 人体行为识别数据集研究进展. 自动化学报, 2018, 44(6): 978-1004. doi: 10.16383/j.aas.2018.c170043 http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2018.c170043?viewType=HTML [6] 张淑美, 王福利, 谭帅, 王姝. 多模态过程的全自动离线模态识别方法. 自动化学报, 2016, 42(1): 60-80. doi: 10.16383/j.aas.2016.c150048 http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2016.c150048?viewType=HTML [7] 刘朝华, 李小花, 张红强, 周少武. 基于并行动态学习型免疫算法的永磁同步电机状态监测. 自动化学报, 2015, 41(7): 1283-1294. doi: 10.16383/j.aas.2015.c140678 http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2013.02121?viewType=HTML [8] 卢金燕, 徐德, 覃政科, 王鹏, 任超. 基于多传感器的大口径器件自动对准策略. 自动化学报, 2015, 41(10): 1711-1722. doi: 10.16383/j.aas.2015.c150053 http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2015.c150053?viewType=HTML [9] 汪明, 喻俊志, 谭民, 王会东, 李成栋. 机器海豚多模态游动CPG控制. 自动化学报, 2014, 40(9): 1933-1941. doi: 10.3724/SP.J.1004.2014.01933 http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2014.01933?viewType=HTML [10] 刘朝华, 周少武, 刘侃, 章兢. 基于双模态自适应小波粒子群的永磁同步电机多参数识别与温度监测方法. 自动化学报, 2013, 39(12): 2121-2130. doi: 10.3724/SP.J.1004.2013.02121 http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2013.02121?viewType=HTML [11] 谭超, 董峰. 多相流过程参数检测技术综述. 自动化学报, 2013, 39(11): 1923-1932 doi: 10.3724/SP.J.1004.2013.01923 http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2013.01923?viewType=HTML [12] 孙巍, 窦丽华, 方浩. 多执行器-传感器网络协作环境监测和治理. 自动化学报, 2011, 37(1): 107-112. doi: 10.3724/SP.J.1004.2011.00107 http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2011.00107?viewType=HTML [13] 韩雨, 王卫卫, 冯象初. 基于迭代重加权的非刚性图像配准. 自动化学报, 2011, 37(9): 1059-1066. doi: 10.3724/SP.J.1004.2011.01059 http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2011.01059?viewType=HTML [14] 李永, 殷建平, 祝恩, 李宽. 基于FAR和FRR融合的多模态生物特征识别. 自动化学报, 2011, 37(4): 408-417. doi: 10.3724/SP.J.1004.2011.00408 http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2011.00408?viewType=HTML [15] 张颖伟, 周宏, 秦泗钊. 基于多块核主元分析的复杂过程的分散故障诊断. 自动化学报, 2010, 36(4): 593-597. doi: 10.3724/SP.J.1004.2010.00593 http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2010.00593?viewType=HTML [16] 谷丛, 梁彦, 张共愿, 杨峰, 潘泉. 量测缺失下多速率传感器系统的H∞滤波器设计. 自动化学报, 2010, 36(6): 881-885. doi: 10.3724/SP.J.1004.2010.00881 http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2010.00881?viewType=HTML [17] 谭帅, 王福利, 常玉清, 王姝, 周贺. 基于差分分段PCA的多模态过程故障监测. 自动化学报, 2010, 36(11): 1626-1636. doi: 10.3724/SP.J.1004.2010.01626 http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2010.01626?viewType=HTML [18] 陈嘉鸿, 韩九强, 席震东, 张新曼. 一般相关噪声下多传感器平滑融合算法. 自动化学报, 2009, 35(5): 491-497. doi: 10.3724/SP.J.1004.2009.00491 http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2009.00491?viewType=HTML [19] 张肃, 程启月, 申卯兴. 基于区间数型多因素指派模型的多传感器优化分配方法. 自动化学报, 2008, 34(3): 240-245. doi: 10.3724/SP.J.1004.2008.00240 http://www.aas.net.cn/cn/article/doi/10.3724/SP.J.1004.2008.00240?viewType=HTML [20] 吕健, 滨岛京子, 姜伟. 用多传感器对制造车间进行大范围监测. 自动化学报, 2006, 32(6): 956-967. http://www.aas.net.cn/cn/article/id/13778?viewType=HTML [21] 罗本成, 原魁, 陈晋龙, 朱海兵. 一种基于不确定分析的多传感器信息动态融合方法. 自动化学报, 2004, 30(3): 407-415. http://www.aas.net.cn/cn/article/id/16333?viewType=HTML [22] Luca Marchesotti, Alessandro Messina, Lucio Marcenaro, Carlo Regazzoni. 视觉监控应用中多传感器协作的人脸检测系统. 自动化学报, 2003, 29(3): 423-433. http://www.aas.net.cn/cn/article/id/13937?viewType=HTML [23] 文成林, 周东华, 潘泉, 张洪才. 多尺度动态模型单传感器动态系统分布式信息融合. 自动化学报, 2001, 27(2): 158-165. http://www.aas.net.cn/cn/article/id/16127?viewType=HTML [24] 文成林, 潘泉, 张洪才, 戴冠中. 多传感器多模型动态系统多尺度分布式融合估计算法. 自动化学报, 2000, 26(增刊B): 66-70. http://www.aas.net.cn/cn/article/id/14730?viewType=HTML 
https://blog.sciencenet.cn/blog-3291369-1327732.html
上一篇：基于数据关联狄利克雷混合模型的电网净负荷不确定性表征研究
下一篇：【当期目录】IEEE/CAA JAS 第9卷 第2期
