一种气液两相流流动状态监测和预测方法技术

本发明专利技术涉及一种气液两相流流动状态监测和预测方法，包含有以下步骤：(1)数据获取；(2)数据预处理；(3)建立不同流动状态的核慢稳特征分析模型，称之为KS2FA模型，利用KS2FA模型从规范化的建模数据矩阵X

【技术实现步骤摘要】
一种气液两相流流动状态监测和预测方法


[0001]本专利技术属于多相流过程测试
，涉及一种气液两相流流动状态监测和预测方法。

技术介绍

[0002]多相流过程经常出现在石油、电力、化工等生产过程的管道输送及反应器等设备中，具有组成结构复杂、变量多、状态波动等典型的复杂生产过程的特点，给生产带来许多安全与经济问题。多相流的流型指的是管道中呈现出的几何与动力特征各异的流动形态，可通过组分或相的分布来定性描述，是流动状态的主要形态结构表现。水平管气液两相流主要有6种典型流型，分别为泡状流、塞状流、弹状流、波状流、分层流、环状流，不同流型间还包括大量的过渡状态。除流型外，流动状态还由相含率、流速、压力、介质分布等其他过程变量进行表征。此外，流动状态随时间不断变化，当前时刻的流动状态受之前较长时间段内状态的影响，具有明显的时序特征。开展两相流状态监测及预测对理解气液两相流的流动机理、调节与控制流动过程、分析与优化流体控制装置、保障两相流过程安全具有十分重要的意义。
[0003]对于复杂工业生产过程的建模和状态分析国内外已开展了大量研究，特别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种气液两相流流动状态监测和预测方法，该方法包含有以下步骤：(1)数据获取：多传感器采集数据，过程具有J个测量变量，每个测量变量具有N个采样点，则该过程数据组成二维数据矩阵X(N
×
J)。(2)数据预处理：将二维数据矩阵X按不同典型流动状态进行划分，获取各流动状态下建模数据矩阵X
m
(I
×
J)，其中m为对应流动状态，对于每个流动状态，每个测量变量具有I个采样点，设某采样时刻的某测量变量为x
ij
，其中i代表采样点序号，j代表过程变量序号，进行规范化处理：式中，为m流动状态下第j个过程变量数据的平均值，s
mj
为m流动状态下第j个过程变量数据的标准差，预处理后得到规范化数据，仍记为X
m
；(3)建立不同流动状态的核慢稳特征分析模型，称之为KS2FA模型，利用KS2FA模型从规范化的建模数据矩阵X
m
中提取非线性慢稳特征，该步骤由以下子步骤实现：(3.1)对于规范化的建模数据矩阵X
m
，首先计算第m个流动状态的KS2FA模型的核矩阵K
m
，利用高斯核函数，则核矩阵K
m
每个元素K
ik
的计算公式为：其中，x
i
和x
k
分别为X
m
中第i个采样点和第k个采样点的测量变量组成的向量，σ
m
为第m个流动状态的高斯核参数；(3.2)归一化核矩阵K
m
：式中，为归一化后的核矩阵，I为I
×
I维的矩阵，其中每一个元素都为1/I；(3.3)构造的一阶时间差分矩阵和二阶时间差分矩阵和二阶时间差分矩阵式中，k
i
为中第i个列向量；(3.4)进行广义特征值分解：式中，Ω
m
为特征值矩阵，W
m
为第m个流动状态的系数矩阵，λ为控制一阶和二阶时间差分
的相对影响的权重因子；(3.5)利用第m个流动状态的KS2FA模型，从中提取非线性慢稳特征：其中，y
m
代表从第m个流动状态中提取的非线性慢稳特征；(3.6)变化缓慢且稳定的特征能够表示过程变化的总体趋势，而变化较快且剧烈的特征可以看作是噪声和快速波动；定义Ω
m
的前h列为Ω
m,d
(I
×
h)，剩余部分为Ω
m,e
(I
×
(I
‑
h))，定义W
m
的前h列为W
m,d
(I
×
h)，剩余部分为W
m,e
(I
×
(I
‑
h))，将y
m
分为两部分，y
m,d
为主导慢稳特征，y
m,e
为快速波动特征：(3.7)根据步骤(3.1)
‑
(3.6)，建立其他各流动状态的KS2FA模型；(4)计算KS2FA监测模型的统计量控制限，该步骤由以下子步骤实现：(4.1)利用第m个KS2FA模型计算X
m
的静态监测统计量的控制限：给定置信水平α，利用核密度估计法确定控制限和(4.2)利用第m个KS2FA模型计算X
m
的动态监测统计量...

【专利技术属性】
技术研发人员：董峰，李凌涵，张淑美，
申请(专利权)人：天津大学，
类型：发明
国别省市：