專利名稱：基于主成分分析和支持向量機的油氣水多相流流型識別方法
技術領域：
本發(fā)明涉及多相流測量技術領域，尤其涉及一種基于主成分分析和支持向量機的油氣水多相流流型識別方法。
背景技術：
傳統(tǒng)的流型識別方法有兩大類一類是采用實驗方法做出流型圖；另一類是根據對流型轉變機理的分析得到的轉變準則關系式，利用現場的流動參數來確定流型。由于在生產實際中流動參數往往是需要解決的問題，因此傳統(tǒng)的方法無法得到廣泛應用。
流型的現代測量方法從工作原理上可分為直接測量和間接測量方法。常用的直接測量方法有目測法、高速攝影法等，該方法具有一定的主觀性，對于多個觀察者可能得出不同的結論。間接測量方法是利用測量的儀器設備測量的壓力、壓差和含氣率等波動信號，通過對信號進行分析、提取特征，結合神經網絡等模式識別技術來識別流型。該方法有兩個關鍵問題一是流型特征向量的提??；二是網絡模型的選取，其中特征提取尤為關鍵?，F有的方法主要是利用單一的壓力或壓差波動信號來提取信號的單一特征，導致提取的特征無法全面反映流型的信息，致使流型識別率不高。

發(fā)明內容
本發(fā)明的目的在于克服上述現有技術的缺陷，提出一種流型識別準確性、可靠性高，通用性強的基于主成分分析和支持向量機的油氣水多相流流型識別方法。
本發(fā)明的目的是由以下技術方案來實現的一種基于主成分分析和支持向量機的油氣水多相流流型識別方法，其特征在于，它包括以下步驟(1)對不同流型的流動參數信號進行采集利用取壓間距分別為5倍、10倍和15倍管徑D；采樣頻率為256Hz；采樣點數為1024點；1個壓力變送器和3個不同取壓間距的差壓變送器對流動參數信號進行實時采集；(2)去除噪聲預處理利用小波包對壓力和壓差波動信號進行去除噪聲處理。
(a)對1個壓力波動和3個不同取壓間距的壓差波動信號S1、S2、S3和S4按照下面的遞歸式(1)進行4層小波包分解u2n(t)=2Σkh(k)un(2t-k)u2n-1(t)=2Σkg(k)un(2t-k)---(1)]]>式中h(k)為高通濾波器組；g(k)為低通濾波器組；u0(t)＝(t)，為尺度函數；u1(t)＝ψ(t)，為小波函數；k為分解的尺度。h(k)和g(k)滿足正交關系g(k)＝(-1)kh(1-k) (2)(b)對分解的各個頻帶分別設定閾值，采用如下的浮動閾值形式tk=21n(n)σ/n---(3)]]>其中σ為噪聲強度，用中位數MAD(υk)/0.6745(υk為小波包分解系數)來估計，n為信號的長度。
(c)用非線性函數ζ＝sgn(υk)(|υk|-tk)作用于信號的小波包分解系數υk，得到系數υk，即將浮動閾值以上的系數減去閾值后并保留下來。
(d)由系數υk重建原信號，從而達到去除噪聲，得到去除噪聲后的信號為S1′、S2′、S3′和S4′。
(3)在對去除噪聲后的1個壓力和3個壓差波動信號S1′、S2′、S3′、S4′進行經驗模式分解，提取流型的特征向量。EMD方法從本質上講是對一個信號進行平穩(wěn)化處理，其結果是將信號中不同尺度的波動或趨勢逐級分解出來，產生一系列具有不同特征尺度的數據序列，每一個序列稱為一個固有模態(tài)函數IMF。IMF分量必須滿足下面兩個條件一是其極點數和零點數相同(或最多相差一個)，二是其上下包絡線關于時間軸局部對稱。
EMD方法步驟如下假設任何信號都由不同的IMF組成，每個IMF可以是線性的，也可以是非線性的，這樣任何一個信號就可以分解為有限個IMF之和，則IMF可以按以下方法“篩選”(Sift)(a)確定信號x(t)的所有局部極值點，將所有極大值點用三次樣條線連接起來形成上包絡線，將所有極小值點用三次樣條線連接起來形成下包絡線，這兩條包絡線包絡了所有的信號數據。
(b)將兩條包絡線的均值記為μ1，求出y1(t)＝x(t)-μ1(4)(c)判斷y1(t)是否為IMF，若y1(t)不滿足IMF條件，則將y1(t)作為原始數據，此時，記y1(t)＝c1(t)，則c1(t)為信號x1(t)的第一個IMF分量，它代表信號x1(t)中最高頻率的分量；(d)將c1(t)從x1(t)中分離出來，即得到一個去掉高頻分量的差值信號r1(t)，即有r1(t)＝x1(t)-c1(t) (5)將r1(t)作為原始數據，重復步驟(1)、(2)和(3)，得到第二個IMF分量c2(t)，重復n次，得到n個IMF分量。這樣就有r1-c2=r2Mrn-1-cn=rn---(6)]]>
當cn(t)或rn(t)滿足給定的終止條件(通常使rn(t)成為一個單調函數)時，循環(huán)結束，由(2)式和(3)式可得到x(t)=Σi=1nci(t)+rn(t)---(7)]]>式中，rn(t)為殘余函數，代表信號的平均趨勢。而各IMF分量c1(t)，c2(t)，Λ，cn(t)分別包含了信號從高到低不同頻率段的成分，每一頻率段所包含的頻率成分都是不同的，且隨信號本身的變化而變化。
(e)特征向量的提取。1個壓力波動信號和3個壓差波動信號的n個IMF分量分別記為c11(t)，c12(t)，Λ，c1n1(t)、c21(t)，c22(t)，Λ，c2n2(t)、c31(t)，c32(t)，Λ，c3n3(t)、c41(t)，c42(t)，Λ，c4n4(t)。將這些IMF分量組成一個特這個矩陣X，即Xp×n==x11x12Λx1px21x22Λx2pMMMMxn1xn1ΛxnpT=c11Mc1n1c21Mc2n2c31Mc3n3c41Mc4n4T---(8)]]>式中X為p×n的特征矩陣，p為采樣點數，n＝n1+n2+n3+n4為4個原始信號的所有IMF分量的個數，xi(i＝1，2，Λ，n)為p維向量。
(f)對矩陣X用下式變換為相關矩陣，即主成分矩陣R，并計算出相關矩陣R的m個特征值。
①將原始變量進行標準化各指標量綱往往不同，分析時，不同的量綱和數量級會引出新的問題，故要標準化，使標準化的變量平均值為0，方差為1，即xij*=xij-x‾ivar(xij)]]>i＝1，2，Λ，n；j＝1，2，Λ，p (9)式中xij*為標準化后的觀測量，xi為平均值， 為標準差。
②計算X的相關矩陣R標準化后，相關陣和協(xié)方差陣相同，且R的子分量可表示為rij=1nΣi=1nxti*xij*---(10)]]>式中xti*，xij*分別為特征矩陣中第t行第i列與第j列元素。
③求相關矩陣R的特征值及特征向量計算出各特征值(λ1＞λ2＞Λ＞λn)和各特征向量(u1，u2，Λ，un)。
④選擇主成分計算各主成分的貢獻率及累計貢獻率，主成分的個數視具體問題而定，本發(fā)明取累計貢獻率為90％所對應的m個變量作為主成分。
⑤計算得分根據主成分表達式計算各主成分得分。在主成分分析中，μj=λj/Σi=1mλi]]>為主成分的貢獻率，比值 反映前k個主成分所代表的原始數據信息的百分數。令T＝[μ1，μ2，Λ，μm] (11)則T為不同流型的特征向量。
(4)支持向量機分類器。采用支持向量機來實現流型的識別。水平管內油氣水多相流流型有4種，即分層流、間歇流、泡狀流和環(huán)狀流。根據上述分類情況，采用“一對多”的策略，構造4個二值分類器，對每一個流型構造一個支持向量機，4個支持向量機的輸出是一個4維向量，每一個分量表示樣本是否對應該流型，訓練好的支持向量機可實現對流型的識別。
本發(fā)明基于主成分分析和支持向量機的油氣水多相流流型識別方法的優(yōu)點在于1.對1個壓力和3個差壓變送器的信號進行融合，提取的特征能全面反映流型的信息，因此，識別準確性和可靠性高。
2.采用支持向量機來實現流型的識別，計算速度快，有利于流型的在線識別。


圖1是基于主成分分析和支持向量機的油氣水多相流流型識別方法流程圖。
圖2是基于主成分分析和支持向量機的油氣水多相流流型信號采集裝置的結構示意圖。
具體實施例方式
下面利用附圖和實施例對本發(fā)明基于主成分分析和支持向量機的油氣水多相流流型識別方法作進一步說明。
如圖2所示，基于主成分分析和支持向量機的油氣水多相流流型信號采集裝置，具有多相流水平管路16，在多相流水平管路16上套置的取壓環(huán)1a、2b、3c、4d、5e、6f、7g，取壓環(huán)1a與取壓管8a連接，取壓環(huán)2b、3c與取壓管8b連接，取壓環(huán)4d、5e與取壓管8c連接，取壓環(huán)6f、7g與取壓管8d連接，取壓管8a與壓力變送器9a連接，取壓管8b、8c、8d分別與差壓變送器10b、11c、12d連接，壓力變送器9a、差壓變送器10b、11c、12d均與數據采集卡13電連接，數據采集卡13與計算機14電連接。所述取壓環(huán)2b、3c的間距為5倍管徑D，取壓環(huán)4d、5e的間距為10倍管徑D，取壓環(huán)6f、7g的間距為15倍管徑D。其中取壓環(huán)1a距離入口300mm，取壓環(huán)1a與取壓環(huán)2b相隔200mm，取壓環(huán)3c與取壓環(huán)4d相隔200mm，取壓環(huán)5e與取壓環(huán)6f相隔200mm。壓力變送器9a、差壓變送器10b、11c、12d型號為PD-23的輸出標準信號與型號為IMP3595的數據采集卡13相連，數據采集卡13與計算機14相連，由計算機14完成壓差信號的數據處理，進而實現對油氣水多相流流型信號的采集。計算機14還可連接打印機15?；谥鞒煞址治龊椭С窒蛄繖C的油氣水多相流流型信號采集裝置的軟件程序是依據自動檢測技術及計算機數據處理技術編制的，為本領域技術人員所熟悉的技術。
如圖1所示，本發(fā)明基于主成分分析和支持向量機的油氣水多相流流型識別方法包括下述步驟(1)對不同流型的流動參數信號進行采集在基于主成分分析和支持向量機的油氣水多相流流型信號采集裝置中，利用取壓間距分別為5倍、10倍和15倍管徑D；采樣頻率為256Hz；采樣點數為1024點，采樣時間為16s；用1個壓力變送器9a和3個不同取壓間距的差壓變送器10b、11c、12d對流動參數信號進行實時采集；(2)應用小波理論對采集的壓差波動信號進行去除噪聲預處理(a)對1個壓力波動和3個不同取壓間距的壓差波動信號S1、S2、S3和S4按照下面的遞歸式(1)進行4層小波包分解u2n(t)=2Σkh(k)un(2t-k)u2n-1(t)=2Σkg(k)un(2t-k)---(1)]]>式中h(k)為高通濾波器組；g(k)為低通濾波器組；u0(t)＝(t)，為尺度函數；u1(t)＝ψ(t)，為小波函數；k為分解的尺度。h(k)和g(k)滿足正交關系g(k)＝(-1)kh(1-k) (2)(b)對分解的各個頻帶分別設定閾值，采用如下的浮動閾值形式
tk=21n(n)σ/n---(3)]]>其中σ為噪聲強度，用中位數MAD(υk)/0.6745(υk為小波包分解系數)來估計，n為信號的長度。
(c)用非線性函數ζ＝sgn(υk)(|υk|-tk)作用于信號的小波包分解系數υk，得到系數υk，即將浮動閾值以上的系數減去閾值后并保留下來。
(d)由系數υk重建原信號，從而達到去除噪聲的目的。
(3)提取流型的特征運用EMD對采集到的壓差波動信號x(t)按如下步驟進行分解(a)確定信號x(t)的所有局部極值點，將所有極大值點用三次樣條線連接起來形成上包絡線，將所有極小值點用三次樣條線連接起來形成下包絡線，這兩條包絡線包絡了所有的信號數據。
(b)將兩條包絡線的均值記為μ1，求出y1(t)＝x(t)-μ1(4)(c)判斷y1(t)是否為IMF，若y1(t)不滿足IMF條件，則將y1(t)作為原始數據，此時，記y1(t)＝c1(t)，則c1(t)為信號x1(t)的第一個IMF分量，它代表信號x1(t)中最高頻率的分量；(d)將c1(t)從x1(t)中分離出來，即得到一個去掉高頻分量的差值信號r1(t)，即有r1(t)＝x1(t)-c1(t) (5)將r1(t)作為原始數據，重復步驟(1)、(2)和(3)，得到第二個IMF分量c2(t)，重復n次，得到n個IMF分量。這樣就有r1-c2=r2Mrn-1-cn=rn---(6)]]>當cn(t)或rn(t)滿足給定的終止條件(通常使rn(t)成為一個單調函數)時，循環(huán)結束，由(2)式和(3)式可得到x(t)=Σi=1nci(t)+rn(t)---(7)]]>式中，rn(t)為殘余函數，代表信號的平均趨勢。而各IMF分量c1(t)，c2(t)，Λ，cn(t)分別包含了信號從高到低不同頻率段的成分，每一頻率段所包含的頻率成分都是不同的，且隨信號本身的變化而變化。
(e)特征向量的提取。1個壓力波動信號和3個壓差波動信號的n個IMF分量分別記為c11(t)，c12(t)，Λ，c1n1(t)、c21(t)，c22(t)，Λ，c2n2(t)、c31(t)，c32(t)，Λ，c3n3(t)、c41(t)，c42(t)，Λ，c4n4(t)。將這些IMF分量組成一個特這個矩陣X，即Xp×n==x11x12Λx1px21x22Λx2pMMMMxn1xn1ΛxnpT=c11Mc1n1c21Mc2n2c31Mc3n3c41Mc4n4T---(8)]]>式中X為p×n的特征矩陣，p為采樣點數，n＝n1+n2+n3+n4為4個原始信號的所有IMF分量的個數。
(f)對矩陣X用下式變換為相關矩陣，即主成分矩陣R，并計算出相關矩陣R的m個特征值。
①將原始變量進行標準化各指標量綱往往不同，分析時，不同的量綱和數量級會引出新的問題，故要標準化，使標準化的變量平均值為0，方差為1，即
xij*=xij-x‾ivar(xij)]]>i＝1，2，Λ，n；j＝1，2，Λ，p (9)式中xij*為標準化后的觀測量，xi為平均值， 為標準差。
②計算X的相關矩陣R標準化后，相關陣和協(xié)方差陣相同，且R的子分量可表示為rij=1nΣi=1nxti*xij*---(10)]]>式中xti*，xij*分別為特征矩陣中第t行第i列與第j列元素。
③求相關矩陣R的特征值及特征向量計算出各特征值(λ1＞λ2＞Λ＞λn)和各特征向量(u1，u2，Λ，un)。
④選擇主成分計算各主成分的貢獻率及累計貢獻率，主成分的個數視具體問題而定，本發(fā)明取累計貢獻率為90％所對應的m個變量作為主成分。
⑤計算得分在主成分分析中，μj=λj/Σi=1mλi]]>為主成分的貢獻率，比值 反映前k個主成分所代表的原始數據信息的百分數。令T＝[μ1，μ2，Λ，μm] (11)則T為不同流型的特征向量。
(4)采用支持向量機來實現流型的識別水平管內油氣水多相流流型有4種，即分層流、間歇流、泡狀流和環(huán)狀流。根據上述分類情況，采用“一對多”的策略，構造4個二值分類器，分別表示為SVM1、SVM2、SVM3、SVM4。如圖2所示。對每一個流型構造一個支持向量機，每個支持向量機的輸出yi∈{-1，+1}，(i＝1，2，3，4)，則4個支持向量機的輸出是一個4維向量，每一個分量表示樣本是否對應該流型，(1，-1，-1，-1)代表分層流，(-1，1，-1，-1)代表間歇流，(-1，-1，1，-1)代表泡狀流，(-1，-1，-1，1)代表環(huán)狀流。用120個(4種流型各30個樣本)對支持向量機進行訓練，通過比較，確定本發(fā)明的核函數為徑向基核函數，即K(x,y)=e-||x-y||2/2σ2,]]>式中σ取0.05。訓練好的支持向量機可實現對流型的識別。再用200個樣本進行測試，結果如表1所示(部分測試樣本)。
表1

權利要求
1.一種基于主成分分析和支持向量機的油氣水多相流流型識別方法，其特征在于，將主成分分析方法與支持向量機識別技術相結合，自動對油氣水多相流管流流型進行識別，其方法包括下述步驟1)對不同流型的流動參數信號進行采集；2)對壓力和壓差波動信號進行小波包去除噪聲預處理；3)對去除噪聲后的壓力和壓差波動信號進行經驗模式分解，將分解得到的各個信號的固有模式函數組成一個特征矩陣，再利用主成分分析方法提取流型的特征向量；4)將經驗模式分解的能量特征向量作為支持向量機的輸入樣本，輸入與輸出的關系由支持向量機來完成，并構造4個二值分類器，由徑向基核函數支持向量機完成對流型的識別。
2.根據權利要求1所述的基于主成分分析和支持向量機的油氣水多相流流型識別方法，其特征是所述的步驟1是利用取壓間距分別為5倍、10倍和15倍管徑(D)；采樣頻率為256Hz；采樣點數為1024點；1個壓力變送器和3個不同取壓間距的差壓變送器對流動參數信號進行實時采集。
3.根據權利要求1所述的基于主成分分析和支持向量機的油氣水多相流流型識別方法，其特征是所述的步驟2的小波包去除噪聲預處理，(a)對1個壓力波動和3個不同取壓間距的壓差波動信號S1、S2、S3和S4按照下面的遞歸式(1)進行4層小波包分解u2n(t)=2Σkh(k)un(2t-k)u2n-1(t)=2Σkg(k)un(2t-k)---(1)]]>式中h(k)為高通濾波器組，g(k)為低通濾波器組，u0(t)＝(t)為尺度函數，u1(t)＝ψ(t)為小波函數，k為分解的尺度，h(k)和g(k)滿足正交關系g(k)＝(-1)kh(1-k) (2)(b)對分解的各個頻帶分別設定閾值，采用如下的浮動閾值形式tk=2ln(n)σ/n---(3)]]>其中σ為噪聲強度，用中位數MAD(υk)/0.6745(υk為小波包分解系數)來估計，n為信號的長度；(c)用非線性函數ξ＝sgn(υk)(|υk|-tk)作用于信號的小波包分解系數υk，得到系數υk，即將浮動閾值以上的系數減去閾值后并保留下來；(d)由系數υk重建原信號，從而達到去除噪聲。
4.根據權利要求1所述的基于主成分分析和支持向量機的油氣水多相流流型識別方法，其特征是所述的步驟3流型特征向量的提取，(1)利用經驗模式分解技術對1個壓力波動信號和3個壓差波動信號進行分解，得到n個IMF分量分別記為c11(t)，c12(t)，Λ，c1n1(t)、c21(t)，c22(t)，A，c2n2(t)、c31(t)，c32(t)，Λ，c3n3(t)、c41(t)，c42(t)，Λ，c4n4(t)；將這些IMF分量組成一個特這個矩陣X，即Xp×n=x11x12Λx1px21x22Λx2pMMMMxn1xn1ΛxnpT=c11Mc1n1c21Mc2n2c31Mc3n3c41Mc4n4T]]>式中X為p×n的特征矩陣，p為采樣點數，n＝n1+n2+n3+n4為4個原始信號的所有IMF分量的個數，xi(i＝1，2，Λ，n)為p維向量；(2)將原始變量進行標準化各變量的不同量綱不能直接計算，故要標準化，使標準化的變量平均值為0，方差為1，即xij*=xij-x‾ivar(xij)i=1,2,Λ,n;j=1,2,Λ,p---(7)]]>式中xij*為標準化后的觀測量，xi為平均值， 為標準差；(3)計算X的相關矩陣R標準化后，相關陣和協(xié)方差陣相同，且R的子分量可表示為rij=1nΣi=1nxti*xij*---(8)]]>式中xti*，xij*分別為特征矩陣中第t行第i列與第j列元素；(4)求相關矩陣R的特征值及特征向量計算出各特征值(λ1＞λ2＞Λ＞λn)和各特征向量(u1，u2，Λ，un)；(5)選擇主成分計算各主成分的貢獻率及累計貢獻率，主成分的個數視具體問題而定，本發(fā)明取累計貢獻率為90％所對應的m個變量作為主成分；(6)計算得分根據主成分表達式計算各主成分得分，在主成分分析中，μj=λj/Σi=1mλi]]>為主成分的貢獻率，比值 反映前k個主成分所代表的原始數據信息的百分數，令T＝[μ1，μ2，Λ，μm] (9)則T為不同流型的特征向量。
5.根據權利要求1所述的基于主成分分析和支持向量機的油氣水多相流流型識別方法，其特征是所述的步驟4是采用支持向量機來實現流型的識別，水平管內油氣水多相流流型有4種，即分層流、間歇流、泡狀流和環(huán)狀流，采用“一對多”的策略，構造4個二值分類器，對每一個流型構造一個支持向量機，4個支持向量機的輸出是一個4維向量，每一個分量表示樣本是否對應該流型，訓練好的支持向量機可實現對流型的識別。
全文摘要
一種基于主成分分析和支持向量機的油氣水多相流流型識別方法，其特點是利用水平管路、取壓環(huán)、取壓管、壓力、差壓變送器、數據采集卡和計算機對不同流型的流動參數信號進行采集；將采集到的壓力和不同取壓間距的壓差波動信號進行小波包去除噪聲預處理，再對上述信號進行經驗模式分解，得到的信號固有模態(tài)函數，將這些固有模態(tài)函數構成一個特征矩陣X，利用主成分分析得到流型的特征向量；再將這些特征作為支持向量機的輸入樣本，應用支持向量機完成從特征空間到流型空間的映射，最終實現流型識別。所采用的特征向量融合了多個傳感器的信息，能夠全面反映流型的信息，所應用的支持向量機同神經網絡分類器相比，具有學習速度快、分類能力強等特點。
文檔編號G06F19/00GK1904581SQ200610017090
公開日2007年1月31日 申請日期2006年8月1日 優(yōu)先權日2006年8月1日
發(fā)明者孫斌, 周云龍, 趙鵬, 張毅, 關躍波, 洪文鵬 申請人:東北電力大學