一种基于双域特征融合与混合边缘GumbelCopula的管道段塞流识别方法

摘要: 本发明属于气液两相流在线监测与工业信号处理,具体涉及一种基于压力信号基线漂移校正、小波包与累积量双域特征融合以及混合边缘gumbelcopula概率建模的管道段...
一种基于双域特征融合与混合边缘GumbelCopula的管道段塞流识别方法

本发明属于气液两相流在线监测与工业信号处理,具体涉及一种基于压力信号基线漂移校正、小波包与累积量双域特征融合以及混合边缘gumbel copula概率建模的管道段塞流识别方法。

背景技术:

1、水下压缩气体储能、油气输送及其他气液两相管输系统中,冷凝液或外部注入液体容易在管道低洼位置积聚。在气相剪切力和管道倾角引起的重力作用下,积液可依次经历启动、分层波动、定向聚集和液塞诱导阶段,并最终形成液塞与气核交替运动的段塞流。段塞流会引起剧烈压力波动、设备冲击、管道过压以及压缩机或透平负荷异常,因此需要进行可靠的在线识别。

2、现有识别方法主要包括单一压力阈值法、数值模拟法以及机器学习识别法。单一阈值法难以适应不同倾角、积液量和运行压力;数值模拟难以直接满足实时监测要求;部分机器学习方法依赖大量标注数据,且对多维特征之间非线性、非对称和尾部相关关系的解释能力不足。

3、此外,管道压力信号通常受到传感器零点变化、压力调节过程和流场逐渐稳定等因素影响而产生基线漂移,并叠加高斯背景噪声。若直接对原始压力信号进行特征提取,低频漂移会掩盖液塞冲击产生的高频脉冲,不合理的多特征融合还可能放大误差。因此,需要一种能够校正基线漂移、联合利用频域和时域特征并给出可解释概率阈值的段塞流识别方法。

技术实现思路

1、本发明的目的在于克服现有技术对基线漂移抑制不足、单域特征表征不完整、多特征非线性依赖关系难以刻画以及识别阈值缺乏统计依据的问题,提供一种适用于气液两相管道在线监测的段塞流识别方法。

2、为实现上述目的,本发明采用如下技术方案:

3、一种基于双域特征融合与混合边缘gumbel copula的管道段塞流识别方法,其特征在于,包括以下步骤:

4、步骤1:采集气液两相管道的压力时序信号,将所述压力时序信号按照预设窗口长度划分为压力信号窗口;

5、步骤2:对每一压力信号窗口进行最小二乘线性去趋势处理,获得消除基线漂移后的校正压力信号;

6、步骤3:对所述校正压力信号进行三层小波包分解,从预定的四个高频子带中分别提取归一化能量比,得到四个频域特征;

7、步骤4:计算所述校正压力信号的一阶至四阶累积量,得到四个时域特征,并将四个频域特征和四个时域特征按照固定顺序拼接为八维双域融合特征向量;

8、步骤5:分别估计所述八维双域融合特征向量中各维特征的边缘累积分布,对连续边缘采用核密度估计,对离散边缘采用左连续累积分布和连续化修正,将各维特征变换为区间(0,1)内的均匀变量;

9、步骤6:利用非段塞流训练样本对应的八维均匀变量建立八维gumbel copula联合分布模型,通过极大似然估计确定尾相关参数,并根据非段塞流训练样本的联合累积分布函数值确定下侧识别阈值;

10、步骤7:对待识别压力信号窗口依次执行步骤2至步骤5,计算其在所述八维gumbelcopula联合分布模型下的联合累积分布函数值;当所述联合累积分布函数值低于所述下侧识别阈值时,判定为段塞流,否则判定为非段塞流。

11、优选地,步骤1中,压力信号采样频率为51.2 hz至10 khz,每个窗口持续1 s至20s,窗口内采样点数根据采样频率和窗口持续时间确定;根据在线响应要求,可采用等长度不重叠划分或滑动窗口。

12、优选地,步骤2中,基线漂移采用最小二乘线性去趋势处理。设压力信号窗口包含n个采样点,第n个采样点的原始压力为,线性趋势项为,则:

13、         (1)

14、式中,n为单个压力信号窗口包含的采样点总数,单位为点;n为采样点序号,n=0,1,...,n-1;为第n个采样点的原始压力,单位为mpa;a为线性趋势斜率,单位为mpa/采样点;b为线性趋势截距,单位为mpa。

15、求得趋势系数a和截距b后,校正压力信号为:

16、(2)

17、式中,为第n个采样点经基线漂移校正后的压力值,单位为mpa;其余符号含义与式(1)相同。

18、优选地,步骤3中,采用db4小波基对校正压力信号进行三层小波包分解,得到八个互不重叠的子带。设第j个选定高频子带的系数为,其能量和归一化能量比分别为:

19、    (3)

20、式中,j为小波包子带序号;k为第j个子带内的小波包系数序号;为第j个子带的第k个小波包系数;为第j个子带的能量;为依据采样频率和液塞压力脉冲频带确定的四个高频子带序号集合;为第j个选定高频子带的归一化能量比,无量纲。

21、优选地,步骤4中,先计算压力校正窗口的一阶至四阶原点矩:

22、                         (4)

23、式中,为校正压力信号的r阶原点矩;r为矩的阶数;n和的含义与式(1)和式(2)相同。根据前四阶原点矩计算一阶至四阶累积量:

24、      (5)

25、式中,κ1、κ2、κ3和κ4依次为一阶、二阶、三阶和四阶累积量,分别表征校正压力信号的均值、波动强度、非对称性以及尖峰重尾程度;三阶和四阶累积量用于抑制高斯背景噪声对段塞流压力脉冲识别的影响。

26、将四个子带的归一化能量比与四个累积量按固定顺序拼接:

27、                            (6)

28、式中,z为八维双域融合特征向量;z的前四维为频域归一化能量比,后四维为时域累积量。

29、优选地,步骤5中,对第j维连续特征采用核密度估计获得边缘概率密度和边缘累积分布:

30、   (7)

31、式中,为第j维特征的核密度估计函数;为第j维特征的边缘累积分布函数;m为非段塞流训练样本数量;为第m个训练样本的第j维特征值;为第j维特征的核密度带宽;k为核函数;s为积分变量。

32、对具有重复取值或量化取值的离散特征,在左连续累积概率与当前累积概率之间进行连续化修正:

33、      (8)

34、式中,为第j维特征经概率积分变换后得到的均匀变量;为在处的左极限;为当前累积概率;为区间(0,1)内的连续化参数,采用确定性修正时可取0.5。经修正后,各维变量均位于区间(0,1)。

35、优选地,步骤6中,八维gumbel copula联合分布模型为:

36、     (9)

37、式中,为八维gumbel copula联合累积分布函数;u1至u8为式(8)得到的八维均匀变量;θ为gumbel copula尾相关参数,θ≥1,θ越大表示八维特征的上尾相关性越强;ln为自然对数;exp为自然指数函数。

38、利用非段塞流训练样本构造copula对数似然函数,并通过极大似然估计获得尾相关参数:

39、                        (10)

40、式中,θ̂为尾相关参数θ的极大似然估计值;m为非段塞流训练样本数量;为第m个八维均匀样本;为式(9)对应的gumbel copula联合概率密度函数。

41、根据八维特征两两kendall秩相关系数的平均值设置迭代初值:

42、                                             (11)

43、式中,为newton-raphson迭代的初始值;τ̄为八维特征所有两两组合的kendall秩相关系数平均值。采用newton-raphson方法迭代,当梯度绝对值或连续两次参数相对变化量小于预设收敛阈值时或达到最大迭代次数时停止,最大迭代次数为50。

44、为保证阈值方向与识别逻辑一致,按照99%的非段塞流覆盖率确定下侧识别阈值:

45、                    (12)

46、式中,t为下侧识别阈值;为样本集合的1%分位数算子;m0为用于阈值标定的非段塞流样本数量;为第m个非段塞流样本的联合cdf值。该定义使99%的标定非段塞流样本位于阈值t以上。

47、优选地,所述步骤7中,待识别压力窗口的联合累积分布函数值cdf判别值记为c,识别结果为:

48、c

49、式中,c为待识别窗口经式(1)至式(9)计算得到的联合cdf值;t为式(12)确定的下侧识别阈值。

50、本发明还提供一种管道段塞流在线监测系统,包括压力传感器、数据采集器和识别处理器,所述识别处理器执行上述信号校正、特征提取、概率建模和阈值判断过程。

51、与现有技术相比,本发明具有以下有益效果:

52、(1)通过窗口内线性去趋势消除慢变基线干扰,使后续特征主要反映流型变化;

53、(2)利用小波包高频能量与高阶累积量的互补性,同时表征液塞冲击的多尺度脉冲和非高斯尖峰,并抑制高斯背景噪声;

54、(3)通过混合边缘修正避免将非正态或离散特征强制按高斯分布处理,提高概率积分变换的有效性;

55、(4)利用gumbel copula的上尾相关能力刻画八维特征的非线性极值依赖关系,识别结果具有概率解释;

56、(5)采用非段塞流样本覆盖率确定阈值,可量化控制误报率,适用于不同倾角和积液量工况下的在线识别。