您好, 歡迎來到化工儀器網
流量計油水兩相流主導相判別方法
流量計主導相判別的主要任務是判別油水兩相流的三種流動狀態：1）水為主導相（油含率≤40%），2）過渡狀態（40%＜油含率＜60%），3）油為主導相（油含率≥60%）。本文利用16電極陣列式電導傳感器來獲取油水兩相流的電導信息，并進一步采用zui小二乘支持向量機（LS-SVM）和偏zui小二乘法（PLS）等數據挖掘方法來對兩相流主導相進行實時判別。
流量計基于電導測量值判別油水兩相流的主導相本質上是一個多分類問題，可通過設計多個兩類分類器并結合“一對一”的多類分類策略來得以解決。根據“一對一”策略，在每兩類之間均設計一個兩類分類器，三種流動狀態（主導相）總共設計三個分類器。對于待測試樣本通過投票法確定其歸屬某一種流動狀態。實際的主導相判別過程如圖2（a）所示，首先通過陣列式電導傳感器獲得電導測量值，然后利用每一個分類器逐一對所獲得的電導值進行測試。如果某一分類器指出當前主導相屬于第i類流動狀態，則向第i類流動狀態投一票。zui終得票zui多的流動狀態就作為當前主導相的辨識結果。
上述用于解決流量計主導相多分類問題的兩類分類器可通過模式分類方法得以實現。支持向量機（SupportVectorMachine，SVM）是新近發展起來的基于機器學習的模式分類技術，它基于結構風險zui小化原則，能有效解決過學習問題，具有較好的泛化能力，已經在很多領域得到了成功應用。zui小二乘支持向量機（Least-SquaresSupportVectorMachine，LS-SVM）是SVM的改進形式，其求解速度優于普通SVM。因此，本文選用LS-SVM建立油水兩相流主導相分類器。
基于LS-SVM設計油水兩相流主導相分類器需要考慮以下兩點：1）為了盡可能實現準確的分類，用于設計分類器的特征量（輸入數據）應盡可能少。2）如果輸入數據存在多重相關性或者在輸入數據中存在著與輸出不相關的冗余信息，則LS-SVM的泛化能力將受到不利影響。因此，有必要對LS-SVM的輸入數據進行特征提取。偏zui小二乘方法（PartialLeastSquares，PLS）能在有效提取數據特征量的同時消除數據的多重相關性及與輸出不相關的冗余信息。因此本文采用PLS來提取油水兩相流電導測量信息的特征，然后以所提取的特征量作為LS-SVM的輸入來建立主導相分類器（如圖2（b）所示）。
4.1 陣列式電導傳感器
本文采用的流量計電導傳感器為16電極陣列式電導傳感器。傳感器結構如圖3（a）所示。16電極電導傳感器共可獲得104個電導測量值。電導測量硬件系統結構如圖3（b）所示，包括陣列式電導傳感器、激勵信號發生模塊、數據采集模塊、時序控制模塊、數字信號處理模塊和通信模塊。其中，激勵信號發生模塊產生雙極性脈沖激勵信號，并采用相鄰激勵模式來獲取電導測量值。數據采集模塊采集電導測量值并將其轉換為相應的數字信號，提交給數字信號處理模塊進行后續處理。數字信號處理模塊以ADSP2188N數字信號處理器為核心，通過通信模塊（采用USB2.0技術）將數據zui終發送給上位機。此外，激勵和測量過程中涉及一些時序控制，均通過以復雜可編程邏輯器件（CPLD）為核心的時序控制模塊來實現。
4.2 主導相分類器設計
如前所述，采用偏zui小二乘（PLS）法提取電導測量值的特征，以所提取的多個特征量作為zui小二乘支持向量機（LS-SVM）的輸入來設計主導相分類器，則主導相分類器的設計過程主要包括兩個步驟：基于PLS提取電導特征量和基于LS-SVM建立主導相分類器。
4.2.1 基于PLS的電導特征量提取
設自變量（電導測量值）為R，因變量（油水兩相流主導相）為Y。PLS提取電導特征量的主要步驟為：
（1）分別從R和Y提取隱變量t1和u1，這兩個隱變量需要滿足以下兩個約束條件：1）t1和u1盡可能多地包含R和Y的方差信息，2）t1和u1之間的相關性達到zui大。如此獲得電導測量值的*個特征t1。
（2）分別將R和Y對t1進行回歸，
其中p1和q1是載荷矩陣。
（3）分別以R1和Y1代替R和Y，重復步驟（1）~（2），逐個提取電導特征量，直到滿足終止準則。zui終可得提取的多個電導特征量t1，t2，t3，…，tm，這些特征量均是104個被測電導值的線性組合，即：
T=RH （8）
其中R是電導測量值矩陣，H是變換矩陣。
參與分類的電導特征量的個數通常應少于原始的電導測量值個數。本文采用交互驗證法計算分類誤差平方和，并認為當分類誤差平方和zui小時所對應的電導特征量個數*。
利用PLS所提取的電導特征量彼此不相關，但保留了盡可能多的與兩相流主導相的相關性，因此，這些特征量可為兩相流主導相判別提供盡可能多的有意義的信息。