[发明专利]两相流含水率自适应串联估计方法

摘要

本发明涉及一种两相流含水率自适应串联估计方法，利用上、下游不同传感器的测量数据进行估计，包括如下步骤：对上游传感器和下游传感器测量数据进行时间配准；状态估计算初始化；对上游传感器含率测量值进行线性卡尔曼状态估计和更新，获得对状态向量的预测和协方差矩阵的预测；3)利用下游传感器测量数据，计算两相流过程状态转换矩阵：对下游含率测量值进行基于无迹卡尔曼滤波非线性状态估计。

主权项

1.一种两相流含水率自适应串联估计方法，利用上、下游不同传感器的测量数据进行估计，包括如下步骤：1)对上游传感器和下游传感器测量数据进行时间配准：获取上游传感器和下游传感器所获相含率时间序列z₁(j)和z₂(j)，j＝1,2,3,…N为测量时间内的数据点，下标1和2分别代表上游传感器和下游传感器，计算渡越时间，利用渡越时间结合数据采样频率，对上游传感器和下游传感器测量数据进行时间配准；2)状态估计算初始化：其中，是上游状态向量的估计初值，是上游协方差的迭代初值，z_1,k是上游传感器在k时刻的测量值，且是下游状态向量的估计初值；3)对上游传感器含率测量值进行线性卡尔曼状态估计和更新，获得对状态向量的预测和协方差矩阵的预测；在估计过程中量测矩阵H取值均为1，状态向量x₁代表含水率，k时刻的系统模型为：x_1,k+1＝F_1,kx_1,k+v_1,k   (4)z_1,k＝H_1,kx_1,k+w_1,k   (5)其中，F_1,k是k时刻的状态转移矩阵，x_1,k+1和x_1,k分别是上游在k+1时刻和k时刻的状态向量，H_1,k是k时刻的量测矩阵，z_1,k是量测向量，v_1,k和w_1,k分别表示系统在k时刻的过程噪声和量测噪声；则状态向量的预测的预测和协方差矩阵的预测为：根据上游量测信息z_1,k修正估计值：其中，K_1,k是上游传感器系统在k时刻的卡尔曼增益：其中，H_1,k是k时刻上游传感器量测矩阵，是上游传感器在k时刻对状态的预测值，是上游传感器k时刻对状态x_1,k的最小均方误差估计，是k时刻估计的协方差，R_1,k为上游滤波过程在k时刻系统量测噪声的协方差，可取值为0.01至0.2；Q_1,k‑1为上游滤波过程在k‑1时刻系统过程噪声的协方差，可取值为0.01至0.09，I为单位矩阵，其维数等同于状态向量的维数；利用下游传感器测量数据，计算两相流过程状态转换矩阵：将传感器上游测量单元确定的状态转移过程加以记录，用于时间配准后下游含水率状态估计中：其中，F_2,k为下游测量单元的状态转移矩阵，k＝n₀,n₀+1,…,N；4)对下游含率测量值进行基于无迹卡尔曼滤波非线性状态估计：构造Sigma点集，其基本构造方式如式(12)所示：其中，L是状态向量的维度，是下游估计过程k‑1时刻的状态估计，p_2,k‑1是下游估计过程k‑1时刻的全局协方差，γ与λ可由下式计算：其中，λ为规模因子，α是决定Sigma点集中点的分散程度扩展因子，取值为0到1之间；κ是缩放系数，设为0，计算状态预测权系数W_i^(m)和协方差预测权系数其中，β先验分布因子，通常设置为2，i为矩阵在Sigma点集中对应的元素序号，下游状态估计过程的状态预测方式如下：估计过程中的协方差矩阵分为全局协方差矩阵和互协方差矩阵，更新方式分别如下：其中，p_2,k|k‑1是对全局协方差的预测，Q_2,k‑1是下游过程噪声的协方差，H_2,k是下游估计过程在k时刻的量测矩阵；其中，是下游传感器测量值在k时刻的协方差，是k时刻互协方差矩阵，R_2,k为下游估计过程中的系统量测噪声的协方差，取值为0.01至0.09；K_2,k是k时刻下游估计过程的卡尔曼增益，按照式(19)方式进行更新；基于无迹卡尔曼的非线性状态估计方式为：其中，H_2,k是下游估计过程在k时刻的量测矩阵，是对含水率的最终估计结果，其均值即为测量时间段内平均相含率的最优估计。