WR中国特刊（2） | 刘海星：基于流型辨识方法的供水系统空气阀运行状态研究

* 来源 : 刘海星，等中国给水排水 * 作者 : admin * 发表时间 : 2020-03-31 * 浏览 : 507

经过3年的努力，Water Research中国特刊——Water in China将于2020年2月与读者见面！今天将推送本期特刊的第二篇，来自大连理工大学建工学部刘海星副教授的文章。接下来，遵循作者自愿的原则，按照Making Waves的格式，我们将在公众号陆续刊发本期特刊的文章精华，欢迎关注！Making Waves投稿请发至：ycm0128@126.com。

※原文信息：

原文链接：

https://doi.org/10.1016/j.watres.2019.115002

刘海星，男，大连理工大学建工学部副教授，研究方向为给排水管网系统理论与计算，长距离输水系统安全运行，城市水资源优化配置。

文章亮点

流型辨识能够评价气阀的运行状态
SVM能有效地对不同的流型进行分类
选择最优的压力信号特征可以提高流型的辨识精度
压力信号的采样参数会对流型辨识精度产生影响

文章简介

我国淡水资源时空分布不均匀，居民用水供需矛盾紧张。而快速的城镇化发展使得城市用水供需失衡更为严重。为了缓解城市缺水问题，许多长距离输水工程应运而生，比如澳大利亚的雪山水电计划，美国的五大湖流域引水工程和中央山谷项目，以及中国的南水北调工程。输水管道内水流基本上处于承压状态，通常采用空气阀排除管内气体。输水管道内，空气的存在不仅会降低输水能力和增加水头损失，还可能导致由气水混合流的压力波动引起的管道振动，甚至可能在水力过渡过程中导致爆管事故的发生。而下倾水管中最易积聚空气，通常情况下可以通过水流将其带走或者通过空气阀排出，但当水流流速低于“清除速度”，水力作用则难以将其完全带走。这种情况下，空气阀对于排除气体起到至关重要的作用。然而，由于排气孔堵塞或者阀杆断裂，空气阀经常发生故障。并且，空气阀通常位于输水管道的高位点，不便于定期检查和维护，成为输水管道运行的安全隐患。此外，气阀故障不易检测和修正，影响管道性能。

机械系统（如柴油机、压缩机）中空气阀的故障诊断，通常基于声学或振动信号进行信号特征识别，而基于压力信号的阀门故障诊断也得到了成功的应用。在下倾水管中，失效的空气阀引起的空气积聚会导致流型的转变，而流型转变反过来又会导致阀门动态特性和气水混合流压力波动发生变化。鉴于管道内压力信号普遍存在，本研究基于压力信号进行流型辨识研究，并据此评价下倾水管中空气阀的运行状态。

目前，流型辨识已经得到了广泛的研究。大量学者通过不同仪器测量得到的数据（如流体图像、空泡率或压差）进行流型辨识。还有一些学者基于信号中提取的一些特征（如频率、随机性、分形或混沌时间序列）来研究对具体应用的最佳识别精度，并取得了相应的成功。

信号特征识别可以采用分类方法，即从一系列事件中进行异常事件特征的区分。而支持向量机（SVM）和人工神经网络（ANN）可能是当今最常用的两种识别方法。其中SVM不容易陷入局部极小值，并且在训练过程中需要的数据更少。最重要的是，它可以克服ANN泛化能力弱的缺点，可以为不同问题选择合适的网络结构并进行参数优化。在水务领域，SVM作为预警工具已应用于水质分类。例如，利用最小二乘支持向量机（LS-SVM）与模糊聚类耦合来评估给水管网水质故障。此外，基于压力和流量信号的SVM在给水管网的异常检测中也发挥了作用。SVM还被用于降水和径流预测。由此可见，SVM具有较强的分类能力。本次研究利用SVM进行输水管道的流型辨识，通过流型变化诊断空气阀运行状态。

本文基于压力数据，采用SVM分类方法，旨在评价下倾水管中空气阀的运行状态。通过室内实验收集压力信号数据，并对SVM模型进行训练和验证。构建的SVM模型旨在从所有流型中区分出泡状流（包括准纯水状态）和段塞流。通过该模型分类结果的分析，讨论以下几点：（i）对应于下倾水管中不同流型压力信号的最优时频特征；（ii）基于压力信号中提取的多种特征对流型的辨识精度；（iii）SVM输入数据的参数分析（压力信号最优采样速率和时间）。本文提出了一种新的输水系统流型辨识方法。由于输水管道里的流型可以直接与空气阀的运行状态相关联，流型辨识可用于空气阀故障诊断，保证输水管道的安全运行。该结果对SVM分类模型的参数估计研究也具有一定的指导意义。

重要结论

1. 对采集到的压力信号进行分析，分层流、逆气流、段塞流和泡状流的压力波动幅度依次减小。随着空气含量的增加，流型发生变化，压力波动的周期性越来越明显。通过压力信号的频域分布分析可知， 4种典型流型的主要波动频率均在10Hz以内，且在压力波动方面均表现出较强的变化趋势。

2. SVM-1用来辨识泡状流，之后SVM-2在剩余的3种流型中辨识出段塞流。通过组合分析可知，PSD和SZR是SVM分类的最佳特征。利用合适的特征作为输入变量，SVM可以很好地辨识流型。

3. 采样参数对SVM流型辨识效果有明显影响。基于实验数据，为了提高SVMs的辨识精度，建议设置较高的采样速率（如本次研究中的最大值1kHz）和采用较长的采样时间（如本研究中的8 s）。以PSD和SZR为最佳特征，选取最优的采样参数，SVM-1和SVM-2的辨识精度分别达到94.3%和93.9%。