基于PSO優化LS-SVM的氣液兩相流干度軟測量

周云龍，張全厚，鄧艷秋

（東北電力大學能源與動力工程學院，吉林 吉林 132012）

氣液兩相流的干度測量一直是兩相流參數檢測研究中的一個重要內容，其測量方法多采用衰減發[1]、微波法[2]、速差法[3]等。雖然這類方法在測量精度上能滿足工業生產的要求，但因設備成本較高、使用壽命短等原因，不適合廣泛推廣。

近年，隨著計算機硬件的發展，越來越多的軟測量方法被應用到氣液兩相流參數檢測當中。其中包括流型[4]、含氣率[5]、流量[6]等。而在眾多軟測量模型中，支持向量機（support vector machine，SVM）模型由于能夠解決非線性、小樣本、過學習等難題，得到了廣泛的應用[7-9]。

但 SVM 的求解速度較慢，對樣本的依賴性大，Suykens等[10]在SVM基礎上提出了最小二乘支持向量機（Least Square SVM，LS-SVM）。針對LS-SVM方法參數選取困難，魯春燕等[11]用粒子群算法（Particle Swarm Optition，PSO）、伍春等[12]用遺傳算法（Genetic Arithmetic，GA），對LS-SVM進行了優化。通過優化降低了對初值選取的依賴度，并且縮短了計算時間。根據張春曉等[13]在兩相流含氣率軟測量方法的研究，得到用 PSO優化的LS-SVM要比用GA優化的LS-SVM泛化能力強。鑒于以上原因，本文作者嘗試選用 PSO優化LS-SVM的方法對氣液兩相流干度進行軟測量。

1 干度測量原理

根據文獻，申國強等[14]在總結各種流型下的孔板壓差數據得出式（1）。

結合林氏模型式（4）得到式（5）及式（6）。

式中，1θ為氣液密度比的函數；X為干度。

2 最小二乘支持向量機

2.1 LS-SVM回歸算法

根據干度的測量模型，本文將B和ρg/ρl作為LS-SVM 模型的輸入變量xi=[B,ρg/ρl]i，以干度X為輸出量，假設樣本為{(xi,X)i=1,··,l}，數據求解問題可描述為式（7）。

引入拉格朗日函數優化該約束條件，得式（8）。……