基于希尔伯特-黄变换与Elman神经网络的气液两相流流型识别方法

气液两相流的流型对其流动和传热特性有很大的影响，所以如何确定流型一直是两相流研究中的重要课题。但是,由于两相流介质之间存在着随机多变的相界面，致使两相流的流型不仅是多种多样，而且其变化也带有随机性，这给流型识别带来了很大困难。而希尔伯特－黄变换(HHT)和神经网络在气液两相流流型识别中还很少见，文中提出了希尔伯特－黄变换与Elman神经网络相结合的气液两相流流型识别的新方法。将压差波动信号经验模态分解(EMD)后的固有模态函数(IMF)进行分析，提取IMF能量特征作为Elman神经网络的输入特征向量，对水平管内的气液两相流流型进行识别。实验结果表明：该方法能很好地识别水平管内的4种流型，为流型识别开辟了一条新的途径；另外，该方法优于BP网络且稳定、识别率高，具有可行性。     

基于EMD和SVM的变压器励磁涌流和短路电流识别

为了正确识别变压器励磁涌流和短路电流,提出一种基于经验模态分解(Empirical mode decomposition,EMD)和支持矢量机(Support vector machine,SVM)的识别方法.该方法首先对原始电流信号进行经验模态分解,将不平稳信号分解为多个平稳的固有模态函数(Intrinsic mode function,IMF)之和,分别计算前五层IMF分量能量并组成能量特征向量;然后以此作为SVM分类器的输入参数来识别励磁涌流和短路电流.仿真结果表明,该识别方法在小样本情况下,能准确、有效地识别励磁涌流和短路电流两类电流信号,而且受噪声的影响小.     

基于EMD和ELM的低压电弧故障识别方法的研究

针对低压配电线路负载端电弧故障电压具有较强的信号奇异性波形特征,利用低压串联电弧故障实验平台,采集若干典型的低压配电线路负载端故障电弧电压信号进行分析。采用经验模态分解(empirical mode decomposition,EMD)有效地提取反映电弧故障信号局部特性的本征模态函数(intrinsic mode function,IMF)分量,经分析IMF分量的方差贡献率确定前5阶IMF用于表征各类负载电弧故障主要特征信息,提取前5阶IMF分量能量比为特征向量作为极端学习机(extreme learning machine,ELM)的输入向量,建立不同负载电弧故障识别模型。实验与仿真结果表明,基于EMD分解和ELM相结合的故障电弧诊断方法,在有效提取不同负载电弧故障特征的基础上,实现了不同负载电弧故障的识别。     

基于支持向量机和小波包能量特征的气液两相流流型识别方法

支持向量机（SVM）是一种基于统计学习理论（SLT）的机器学习算法,它能在训练样本很少的情况下得到很好的分类效果,从而为流型识别技术向智能化发展提供了新的途径.该文提出了应用支持向量机和小波包能量特征的流型识别方法.将压差波动信号小波包分解后的频带能量作为支持向量机的输入特征向量,并对水平管内空气-水两相流的流型进行了识别.试验结果表明：与BP神经网络相比,采用支持向量机进行流型识别可以获得更高的识别率,表明该方法是有效、可行的.     

基于经验模态分解的高压断路器机械故障诊断方法

分析高压断路器机械振动信号的特性,提出一种以改进的经验模态分解(empirical mode decomposition,EMD)能量熵和支持向量机(support vector machine,SVM)相结合的诊断高压断路器机械故障的方法,并给出了可行的诊断步骤和分析.首先利用经验模态分解方法将高压断路器的振动信号分解成一些相互独立的内禀模态函数"(intrinsic mode function,IMF),然后利用正常状态标准信号所得各固有内禀模态函数包络信号的等能量分段方式,实现对待测状态信号各IMF包络的时间轴分段,计算各待测信号IMF包络的能量熵向量,以此构造的经验模态分解能量熵向量作为支持向量机的输入向量.采用"次序二叉树"向量机分类,利用梯度法和交叉检验优化支持向量机模型参数.实验结果表明,该方法诊断高压断路器机械故障能取得良好的效果.     

基于小波分析的垂直上升管气液两相流流型的识别

气液两相流的流型对其流动和传热特性有很大影响，所以如何确定流型一直是两相流研究中的重要课题。但是, 由于两相流介质之间存在着随机多变的相界面，致使两相流的流型不仅是多种多样，而且其变化也带有随机性，这给流型识别带来了很大困难。该文提出了利用压差波动信号的Lipschitz指数来识别流型的方法。采用小波分析中Lipschitz指数可描述不同流型的压差波动特征，因此，根据计算得到的Lipschitz指数的大小，可以识别出泡状流、间歇流和环状流。     

融合IMF能量矩和BiLSTMNN的水电机组振动故障诊断

针对水电机组振动信号存在非平稳和非线性,提出一种结合IMF能量矩和双向长短期记忆神经网络（bidirection long short term memory neural network,BiLSTMNN）的故障诊断方法。首先采用互补集合经验模态分解（complementary ensemble empirical mode decomposition,CEEMD）方法对正常和故障振动信号样本进行处理,得到频率各异的本征模态函数（intrinsic mode functions,IMF）和剩余分量。然后计算IMF能量矩,并将其作为故障特征。进一步,将故障特征作为输入、故障类别作为输出,训练BiLSTMNN得到水电机组故障识别器。结合故障识别器和实时振动信号IMF能量矩特征,即可识别水电机组运行状态为正常或具体故障类型。最后,结合转子实验台数据和实际电站机组样本数据,设计对比实验,验证了所提方法在挖掘信号特征方面的有效性及较高的故障诊断准确率。     

基于EMD分解在电火花数据分析的应用

经验模态分解(empirical mode dccomposition,EMD)是处理非平稳、非线性信号一种有效的新方法。运用EMD分解法将脉冲典型负荷—电火花信号中本征模态函数(intrinsic mode function,IMF)分量逐级分离出来,得到原信号的多尺度振荡特性;分析各个分量与原序列的显著性检验和相关系数以及各个分量自身的周期性。用IMF分量和趋势项合成原序列并作误差分析,得到信号的总误差率通过理论计算为4.3%。利用bior4.4和db2两种小波基在3层分解系数基础上对电火花数据展开小波包变换。最后借助MATLAB平台对EMD和小波包分解方法进行仿真并做理论对比分析。结果表明,EMD分解法在提取机床运行放电特性及不同工况下信号更具优越性和有效性,提取结果更能满足实际工程应用需求。     

基于边界延拓改进EMD的断路器机械故障诊断法

文中针对经验模态分解(EMD)分解结果的准确性对断路器机械故障诊断结果的影响,提出基于边界延拓的EMD和径向基(RBF)神经网络融合的断路器机械故障诊断方法:首先采用最小二乘法进行边界延拓克服EMD分解过程中的端点效应,以减少信号的拟合误差;然后采用改进的EMD分解法将断路器机械振动信号分解为有限个相互独立的IMF函数,并计算包含不同频率成分的IMF包络的能量熵值,将能量熵向量作为RBF神经网络的输入,再采用交替梯度法训练RBF神经网络模型,实现对断路器机械故障的准确诊断;实验结果说明,该方法可以有效的诊断断路器机械故障类型。     

基于TVFEMD与中心频率算法的变压器绕组松动故障诊断方法

考虑到变压器振动信号为非平稳的周期信号,文中引入时变滤波经验模式分解(Time Varying Filter for EMD,TVFEMD)和中心频率算法处理。在一台10 kV实验变压器连接额定阻性负载条件下,测试得到绕组正常和松动两种状态下的振动信号,利用TVFEMD对去噪后的振动信号进行模态分解,得到多个模态函数(IMF),然后通过中心频率算法筛选50 Hz～700 Hz频段内的IMF,最后求取各阶IMF能量特征,将其分为低频能量和高频能量,二者比值作为特征量。研究结果表明利用文中特征量提取方法可以实现绕组松动状态的诊断,并且该特征量能够排除变压器常见运行条件变量,如负载率、功率因数、电流谐波的影响,降低了误判风险。     

基于图像纹理特征和Elman神经网络的气液两相流流型识别

气液两相流广泛存在于现代工业生产之中，其流型极大地影响气液两相流的流动和传热特性，为此提出了一种图像灰度直方图统计特征和Elman神经网络相结合的气液两相流流型识别方法。该方法利用高速摄影系统获取水平管道内两相流的流动图像，经过图像处理后，提取图像灰度直方图统计特征，进而建立流型的图像统计特征向量，并以此特征向量作为流型样本对Elman神经网络进行训练，实现对流型图像的智能化识别。实验结果表明，训练成功的Elman神经网络能有效识别水平管道内7种典型流型，整体识别率达98.6%，为流型在线识别提供一种新的有效方法。     

基于层析成像软测量的两相流流型识别

基于电容层析成像(ECT)和人工神经网络的软测量方法,实现了两相流流型识别。以油气两相流为例,建立了两相流流型识别的软测量模型。从ECT传感器的输出中提取特征参数作为软测量模型的辅助变量,两相流流型为主导变量,构建二级自组织竞争神经网络,进而实现对两相流流型的在线判别。仿真结果表明,该方法判别精度高、判别速度快。     

水平管内气液两相泡状流的多尺度分形分析

为了探讨气液两相流泡状流的非线性、非均匀性和混沌特性机制,利用高速数据采集系统对水平管内气液两相流的压差波动信号进行测量.结合小波模极大值理论,对采集的压差波动信号用db2小波在1～9尺度下进行分解,再分别对分解的信号进行Hurst分析.通过对压差波动信号不同尺度下的细节信号和概貌信号研究,发现在不同尺度下表现出不同的分形结构,1、2尺度的细节信号只有一个明显的Hurst指数,且小于0.5,反映了微尺度的气泡与气泡之间的相互作用;3～7尺度的细节信号具有2个Hurst指数,分别小于0.5和大于0.5,表现为多分形特征,反映了介尺度的液体和气泡之间的相互作用;8、9尺度的细节信号也只有一个Hurst指数,且大于0.5,主要体现了宏尺度的整个气液两相系统与管壁之间的相互作用.各尺度的能量分布表明,压差波动信号主要体现了微尺度的气泡与气泡之间的相互作用.     

稠密气固两相流静电与压力信号多尺度分析

粉体气力输送过程,由于颗粒之间及颗粒与管道之间碰撞、摩擦、分离,导致颗粒携带大量电荷。粉体颗粒荷电含有丰富的气固两相流动信息。在加压密相气力输送实验装置上,研究了静电信号和压力信号在表征气固两相流流动特性上的异同。利用Hilbert-Huang变换(HHT)对静电信号和压力信号进行了多尺度分解,并分别对分解的细节信号进行了R/S分析和能量计算。结果表明:静电信号主要表征气相与单颗粒及颗粒与颗粒之间相互作用的微尺度特性,而压力信号表征气相与固相整体之间相互作用的宏尺度特性。将静电信号和差压信号2种信息源结合,有助于认识高压气固两相流复杂的流动形态及其转变规律,可深层次揭示密相气固两相系统的动力学行为。     

管束间气液两相过渡流型及其压力波动特性

采用高速摄像技术对矩形通道内气液两相流体垂直向上横掠2种节距比顺列管束的过渡流型及压差信号进行实验研究,在泡状流流动过程中拍摄到了S形泡状流。分析了各种流型转变的机制,基于实验数据绘制了流型界限图。对比分析了2种管束间不同过渡流型的压差波动信号,发现从泡状流到间歇流再到雾状流压差信号呈减小趋势。2种管束的压差信号波动幅值不同,节距比大的压差信号波动幅值大。实验发现气液两相折算速度对压差信号的波动有明显影响。     

油水两相流电阻层析成像系统流型的辨识

两相流体具有复杂的流动特性,流型的准确辨识是两相流参数准确测量的基础,流型的在线智能辨识是两相流研究的重点内容之一.以电阻层析成像(ERT)系统和油/水两相流的流型为研究基础,采用主成分分析方法对ERT系统中的边界测量电压数据进行特征提取,然后以提取的特征数据作为基于一对余类策略的支持向量机多类分类模型的输入,从而对两相流的四种流型进行识别.通过实验仿真分析,四种流型的平均识别率达到了88.75%,说明主成分分析和支持向量机的结合是一种两相流流型辨识的有效方法.