基于热容原理的小管径气液两相流传感器设计

为了识别小管径内气液含量,设计了一种参比铂电阻电极、工作铂电阻电极和加热器复合结构的传感器.基于液体与气体热容率不同,在管道进出口设计了铂电阻电极,采用温度调理电路和温度加热电路实现测量,传感器输出高低电压信号可以区别气液含量.实验结果表明,管径内气体体积小于测量管段体积的50％时,传感器输出低电压信号值0 V;管径内...     

气液两相流红外检测技术研究

气液两相流检测是目前载人航天电解制氧装置急需解决的关键技术之一。设计一种基于红外检测的传感器实现对低浓度液/气含量的测量,通过对脉宽调制(PWM)驱动红外发射、TEC恒温控制、抗干扰等技术研究,成功制得气液两相流传感器。实验表明,该传感器可测量液态水含量0～30%的气液两相流,系统误差优于10%,能够满足电解制氧装置两相流检测的需要。     

气液两相圆锥绕流的数值仿真

研究锥形物体在气液两相流场中动特性问题,对流场特性的影响和锥形物体自身的承载受力情况;采用CFD流体仿真软件FLUENT,用欧拉双流体模型结合Realizablek-ε湍流模型,对锥体在气液两相流场中的运动进行数值仿真.结果显示,在锥体尾部形成一组对称的回流涡,随着流体含液率的增加,主相空气相在中心轴线上的流向速度明显受到影响,尾涡变短,恢复速度变快;在绕流体的壁面上的流场的速度梯度会增大;同时绕流体周围的流场的压力梯度也会增大,湍动能和湍动能增量都会增大,与实验的结果基本吻合,验证了运用数值仿真的方法来研究气液两相锥体绕流问题是正确可行的.     

阿尔茨海默病的多模态主成分分析诊断方法

针对阿尔茨海默病的计算机辅助诊断,使用多种模态医学数据,结合机器学习算法实现高准确率的诊断.将数据经过年龄校正和特征剔除处理;将结构性磁共振成像、正电子发射计算机断层显像、脊髓液蛋白质和基因四种模态数据通过主成分分析进行融合;使用极限学习机分类诊断.通过302位对象的十折交叉验证实验,准确率达到95.1％,比常规方法提升3.5百分点.结果说明该方法在阿尔茨海默病的诊断上有高准确度,可为医生的临床诊断提供可靠的参考.     

气液两相流空隙率测量方法微重力环境应用研究

微重力环境下气液两相流空隙率测量是载人航天器需解决的关键技术之一。通过对当前常重力环境下气液两相流空隙率测量方法的特点和微重力环境对气液两相流空隙率测量的影响分析,提出了满足微重力环境气液两相流空隙率测量方法的基本要求,对当前空隙率测量方法在微重力环境应用的可行性进行了分析,并给出了相应建议。     

一种气液两相流气相参数图像检测方法

介绍了一种运用图像处理技术检测气液两相流参数的新方法,针对气液两相中气泡目标对比度低的特点,提出先对待处理图像进行分形增强,运用改进的Canny算子检测出气泡目标边缘,在经过填充和标记后检测出两相流图像面积、圆形度、截面含气率等参数,为气液传质效率建模提供了基础;实践证明该方法抗干扰能力强,是一种实用可行的参数检测方法.     

气液两相流电导传感器测量波动信号的Wigner-Ville分析

流型是两相流中非常重要的流动参量,不同流型下的两相流流动特性及传热传质性能有很大不同。流型也严重影响着两相流参数测量的准确性。利用新近研制的两相流电导传感器,在垂直上升气液两相流管中采集了不同流型下的电导波动信号,采用W igner-V ille分布(WVD)在时频域内处理了电导波动信号,观察到了WVD特征与流型之间的关系,取得了较好的气液两相流流型辨识效果。     

一种气液两相流双参数测量方法

提出和建立了气液两相流双参数流量测量方法及其测量系统。文中着重就该系统的几个关键技术问题进行了探讨。     

弹状流工况下的气液两相流双参数测量

由于两相流动的复杂性,利用实验测量手段实现两相流的准确测量成为目前研究的热点.在弹状流流型的工况条件下选取了30个实验点,利用新型气液两相流检测装置进行测量实验,结果表明:液相含率测量相对误差在4.3％以内,总流量测量相对误差在1.6％以内,为气液两相流双参数测量研究提供了一种新的思路.     

气液两相流含气率图像检测方法

开发了一套基于机器视觉技术的气液两相流在线检测系统,用于测量气液两相流的含气率等参数。根据最小二乘拟合法得到二值化图像的毛细管及气泡的左右边界的线性表达式;根据一阶导数原理确定气泡的上下边界;测量气液两相流的含气率等参数。实验结果表明,系统有较好的重复性,准确率高。     

基于小波变换核主元分析和多支持向量机的过程监控

针对过程工业数据中所含的噪声和干扰信号、过程工业的非线性及基于主元分析(Principal Component Analysis,PCA)的统计性能监控法由于不用过程机理模型的信息从而对故障诊断问题难以在理论上作系统分析的缺陷,提出基于小波变换核主元分析和多支持向量机的过程监控方法,该方法首先采用基于小波变换的收缩阈值去噪法对建模数据进行预处理,以有效抑制过程数据中所含的噪声和干扰信号,然后利用核主元分析来进行故障特征的提取,从而提高非线性统计过程监控的准确性;最后提出多支持向量机用来对故障的来源进行分类,以避免求解核主元空间到原始空间的逆映射.将该方法应用到对TE(Tennessee Eastman,TE)过程的监控,表明了所提出方法的有效性,为过程的监控和故障诊断提供了一个新的方法.     

基于多块核主元分析的复杂过程的分散故障诊断

提出多块核主元分析算法, 基于此算法针对复杂过程提出了新的故障检测和诊断方法. 通过对整体过程分块统计残差实现非线性过程的分散故障诊断目的, 相应的控制限用来分离引起故障的位置或发现引起故障的变量. 提出的方法应用到田纳西过程得出的结论为: 该方法能够有效地提取块内和块间的非线性信息并显示出优越的故障诊断能力.     

基于独立成分分析的状态监控方法

针对目前部分的工业系统存在系统模型或系统独立变量不确定的情况,提出了一种基于独立成分分析(Independent Component Analysis,ICA)的状态监控方法。该方法不需要有关系统模型和系统变量的先验知识,解决了系统模型或系统变量不确定的问题。运用独立成分分析法对系统的观测信号进行特征提取,通过监控分离得到的特征信号来实现对整个系统的状态进行监控。分别对一个离散系统和一个双容水箱液位系统进行仿真验证,仿真结果表明该方法能够有效地实现系统监控。     

一种基于特征子空间的改进动态核主元分析方法 *

针对传统的动态核主成分分析(Dynamic Kernel Principal Component Analysis)用于大样本数据集的故障检测时,占用计算机内存大、计算复杂度高等不足,提出一种基于特征子空间的DKPCA算法。该方法通过构建具有较小维数特征子空间上的正交基来简化核矩阵K,从而降低DKPCA的计算复杂性。与DKPCA方法相比,该方法具有更高的计算效率且只需较小的计算机存储空间。将该方法应用于TE(Tennessee Eastman)过程,仿真结果显示,二者诊断结果大致相同,而所需时间大大减小,说明了本算法的有效性。     

Redundant Sensor Calibration Monitoring Using Independent Component Analysis and Principal Component Analysis

This paper presents a comparison of methods for industrial on-line sensor calibration monitoring for redundant sensors. Principal component analysis (PCA) and independent component analysis (ICA) techniques are developed and compared using both simulated data and data sets from an operating nuclear power plant. The performance is dependent on the types of noise sources; however, under most conditions ICA outperforms PCA, based on the bias and variance of their respective parameter estimates. A case study is included to demonstrate the usefulness of both techniques for the early detection of sensor drift.     

An Improved Algorithm for Kernel Principal Component Analysis

Kernel principal component analysis (KPCA), introduced by Schölkopf et al., is a nonlinear generalization of the popular principal component analysis (PCA) via the kernel trick. KPCA has shown to be a very powerful approach of extracting nonlinear features for classification and regression applications. However, the standard KPCA algorithm (Schölkopf et al., 1998, Neural Computation 10, 1299–1319) may suffer from computational problem for large scale data set. To overcome these drawbacks, we propose an efficient training algorithm in this paper, and show that this approach is of much more computational efficiency compared to the previous ones for KPCA.     

利用组合核函数提高核主分量分析的性能

为了提高图像分类的识别率，在对基于核的学习算法中，核函数的构成条件以及不同核函数的特性进行分析和研究的基础上，提出了一种新的核函数——组合核函数，并将它应用于核主分量分析(KPCA)中，以便进行图像特征的提取，由于新的核函数既可以提取全局特征，又可以提取局部特征，因此，可以提高KPCA在图像特征提取中的性能。为了验证所提出核函数的有效性，首先利用新的核函数进行KPCA，以便对手写数字和脸谱等图像进行特征提取，然后利用线性支持向量机(SVM)来进行识别，实验结果显示，从识别率上看，用组合核函数所提取的特征质量比原核函数所提取的特征质量高。     

基于改进核主元分析的TE故障诊断

PCA、KPCA作为常用的多变量统计监控算法,一般适用于定常过程。针对实际工业过程的时变、非线性特性,提出一种基于分块的改进KPCA算法。该方法通过采用随时间更新的核矩阵代替固定核矩阵用于主元模型的建立,使非线性监控模型能够在线更新,从而提高KPCA的检测正确率。与KPCA方法相比,该方法的运算复杂度明显降低。将该方法应用于TE(Tennessee Eastman)过程,仿真结果显示,该方法具有较好的监测性能,且所需时间大大减小,说明了本算法的有效性。     

基于主成分分析法的多传感器数据融合算法研究

根据数理统计中的多元统计理论,用多个传感器对某一特性指标进行检测,将检测数据作为统计对象,提出了一种基于主成分分析的数据融合方法。该方法把各传感器的检测数据作为一个整体,定义总体的各主成分。通过计算测量值与主成分的复相关系数,给出了各传感器的综合支持程度和数据融合公式。实验表明,此方法比均值融合法更准确、有效。