基于复杂度特征的气液二相流流型识别方法

针对气液二相流压差波动信号的非平稳和非线性特征,提出了一种基于经验模式分解(EMD)复杂度特征和支持向量机的流型识别方法。该方法首先对二相流压差波动信号进行经验模式分解,将其分解为若干个固有模态函数(IMF),然后对每一个IMF分量提取复杂度特征作为流型特征向量,并以此作为输入参数建立支持向量机分类器来识别流型。对水平管内空气-水二相流的实验结果表明,文中提出的方法能准确地识别流型,从而为流型识别提供了一种新的有效方法。     

多尺度信息熵特征的气液二相流流型识别方法

为研究垂直上升管中的气液二相流的流型,利用自制的多电导探针的测量系统采集了4种典型流型的电导波动信息。根据小波包变换能将电导波动信号按任意时频分辨率分解到不同频段的特性,对其进行了3层小波包分解后并计算了各个频段的信息熵特征向量,并作为特征参数输入到E lm an神经网络进行训练,实现了与神经网络相结合流型的智能识别。研究结果表明,该方法能够很准确地识别出4种流型,且提取特征比较方便,从而为流型识别提供了一种新的有效方法。     

基于小波包能量特征的气液二相流流型识别方法

论述了小波包分解及其能量谱处理压差信号的原理与方法,根据小波包变换能将信号按任意时频分辨率分解到不同频段的特性,提出小波包能量特征的概念及算法,并对水平管内空气-水二相流的压差信号进行特征提取,得到各流型的小波包能量特征,然后与BP神经网络相结合,提出一种新的流型识别方法,并用实验数据验证了该方法的正确性和有效性。     

基于峭度系数和隐马尔科夫模型的气液两相流流型识别方法

为了研究垂直上升管中气液两相流流型,采用经验模态分解与峭度系数相结合的方法对垂直上升管中的气液两相流进行流型特征提取,利用隐马尔科夫模型对流型进行识别。首先对采集的电导波动信号进行经验模态分解,然后根据得到的固有模态函数分量求取峭度系数,并将其作为特征向量,输入到已经训练好的隐马尔科夫模型中对流型进行识别。实验结果表明该方法能够准确地识别出3种典型流型,且识别效果良好。     

基于子波能量特征的气液两相流流型辨识方法

气液两相流的流型影响着两相流的流动特性和传热特性,同时也影响着流动参数的准确测量以及两相流系统的运行特性。针对压差信号的非平稳和非线性特点,尝试利用Hilbert-Huang变换(HHT)和小波包分解对差压波动信号进行信号处理,进而建立流型的子波能量（IMF能量和小波包能量）特征,并以此特征向量作为Elman神经网络的输入量,从而实现对流型的智能识别。实验结果表明：这两种特征向量与Elman神经网络结合都能够较准确地识别出4种流型,并且各自都有不同的优缺点。另外与BP神经网络相比,采用Elman神经网络进行流型识别可以获得更高的识别率。     

基于神经网络和D-S证据理论的气液两相流流型识别方法

提出一种运用神经网络和D-S（Dempster-Shafer）证据理论的多特征信息融合的气液两相流流型识别方法.对压差波动信号进行4层小波包分解,提取各频带信号的小波包能量和信息熵构造两个特征向量,再利用统计和分形理论提取压差波动信号的3个统计参数和4个分形参数作为另一个特征向量,然后将这些特征向量送入改进的BP神经网络进行训练,从而实现对流型的识别.以初始识别结果作为彼此独立的证据,根据D-S证据融合规则进行融合处理,得到最终的识别结果.以水平管内空气-水两相流流型识别为例,说明了该方法的具体实现过程.结果表明,多特征信息融合比单一特征的识别方法具有更高的识别率.     

基于图像不变矩特征的气液二相流流型识别

气液二相流流型极大地影响气液二相流的流动和传热特性,准确识别流型对相关设备的设计和运行具有重要意义。根据不变矩能有效检测出具有平移、旋转、比例变化的图像特性,提出了一种基于图像不变矩和概率神经网络相结合的气液二相流流型识别的新方法。该方法利用高速摄影系统获取水平管道内气液二相流的流动图像,经过图像处理后提取图像不变矩特征向量,并以此特征向量作为流型样本对概率神经网络进行训练,实现了对流动图像的流型智能化识别。实验结果表明,训练成功的概率神经网络能够快速准确地识别水平管道内的7种典型流型,整体识别率达到99.3%,为流型在线识别提供一种新的有效方法。     

基于电导波动信号的EMD分解和RBF神经网络的气液两相流流型识别方法

针对电导波动信号具有非线性、非平稳的特征,提出一种应用经验模态分解（EMD）和RBF神经网络进行流型识别的新方法。首先对电导波动信号进行EMD分解,提取出IMF能量参数特征,然后将其输入到RBF神经网络,从而实现了对流型的识别。研究结果表明：该方法能够准确地识别出泡状流、弹状流、塞状流和混状流四种流型,且具有较好的识别效果。该方法为流型识别提开辟了新的方向。     

基于自适应最优核和卷积神经网络的气液两相流流型识别方法

为了研究气液两相流的动态特性,以及解决提取的特征值少而没有代表性导致识别率不高的传统问题,利用V锥流量计和动态差压传感器获取气液两相流在不同流型下的波动信号,采用自适应最优核算法对获取的动态信号进行时频分析,把一维时域信号转换为三维的时频谱图,能够清晰描述出管道内气液两相流的流动状态。将不同流型的时频谱图通过卷积神经网络（CNN）进行学习并自动提取相应的特征值,然后使用Softmax分类器进行训练从而实现流型识别。通过对几种常见流型进行试验与分析发现,采用时频谱图结合卷积神经网络的深度学习方法识别气液两相流流型,克服了传统流型识别方法特征值提取的不足之处,能够更贴切地描述气液两相流的动态特征。此方法可以进一步研究更多种类的流型以及空隙率等。     

基于小波分析的气液两相流流型模糊辨识

本文提出了一种基于小波分析进行气液两相流流型模糊辨识的新方法。通过对测试管段的管程压降ΔＰ的波动信号的基于Ｈａａｒ基的小波变换结果的分析,根据不同流型能量分布的定量指标确定了流型模糊判别规则。     

基于图像多特征融合和支持向量机的气液两相流流型识别

The knowledge of flow regime is very important for quantifying the pressure drop, the stability and safety of two-phase flow systems. Based on image multi-feature fusion and support vector machine, a new method to identify flow regime in two-phase flow was presented. Firstly, gas-liquid two-phase flow images including bubbly flow, plug flow, slug flow, stratified flow, wavy flow, annular flow and mist flow were captured by digital high speed video systems in the horizontal tube. The image moment invariants and gray level co-occurrence matrix texture features were extracted using image processing techniques. To improve the performance of a multiple classifier system, the rough sets theory was used for reducing the inessential factors. Furthermore, the support vector machine was trained by using these eigenvectors to reduce the dimension as flow regime samples, and the flow regime intel-ligent identification was realized. The test results showed that image features which were reduced with the rough sets theory could excellently reflect the difference between seven typical flow regimes, and successful training the support vector machine could quickly and accurately identify seven typical flow regimes of gas-liquid two-phase flow in the horizontal tube. Image multi-feature fusion method provided a new way to identify the gas-liquid two-phase flow, and achieved higher identification ability than that of single characteristic. The overall identifica-tion accuracy was 100%, and an estimate of the image processing time was 8 ms for online flow regime identifica-tion.     

基于灰度共生矩阵和支持向量机的气液两相流流型识别

根据灰度共生矩阵具有较好的纹理表达能力的特性,提出了一种基于图像灰度共生矩阵和支持向量机相结合的气液两相流流型识别的新方法。该方法利用高速摄影系统获取水平管道内气液两相流的流动图像,经过图像处理后,提取图像灰度共生矩阵的纹理特征,进而建立流型图像的灰度共生矩阵纹理特征向量,并以此特征向量作为流型样本对支持向量机进行训练,实现了对流动图像的流型智能化识别。实验结果表明,支持向量机能够快速准确地识别水平管道内的7种典型流型,整体识别率达到100%,每幅流型图像的判别时间约为1.7 s,为流型在线识别提供一种新方法。     

槽式孔板气液二相流差压信号的时间序列分析

槽式孔板是一种新型的气液二相流流量传感器,为了研究其二相流测量特性,提出了一种新的信号处理方法。首先应用小波变换模极大值滤波方法对差压测量信号去噪,然后对滤波结果进行经验模式分解得到有限个经验模式函数(IMF),进而对IMF建立自回归(AR)模型,研究了AR模型的参数与气液二相流流型以及分相流量之间的关系。这种信号处理方法能够使具有非平稳特性的差压信号满足时间序列分析的建模条件,AR模型的参数可以有效地区分气液二相流流型,并与气液分相流量的变化密切相关,为气液二相流流型识别和流量计量算法的研究奠定了基础。     

基于离散粒子群的气液二相流型特征选择

针对气液二相流型识别中存在的大量无关或冗余的特征会降低分类器性能的缺陷,提出了离散粒子群算法(BPSO)和最小二乘支持向量机(LS-SVM)封装模式的流型特征选择方法.该方法分别采用小波包和经验模式分解方法(EMD)对原始压差波动信号进行分解,分别提取原始信号和各分解信号的时域量纲一指标组成融合特征.然后采用BPSO进...