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。     

基于经验模式分解和概率神经网络的气液两相流识别

针对气液两相流压差波动信号的非平稳特征和BP神经网络学习收敛速度慢、易陷入局部极小值等问题，提出了一种基于经验模态分解(empirical mode decomposition，EMD)和概率神经网络的流型识别方法。该方法首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数trinsic mode function，IMF)之和，再选取若干个包含主要流型信息的IMF分量进行进一步分析。由于流型转变时，压差波动信号各频带的能量会发生变化，因而可以从各IMF分量中提取能量特征参数作为神经网络的输入参数来识别流型。对水平管内空气-水两相流4种典型流型的识别结果表明，EMD能量比小波包能量特征具有更高的流型识别率，可以准确、有效地识别流型。     

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。     

基于近红外技术的气液两相流检测装置

两相流的研究具有非常重要的意义,对其的研究方法和手段也非常多。基于多相流实验平台,采用波长为980 nm激光二极管和硅光电二极管,对水平流向的分层流、泡状流、环状流和垂直流向的弹状流、泡状流、环状流和乳沫状流流型分别进行了实时在线的探测,取得了显著的效果。由于近红外在气液中的吸收系数差别很大,同时受气液界面影响明显,所以能够很好地反映气液界面的波动情况,能够实时在线反应出不同的流型,为气液两相流其他的参数的检测奠定了基础。     

基于HHT的振动信号趋势项提取方法

针对振动信号中的趋势项成分的提取,提出一种基于希尔伯特-黄变换(HHT)的新方法.先用经验模态分解(EMD)方法将信号分解为一系列固有模态函数(IMF),然后对各IMF分量进行Hilbert变换得到希尔伯特边际谱;通过计算各IMF希尔伯特边际谱,可以获得各IMF的主频成分,对属于趋势项的IMF分量进行判别,最终确定趋势项.仿真结果表明,该方法能准确的提取振动信号中的趋势项成分.     

U形管内汽液两相流流型数值模拟及优化

为研究U形管内汽液两相流流型变化，使用多相流Mixture混合模型对其进行了数值模拟，分析U形管内流型及传热特性的变化。通过分析模拟结果，优化蒸发器结构，提高其换热性能及运行可靠性。     

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。     

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.     

采用HHT振动分析的低压断路器合闸同期辨识

利用振动信号辨识三相合闸不同期故障,应解决有效的振动信号消噪及其故障特征提取方法.提出一种希尔伯特-黄变换(HHT)的低压断路器振动信号分析方法,采用经验模态分解(EMD)有效地提取反映振动信号局部特性的本征模态函数(IMF)分量,以前5阶IMF分量表征振动信号特性且起到信号消噪作用.通过时域特征分析,得出振动信号的峭度和均方值可作为判别机械特性的辅助特征指标.提出前5阶IMF分量能量比及峭度、均方值为特征向量,建立粒子群优化径向基(PSO-RBF)神经网络的低压断路器合闸不同期故障识别模型.实验与仿真结果表明,基于单个传感器振动特性,综合采用时域分析、EMD分解、粒子群优化神经网络等人工智能的合闸同期性故障识别效果良好,为断路器故障尤其是三相合闸同期性振动分析提供了一种新的诊断方法.     

基于希尔伯特——黄变换的高压直流线路行波故障定位

提出了基于希尔伯特-黄变换(HHT)的直流输电线路行波故障定位的方法。首先,对故障初始行波信号进行经验模态分解(EMD)得到固有模态函数(IMF),然后通过对IMF进行希尔伯特(Hilbert)变换得出其时频图,根据时频图中首个频率突变点确定出故障初始行波到达的时刻并且由其对应的瞬时频率值计算其波速度。最后,利用改进的双端行波故障定位原理计算出故障距离。在EMTDC环境下进行仿真分析,相关结果证实了所提方法的有效性。     

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.     

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.     

基于双通道混合网络融合支持向量机的电容层析成像流型辨识

针对两相流流型辨识精度低的问题,提出一种基于双通道混合网络融合支持向量机的流型辨识算法。通过多尺度卷积核对电容向量进行多尺度特征提取丰富特征层信息,利用压缩激励网络(squeeze-and-excitation networks,SENet)关注卷积核通道上重要特征张量,调整各通道的重要占比,此外引入多头自注意力机制对电容向量的深度特征进行学习。将带有SENet的多尺度卷积通道与多头自注意力通道进行特征融合形成双通道辨识模型,最后将双通道模型有效捕捉到的电容向量特征的特征送入支持向量机中进行训练并测试。仿真实验结果表明,相比于BP神经网络、SVM、1DCNN算法,所提算法在流型辨识中的平均辨识率显著提升,高达98.6%。     

基于关键特征提取和 Elman 神经网络的 开关电源多参数辨识

开关电源作为电子系统的重要组成部件,一旦发生故障将会对整个电子系统带来不可估量的损失,所以需要对开关电源的元器件参数进行及时准确地辨识,以便有效地评估开关电源的健康状态。受环境应力的影响,在实际工作中开关电源的多个元器件参数均会发生退化。为有效地辨识开关电源的状态,提出基于关键特征和Elman神经网络的开关电源多参数辨识方法,方法首先利用小波包分析提取局部能量特征;为提高辨识精度,将变异系数作为优选局部能量特征的标准,提取具有较大变异系数的局部能量特征作为关键特征;最后,采用Elman神经网络建立关键特征与辨识参数的关联。仿真实验和硬件实验结果证明具有较高的辨识精度和良好的实用性。     

基于Elman神经网络的传感器故障诊断研究

针对传统的传感器故障诊断技术的不足,提出一种基于Elman神经网络的故障诊断方法,建立了Elman网络故障诊断模型,利用小波包分解方法获取用于训练神经网络的特征能量谱,对所建立的模型进行训练。为了检验模型的实际诊断能力,以某动力系统管路流量传感器的4种典型故障诊断为例进行仿真实验,并和标准BP神经网络的诊断结果进行对比。仿真结果表明:基于Elman神经网络的故障诊断速度更快、准确率更高、泛化能力更强,验证了所提出方法的实用性和有效性。