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。     

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.     

中储式制粉系统出力在线监测软测量建模

为降低球磨机制粉系统的制粉单耗，对制粉系统出力进行软测量建模研究。在建模过程中，针对软测量辅助变量选择难的问题，将混沌理论与灰熵关联理论相结合，提出一种新的适用于具有混沌特性的灰系统对象的软测量辅助变量选择方法，即混沌灰熵分析(GECA)法；为解决软测量模型在线校正问题，提出模型在线校正的新算法，以提高软测量模型的测量精度；在此基础上实现了基于混沌灰熵分析支成分分析支持向量机(PCA-e-SVR)、主成分分析BP网络持向量机(GECA-e-SVR)的制粉系统出力软测量建模。与主(PCA-BP)软测量模型相比较，GECA-e-SVR模型具有较高精度。研究表明，文中所建立的软测量模型具有较高测量精度，具有重要的工程应用价值。     

软测量辅助变量选择方法研究

对软测量中辅助变量的选择过程进行研究.主要讨论了基于机理分析方法选择变量,与通过对历史数据进行建模分析方法选择辅助变量.通过神经网络软测量模型预测,对两种方法选择的辅助变量的预测结果进行比较,最终确定辅助变量.     

电容式两相流流型传感器敏感场仿真及传感器参数分析优化

采用有限元法,对电容式两相流流型传感器形成的敏感场进行计算机仿真,分析了传感器各参数对测量的影响,在此基础上进行了传感器的优化设计。     

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SVM的葛根素提取软测量系统的设计

针对超声波高效率提取植物根茎类药材活性成分含量难以实时在线检测的问题,采用基于粒子群算法和支持向量机相结合的软测量建模方法。通过对辅助变量的测量来建立软测量预测模型,从而估计和推断待测量变量的值,并利用单片机进行辅助变量的数据采集和处理、软测量模型的计算及建立和模型的硬件实现,从而实现了对超声波提取植物根茎类药材葛根素的在线测量。与目前采用紫外分光光度计分时离线取样进行检测相比,该方法克服了无法直接得到提取率测量值、离线测量工作量大等缺点,具有实时性好、测量精度较高(测量相对误差控制在3%以内)和响应速度快等特点。     

基于ANSYS的ECT系统传感器电容值的仿真研究

电容层析成像(ECT)技术是一种新的测量技术,也是目前较为成熟的一种过程层析成像系统.该技术是用于识别一个封闭管道内两相流/多相流系统中各个相成分分布问题.它由正问题和逆问题组成,正问题中电容传感器的敏感场分布函数的计算要涉及到静电场中电容计算问题.在ECT系统的仿真研究中,电容要通过场的数值计算方法来求得.本文介绍了如何使用ANSYS来计算ECT传感器中的各电极对之间的电容.测试表明,计算结果与通过实验测量结果相吻合,该方法方便了正问题的仿真研究.     

基于最小二乘支持向量机的风力发电机组风速软测量

风力发电机组的有效风速无法直接测得.依据辅助变量与主导变量之间的数学关系,建立风力机有效风速最小二乘支持向量机软测量模型:通过对辅助变量的测量和计算,可得到风力机有效风速的估计值.实现风力发电机组的有效风速软测量.计算机仿真结果表明.最小二乘支持向量机软测量模型具有泛化能力强和计算效率高的优点:能够满足风速的大范围变化和风力发电机组控制实时性的要求.     

软测量技术及其在装备检测中的应用

软测量技术是一门新兴技术,在工业过程分析、变量测试计量、控制优化等理论和实践中取得了较好的效果。论文在简述软测量技术原理的基础上,从辅助变量的选择、过程数据处理、软测量模型建立和在线校正四个方面介绍软测量技术包含的主要内容和主要实现方法。论文结合武器装备的特点,通过对某自行高炮伺服电机转速与控制电压比例系数的估计来说明软测量技术的应用方法和过程。最后,论文对软测量技术的发展现状和存在的问题进行了总结。     

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。     

脉动热管内微尺度两相流的电容层析成像测量

利用电容层析成像方法,实现脉动热管内微尺度两相流的可视化监测及液膜厚度的测量。优化设计的微型传感器也可作为流动管道,具有和测量管道基本相同的传热和流动特性。相比普通电容层析成像传感器,其测量精度和空间分辨率都有一定提高,从而拓宽了电容层析成像技术的应用范围。实验结果表明：不同工作条件下,脉动热管存在塞状流、环状流以及混合流3种不同的流型;液膜厚度测量结果与实际相符,通过其变化趋势可以实现流型的识别。     

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.     

MRAS感应电机定子电阻的在线辨识

针对感应电机定子电阻值受外界因素干扰而影响其矢量控制系统稳定性和控制精确度问题,提出了基于人工神经网络的定子电阻在线辨识方法.为了辨识定子电阻,将人工神经网络模型的定子电流估算值与实际测量电流值的误差反馈以调整神经网络的权值.借助MATLAB/SIMULINK搭建仿真系统,验证了定子电阻在线辨识的必要性.结果表明,该方法可以有效地对定子电阻进行在线辨识.     

油/气两相流高速电容层析成像可视化系统

利用电容层析成像(electrical capacitance tomography,ECT)技术,设计了一套应用于油/气两相流检测的高速实时可视化系统。系统硬件采用基于现场可编程门阵列(field programmable gate array,FPGA)的全数字化数据采集及处理模块和USB通讯接口,可实现高速数据采集及传输;同时采用基于总变差正则化的图像重建算法重构被测介电分布,该算法具有较好的成像分辨能力和边缘保持性。实验表明,该系统重构图像具有较高分辨率和实时性,同时系统软件功能丰富、界面友好,可以满足实际应用对两相流可视化的要求。     

电网不平衡情况下基于神经网络并网逆变器同步技术研究

为解决常规锁相环技术在电网电压不平衡情况下难以对电网电压频率和相位进行有效检测的问题,提出一种电网不平衡情况下基于神经网络的并网逆变器同步算法。首先,在两相静止坐标系下推导电网电压状态方程,并基于此建立神经网络;然后,利用网络输出电压矢量和实际电压矢量误差进行在线调整权值,并利用权值调整计算在线辨识电网电压频率、相位和幅值,从而可以构建电网电压的正负序分量。仿真和实验结果表明:该方法能在电网不平衡情况下快速有效在线自适应辨识电网电压频率和相位,提取电网电压正负序分量,具有较强的鲁棒性。