基于SVM及电容层析成像的两相流流型识别

两相流测量中,流型的准确识别是流动参数准确测量的基础.电容层析成像(ECT)技术是自20世纪80年代发展起来的新型检测技术,可用于两相流/多相流流型识别及固相浓度测量.支持向量机是一种基于统计学习理论的机器学习算法,即使在小样本情况下也能得到很好的分类效果.应用ECT系统测量的包含流型信息的电容测量数据,采用支持向量机算法进行流型识别,对4种典型空气-油两相流流型识别分别进行了仿真和静态实验.结果表明,该方法辨识速度快,可准确地识别典型的流型.     

层析成像在冰水两相流参数测量中的应用

提出将电阻层析成像(ERT)技术应用于冰水两相流相含率、相分布等特征参数的测量,并设计了ERT测量系统,研究了基于图像的相含率计算方法.阐述了ERT系统的工作原理,提出了16电极ERT系统的设计方案.介绍了线性反投影图像重构算法(LBP);并结合数字图像处理技术,提出了截面相含率的计算方法.最后,通过一组实验验证了电阻层析成像技术应用于冰水两相流检测的可行性.实验结果表明:通过ERT系统可以获得管道内冰柱在水中的位置以及实时运动结果,直观反映冰水两相介质的相分布;另外,通过ERT系统可以近似地真实反映冰柱的相对大小,两次截面相含率测量误差分别为6％与2.8％.研究表明,ERT技术可以实现冰水两相流的实时在线监测,而且具有良好的测量准确度.     

气液两相流型在线识别系统的开发和应用

在统计理论和小波理论的基础上,把神经网络应用到流型识别中,采用VB语言编程完成了软件的开发.按照信号测量、信号特征提取和流型识别3个实现流型客观自动识别的步骤,建立了一套气液两相流流型在线识别系统,在气液两相流实验系统上采集了180组仿真样本进行仿真实验.结果显示:流型正确识别率为91.7%,此系统应用于流型识别,不仅具有较高的识别率,而且很好地实现了识别结果的实时显示,运行速度快,达到了流型在线识别的目的.     

汽车液压制动系统气液两相流流型的识别

建立了汽车液压制动系统中气液两相流流型检测装置,根据压差波动信号,利用Hilbert-Huang变换(HHT)对制动液两相流流型进行识别,并利用高速摄像机采集不同工况下制动液的气液两相流流型图像。结果表明,制动时车轮转速越高,压差信号幅值越大,幅值主要集中在0～50Hz区域;识别制动时的制动液流型为一种泡状流。高速摄影的结果验证了液压制动管路中制动液为泡状流;制动转速越高,气泡越小。结论揭示了制动时汽车制动液的气液两相流流型,说明利用测量制动液的压差波动信号进行HHT就可以识别其流型。     

基于ERT技术的垂直管道两相流流型识别

在两相流测量问题的研究中 ,流型的准确识别是其它流动参数准确测量的基础。基于电学敏感原理的电阻层析成像技术 (ERT) ,由于可视化、无辐射、低成本等优点 ,在两相流动参数的检测中具有很广阔的发展前景。研究中以 ERT系统样机为测量工具 ,以垂直管道气 /液两相管流为研究对象。通过对模拟流动状态实验下几种典型流型的测量数据的采集、处理 ,采用模式识别中的特征提取方法降低数据维数 ,并利用数理统计和神经网络方法识别流型。研究结果表明采用距离判别法和径向基神经网络技术均得到较高的识别率     

油气润滑系统流型识别方法研究

提出了一种基于油气润滑系统油气两相流压差波动信号来识别流型的方法。首先借助Fluent提取了油气润滑系统水平管道中常见的四种流型的压差波动信号作为训练和识别的样本;然后采用EMD(经验模态分解)方法提取油气流流型压差波动信号的特征;最后采用PSO-PNN算法对油气两相流流型进行了识别。结果表明:油气两相流流型与压差波动信号之间存在对应关系,通过对压差波动信号的分析可以获取流型信息;油气两相流的压差波动信号具有非平稳特性,采用EMD方法可以较好地提取流型信息;优化后PNN模型可较好地识别油气润滑水平管道内油气两相流流型。     

基于神经网络的水平管中气/液两相流流型识别

以ERT技术为基础,采用神经网络中的感知器和线性神经网络对ERT系统的测量数据进行特征提取和分析,初步实现对几种典型水平管流的识别.     

基于遗传算法/神经网络组合技术的气液两相流型辨识

通过采用遗传算法训练BP神经网络、优化网络权值的技术,对气液两相流的流型进行了辨识研究,在此基础上建立了基于遗传算法/神经网络组合技术的气液两相流流型的预测模型,从而为发动机轴承腔内润滑油气液两相流流型识别提供了技术支持,也为考虑轴承腔气液两相流的相关设计和实验工作提供了技术条件。     

基于粗糙集理论两相流流型辨识方法研究

本文提出了一种基于粗糙集理论和电容层析成像系统辨识两相流流型的新方法。该法通过对极板电容测量数据进行属性分析，然后根据粗糙集理论化简属性，最后根据分类规则进行流型辨识。本流型辨识方法决策规则简单适合在线测量。仿真结果表明：此方法在两相流流型辨识中具有较高的判别精度。也为两相流流型提供了一种有效的手段。     

基于希尔伯特-黄变换和隐马尔可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的气液两相流的流型,利用自制的多电导探针的测量系统采集了四种典型流型的电导波动信息.由于气液两相流电导波动信号的非平稳特征以及神经网络学习收敛慢等问题,提出了一种基于希尔伯特-黄变换(hilbert-huang transform,HHT)和隐马尔可夫模型(hidden markov model,HMM)的两相流流型识别方法.该方法首先将信号经验模态分解(empirical mode decomposition,EMD)后的固有模态函数(IMFs)进行希尔伯特变换得到其幅值能量,并将其作为特征向量,输入到已经训练完毕的各状态HMM中,实现了对气液两相流的流型识别.实验结果表明:该方法能很好的识别垂直管内的4种流型,而且优于BP神经网络,从而为流型识别开辟了一条新的途径.