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。     

多相流型特征评价方法研究

为了得到反映流型信息的敏感特征,提出了一种多相流型特征评价方法。在水体积流量为1.32—12.15 m3/h,油体积流量为0.01—0.43 m3/h,空气体积流量为0.75—25 m3/h的范围内,对垂直上升管内油气水三相流4种流型的压差波动信号进行采集并作为分析对象,采用经验模式分解EMD法、小波方法、小波包方法,对去噪后的压差波动信号进行分解,分别提取了4种流型的EMD能量特征、EMD峭度系数特征、小波包能量特征、小波包信息熵特征和小波能量的特征,从敏感度、稳定性、瞬时性3个方面,对提取的5种特征进行比较、评价,从而建立了一种流型特征的评价准则,并给出了相应的算法。计算结果表明,所提出的评价方法是有效可行的。     

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。     

基于谐波小波包和支持向量机的风机叶片损伤识别研究

为了解决风机叶片损伤类型识别的问题,提出了一种基于谐波小波包和支持向量机相结合的声发射源识别方法。由叶片损伤产生的声发射信号经过4层谐波小波包分解后,提取各频段的能量作为特征向量构建支持向量机分类器,通过支持向量机判别叶片损伤类型。在对叶片损伤进行识别时,分别采用谐波小波包和Daubechies小波包分解声发射信号,并进行比较。实验结果表明,采用谐波小波包和支持向量机相结合的方法可以得到良好的识别效果。     

高含气率气液两相流差压信号时频特征分析

为了更有效地揭示高含气率气液两相流流动特征,研究了一种新的时频特征分析方法。首先,对差压波动信号进行小波包变换并由变换系数计算信号能量的时频分布;然后,应用统计方法对时频分布进行特征提取得到一组时频特征量。应用类可分性测量准则分析该组特征量区分不同流型的效果,并与以往小波包特征分析方法相比较,结果表明:该组特征量具有更强的流型特征表征能力。最后,以该组特征量为输入向量,构建了集成多类支持向量机分类器实现了流型识别,其流型正确识别率可达97%。     

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...     

基于虚拟技术的齿轮故障智能诊断研究

利用LabVIEW图形化编程语言开发了信号分析与处理、信号特征提取和故障诊断三大模块。信号特征提取由小波包分解来实现,故障诊断通过神经网络完成,小波包分解提取的齿轮振动信号各频段能量特征值作为神经网络的输入向量。以模拟故障实验台获取的齿轮典型故障振动信号训练神经网络,利用训练好的神经网络对齿轮进行故障诊断,实验结果表明：所开发的齿轮故障智能诊断系统能有效识别齿轮故障,较好地将虚拟技术应用于故障诊断领域。     

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.     

气液两相流中压力波动信号的混沌分析

对气液两相垂直向上并流中压力波动信号的混沌分析表明：外界噪声的干扰不可避免地会进入压力波动信号,从相空间内的吸引子图可明显地观察到噪声的存在,实验中采取多种手段,尽可能地把噪声的干扰降到最低极限,为提取反映系统特征的有效信息作前期准备。将预处理过的数据进行混沌分析得到,气液两相流的压力波动信号特征由两部分组成,低频部分（大气泡的运动或大尺度气液波动）和高频部分（如液体脉动、界面湍动等）。并且对应于不同操作条件下的流动体系,相关分维和Ｋｏｌｍ ｏｇｏｒｏｖ 熵均有较大变化,由此可区分流型。研究表明,对压力波动信号的混沌分析有助于深入理解系统的动力学特征。     

基于EMD和ICA的AR模型在两相

为了对气液两相流流型进行准确识别,提出了一种基于经验模态分解（EMD）和独立成分分析（ICA）的AR模型的流型识别方法。该方法首先提取气液两相流动态差压信号,通过EMD技术对其进行分解,对分解出来的高频模态进行小波包消噪,然后通过ICA技术实现原始信号的降维处理。对通过ICA得到的独立分量建立AR模型,将模型参数和残差方差作为特征向量,建立不同流型的模板向量。计算未知流型信号的特征向量与模板特征向量的综合Mahalanobis距离,通过比较各判别距离的大小得到流型识别的结果。对40 mm水平管气水两相流进行实验,利用文丘里管采集动态差压信号,采用上述处理过程可以对泡状流、弹状流、塞状流进行有效识别,识别率达94.3％。该方法受环境条件影响小,可以有效滤除信号中的噪声成分,识别率高,易于工程实现。     

Wavelet transform analysis of pressure fluctuation signals in a three-phase fluidized bed

The wavelet transform based on localized wavelet functions is applicable to analysis of pressure fluctuation signals from different flow regimes of a three-phase fluidized bed, which usually is nonlinear or nonstationary. The pressure fluctuation has been analyzed by resorting to the discrete wavelet transform such as wavelet coefficients, wavelet energy, and time-scale plane. The dominant scale of wavelet coefficients and the highest wavelet energy in the bubble-disintegrating regime are finer than ones in the bubble-coalescence regime. The cells corresponding to fine scale of time-scale plane in bubble-disintegrating regime are more shaded and energetic, while the cells corresponding to coarse scale in bubble-coalescence regime are more energetic. Therefore, the wavelet transform enables us to obtain the frequency content of objects in a three-phase fluidized bed locally in time.     

基于距离评估的气液二相流流型识别方法

为了克服气液二相流特征融合后不相关特征过多的问题,提出了基于距离评估和支持向量机(SVM)的气液二相流流型识别方法。首先利用经验模式分解和小波包方法对原始的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特征参数组成融合特征,然后采用距离评估方法对融合特征进行评估,根据距离评估因子的大小挑选出敏感特征作为SVM的输入,进而实现对流型的自动识别。水平管内空气-水二相流流型识别结果表明:该方法能够准确获取流型的敏感特征,减小运算规模,提高识别准确率。     

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。     

人工鱼群算法在气固流化床流型识别中的应用

准确识别流型是流化床气固二相流参数检测的一项重要内容,实验是在流化床气固二相流实验系统上进行的。首先,采集5种典型流型的压力波动信号,并以信号的统计参量作为流型特征。然后,将样本送入经过人工鱼群优化的BP神经网络进行训练。人工鱼群(AFSA)是一种新型的智能优化算法,具有全局收敛性好,鲁棒性强,对初值不敏感等特点,通过优化神经网络的权值使识别率得到明显提高,实现了气固流化床典型流型的快速、准确识别。实验结果表明,该方法对气固流化床5种典型流型的识别率达到97%,为在线识别气固流化床流型提供了一种新的有效方法。     

Identification of flow regime transitions in an annulus sparged internal loop airlift reactor based on higher order statistics and Winger trispectrum

Higher order statistics and Wigner higher order moment spectra were used to extract useful flow regime characteristics from wall pressure fluctuation signals in an annulus sparged internal loop airlift reactor. It is found that the pressure fluctuation in the airlift reactor is a typical nonlinear and non-stationary process, which exhibits different frequency characteristics depending on flow regimes. Analysis methods based on bispectrum and Wigner trispectrum are powerful tools to reveal frequency characteristics of pressure signals. To identify flow regime transitions in the reactor, two new characteristic quantities, namely average bispectrum and generalized average frequency, are defined from bispectrum and Wigner trispectrum of the pressure signal, respectively. Two flow regime transition points corresponding to three flow regimes in the reactor are successfully detected by using these two characteristic quantities.