基于小波神经网络的气液两相流流型识别方法

为了克服传统流型识别方法的特点,采用小波分解和RBF神经网络技术来实现气液两相流流型的智能识别。首先测量了水平管内气液两相流的差压波动信号,其次应用小波分解对流型的动态差压波动信号进行了分析并提取流型特征,最后将小波能量特征作为RBF神经网络的输入,从而实现对流型的智能识别。仿真结果表明:该方法能够较好地识别出4种流型,从而为流型的在线识别提供了一种定量的流型识别方法。     

应用数据融合方法辨识油气两相流流型

基于D-S证据理论和逐步回归方法,结合直管段差压波动信号的功率谱密度分布特征和电容传感器提供的电容信息,给出了一种油气两相流流型辨识的数据融合方法.通过差压传感器和电容传感器分别采集直管段差压波动信号和管道截面相分布信息,利用提取的特征参数和已经建立的与流型相关的电容关联式对各传感器的信任度函数进行分配,再利用D-S证据理论进行融合,得到油气两相流流型辨识结果.单传感器辨识结果与数据融合辨识结果的比较结果显示,数据融合方法具有一定的优越性.     

基于HMM和小波包分解的气液两相流流型识别

为了研究垂直上升管中气液两相流的流型,利用自制的多电导探针测量系统采集4种典型流型的电导波动信息,提出了基于HMM和小波包分解的气液两相流流型识别方法.首先应用小波包分解对电导波动信号进行小波包能量特征参数的提取,然后将小波能量参数作为观测序列输入到隐马尔科夫模型(HMM),从而实现对流型的识别.研究结果表明,该方法能够准确地识别出4种流型,识别效果良好,为流型的在线识别提供了一种有效方法.     

基于HHT的两相流动态信号提取与滤波的研究

为了去除气液两相流差压信号中的噪声成分,并提取差压波动信号,提出了一种基于Hilbert-Huang Transform(HHT)的气液两相流信号处理方法.对不同流型下的差压信号进行固有模态分解,分析不同模态的边际谱,利用HHT的多尺度滤波特性除去噪声,进一步得到差压波动信号.实验结果表明,该方法可以有效去除高频噪声,得到的差压波动信号又很好地保持了信号的局部特性.该方法原理简练、物理意义明确,是处理非线性信号的优良方法.     

泡罩塔板上差压波动信号的R/S分析

采用域重新标度(R/S)分析方法研究了泡罩塔板上的差压波动信号,得出泡罩塔板上差压波动信号的Hurst指数在0.33～0.49之间,<0.5说明差压波动信号具有“反持久性”。发现泡罩塔板上不同操作条件下,差压波动信号分形维数变化范围为1.51～1.67,且不同气液两相流型分形维数D存在差异:喷溅流型1.50相似文献   

基于IMF能量特征的输油管道内流型识别新方法

应用经验模态分解(EMD)对输油管道内流型的压差波动信号进行分析、提取特征,然后将IMF能量特征作为概率神经网络(PNN)的输入,提出一种新的流型识别方法.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.     

垂直于水平流向的气液两相流重位压差波动信号分析

以往对差压波动信号的分析,通常是指平行于流向测得的管道的沿程压力损失或节流装置产生的压力差。本文首次分析了垂直于水平流向的气液两相流重位压差波动信号。根据流体力学基本方程,分析了重位压差与截面含气率的关系,并在天津大学低压油气水三相流实验装置上进行了实验,讨论了不同流型下重位差压波动信号的功率谱密度特性,重位压差的相对统计方差特性,不同流型下重位压差时均信号的特性,以及重位压差波动信号与时均信号在不同流型的互补特性。     

水平油水两相流测井仪器测量通道内流型识别

水平井产出剖面测井中集流型仪器内油水两相流流型通常呈复杂多态性,正确认识流型演化规律有助于井下流量测量精度提高．在油水两相流流动环路中采集电导及电容传感器波动信号的基础上,基于非线性时间序列递归图纹理分析方法,对集流型仪器内油水两相流流型特征进行了表征,研究发现：在不同流量及含水率下,递归图纹理特征与流型之间具有较好的对应关系,可通过递归图纹理特征有效识别水平油水两相流流型．     

槽式孔板的气液两相流测量特性

为了准确计量气液两相流量,选用槽式孔板作为一次传感元件、以空气/水为测量介质,进行了一系列的实验.介于两相流动的随机波动特征,对气液两相流流过槽式孔板时产生的差压信号进行了处理,提取出能够反映气液流量变化的几个统计特征量,总结了差压信号的平均值、标准差、自相关最大值和(0,4)Hz频段功率随气液流量变化而变化的规律,为两相流流量计的开发奠定了基础.     

小波包分析在刀具声发射信号特征提取中的应用

分析了刀具的切削状态,介绍了刀具的声发射信号检测系统和小波、小波包分析技术,以及小波包频带能量分解方法,提出了小波包分解功率监测特征量提取技术.通过在刀具声发射的一个实例信号中的应用,有效地区分了刀具的两种切削状态,验证了小波包分解功率监测特征量提取方法的可行性.     

强噪声环境下基于改进HHT的语音端点检测

为提高语音端点检测系统在低信噪比环境下检测的正确率,提出一种强噪声环境下基于改进的希尔伯特-黄变换语音端点检测方法。对每帧信号进行经验模态分解,得到有限个固有模态函数,去掉第一个固有模态函数,其他的都让其通过一个带宽为250～3500Hz的带通滤波器,消除部分噪声。对所选固有模态函数加权,再进行希尔伯特变换得到能量特征值。通过分析噪声特性,估计噪声阈值。在希尔伯特能量谱上,根据阈值搜索语音起点以及终点。仿真实验表明,在低信噪比的情况下,方法的准确率有明显的提高,并具有很强的鲁棒性。     

基于EMD的脉冲星信号消噪算法

为了提高脉冲星辐射信号的信噪比,提出了一种基于经验模态分解(EMD)的脉冲星信号去噪算法。利用经验模态分解将信号分解为一组固有模态函数(IMF)。针对EMD阈值消噪算法性能不稳定这一问题,该算法滤除固有模态函数噪声时,利用相邻信号标准差作为噪声水平的判断准则,并采用自适应阈值,对于噪声含量较高的信号采用低通滤波器消噪。实验结果表明,与EMD阈值消噪方法相比,该算法能获得更高的信噪比,并具有较好的稳定性。     

基于EMD和交叉熵的语音端点检测算法

针对复杂噪声环境下基于经验模态分解(EMD)的端点检测算法准确率低且不能自适应环境问题,提出了一种结合EMD和交叉熵的语音端点检测新算法。算法利用白噪声在各本征模态函数(IMF)中的概率分布是既定的且与幅值无关的EMD分解特性,将衡量语音帧与噪声帧概率分布差异性的交叉熵特征与EMD能量特征相结合,设置自更新检测阈值,实现复杂噪声环境下的语音端点检测。仿真实验证实了该方法在低信噪比以及非平稳噪声情况下具有显著的有效性和优越性。     

基于EMD阈值方法的轴承故障振动信号去噪

针对随机噪声信号影响对有用信息的获取,提出了EMD分解阈值去噪方法,将小波阈值去噪原理应用于经验模态分解（Empirical Mode Decomposition,EMD）中。首先对实际含噪信号进行EMD分解,根据分解后得到的内蕴模态函数（Intrinsic Mode Function,简称IMF分量）,采用自适应阈值去噪,进行信号重构,得到消噪后的信号,获取有用信息。将该方法应用于实际工程故障振动信号中分析研究表明,该方法可以获得较高的信噪比,能够对实际信号进行有效的故障特征频率提取,降噪后比降噪前的诊断效果更明显。     

基于经验模态分解和递归图的语音端点检测算法

结合Hilbert-Huang变换中的经验模态分解（EMD）和递归图（RP）法,提出了一种新的语音端点检测算法。该算法首先基于语音和噪声通过经验模态分解及其多尺度特征,在不同的固有模态函数（IMF）上进行软阈值时间尺度滤波处理,然后采用非线性动力学行为中的递归图法,定量统计递归分析中的确定性进行语音端点检测。仿真结果表明,该方法具有很强的非稳态动态变化分析能力,在低信噪比环境下较传统方法能更准确提取出语音信号的起止点,鲁棒性好。     

模糊神经网络两相流流型辨识算法的研究

针对电容测量灵敏度分布易受被测两相流介质分布的影响,对由电容传感器阵列采集的反映两相流介质分布的信息进行模糊处理,经Ｋｏｈｏｎｅｎ 网络的自组织学习,提取输入模式样本的分类特征,通过ＢＰ网络的监督学习,可实现两相流流型的有效判别和分类     

基于EMD和互信息熵的微震信号自适应去噪

针对强干扰背景下的微震信号提取,提出一种基于经验模态分解（Empirical Mode Decomposition,EMD）和互信息熵的自适应提取算法。通过EMD对微震信号进行分解,得到高频和低频两部分信号,并对分解得到的各阶固有模态分量求出能量和能量熵值。根据互信息准则,通过依次计算相邻分量能量熵之间的互信息值来区分高频和低频信号。将经过自适应阈值滤波后的高频信号和低频信号一起进行信号重构,得到新的微震信号。仿真结果表明,在对微震信号去噪时,该方法可以有效地去除噪声信号,信噪比均提升了10 dB以上。工程上的微震信号通过该方法处理后,也取得了较好的效果。     

基于狭缝文丘里管的气液两相流测量

提出了一种新的气液两相流测量系统-狭缝文丘里气液两相流测量系统.理论分析表明,狭缝文丘里管利用对称结构可以减小或消除摩阻压降的影响,中间狭缝处垂直于水平流向的重位压降的测量同样避免了沿程摩擦阻力的影响.提出了基于狭缝文丘里测量系统的气液两相流非分离测量方案,并进行了实验研究.利用狭缝文丘里重位压降信号在三类流动下的特性,可以直接识别流型,在不同的流型下用相应的测量模型求解气液两相的流量.结果表明该方法是可行的.