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。     

双谱核主元分析在气液两相流流型识别中的应用

针对压差波动信号的非线性和非高斯特性,提出了一种基于高阶谱和核主元分析相结合的流型识别方法。通过对气液两相流压差波动信号的双谱分析,提取了不同流型下信号的非高斯特征,以双谱分析核主元数字特征提取流型的特征,最后利用最小二乘支持向量机对流型进行智能识别。实验结果表明,提取的核主元特征反映了两相流的流动状态,最小二乘支持向量机可以有效地识别水平管道内的4种典型流型,整体识别率达到95%,为流型识别提供了一种有效的方法。     

基于Hilbert-Huang变换和支持向量机的油水两相流流型识别

针对油水两相流的测量难题，利用文丘里管对水平管内油水两相流流型进行了研究。基于差压波动信号，提出了Hilbert-Huang变换与支持向量机相结合的流型识别方法。首先计算差压波动信号的均方根，并对其进行归一化处理后作为表征流型的特征向量之一；然后对差压信号进行Hilbert-Huang变换，利用经验模态分解后的多分辨率特征，提取第一层和第二层的能量比作为表征流型的另外两个特征向量；最后利用训练好的支持向量机进行流型识别，对分层流型及分散流型取得了较好的流型识别效果。如果将流型识别与推导得到的文丘里油水两相流流量测量模型相结合，可以较好地实现油水两相流的流量测量。     

经验模态分解和小波分析在小通道气液两相流流型辨识中的应用

基于两电极电容传感器获得的小通道气液两相流电容波动信号,分别应用经验模态分解(Empirical Mode Decomposition,END)和小波分解将电容信号分解成不同特征尺度上分量的组合.对每层分量提取能量特征,将提取的流型特征参数作为最小二乘支持向量机(Least Squares Support Vector...     

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。     

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.     

气液两相流差压波动信号的Hilbert-Huang变换特性

将Hilbert-Huang（HHT）变换应用于中小管径水平管气液两相流差压波动信号的分析.利用经验模态分解（EMD）方法把信号分解成多个内模函数(IMF),再对各内模函数进行Hilbert变换,得到信号的Hilbert谱,并提取各内模函数的信号能量特征.在此基础上比较了不同管径下信号分析的结果,分析了不同频段的能量分布与流型变迁的关系,并讨论了小波变换和HHT两种信号处理方法各自的特点.实验结果表明,HHT可以用于非线性非平稳信号的分析,提取的能量特征值反映了水平管气液两相流的流动状态和流型的变迁,该方法为水平管气液两相流差压波动信号的研究提供了借鉴.     

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。     

槽式孔板气液二相流差压信号的时间序列分析

槽式孔板是一种新型的气液二相流流量传感器,为了研究其二相流测量特性,提出了一种新的信号处理方法。首先应用小波变换模极大值滤波方法对差压测量信号去噪,然后对滤波结果进行经验模式分解得到有限个经验模式函数(IMF),进而对IMF建立自回归(AR)模型,研究了AR模型的参数与气液二相流流型以及分相流量之间的关系。这种信号处理方法能够使具有非平稳特性的差压信号满足时间序列分析的建模条件,AR模型的参数可以有效地区分气液二相流流型,并与气液分相流量的变化密切相关,为气液二相流流型识别和流量计量算法的研究奠定了基础。     

基于神经网络的两相流流型识别方法研究

采集了水平管内气水两相流动的差压信号,利用概率密度函数(PDF)对差压信号特征进行了分析;定义了PDF的四个特征参数,即PDF波峰个数K1、波峰峰值K2、波峰位置K3、以及PDF的方差K4来反映流型的特征。运用四个参数构成的特征向量对径向基函数(RBF)神经网络进行训练并识别流型,结果表明,该方法具有识别速度快、准确率高的特点,从而为两相流的流型识别提供了一种有效的手段。