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。     

基于小波分析的垂直上升管气液两相流流型的识别

气液两相流的流型对其流动和传热特性有很大影响，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。该文提出了利用压差波动信号的Lipschitz指数来识别流型的方法。采用小波分析中Lipschitz指数可描述不同流型的压差波动特征，因此，根据计算得到的Lipschitz指数的大小，可以识别出泡状流、间歇流和环状流。     

空气-水两相流压差波动研究

两相流的压差波动过程包含了关于流动的大量信息，是实现流动监测与控制的重要研究内容。该文研究了U形管垂直上升估空气-水两相流压差波动过程的统计和分形特征，着重分析了压差波动过程的均值，均方根、分维数随折算气速和液速的变化规律。结果表明这些特征参数都与流型有密切的联系，但据此识别流型缺乏实用性。均方根在低液速 下随气速的气速的变化体现了流型的转变，高液速时则不明显。相关研究根据概率密度分布函数识别流型的方法不具有普适性。实验发现环状流区高气速时的压差波动分维数大于1.5，在其它流型内都小于1.5。同时，折算液速的大小强烈影响压差波动的混沌特性。     

气液两相流图像区域相似值序列的混沌特性研究

应用一种将视频信号的每一帧图像分块成小的区域,每相邻两帧图像的相邻两区域进行灰度相似值计算,组成时间序列的新方法,对时间序列分别求取最大李亚普诺夫指数,组成最大李亚普诺夫指数矩阵。利用李亚普诺夫指数的特征将气液两相流视频划分为混沌特性不同的区域,分别采用0、1分布图谱以及三维图谱,对其从整体以及细节两部分进行分析。结合最大李亚普诺夫指数矩阵的分形盒维数与香农熵两个特征,对气液两相流型流动机制进行辅助分析。实验结果表明,由于气液两相流视频图像的背景与变化相界面具有强度不同的混沌特性,图像小区域分块灰度相似值序列结合最大李亚普诺夫指数的方法能够区别出不同流型的流动特性,是一种有效的分析气液两相流图像信号的新方法。     

中心正交旋转管道内流动沸腾汽液分布特性的数值分析

采用计算流体动力学方法对旋转工况下,管道中汽液两相流的流动沸腾分布特性进行数值分析。基于VOF模型、k-ε湍流模型及UDF进行数值计算。数值结果显示,管道流动沸腾汽液两相流型受热载荷、旋转载荷以及流动载荷的耦合影响。在文中计算工况范围内表现为汽液两相流型由规则、稳定的泡状流转变为紊乱的弹状流甚至雾状流。流型转变的实质是管道旋转使流体受到离心浮力的作用,径向流动增强使稳定流型破坏。     

基于声发射技术和小波变换的气-液两相流动噪声特性研究

使用声发射技术对气-液两相流水平管路流动噪声信号进行检测,对采集到的一维时间序列进行小波分解,从流动噪声的角度研究了水平管路气-液两相流分层流向环状流过渡的多尺度能量特征。多尺度能量特征的研究表明分层流和环状流及其过渡状态在流动噪声的声发射能量分布上有着明显的区别。得到的流型转换的数字特征与试验中观察到的流型及其转换阶段是一致的。管道多相流声发射信号能够在多尺度能量分布上表现出两相流系统的复杂性。从而从一个新的角度研究了气-液两相流型转换的特性,为揭示气-液两相流动机理提供了新的手段。     

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。     

基于图像处理的管束间气液两相含气率的实验研究

将数字图像处理方法应用到管束间气液两相流动含气率的检测并研究其分布特性.采用高速摄影仪,拍摄管束间气液两相流动的流型图像,利用图像处理技术对流型图像进行灰度增强、二值化、边缘检测等处理,然后计算出两相流动不同时刻的含气率.实验结果表明,该方法能够满足测量要求,可以用于管束间两相流动参数的检测.将2种管束的含气率值与模型预测结果比较,发现Feenstra模型和Dowlati 模型能较好地预测含气率.比较管束不同方向的含气率分布特性,发现壁面位置含气率低,管束中心含气率高.     

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.     

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。     

基于层析成像软测量的两相流流型识别

基于电容层析成像(ECT)和人工神经网络的软测量方法,实现了两相流流型识别。以油气两相流为例,建立了两相流流型识别的软测量模型。从ECT传感器的输出中提取特征参数作为软测量模型的辅助变量,两相流流型为主导变量,构建二级自组织竞争神经网络,进而实现对两相流流型的在线判别。仿真结果表明,该方法判别精度高、判别速度快。     

基于深度学习的发电站制冷水管焊缝图像检测

针对发电站制冷管射线图像的焊缝区域对比度较低,特征不明显,传统方法难以实现精确搜索的问题,提出一种基于深度学习的发电站制冷水管焊缝区域搜索方法。利用限制对比度的自适应直方图均衡化(CLAHE)限制图像统计直方图的幅度,抑制噪声放大,得到直方图的累积分布函数(CDF),以校正图像的低对比度;利用深度神经网络的24个卷积层提取输入图像的特征,2个全连接层预测图像位置和类别概率,实现水冷壁管焊缝区域的检测,以克服传统模板匹配精度低,时间复杂度高的问题。对100张制冷管射线图片按4:1:5分为训练集、验证集和测试集,利用训练集和验证集对深度神经网络进行训练,将图像送进训练好的模型,预测制冷管焊缝区域的位置。试验结果表明：基于深度学习的焊缝区域搜索方法可以实现焊缝的精确搜索,准确率达到96%,搜索效率及准确度高。#$NL关键词：发电站制冷管;焊缝区域;深度神经网络;射线图片;深度学习#$NL中图分类号：TN911.73     

基于Elman神经网络的传感器故障诊断研究

针对传统的传感器故障诊断技术的不足,提出一种基于Elman神经网络的故障诊断方法,建立了Elman网络故障诊断模型,利用小波包分解方法获取用于训练神经网络的特征能量谱,对所建立的模型进行训练。为了检验模型的实际诊断能力,以某动力系统管路流量传感器的4种典型故障诊断为例进行仿真实验,并和标准BP神经网络的诊断结果进行对比。仿真结果表明:基于Elman神经网络的故障诊断速度更快、准确率更高、泛化能力更强,验证了所提出方法的实用性和有效性。     

水平管内气液两相泡状流的多尺度分形分析

为了探讨气液两相流泡状流的非线性、非均匀性和混沌特性机制,利用高速数据采集系统对水平管内气液两相流的压差波动信号进行测量.结合小波模极大值理论,对采集的压差波动信号用db2小波在1～9尺度下进行分解,再分别对分解的信号进行Hurst分析.通过对压差波动信号不同尺度下的细节信号和概貌信号研究,发现在不同尺度下表现出不同的分形结构,1、2尺度的细节信号只有一个明显的Hurst指数,且小于0.5,反映了微尺度的气泡与气泡之间的相互作用;3～7尺度的细节信号具有2个Hurst指数,分别小于0.5和大于0.5,表现为多分形特征,反映了介尺度的液体和气泡之间的相互作用;8、9尺度的细节信号也只有一个Hurst指数,且大于0.5,主要体现了宏尺度的整个气液两相系统与管壁之间的相互作用.各尺度的能量分布表明,压差波动信号主要体现了微尺度的气泡与气泡之间的相互作用.     

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.     

基于关键特征提取和 Elman 神经网络的 开关电源多参数辨识

开关电源作为电子系统的重要组成部件,一旦发生故障将会对整个电子系统带来不可估量的损失,所以需要对开关电源的元器件参数进行及时准确地辨识,以便有效地评估开关电源的健康状态。受环境应力的影响,在实际工作中开关电源的多个元器件参数均会发生退化。为有效地辨识开关电源的状态,提出基于关键特征和Elman神经网络的开关电源多参数辨识方法,方法首先利用小波包分析提取局部能量特征;为提高辨识精度,将变异系数作为优选局部能量特征的标准,提取具有较大变异系数的局部能量特征作为关键特征;最后,采用Elman神经网络建立关键特征与辨识参数的关联。仿真实验和硬件实验结果证明具有较高的辨识精度和良好的实用性。     

基于灰度图像分形特征的局部放电模式识别

提出了用灰度图像分维数作为局部放电识别特征量的识别方法,并采用Elman神经网络对变压器局部放电模式进行了识别。