基于经验模式分解三相流型信号去噪方法研究

经验模式分解(EMD)作为一种信号处理技术,它是基于数据本身的,且能在空间域中将信号进行分解,从而可以区分噪声和有用信号。应用经验模式分解(EMD)对模拟信号及实测油气水三相流压差波动信号进行滤波去噪处理,分别与db8小波及Haar小波的滤波去噪效果进行定量比较。结果表明:EMD方法与小波方法一样能有效地处理短时瞬态及含宽带噪声的信号,但EMD方法更直接,更方便,且不受小波基函数选择的影响,因此EMD方法更具有通用性和稳定性,从而为三相流流型信号的预处理提供了又一种有效的方法。     

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。     

基于复杂度特征的气液二相流流型识别方法

针对气液二相流压差波动信号的非平稳和非线性特征,提出了一种基于经验模式分解(EMD)复杂度特征和支持向量机的流型识别方法。该方法首先对二相流压差波动信号进行经验模式分解,将其分解为若干个固有模态函数(IMF),然后对每一个IMF分量提取复杂度特征作为流型特征向量,并以此作为输入参数建立支持向量机分类器来识别流型。对水平管内空气-水二相流的实验结果表明,文中提出的方法能准确地识别流型,从而为流型识别提供了一种新的有效方法。     

奇异值分解在气液两相流流型识别中的应用

提出了一种将相空间重构和奇异值分解相结合的气液两相流流型识别方法.该方法首先利用相空间重构方法构造压差波动信号的吸引子轨迹矩阵.然后对该矩阵进行奇异值分解得到矩阵奇异值,将其作为流型的特征向量.针对BP神经网络收敛速度慢和容易陷入局部极值的问题,采用L-M优化计算的方法,设计了流型识别的BP网络模型.研究结果表明:该方法可以有效地识别水平管内空气-水两相流的4种典型流型,与其它改进算法相比,L-M优化算法的识别率最高,达到了95%,为流型的识别提供了一种新的有效方法.