水平管内气-液两相泡状流壁面切应力预测模型

水平管泡状流时气泡主要集中在管道的上部,在管下部只有少量的气泡.由于气泡的非均匀分布,壁面切应力沿周向变化.本文以水平管内气-液两相泡状流壁面切应力均相预测模型为基函数,在实验测量结果的基础上,建立了考虑气泡非均匀分布的水平管内气-液两相泡状流壁面切应力预测模型,预测模型能够反映不同工况下的壁面切应力沿周向的变化趋势,与实验测量结果比较,误差范围小于10%.     

记忆克隆分类及其在齿轮箱故障识别中的应用

为了高效地挖掘分类模型,提出了一种基于抗体克隆选择学说和免疫记忆理论的有监督分类算法MCIC。采用模糊C均值聚类产生的初始抗体和样本特征维的信息熵权重为算法提供了先验知识;在抗体种群进行全局搜索的基础上,设计了动态记忆单元局部搜索算子,用以加快抗体亲和力成熟速度;最终,根据最近邻原则实现了未知样本的类属划分,并采用美国加州大学标准数据集中的4个数据集分类和齿轮箱故障识别问题进行了仿真实验。研究结果表明,与CLOALG算法相比,该算法不仅具有更快的收敛速度,而且获得了更高分类准确率。     

往复压缩机气阀早期故障的双演化遗传聚类检测

针对往复压缩机气阀早期故障的检测数据分布复杂,常规方法难以有效检测的问题,提出一种双演化遗传聚类检测算法。该算法引入测地线距离作为数据间关系测度,并将个体编码为代表各类别的典型样本序号的排列。基于生物进化系统的中自组织、自学习及自适应等复杂性,设计了相应的幂律选择算子、双演化交叉算子和种群的自适应更新策略来完成故障数据的聚类检测。将该算法用于两级往复压缩机气阀早期故障检测,试验结果表明,双演化遗传聚类算法。在对气阀早期故障的识别率上明显优于常用的K均值算法和遗传聚类算法,可应用到具有复杂数据分布的机电系统故障检测。     

迭代可调节网络聚类及其在故障诊断中的应用

针对常用聚类算法对复杂分布数据难以有效聚类的问题,把网络分析技术与基于代价函数最优的聚类技术相结合,提出一种新颖的迭代可调节网络聚类算法。该算法采用网络的思想建立样本空间模型,把数据聚类问题转化为基于节点生长连接的网络分析问题;并设计了可调节的节点间相似关系测度和相应的聚类准则来构建节点间邻域搜索及节点生长操作;通过改变调节系数来实现网络节点间连接关系的整体调节。新算法能够在无需预先设定簇数目的情况下,自动获得簇的数目和样本数据的分布位置。采用4组不同样本分布的人工数据集聚类和往复压缩机气阀泄漏故障诊断试验,对比测试了新算法与K均值算法(KM)的性能,结果表明迭代可调节网络聚类算法可实现对复杂分布的流形数据聚类,在准确率及自动处理程度性能指标上明显优于常用的KM算法。     

水平管内气液两相泡状流进口段壁面切应力

利用TSI-1268W热膜探头对内径为35 mm的水平管内气液两相泡状流的壁面切应力进行了直接测量,得到了进口段不同截面上沿周向不同位置处的壁面切应力数据,通过分析实验段进口段的壁面切应力沿管长的变化来确定进口段的长度.结果表明,液相中加入气泡后增加了壁面切应力数据的离散程度.在实验参数范围内,测量的壁面切应力进口段的长度在52D～65D之间,并且壁面切应力进口段随着液流Reynolds数和截面含气率的增大而增大.液相中加入气泡后在不同的测量角度壁面切应力的变化呈现不同的特征.