基于小波和希尔伯特—黄变换的气液两相流流型智能识别方法

《基于小波和希尔伯特—黄变换的气液两相流流型智能识别方法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要气液两相流广泛存在于现代工业生产之中，不同流型的气液两相流有着不同的流动及传热特性，因此正确识别流型有十分重要的意义。传统的气液两相流流型识别方法主要有两种：一种是采用人为观察或测量的方法；另一种是利用流型转变准则或流型图的方法。传统的流型识别方法不但受到主观因素的影响，而且不能实现流型的在线识别，因此需要改进传统的识别方法i本文在气液两相流实验台上进行了实验研究，并对获得的水平管空气一水两相流的压差波动信号进行了分析。而且将小波变换、Hilbert-Huang变换和神经网络应用到流型识别中，从实验和理论两个方面

2、，系统地探讨了流型的神经网络智能识别方法。首先运用FFT变换、小波变换、Hilbert-Huang变换等方法对流型差压波动信号进行分析，提取小波能量、小波包能量、小波包熵、IMF能量等作为流型特征。其次采用BP、RBF、Elman等不同的神经网络作为气液两相流流型的模式分类器。最后将提取的不同特征向量的训练样本分别送入BP、RBF、Elman中进行训练，利用训练好的模型作为流型识别分类器。对测试样本的识别结果表明，发现基于IMF能量和Elman网络的识别效果最好，但与其他组合相比，识别率相差不大。这就从理论上和技术上

3、为气液两相流流型的智能识别提供了新方法。关键词气液两相流流型识别小波变换HiIbert-huang变换神经网络东北电力大学硕士学位论文AbstractTherearewidelygas—liquidtwo-phaseflowsinmodernindustryfield．Thegas·liquidtwo-phaseflowswhichhasdifferentflowpatternshavedifferentflowandheattransferfeatures，SOitisimportanttocorrectlyrec

4、ognizetheflowpatternsoftwo．phaseflows．Therearetwotraditionalmethodstorecognizeflowpatterns，oneofwhichistheobservationormeasurementandantheristransitionformulasortheflowpatternmaps．Thetraditionalrecognitionmethodsofflowpatternsdependslargelyonsubjectivejudgmento

5、fresearchersandmaketheon-linerecognitionofflowpatternsimpossible,SOthetraditionalrecognitionmethodsneedtobeimproved．Thedifferentialpressurefluctuationsignalsofthea*watcrtwo-phaseflowsinhorizontalpipeareadoptedandanalyzedonair-watertwo‘phaseflowtestequipment．wav

6、elettransform，Hilbert-huangtransformandneuralnetworkareusedinflowregimeidentification．Intelligentregime，identificationmethodusingneuralnetworkisdiscussedsystematicallyfromtheaspectsoftheoryandexperiment·Firstly,thepressure．differencefluctuationsignalsareanalyze

7、dbyutilizingFFT(FastFourierTransform)transform，wavelettransformandHilbert-huangtransform．Thentheflowfeaturesaleobtainedbyextractingwaveletenergy,waveletpacketenergy,waveletentropyandIMF(IntrinsicModeFunction)energy．Secondlyair-watertwo-phaseflowpatternrecogniti

8、onmodelbyutilizingBP(BackPropagation)neutralnetwork，RBF(RadialBasicFunction)neutralnetworkandElmanneutralnetwork．LastlybytrainingnetworkofBPRBFandElmanwithdifferentsamplesof