共查询到20条相似文献,搜索用时 15 毫秒
1.
基于奇异值分解和最小二乘支持向量机的气-液两相流流型识别方法 总被引:2,自引:0,他引:2
针对气-液两相流压差波动信号的非平稳特征和BP神经网络学习算法收敛速度慢、易陷入局部极小值等问题,提出了一种基于奇异值分解和最小二乘支持向量机(LS-SVM)的流型识别方法。该方法首先采用经验模态分解将气-液两相流压差波动信号分解为多个平稳的固有模态函数之和,并形成初始特征向量矩阵;对初始特征向量矩阵进行奇异值分解,得到矩阵的奇异值,将其作为流型的特征向量,根据LS—SVM分类器的输出结果来识别流型。对水平管内空气-水两相流4种典型流型进行识别,结果表明,与神经网络相比,该方法具有更高的识别率和识别速度。 相似文献
2.
基于图像小波包信息熵和遗传神经网络的气-液两相流流型识别 总被引:1,自引:0,他引:1
根据小波包变换能够将图像信号按不同尺度进行分解的特性,提出了基于图像小波包信息熵特征和遗传神经网络相结合的气-液两相流流型识别的新方法.该方法采用高速摄影系统获取水平管道内气-液两相流的流动图像,经过处理,对图像进行多分辨率分析,提取小波包变换系数的信息熵特征,用主成分分析法降低特征维数构成特征矢量,作为流型样本对遗传神经网络进行训练,实现了对流动图像的流型智能化识别.结果表明:图像小波包信息熵特征可以很好地反映各流型之间的差异;遗传神经网络结合遗传算法和BP算法各自优点,具有收敛速度快、不易陷入局部极小的特性,网络识别率为100%. 相似文献
3.
为了研究垂直上升管中气液两相流的流型,利用自制的多电导探针测量系统采集了四种典型流型的电导波动信息.由于气液两相流电导波动信号的非平稳特征,提出了一种基于小波包多尺度信息熵(Wavelet Packet Multi-scal2e Information Entropy)和隐马尔可夫模型(Hidden Markov Model,HMM)的流型识别方法.该方法首先对采集到的电导波动信号进行3层小波包分解,得到了8个不同频带的信号,提取各频带信号的小波包多尺度信息熵特征作为流型的特征向量,然后将其转换为观测序列输入到各种状态的隐马尔可夫模型进行训练并识别流型.结果表明:与BP神经网络相比,采用隐马尔可夫模型进行流型识别可以获得更高的识别率,表明该方法是有效和可行的. 相似文献
4.
5.
采集棒束通道实验台上气液两相流4种流型压差信号,计算4种流型的多尺度边际谱熵,对其进行流型识别及动力学特性分析。实验结果表明:多尺度边际谱熵能从整体上区分4种流型,从频域细节尺度定量揭示不同流型间的动力学特性;利用多尺度边际谱熵增率和谱熵均值联合分布可定量准确区分4种流型,对泡状-搅混流这种难以区分的过渡流型也有较好效果;与支持向量机结合具有运算速度快、识别率高的优点,准确率高达98.11%,适合流型的在线识别。 相似文献
6.
对摇摆状态下水平管内气-水两相流流型进行了实验研究.实验发现,摇摆状态下两相流的压差波动有明显的周期性.本文根据各流型压差波动的差异判断摇摆状态下水平管内气-水两相流的流型.结果表明:通过与可视化观察和高速摄影观察的流型相比,利用压差特性曲线可以很好地判断摇摆状态下气-水两相流的流动型式. 相似文献
7.
8.
两相流流型在分析换热、流动不稳定性以及临界热流密度方面具有基础性作用.本文基于VOF(Volume of Fluid)多相流模型,对垂直上升矩形流道内气液两相流动进行数值模拟,表观气速0.1~110 m/s,表观液速0.1~3.2 m/s.得到了流道内气液两相流的主要流型:泡状流、弹状流、搅混流和环状流,分析了流道内截面含气率分布与流型的对应关系,以及截面含气率与气液两相流容积含气率的关系;分析了各种流型下的压降分布特性,并绘制了基于气液表观动能通量的不同流量下气液两相流的流型图,直观的表示出各种流型的分布区域及各流型间的流型转换边界,与已发表文献的实验结果对比符合较好. 相似文献
9.
为提高小样本条件下的流型识别精度和时效性,提出了一种融合小波包分解(WPD)、主元分析(PCA)、遗传算法(GA)和支持向量机(SVM)的优化识别模型,并成功应用在竖直下降两相流流型辨识工作中。利用WPD对非平稳电导波动信号进行分解、重构,提取小波包能量构造特征向量;通过PCA对特征向量进行降维,降低特征输入的复杂性;同时采取GA全局迭代寻优的方式确定SVM的关键参数惩罚因子(C)和核函数参数(g)。对PCA-GA-SVM识别效果进行验证后与SVM、PCA-SVM、GA-SVM网络进行对比。结果表明,经过PCA和GA优化后的SVM网络在流型识别精度和时效性方面均提升显著,对泡状流、弹状流、搅拌流和环状流的总体预测精度达到了94.87%,耗时仅3.95 s,可满足在线识别需求。 相似文献
10.
介绍了故障趋势预测的研究现状及支持向量回归的基本原理,将支持向量回归用于滚动轴承故障趋势的预测,并与其他方法(BP神经网络、灰色模型及灰色-AR模型)进行比较。结果表明,BP神经网络预测结果不稳定,易出现过学习和局部极小问题;支持向量回归预测结果稳定,在预测精度上优于BP神经网络、灰色模型、灰色-AR模型,是故障趋势预测的一种有效方法。 相似文献
11.
12.
13.
14.
应用高速摄影技术拍取气-液两相流水平管中3种典型流型的动态图像视频,对每一帧图像的平均灰度脉动信号进行提取;将提取的信号进行多尺度固有模态函数分解,然后与极差/标准偏差(R/S)分析方法相结合,提取各尺度的HURST指数和双分形特征.对气-液两相流的3种典型流型进行了气泡群和单个气泡2种形式的动力学行为分析,应用峭度系... 相似文献
15.
16.
摇摆对水平管内气液两相流流型的影响 总被引:2,自引:0,他引:2
本文对水平放置在摇摆台架,随台架做偏离水平位置的左右往复运动的管内空气-水两相流流型进行了实验研究.实验发现,低流速时,摇摆状态下水平管内流动变得很小稳定,流型发生周期性的改变:当水平管处于倾斜向上或倾斜向下状态时,管内流型分别有些近似于非摇摆的稳态倾斜上升或倾斜下降管内流型,并且流型转变要经历一个发展的过程,发展快慢与气相和液相流速大小有关;而在高液相或高气相流速时,摇摆状态下与非摇摆稳定状态下的两相流流型相近,主要有泡状流、间歇流(弹状流和准弹流)和环状流.根据可视观察以及气液界面在一个摇摆周期内的整体特征和部分时间段的局部特征,定义了不同流动条件下气液两相流的流型,给出了摇摆状态下水平管内气液两相流流型图. 相似文献
17.
在起伏振动状态下对倾斜管内气液两相流进行了实验研究。将振动装置与两相流实验回路相结合,改变管道倾角和振动频率、振幅,分析其对流型转变的影响。研究发现振动条件下的流型与稳态下相比有较大区别,通过对流型分类发现两种新流型为珠状流、起伏弹状流。绘制流型转换边界图结果表明,倾角的增加使起伏弹状流在流型图中的区域扩张,其他流型的区域相对减小。振动频率和振幅对流型转换边界的影响相似,振动频率和振幅增加会使珠状流和准弹状流区域有所增加。3种变化因素中振动频率对流型转变的影响最大。 相似文献
18.
19.
提出了一种基于小波分析的气液两相流流型模糊识别的新方法。该方法以加热段管程压降ΔP的波动信号作为测试信号,进行基于三阶的Daubechies小波二尺度分解,根据所得的二尺度细节系数的均方值确定了流型的识别方法。研究结果表明,这种识别方法能有效地实现气液两相流中泡状流、弹状流的识别。 相似文献