基于支持向量机的气液两相流流型识别新方法.PDFVIP

第 15卷 2 期 应用基础与工程科学学报 Vol. 15, No. 2 2007年 6 月 JOURNAL OF BA SIC SC IENCE AND EN GIN EER IN G June 2007 文章编号 :(2007) 02 020908　　中图分类号 : O3591　　文献标识码 : A 基于支持向量机的气液两相流 流型识别新方法 孙 　斌 , 　周云龙 (东北电力大学能源与机械工程学院 ,吉林 长春 1320 12) 摘要 :为准确识别两相流型 ,提出了基于小波包多尺度信息熵和支持向量机的流 型识别方法. 利用小波包变换对采集到的水平管空气 水两相流压差波动信号进 行 3层小波包分解 ,得到 8个不同频带的信号 ,提取各频带信号的小波包多尺度 信息熵作为流型的特征向量 ,运用支持向量机进行训练并识别流型. 结果表明: 与 B P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. 关键词 :空气 水两相流 ;流型识别 ;支持向量机 ;小波包 ;信息熵 气液两相流广泛存在于电力 、石油 、化工等现代工业生产之中 ,流型不同 ,不但影响两 相流的流动特性 、传热和传质性能 ,而且影响系统运行时的可靠性和效率 , 同时对相关工 业设备的设计 、运行和安全性有着非常重要的影响 ,因此对两相流流型识别的研究具有重 要的工程意义 ,一直是两相流研究中的一个重要方向. 早期的流型识别方法主要有 目测 法 、高速摄影法 、射线衰减法等 ,近几年来 ,随着现代人工智能技术的发展 ,人工神经网络 开始广泛应用于流型智能识别中 , 如 B P 神经网络 [ 1 ] 、RB F 神经网络 [ 23 ] 、CPN 神经网 络 [ 45 ] 等. 但是 ,神经网络通常存在所谓的过学习问题 , 因而大大限制了其泛化性能的提 高. 另外 ,神经网络得到的可能是局部最优解 ,忽视了泛化性能的定量研究 ,产生的模型有 时会产生过度拟合 ,或拟合程度较差的现象 , 因此 ,寻找适合小样本的模式识别方法成为 人们的研究目标. 而由 V ap n ik 提出的支持向量机方法 ,可以弥补这个不足. 支持向量机 ( Support V ector M ach ine, SVM ) 是 A TB ell 实验 室 V ap n ik V 针 对 分类和 回归 问题 (C la ssification and R ecogn ition) ,为适用于小样本学习而提出的通用学习算法 ,在很多领 域得到了成功的应用. 随着现代信息处理技术的发展 ,数据融合开始应用于流型识别中[ 6 ] ,文献 [ 7 ]也提到 数据融合可以解决目前流型识别中单一特征的不足. 但由于气液两相流动的复杂性 ,流型 的特征提取仍是流型识别的难点之一. 孙斌等 [ 3 ] 采用 HH T 的能量特征来识别流型 , W u H aoj iang等 [ 8 ]采用关联维数作为流型的特征向量来识别流型 ,陈珙等 [ 9 ] 采用小波分析方 法来识别流型. 本文根据压差波动信号的非平稳性 ,提出了基于小波包多尺度信息熵和支 　收稿 日期 :修订日期 : ( ) 基金项 目:吉林省科技发展计划资助项 目 ( ) 作者简介 :孙 斌 1972— ,男 ,博士 ,副教授. 210 应用基础与工程科学学报 　　　　　　　　　　　　　　Vol. 15 持向量机的流型识别方法 , 以水平管内空气 水两相流动为例 ,用该方法对流型进行识别 , 并与神经网络的识别方法做了对比. 试验证明 , SVM 的流型识别方法具有比神经网络方 法更好的识别能力 ,为流型在线智能识别提供了一种新的方法. 1　实验