基于hh和elman神经网络的气液两相流流型识别.docxVIP

基于hh和elman神经网络的气液两相流流型识别 0 基于emd的hht 气和液相流的研究在石化工程、原子能工程、航空航天工程、动力工程和机械工程等领域具有重要的研究价值。两相流动中介质的几何分布状况，即流型，极大地影响着两相流动压力损失、传热特性、流量测量的准确性和流动系统的运动特性。流型的识别方法是目前国际多相流研究领域的热点问题之一。气液两相流流型识别的研究一直是两相流参数测量的一个重要研究方向。 气液两相流由于流动的复杂性，其压差波动信号表现出非平稳性。基于EMD(empirical mode decomposition)的HHT(Hilbert-Huang transform)是分析非线性、非平稳信号的方法[3,4,5,6,7,8,9,10,11,12]。它的特点是通过EMD对非线性、非平稳的数据进行线性和平稳化处理，得到IMF分量，并在分解过程中保留数据本身的特性。该方法吸取了小波变换的多分辨的优势，同时克服了小波变换中需要选取小波基的困难，从信号本身的尺度特征出发对信号进行分析，因而能尽快地分析出信号的特征，具有良好的局部适应性。本文对压差波动信号EMD分解后的IMF(intrinsic mode function)分量进行分析提取IMF能量作为特征向量，取得了很好的效果。 神经网络作为一种智能技术已经在流型识别中得到了应用[13,14,15,16,17,18,19,20,21,22,23]，但大多都集中在BP神经网络。王妍芃等将BP神经网络应用于气液两相流流型的识别中，但BP神经网络的样本训练过程相当复杂而且极不灵活。Elman神经网络是一种典型的动态神经元网络，它具有动态特性好、逼近速度快、预测准确可靠等特点。本文针对压差波动信号的非平稳特性,尝试运用HHT进行特征提取，再与Elman网络结合，形成一种新的流型识别方法。 1 hh转换原理 1.1 局部信号包络局部极小值 HHT假设任一信号都是由许多IMF组成，任意时刻，一个信号都可以包含许多固有模态信号，其中固有模态信号应满足以下2个条件：(1)在整个数据中极值的个数必须与过零点的个数相等或至多相差1；(2)在任何一点，由局部极大值确定的信号包络和局部极小值确定的包络的平均值为零。具体的处理方法是： 先根据信号s(t)的极大点和极小点求出其上包络1v(t)及下包络2v(t)之平均值 然后考察s(t)与m之差h，即 将h视为新的s(t)重复以上操作，直到h满足IMF条件时，记 c1视为一个足IMF。作 视r为新的s(t)，重复以上过程，依次得到c2,c3,...,直到r(t)基本呈单调趋势或r(t)很小，视为测量误差时即可停止。于是 即把原信号分解成n个IMF即c1,c2,...,cn，和一个剩余分量r。式(5)表明了EMD分解的完备性。 1.2 解析信号变换 对于实信号X(t)，可以得到它的HT为 其反变换为 得到解析信号 θ(t)为相位，θ(t)=arctan Y(t)/X(t)(10)顺势频率按下式计算 式中a(t)为瞬时振幅。 1.3 传统同步幅值谱拉格兰加式 对每一个IMF作Hilbert变换后得 这里省略了残余函数r,Re代表取实部。式(12)称为Hilbert幅值谱。简称Hilbert谱，记为 以上的EMD以及相应的Hilbert谱信号的分析方法统称为基于EMD的Hilbert变换，亦称为HHT为了利用HHT方法识别流型，现定义分解后各模态能量为 2 实验系统及条件 实验工质采用空气和水，空气经空压机升压后，经转子流量计计量后进入气液两相混合器，水由水泵抽出，用孔板流量计计量后到气液两相混合器，从气液两相混合器出来的气水混合物，流经实验段进行各项数据测量后，进入旋风分离器，将空气分离出来并排入大气，剩下的水流回水箱供循环使用。实验系统如图1所示。 气液两相流压差信号由PD-24型差压变送器进行测量，并由IMP3595数据采集板进行采集。压差信号的采样频率为256 Hz，采样点数为2048。实验过程的参数范围：压力0.1～0.5 MPa；工质温度：3～42℃；实验中空气流量为0～25 m3/s，水的流量为0～4.5m3/sㄢ 本文在实验中共观察到4种流型，即泡状流、间歇流、层状流、环状流，各种流型对应的差压波动信号如图2所示。 3 基于hct变换的差压信号仿真 本文对泡状流差压信号进行基于EMD分解的HHT变换和小波分解，结果如图3和图4所示，对以上2图进行比较分析发现各分量之间有一定相似性，如HHT变换的剩余分量r和小波分解的近似分量a8都包含了流型差压信号的大部分有用信息。再者对HHT变换的IMF1分量(c1)和小波分解的高频直接分量d1进行FFT变化，如图5所示，2者之间也有一定的相似性。以上的分析证明了用HHT变换对差压信号进行分析的可行