基于经验模态分解(empidcal mode decomposition,EMD)BP神经网络,提出了油气两相流流型辨识的新方法。应用EMD将差压信号分解成不同频率尺度上的单组分之和,并提取组分的归一化能量作为流型辨识特征量。BP神经网络以这些能量特征量为输入对油气两相流不同流型(包括泡状流、塞状流、层状流、弹状流和环状流)进行分类。实验结果表明,本文提出的流型辨识方法是有效的,其中泡
维普资讯 doc.guandang.net
第2 8卷
第 4期
仪器仪表学报 C ieeJu n lo ce ti nt me t hn s o ra fS ini cI sr n f u
Vo_ . l28 No 4
20 07年 4月
Ap . 0 7 r2 0
基于经验模态分解和 B P神经网络的油气两相流流型辨识术 李强伟,王保良,黄志尧,李海青 (江大学控制科学与工程学系浙摘工业控制技术国家重点实验室杭州 30 2 ) 107
要:基于经验模态分解(m icl oe eo psi,M ) B e p i d cm oi nE D和 P神经网络, ram d t o提出了油气两相流流型辨识的新方法。应用 E D将 M
差压信号分解成不同频率尺度上的单组分之和,并提取组分的归一化能量作为流型辨识特征量。B P神经网络以这些能量特征量为输入对油气两相流不同流型(包括泡状流、塞状流、层状流、弹状流和环状流)进行分类。实验结果表明,本文提出的流型辨识方法是有效 的,其中泡状流、塞状流、层状流、弹状流和环状流的辨识精度分别为 10、 .%, .%、 .%和9 .%。 0% 8 4 9 3 9 3 9 3 6 69
关键词:经验模态分解; P神经网络;油气两相流; B流型;差压信号 中图分类号: 3 9 1 0 5 .文献标识码: A国家标准学科分类代码: 1 .0 5 08 4
Fl w a t r de tfc to fo lg s t o p te n i n i a i n o i- a wo- a e fo ba e o i ph s w s d n l
e piia o e o po iin n BP e a t r m rc lm de d c m sto a d n ur lnewo k
L inw i i a g e,WagB oi g H a gZ i o L iig Q n al n, u n h a, i qn a y Ha ( ai a aoa r nuta o t l ehooy Dp r et Cnrl c ne n nier g N tn l brt yo ds il nr cn l, eat n o ot i c dE gnei, o L o fI r C o T g m f oS e a n Z ea gU i rt, aghu3 02, hn ) hj n nv sy H n zo 10 7 C i i ei a
A s a t B sd o m iclm d eo p s i ( MD)a d bc rpgt n( P erlnt o,anw
b t c: ae n e pr a o ed cm oio E r i tn n ak po aa o B )nua e r e i w k me h d i p o o e o i e t y f w p t r folg st o p a e f w.EMD i a pi d t h i e e t l r s u e sg t o s r p s d t d n i o at n o i a w - h s o fl e - l p l o t e df r n i e s r i— s e f a p n lo - h s o t b an fe ue c o o e swih di e e ts a e a ft p a e f w o o ti rq n y c mp n nt t f r n c ls,a d t e n r l e n ry o h o o wo l f n h o mai d e e g ft e c mp— z
n n se t ce St e f au e o o at r d n i c t n e t x r t d a h e t r f w p t n i e t a i .W i h s n r e tr s a p t,f e f w p t r s i a l f e i f o t t e e e e g f au e s i us i o at n h y n v l e s c sb b l o u h a u b e f w,pug f w,sr t e o,sug fo a d a n l rfo ae i e t e i g BP n u M ewok. l l o l tai d f w i f l l w n n u a w r d ni d usn e r n t r l l i f Th x e me t lr s ls id c t h tt e p o o e e e p r n a e u t n i ae ta h r p s d BP. a e t o s ef cie f rt e i e tfc t n o o p t i b s d me h d i fe tv o h d n i a i ff w a— i o l tr s n h de tf ain r tsa e 1 0%, 9 4%,9 .%,9 .%,a d9 . e n;a d t e i n i c t ae r O i o 8. 33 63 n 6 9% frb b l l w,p u lo o u b ef o lgf w,sr t e t i d af i l f w,su lw a d a n lrfo e p ciey o lgfo n n ua w rs e t l . l v
Ke o d: m icl o edc m oio E ) P
n ua n tok o - stop aef w; o a e; i yw rs e pr a m d eo p si i t n( MD;B e rl ew r; ig -h s l la w o f w pt r d - l t n f fr n ilp e s r in l ee ta r su e sg a
由于两相流的差压信号包含着流体的丰富信息,近
1引
言
年来已逐渐成为两相流参数检测的重要研究对象。已经有许多的信号处理工具包括傅里叶变换、时傅里叶变短 换和小波变换等应用于两相流差压信号的分析。但是由
两相流广泛存在于石油、化工、冶金和环保等工业, 其流型的在线辨识对于工业系统的过程控制、质量保证和安全管理有着极其重要的意义。然而由于两相流固有
的复杂非线性特性,使得流型辨识成为两相流参数检测 的难点之一。 收稿日期:0 51 R ci dD t:0 51 2 0 .2 eev ae20—2 e
于两相流差压信号固有的非线性非平稳本质,上述的而信号处理工具本质上属于傅里叶类变换,并不十分适应两相流差压信号波形急剧变化的物理特性。19 98年, H ag un提出了一种新的信号时频分析方法一经验模态分
基金项目:国家自然科学基金( 07 0 4资助项目 5 56 8 )

油气两相流流型判断文献综述摘要:目前常用的两相流流型划分方式一般为两类,一类是...(2)人工神经网络(ANN)是简单的非线性函数的多项复合无需建立任何 物理模型和...
将压差波动信号经验模态分解(EMD)后的 固有模态函数...王妍芃等将BP神经网络应用于气液两相流流型的 识别... 等. 基于HHT的同步电机参数辨识[J].中 国电机...
No. 6 Dec. , 2011 5942(2011)06012104 文章编号:1671- 基于经验模态分解与神经网络的信号预测王 勇 1) * 杨 晶 2) 张立辉 2) 张红娟 3) 唐山 063009...
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...
方法主观性强和 BP 神经网络训 练受病态样本影响较大的缺点 ,根据小波包变换能将信号按 任意时频分辨率分解到不同频段的特性 ,提出一种新的气液 两相流流型识别...
基于 ECT 的流型辨识有两个思路 , 一是重 建图像后由人的主观判断或图像处理...基于自组织神经网络的油气两相流管 截面流型辨识 [J ] . 仪器仪表学报 . ...
基于经验模态分解与神经网络的结构故障诊断_专业资料。采用经验模态分解对简支梁振动信号进行分解,对分解得到的前4个固有模态函数分别求其能量百分比,并作为神经网络的...
基于经验模态分解能量熵和人工神经网络的滚动轴承的故障诊断_工学_高等教育_教育...(5)人工神经网络的训练采用最常用的反向传播(BP)训练方法。输入层节点 数取决...
基于经验模态分解与神经网络的在线状态监测_机械/仪表_工程科技_专业资料。机Dec.20l3 床 与 液 压 VoI.4l No.24 Hydromechatronics Engineer...
基于经验模态分解的并列双圆柱绕流信号处理_专业... 维普网 中国最大最早的专业内容网站 0 0 0.0 ... 基于经验模态分解和BP神... 7人阅读 5页 2...
基于经验模式分解和概率... 暂无评价 6页 1下载...两相 流流型识别 周云龙 ,陈 飞,刘 川 ( 东北 ...改进 BP 神经 网络在 气液 两相 流流型 识H IJq...
热门文档