基于经验模式分解和概率神经网络的气液两相流识别_孙斌

ABSTRACT：Aiming at the non-stationary characteristics of differential pressure fluctuation signals of gas-liquid two-phase flow, and back propagation neural networks (BPNN) like slow convergence of learning and liability of dropping into local minima, flow regime identification method based on empirical mode decomposition (EMD) and probabilistic neural network is put forward. First of all, original signals are decomposed into a finite number of stationary Intrinsic Mode Functions (IMF), and then a number of IMF containing main flow regime information is selected for the further analysis. The energy of acceleration differential pressure fluctuation signal in different frequency bands would vary with the flow regime; therefore, energy feature parameter extracted form IMF could be served as input parameter of neural networks to identify flow regimes of gas-liquid two-phase flow. The identification results of four typical flow regimes of air-water two-phase flow in horizontal pipe show that the approach of neural network identification based on EMD extracting energy parameter is superior to that based on wavelet packet, and can identify flow regime accurately and effectively. KEY WORDS: thermal power engineering; gas-liquid two-phase flow；flow regimes identification；empirical mode decomposition；probabilistic neural network 摘要：针对气液两相流压差波动信号的非平稳特征和 BP 神 经网络学习收敛速度慢、易陷入局部极小值等问题，提出了 一种基于经验模态分解(empirical mode decomposition， EMD) 和概率神经网络的流型识别方法。 该方法首先对原始信号进 行了经验模态分解，将其分解为多个平稳的固有模态函数
PDF 文件使用 "pdfFactory Pro" 试用版本创建
第 17 期
孙 斌等： 基于经验模式分解和概率神经网络的气液两相流识别
73
仅与采样频率有关，而且更为重要的是它还随着信 号本身的变化而变化，因此 EMD 方法是一种自适 应的信号分解方法，具有很高的信噪比，非常适用 于非平稳、非线性过程[13-18]。在网络模型上，采用 较多的是 BP 神经网络， 但 BP 神经网络层数和节点 数无法从理论上确定，且易陷入局部极小。 针对上述问题，本文拟将 EMD 方法与概率神 经网络结合起来，对气液两相流流型进行识别。即 以 EMD 作为压差波动信号的预处理器，以概率神 经网络作为分类器，提取 EMD 分解后的平稳 IMF 分量的能量特征指标作为网络的特征参数，对流型 进行识别。同时，为了将 EMD 方法与小波包分析 方法进行对比分析，还对原始信号进行了小波包分 解，对分解重构后的时间序列也相应提取能量特征 参数，输入相同网络进行训练，并用来识别水平管 内空气−水两相流流型。实验结果表明，基于 EMD 和概率神经网络的方法具有更好的识别效果和更高 的网络识别率。
第 27 卷 第 17 期 2007 年 6 月 文章编号：0258-8013 (2007) 17-0072-06
中 国 电 机 工 程 学 报 Proceedings of the CSEE 中图分类号：O359 文献标识码：A
Vol.27 No.17 Jun. 2007 ©2007 Chin.Soc.for Elec.Eng. 学科分类号：470⋅10
0
引言
目前气液两相流流型的识别方法主要有 2 种： 一种是人为观察的方法；另一种是利用已有的流型 转变准则关系式或流型图判断的方法。2 种方法都 不可避免地要受主观因素的影响，难以实现流型的 客观识别。神经网络由于能实现输入空间到输出空 间的非线性映射，近些年来已经在流型识别中得到 了应用[1-11]。在流型的神经网络识别方法中有 2 个 关键问题：一是流型的特征提取；另一个是网络模 型的选择。 针对两相流压差波动信号的非平稳特征， 小波分析被引入到流型的特征提取中[12-13]，但由于 小波基难以确定和小波分析的非自适应性，使得其 在应用中受到了限制。近年来，Huang N E 提出了 一种新的时频分析方法——经验模态分解(EMD)， 该方法基于信号的局部特征时间尺度，可把信号分 解为若干个固有模态函数之和，分解出的各个固有 模态分量函数 IMF 分量突出了数据的局部特征， 对 其进行分 析可以更准确 有效地 把握 原数 据 特征信 息。此外，由于每一个 IMF 所包含的频率成分不仅
r 满足给定的终止条件(本文的终止条件是：r 是一 个单调函数，或者是一个常数)时，筛选终止。由此 可得到 x(t)的分解式 x(t ) = ∑ ci + r
i =1 n
(1)
式中：r 为残差函数，代表信号的平均趋势。而各 IMF 分量 c1 (t ), c2 (t ), , cn (t ) 分别包含了信号从高到 低不同频率段的成分，每一频率段所包含的频率成 分都是不同的， 且随信号本身的变化而变化。 通常， EMD 方法分解出来的前几个 IMF 分量往往集中了 原信号中最显著、 最重要的信息， 从这个角度上讲， EMD 方法就是一种新的主成分分析方法。 上述筛选过程有 2 个效果：去除骑波；平滑抖 动的振幅。但过度的幅值平滑会去除有意的振幅波 动。为了保证 IMF 有较好的物理意义，必须定义筛 选过程的终止条件。本文采用了标准差判断筛选过 程是否结束。
PDF 文件使用 "pdfFactory Pro" 试用版本创建
74
旋风分离器 实验段
中 国 电 机 工 程 学 报
第 27 卷
E = ∑ Ei
i =1
n
(3)
水路孔板 水箱 离心式水泵
气路孔板 两相混合器 空压机
对水平管内 4 种不同流型压差波动信号进行 EMD 分解，求出的 EMD 能量熵见表 1。从表中可 以看出，不同流型的 EMD 能量熵值有明显差别， 基本反映了不同流型的信息，因此，可以用其作为 神经网络的输入特征向量。
实验是在空气-水两相流系统上完成的， 实验系 统如图 1 所示。 实验段为内径 26 mm、 长为 2000 mm 的有机玻璃管。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。 其中，气液两相流压差的瞬时值采用 KELER 公司 的 PD-23 型差压 变 送 器 进行 测 量 ， 量 程为 0~10kPa，其频响大于 1kHz，布置如图 2 所示。水 平段总长为 7.5m，入口段长度为 3m，实验段长为 2m，出口段长为 2.5m，压差变送器安装前的入口 段 0.8m，并通过 INV306 大容量数据采集系统对压 差信号时间序列进行连续采集， 采样频率为 256Hz， 数据采样点数为 2048。根据目前的研究成果，取压 间距的大小对流型识别有很大影响， 取压间距太大， 包含气泡之间的相互作用，而且取压管过长，管内 可能存在的气泡会增大测量误差； 而取压间距太小， 不能包含一个完整的气弹，无法真实反映流动的实 际 波动情况 。本文取 10 倍 的管内 径(26mm) ， 即 260mm。实验参数范围为：折算液速：0~4.5m/s， 折算气速：0~25m/s。
1
经验模式分解(EMD)方法
2
实验
EMD 方法是由美国航天局 Dr.Huasng 于 1998 年提出，他创造性地假设：任何信号都由不同的固 有简单固有模态函数组成，每个基本模态可以是线 性的，也可以是非线性的，都具有相同数量的极值 点和零交叉点，在相邻的两个零交叉点之间只有一 个极值点，任何 2 个模态之间是相互独立的，如果 模态之间相互重叠，便形成复合信号。 任何一个信号可以用 EMD 方法将基本模态筛 选出来，其步骤如下： （1） 确定信号左右的局部极值点， 然后用三次 样条分别将左右的局部极大点、局部极小点连接起 来形成上、下包络线，上、下包络线应该包络所有 的数据点。 （ 2 ） 上 、 下 包 络 线 的平 均 值 记 为 m ， 求 出 x(t ) − m = h ，将 h 视为新的 x(t)，重复以上操作， 直到 h 满足条件：①在整个数据段内，极值点的个 数与零交叉点的个数必须相等或最多相差一个；② 对于任何一点，某局部极大值点形成的包络线和局 部极小点形成的包络线的平均值为零。在实际运用 时，其平均值的绝对值小于某一很小的阈值( 本文 取为 0.02)。记： c1 = h ， c1 视为第 1 个 IMF1；作 x(t ) − c1 = r ，将 r 视为新的 x(t ) ，重复以上过程， 依次得到第 2 个 IMF2、第 3 个 IMF3…，直到 cn 或