应用基础与工程科学学报

以 定义为尺度函数中 ｘ 准１ｘ为小波基 （ ） （ ） ．ＨＨＧＨ ｝ ＧＨＧ ｝ ｝ Ｈ ｝ ！ Ｈ Ｈ ｝ Ｇ Ｇ Ｈ Ｈ Ｇ “｝ Ｈ Ｈ Ｈ
０１…） ，， 为关于正交尺度函数 叭：） 。的小 波包． 小波包的完整性和正交性使原始信 号的信息得到完整保留． 对一给定信号， 通过一组低、 高通组合的共扼正交滤波器 Ｈ Ｇ 、， 不断将信号划分到不同的频段上， 其分解过程如图４ 所示．
开 广泛应用于流型智能识别中， Ｐ 始 如Ｂ 神经网络〔、Ｂ 神经网 划、Ｐ 神经网 ’ＲＦ 〕 络「 ｃ Ｎ 络［］ 但是， ｓ － ４ 等． 神经网 通常 络 存在所谓的 过学习问 因 题， 而大大限 其泛化性能的提 制了
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 而由Ｖ ｎ 提出的支持向量机方法， 标． Ｐ ｋ ａｉ 可以弥补这个不足． 支持向量机
】 ｎ Ｘ７ （ｙ ｕ ｅＺ
文章编号： ５ ０（创 ） 口 １ 切３ ２ ｙ 似（ 伪朋 ） Ｘ （ ７
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， 长春 １２１ 吉林 ３０ ２ ）
摘要： 为准确识别两相流型， 提出了 墓于小波包多尺度信息嫡和支持向 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一 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 信息嫡作为流型的特征向 运用支持向量机进行训练并识别流型． 量， 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
了 ，・‘ ｂ ‘ 二 ＋ ）》１ １ ，， ｎ （ ＝１２…， （） １ 的约束条件下求：
ｏ ２ Ｎ ．
孙 斌等： 基于支持向量机的气液两相流流型识别新方法
（） ２ 的最小值． 该问题可以利用 协脚ｎ 乘子方 ｅ ｇ
巾（ ）＝（ 。 ／ ， ，） ２
Ｈ ｉ 等 采 关 维 作 流 的 征向 来 别 型，琪 ［ 用 波 析 ｊｇ ］ ｏｎ ｓ ａａ ［ 用 联 数 为 型 特 量 识 流 陈 等 采 小 分 方 ］ ９
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嫡和支
收稿日 ２ 万一 ３修订日 ２ ｙ － 期二 ｎ刁 ； 以 期： ７ ２ 仪 仍５ 甚金项目： 吉林省科技发展计划资助项目（（ ０１ ２冲 ３ Ｘ ５） 作者简介： 斌（卯２ ． 博士， 孙 １ 一）男， 副教授・
３２ 流型的小波包多尺度信息摘特征提取 。 （ 对压差波动信号按式（ 进行３ ） １ ） ８ 层小波包分解， 分别提取第 ３ 层从低频到高频 ８
个频率成分的小波包分解系 ａ ，二－ ； 数Ｘ ｋ ０ － ‘ ７
（ 对小波 分解系 ‘ 构， 取 ） ２ 包 数凡 重 提 各频带 号５， 信号５ 表示为［ ： 信 ３ 则原 。 可 ’ ３ 」
５＝５ ５ ＋ 犯＋ ３＋ 抖＋ 书＋ ３＋ ３ ７ ”＋ ３ ５ ５ ５ ５ ５ ５ １ ３ ６
（ 信号的 包分 成是对信 一种 分， 义这种 ） ３ 小波 解看 号的 划 定 划分的 度〔 ： 测 ‘ ４ 〕
域得到了成功的应用．
随 着现代 信息处 技术的 展， 据融合开始 理 发 数 应用于流型 识别中 ， ７也提到 Ｊ ｅ ［ 文献【１
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 征 仍 型 特 提取 是流 识别的 难点之一 孙斌等〔采用Ｈ 的 ’ 〕 Ｔ Ｈ 能量特征来识别流型， ｕ ｗ
压 动 差波 信号可 用递归 ８进行小波 解〔 ： 式（ ） 包分 ’ ］ ２
应用基础与工程科学学报
Ｖｏ． ５ ｌ １
ｕ（ ＝ 、， 万艺ｈｋ 。： ｋ ） （ ｕ２一 ） ）（
ｕ＿ ｔ 、： ） （
（） ８
＝ 万 （ｕ ‘‘ 万 ９）（一 无・ ） ２
式中，（ ｈ的为高通滤波器组； 以的为低通
目 前常用的核函数有以下几种：
了 ‘ 、
７
、、 ． 户
１ 二１
（ 径 基 ‘二 ‘ 。１ ‘ ； １ 向 核： ，） 一一扮 ） （二 ＝ ， １
（） 项式 兀ｘ ‘二。 ＋）， ０ｄ １ ， Ｎ 项 ２多 核：（，） （ ‘ｔ ｔ ，＝ ， …， 为多 式的阶 二 ‘） ２ 次；
应用基础与工程科学学报
Ｖｏ。 ５ ｌ １
持向量机的流型识别方法， 以水平管内空气一 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，Ｖ ＳＭ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
实验是在空气一 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２ｍ 、 ６ｌ ｎ 长为 ２ 刃 的有机玻璃管． （ ０ｎ 实验工质采用 空气和水． 空气经空压机升压后， 经孔板流量
（） ４ Ｒ ３ ０ ｉ公服 ．ｕ 讲印助ｅ ． ｇ ｔ Ｐｍ 甲 昭场 １
图３ 最优分类面
５（ ‘了 名 即 叉应 二＋） 为
（） ５
对于非线性不可分模式， 可通过某种特定的非线性映射， 将样本空间映射到高维特征
） 空间， 其线 ， 使 性可分， 这种非线性映射函数称为核函 可表示为Ｋ 二ｘ ＝ ，二 数， （‘ ） 沪（‘ ， ，
明该方法是有效、 可行的．
关键词： 水两相流； 空气一 流型识别； 支持向，机： 小波包； 信息摘
气液两相流广泛存在于电 石油、 力、 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
只要核函数满足 Ｍ ｅｅ条件， ｅ ｒ ｃ 它就对应某一变换空间的内积． 甲ｘ ． （ ）根据泛函有关理论， ｉ 与线性可分模式相比， 此时的约束条件（ 变为（ ） ３ 参数 Ｃ用来控制对错分样本的惩
罚程度） ：
０落ａ ‘Ｃ 落 ， ｎ ｉ ＝１…，
、
Ｊห้องสมุดไป่ตู้ ．
６
、 ． 产
最优分类函数变为：
（ ＝，‘ （ ＋） ５（ ‘ （， 名 ｆ ） ５（， ） 占＝， 艺＆‘二二＋） 二 ，ｘ ， ；） Ｋ
２ 支持向ｔ机
支持向量机 Ｖ Ｓｐ ｔ ｅ ｓＭ（ｕ钾ｒＶ ｔ Ｍ ｈ ） ｃ ｒ ｏ ‘ ｎ 的核心内容是在 １ 一１ ５年提出 ｉ ｅ ９ ２ ９ ９
的［ ． Ｍ用于 川ｓ Ｖ 分类问 题其实就是寻找一个最优分类超平面， 把此平面 作为分类决策
面． 同时它还通过引进核函 数巧妙地解决了在将低维空间向量映射到高维空间向量时带 来的“ 维数灾难” 问题．
第 １ 卷２ ５ 期 ２ 刀年 ６ 侧 月
应用基础与工程科学学报
Ｊ Ｕ Ｎ Ｌ０ Ａ １ Ｃ Ｅ Ｃ ０ Ｒ Ａ ＦＢ ＳＣＳ Ｉ Ｎ ＥＡ Ｄ Ｅ Ｇ Ｎ Ｅ Ｎ Ｎ Ｎ Ｉ ＥＲ Ｇ Ｉ
中图分类号： ５． ３ ０９ １ 文献标识码： Ａ
Ｖ ．５ Ｎ ． Ｉ Ｏ １ ， ｏ２
法将其转化为对偶间题来解决， 即在：
艺ａ ０ ‘ ０ 二 ，… ｎ ３ ‘ ， 二 ， １ ，，（ 关二 ａ １ ２ ）
的约束条件下求：
。 二・合一‘、 （ 客一客ａ‘ ・ ‘ ｊ一 ） ｙ ， 、
的最大值． 求解出上述各系数对应的最优解 应 占 得到最优分类函数为： 汤、后，
（ ）＝ ｇ 奋 句 ｆｘ ｓ （ ｎ 、＋
计计量后进人气液两相混合器， 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 ． 空气压缩机；． ２气路孔板； ． 水混合器； ． ３气・ ４ 水箱；实验段进行各项数据测量后， 进人旋风分离 ． 离心水泵； ． ６水路孔板； ． ７实验段； ． ８气液分离器 器， 将空气分离出来并排人大气， 剩下的水流 图１ 气水两相流实验系统 回水箱供循环使用． Ｆ ． Ａ ａ ｒ片． ａ ｎｗ曰 幼 ｅｔｙ ｅ ｉ Ｉ 卜ｗ ｅ 七 ｐｓ ｏ 侧 ｍ ｎ ｓ ｔ ｇ ｔ ０ｂ ｅ ｓｍ 其中， 气液两相流压差的瞬时值采用 ＥＥ Ｋ ＬＲ公司的 Ｐ 一 型差压变送器进行测 Ｄ 量， 量程为０ ０ｋ ， 一１ Ｐ 其频响大于 Ｉｌ ， ａ ｋ 布置 ｚ 如图２ 所示． 水平段总长为７ｓ ， ．ｍ 人口段长 度为３ ， ｍ 实验段长为Ｚ ， 段长为２ｓ ， ｍ 出口 ．ｍ 压差变送器安装实验段人口段 ０ｓ ．ｍ处， 并 Ｎ３６ 图２ 实验段压差变送器布置示意图（ ） 通过 ＩＶ０ 大容量数据采集系统对压差信 ｌ ｎ Ｉ 号时间序列进行连续 采集， 采样频率为 ｉ Ｚｃ 山ｃ Ｆ ． Ｓ ｅ画 ｏ阮 ｔ ｓ ‘ （ ） ｇ ｈ ｆ ｅ ｅ ｏｎ ｓ Ｃ ｎｕ ５ １ 数据采样点数为２ ． ２６ ， ２ 以８取压间距的大小对流型识别有很大影响， 根据文献【０ 的 １ ］ 研究结果， 液塞长度一般在１一 ４ （ ０ 召 Ｄ Ｄ为管道内径）本文取 １Ｄ即２ ｎ ． ， ０ ） （ ６ｕ 实验参数范 围为： 折算液速：－ ．耐。 ０４５ ， ． 折算气速：一 ５ ５ ０ 佗耐 ． ．
对于 定的 本集合！ １ ，， （。 ｝ ‘Ｒ， ｏ 一 ，！１ １ ， ｎ． 样 给 （ ，）…， ， ， 。 ‘ １ １１（＝ ， …，） 二ｙ 二 九） ｘ ｉ ｙ ２
首先用一个非线性映射币劝 ＝ 中（ ， 币 （ 【： …，袱幻］把输人数据从原始空间映射到Ｎ维 ） ｘ ， 特征空间， 在特征空间中构造最优分类超平面， 如图３ 所示， 黑点和白点分别代表两类样 本， 即寻找最大的呻 乡 ． ｎ使分类间隔最大的优化问题可表示为在满足：