基于CEEMDAN和概率神经网络的起伏振动气液两相流型识别

• 作者: 刘起超 周云龙 陈聪
• 来源期刊: 仪器仪表学报
• 学科: 工学
• 关键词: 完备经验模态分解 概率神经网络 起伏振动 气液两相流 流型识别
• 年，卷（期）: 2021,（10）
• 所属期刊栏目: 多相流测试技术|Multiphase Flow Measurement
• 页码范围: 84-93
• 页数: 10页
• 分类号: TH701
• 语种: 中文
• DOI: 10.19650/j.cnki.cjsi.J2107839

摘要

起伏振动气液两相流型准确识别对漂浮核动力平台安全稳定运行有重要意义.通过对比静止和起伏振动管道的压差信号以及对应的频谱图发现,起伏振动管道内的压差信号波动幅度更大且包含更多的频率分量,两种流型均含有主频率,该频率为起伏振动频率.针对起伏振动状态气液两相流压差信号的复杂性,分别采用自适应白噪声的完备总体经验模态分解(CEEMDAN)和集合经验模态分解(EEMD)对小波降噪后的压差信号进行模式分解,发现CEEMDAN能够在减少模式分量的同时获得更多有效的分量.通过计算spearman相关系数选择具有表征意义的IMF分量进行Hilbert变换计算能量作为特征值,采用概率神经网络对流型进行识别.结果 表明,采用CEEMDAN进行模式分解结合概率神经网络的识别方法准确率达到95.83％,能够用于起伏振动下气液两相流型识别.