[发明专利]基于希尔伯特边际谱的两相流流型识别方法

说明书

技术领域

本发明涉及一种气固两相流流型辨识方法。

背景技术

两相流流动过程广泛存在于自然界和电力、石油、化工等工业过程中。作为两相流参数之一，两相流动介质的分布状况，即流型，极大的影响着两相流动压力损失、传热特性和流动系统的运动特性。

静电传感器是利用粉体流动过程中的静电现象来实现气固两相流参数检测。粉体颗粒随气流在管道内移动时，颗粒与颗粒、颗粒与管壁之间的碰撞、摩擦、分离时，引起电荷的转移，导致颗粒和输送管道上积累大量的静电荷。带电颗粒在流经静电传感器时，由于静电感应，在传感器的内外表面上产生等量异号电荷。静电传感器具有结构简单、稳定性好、灵敏度高、成本低廉、非侵入式、不干扰流场等优点，广泛应用于两相流的流型、流速、质量流量等参数的检测之中。静电传感器(图1)由紧贴在管壁上的环形电极、双屏蔽金属丝网构成，环形电极的材质采用铜金属。其中绝缘管道内径为R1，外径为R2，在管道的外壁上贴上环形电极，并将整个系统用屏蔽罩屏蔽。由于带电颗粒的移动，环形电极上感应相应的电荷，该电荷信号由电荷放大器处理输出标准的电压信号到数据处理端。电荷放大器调理电路等效原理见图2。其中Ce和Re分别是电极的电容和漏电阻，Ci和Ri分别是前置放大器的输入电容和电阻。

希尔伯特-黄变换(Hilbert-Huang Transform，HHT)是一种适用于非线性、非平稳信号的处理方法，它与传统的分析工具如傅里叶变换和小波变换最本质的区别在于，基于EMD的HHT得到的基函数(即IMF)不是通用的，而是依赖于信号本身，是自适应的，充分利用了信号所携带的信息。它通过经验模式分解(EMD)得到依赖于信号本身的自适应的广义基，对每个本征模式函数进行希尔伯特变换得到Hilbert时频谱，对其在时间轴上积分得到IMF边际谱，对所有IMF边际谱求和即可得到信号的总边际谱。HHT初步建立了以瞬时频率表征信号交变的基本量，以本征模式函数为时频基本信号的新的时频分析方法体系，希尔伯特边际谱的求取过程见图3。

发明内容

针对现有的静电传感器和希尔伯特-黄变换技术，本发明的目的是提供一种用这两种技术的结合来应用于识别两相流流型的方法。

为达到以上目的，本发明是采取如下技术方案予以实现的：

一种基于希尔伯特边际谱的两相流流型识别方法，其特征在于，包括下述步骤：

(1)在圆形管道上设置静电传感器，其环形电极通过一个变送器与一台计算机相连，该计算机是基于希尔伯特-黄变换方法的信息处理平台；

(2)静电传感器利用粉体流动过程中的静电现象来检测气固两相流的流动噪声信号；

(3)变送器中设有电荷放大调理电路，该电荷放大调理电路把静电传感器输入的检测电荷信号变成电压信号，变送器的标准信号转换电路把电压信号转换成标准电流信号送给计算机进行数据采集和处理；

(4)计算机对采集到的流动噪声信号进行希尔伯特-黄变换提取边际谱及边际谱的四种特征量，分别为边际谱子带能量SE、边际谱子带能量一阶差分DSE，边际谱子带能量倒谱系数SECC、边际谱子带能量倒谱系数一阶差分DSECC；用求得的不同流型的四种特征量作为神经网络分类器训练样本的输入向量，每四种特征量对应的流型作为神经网络分类器训练样本的输出向量，先通过训练样本对神经网络分类器进行训练；

(5)然后进行实际流型识别：把待辨识流型的流动噪声信号送入计算机，提取四种特征量，然后把特征量输入训练好的神经网络，即可得到该信号对应的流型，亦可得出管道中介质对应的流型。

上述方案中，所述的不同流型包括层流、环流、中心流、绳状流。所述训练中的参数设定为：允许误差为10^-6和训练步数为200步。

本发明的优点是，通过已有的静电传感器技术和希尔伯特-黄变换技术，利用静电传感器检测流动噪声信号的功能，以及希尔伯特-黄变换技术对流动噪声信号的进行时频分析的能力，把二者的特有功能结合起来，结合神经网络的技术成功的应用于两相流的流型辨识。

附图说明

图1为静电传感器结构示意图。

图2为处理图1中所采集电荷信号的电荷放大调理电路原理图。

图3为希尔伯特边际谱的求取流程图。

图4为本发明基于希尔伯特边际谱的两相流测量系统图。

图4中的附图标记：1、流体的流动方向；2、法兰安装；3、外绝缘层；4、跟随器；5、静电传感器环形电极；6、绝缘管道；7、内屏蔽层；8、移动电荷信号传输线；9、变送器接线端；10、计算机信息处理平台。

图5是本发明基于希尔伯特边际谱的特征量提取及流型辨识框图。