[发明专利]一种湿式除尘设备气液两相流型识别方法

摘要

本发明涉及一种除尘设备气液两相流动形态识别系统与方法，将神经网络与时域解析、小波分析有机结合，形成了压力信号的采集、压差信号的分析、气液混合状态识别全套完备的识别流程，神经网络的容错率高，非线性度高，弥补了以往利用频谱分析方法进行识别误差高的弊端，识别手段精准、迅速。对以气流冲击液面产生捕集体为主要原理的这一类湿式除尘设备起到实时监测的效果，通过实验测得识别准确率达到99.6％。将压差信号解析得到的特征参数作为输入样本特征向量库，通过训练好神经网络，实现测量与识别之间的迅速转化。

主权项

1.一种湿式除尘设备气液两相流型识别方法，通过压力采集系统采集除尘设备的压力波动信号，对其进一步解析，获取相应的时频参数，构建相应流型的样本数据库，通过神经网络方法，达到对除尘设备流型精准的判别，其特征是，具体步骤为：步骤1)气液混合状态划分，调节除尘设备的液位和风速，获得除尘器运行的不同运行状态，将气液混合状态划分为：静液位差模式，微弱波动模式，低液位气液共振模式，高液位气液共振模式和卷吸气泡模式；步骤2)信号采集，利用差压传感器采集不同工况下的压力波动信号的时间序列，每种情况下的压力信号不低于500个样本；步骤3)信号分析及特征向量库建立，对采集到的压差波动信号进行解析，①首先对每种情况下压差波动信号进行时域解析，获取压差信号的压力均值、标准差、偏斜度等统计特征参数，建立气液两相流动形态压力均值特征向量库、标准差向量库、偏斜度向量库；②然后，对每种情况下的压差波动信号进行至少三层小波分析，提取反映各流动形态的小波分解系数能量值；以三层小波分析为例，提取包括各频段能量值EA3、ED3、ED2和ED1四类特征参数，并建立相应的特征向量数据库；③将每种情况下的统计分析特征参数、小波分析特征参数放置到一起，构成每种气液两相流动形态的特定的特征向量数据库；步骤4)神经网络模型建立，建立相应的神经网络模型，利用BP神经网络模型进行神经网络训练；将上述分析的特征向量数据库作为输入样本，将不同流型的输出量分别定义为：微弱波动模式[0,0,0,0,0,1]、低液位气液共振状态[1,0,0,0,0,0]、剪切液幕状态[0,0,1,0,0,0]，静液位差状态[0,0,0,1,0,0]、高液位气液共振状态[0,1,0,0,0,0]和卷吸气泡状态[0,0,0,0,1,0]，作为输出样本库，设置合适的隐藏层数，选取样本库的一部分作为训练样本、一部分作为测试数据、一部分作为验证数据，然后，将神经网络进行反复训练，获取识别精度最高的参数设置，得到最好的神经网络模型，最后将训练好的神经网络进行保存；步骤5)流型识别的实现，将训练好的神经网络模型与压力采集系统相对接，将采集到的压力数据进行解析，然后通过调用已经建立好的神经网络模型，对每一个特征参数进行分析判别，最终实现气液两相流动形态的精准的判别。