CN101984340B - 一种基于人工智能的软性磨粒两相湍流流型识别方法 - Google Patents

一种基于人工智能的软性磨粒两相湍流流型识别方法 Download PDF

Info

Publication number
CN101984340B
CN101984340B CN201010522868XA CN201010522868A CN101984340B CN 101984340 B CN101984340 B CN 101984340B CN 201010522868X A CN201010522868X A CN 201010522868XA CN 201010522868 A CN201010522868 A CN 201010522868A CN 101984340 B CN101984340 B CN 101984340B
Authority
CN
China
Prior art keywords
flow
layer
flow pattern
neural network
signal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201010522868XA
Other languages
English (en)
Other versions
CN101984340A (zh
Inventor
计时鸣
王迎春
谭大鹏
张利
袁巧玲
章定
钟佳奇
兰信鸿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201010522868XA priority Critical patent/CN101984340B/zh
Publication of CN101984340A publication Critical patent/CN101984340A/zh
Application granted granted Critical
Publication of CN101984340B publication Critical patent/CN101984340B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

一种基于人工智能的软性磨粒两相湍流流型识别方法，包括以下步骤：1）软性磨粒两相湍流压力信号的采集；2）压力信号特征提取及分析：采用小波包方法将频带进行多层次划分，对多分辨率没有细分的高频部分进一步分解，并根据被分析信号的特征，自适应地选择相应频带，使之与信号频谱匹配；3）利用概率神经网络对由定义的特征参数构成的流型样本进行训练并识别，根据概率神经网络结构和学习样本的关系，所述学习样本为归一化后的小波包信息熵特征向量，确定用于流型识别的概率神经网络的结构，对该网络进行相关设置并进行学习训练，使用该概率神经网络对不同流型样本的识别。本发明准确性高、适用性良好、可靠性高、能够有效满足在线识别要求。

Description

一种基于人工智能的软性磨粒两相湍流流型识别方法
技术领域
本发明涉及一种两相流流型识别方法，更具体地说，是一种基于人工智能的软性磨粒两相湍流流型识别方法。
背景技术
流型（表征了流体的流动形态），可以分为层流、湍流以及介于两者之间的过渡流。其表示了流体质点运动的轨迹及速度分布。圆管内层流流型为抛物线速度分布；湍流流型的速度分布服从卡曼-普兰德1/7指数定律。两相流流型同时又表征了两相流动介质的相界面分布情况。目前，在动力、化工、核能、制冷、石油和冶金等行业的许多生产设备中都涉及两相流动工况，甚至在模具微细结构化表面的精密加工方面都有其应用。因此，两相流流型极大地影响着两相流的流动特性，同时也影响着流动参数的准确测量以及两相流系统的运行特性，所以两相流流型识别的研究一直是两相流参数测量的一个重要研究方向，同时也为相关工业生产设备安全、经济运行以及实验观测提供了有力的技术支持。
流型识别技术经过几十年的发展，由当初的流型状态图和流型转变的模型判据的理论预测发展到采用一些特殊仪器的直接测量和运用信息处理手段的间接测量，取得了长足的进展。目前，两相流的识别方法主要有两种：直接识别法和间接识别法。直接识别法主要采用流动可视化的方法，这种方法在管道和流动介质不透明、流速高时候识别的准确率很低。间接识别法是利用流动的脉动特性进行识别的方法，常用的脉动量是压力（或压差），它结合了先进的现代检测理论（现代信号分析与处理、非线性信息处理、小波分析、模式识别、人工神经网络等），是揭示流型这一复杂动力学特征的有利手段。
在对模具微细结构化流道内软性两相磨粒流的流型识别中，也有一些传统方法，如采用实验方法做出流型图；根据对流型转变机理得到的转变关系式，利用现场的流动参数来确定具体的流型。但是这些传统的识别方法存在许多不足：一是传统的识别方法需要测量磨粒两相流的流量、速度，结构化流道的尺寸等现在还不能准确测量的参数，而且计算磨粒两相流的粘度和雷诺数时也会出现一定的误差；二是已有的流型图和半经验半理论流型转变准则都有一定的适用范围，难以适应变化多样的实际流动；三是传统的识别方法不可避免地受到主观因素的影响，很难做到流型的客观识别；四是传统的识别方法不能满足生产和实验过程中对流型的在线识别要求。
发明内容
为了克服已有软性磨粒两相湍流流型识别方法的准确性较低、适用性较差、可靠性不高、无法满足在线识别要求的不足，本发明提供一种准确性高、适用性良好、可靠性高、能够有效满足在线识别要求的基于人工智能的软性磨粒两相湍流流型识别方法。
本发明解决其技术问题所采用的技术方案是：
一种基于人工智能的软性磨粒两相湍流流型识别方法，所述软性磨粒两相湍流流型识别方法包括以下步骤：
1）软性磨粒两相湍流压力信号的采集
使用FLUENT软件中欧拉模型与重整化群双方程模型相结合的仿真技术，对小尺寸弯道内不同速度下的软性磨粒两相流进行仿真，设定仿真时间，对小尺寸弯道内壁面顶点处压力进行采集，所述的小尺寸弯道为出口处带有一小段直管的180°大曲率圆管；
2）压力信号特征提取及分析
采用小波包方法将频带进行多层次划分，对多分辨率没有细分的高频部分进一步分解，并根据被分析信号的特征，自适应地选择相应频带，使之与信号频谱匹配；具体实施过程如下：2.1）对采集到的压力信号进行四层小波包分解，分别提取第四层从低频到高频所有频率成分的信号；2.2）对小波包分解系数进行重构，提取各频带范围的信号，得到重构信号，对第四层的所有结点进行分析，得到新的总信号表示；2.3）将信号的小波包分解看成是对信号的一种划分，定义这种划分的测度，并根据信息熵的基本理论，定义小波包信息熵；2.4）以信息熵为元素构造能取做指纹的特征矢量，对信息熵特征向量进行归一化，以归一化后的信息熵作为元素构造特征向量，作为输入概率神经网络的训练样本并进行识别；
3）利用概率神经网络对由定义的特征参数构成的流型样本进行训练并识别，
根据概率神经网络结构和学习样本的关系，所述学习样本为归一化后的小波包信息熵特征向量，确定用于流型识别的概率神经网络的结构，对该网络进行相关设置并进行学习训练，使用该概率神经网络对不同流型样本的识别；具体实施过程如下：
3.1）流型识别的概率神经网络的结构的确定：由概率神经网络结构和归一化后的小波包信息熵特征向量的关系，确定概率神经网络结构为由输入层、隐含层和输出层组成的三层前向网络；
3.2）对概率神经网络进行设置并进行学习训练，其步骤为：3.2.1）将压力波动信号的归一化小波包信息熵作为网络的输入向量；3.2.2）对输入层至模式层的权值进行初始化；3.2.3）将作为概率神经网络输入的第                                                
Figure 282385DEST_PATH_IMAGE001
个样本的第个属性参数的值作为隐含层基函数的中心；3.2.4）隐含层的基函数为高斯函数，输出层的传递函数为竞争函数，在其寻找到输入特征向量中的最大元素后，把相应的神经元的输出置为1，其余输出置为0，从而得到在该流型下对应的一个特征序列值，该序列值就代表不同类别的软性磨粒两相流流型；
3.3）使用概率神经网络对不同流型的识别是通过完成输入特征向量到流型类别的非线性映射实现的，其流程为：3.3.1）把采集到的压力信号经小波包分析得到的归一化后的小波包信息熵测试样本提供给输入节点，每一个模式层神经元都计算内积，得到“网络激励”，并产生该“网络激励”的一个非线性函数；3.3.2）每一个类别层神经元将与之相连的模式层神经元的结果进行相加；3.3.3）在分类层的待预测软性磨粒两相流流型样本矩阵中，计算每个流型样本归入各个流型的初始概率和，即计算隐含层每一类径向基元的输出对分类层各个神经元的加权之和；3.3.4）计算每个流型样本归入各个类别流型的归一化概率，用竞争函数作用第i个样本归入第j种流型的归一化概率，找出该测试样本归入四种流型中第几种流型的概率最大，则该被测试样本就属于概率最大的那种流型类别，得到所输入的测试样本为何种磨粒两相流流型。
作为优选的一种方案：所述步骤3.1）中，输入层的神经元个数与归一化后的小波包信息熵特征向量的元素个数相等，为16个，隐含层有20个神经元，输入层与隐含层各神经元之间均有连接；流型的类别决定输出层神经元个数，输出层其每一个神经元代表一种模式类型，且只与属于自己类别的隐含层神经元相连接，而与隐含层的其它神经元没有连接，输出为相应神经元之间的加权和，隐含层与求和层以等权值连接来匹配概率。
进一步，在所述步骤3.3.2）中，每一个模式层神经元向与之相连的那个类别层神经元贡献一个信号，这个信号的强度等于以当前软性磨粒两相流流型的训练样本为中心的高斯函数产生该流型测试样本点的初始概率。
本发明的技术构思为：本发明是针对模具结构化表面内软性磨粒两相流提出的。基于软性磨粒流的模具结构化表面无工具精密光整加工新方法是通过在被加工的结构化表面附近配置约束模块，构成磨粒流约束流道，使被加工表面成为流道壁面的一部分；以约束流道内流动的软性磨粒流替代加工工具实现对被加工表面的光整加工；软性磨粒流的有效加工是在湍流状态下进行，为得到相应的加工效果（即需达到湍流状态），有必要对不能直接进行目测的软性两相磨粒流的流型进行识别，以为实际加工进行操作性指导。
基于以上流型识别方法存在的不足，本发明提出一种基于人工智能的软性磨粒两相湍流流型识别方法，该方法是通过相关软件对反应流型的压力信号进行采集，并进行小波包分析，然后再用概率神经网络实现流型的识别。该方法相对传统识别方法具有实用、方便、高效、准确的特点，尤其对实际加工中难以观察的微细流道内软性两相磨料流流型的识别具有十分重要的意义。
本发明的有益效果主要表现在：
（1）             解决了实际加工中微细流道内软性两相磨料流流型难以观察以及传统流型识别方法存在的问题。该识别方法大大减少了人为识别的主观性因素，有效提高了识别的效率和准确率，并且降低了流型识别的成本。
（2）             提供了一种使软性磨粒两相流压力信号的信息得到完整保留的可靠方法。该方法中使用的小波包分解是在多分辨率基础上构成的一种精细的正交分解方法，它可以根据被分析的软性磨粒两相流压力信号本身的特点，自适应地选择频带，确定压力信号在不同频段的分辨率，具有随分辨率的增加，变宽的频谱窗口进一步分割变细的优良品质。小波包的完整性和正交性能较好地描述非平稳的软性磨粒两相流压力信号的细节信息。
（3）             使软性磨粒两相流流型的转变得以更好地表征。该流型识别方法中，以软性磨粒两相流压力信号不同频率成分的信息熵作为流型识别的特征向量，不同频率成分的两相流压力信号的信息熵中，包含了丰富的流型信息，某种或某几个频率成分信息熵的改变即代表了流型的转变，以信息熵作为流型识别的特征向量可以较好地体现流型之间的特征。
（4）            能够满足软性磨粒两相流流型实时识别与分析的需要。该流型识别方法采用概率神经网络结构简单；收敛速度快，耗时少；准确率高；结果总收敛于Bayes优化解，稳定性高；抗干扰能力强，对噪声具有较强的诊断鲁棒性；具有较强的自适应能力。 
附图说明
图1是基于人工智能的软性磨粒两相湍流流型识别方法的具体流程图；
图2是利用小波包提取特征信息的流程图；
图3是对所采集到的压力信号进行小波包四层分解树结构图；
图4是概率神经网络流型识别系统示意图；
图5是概率神经网络学习训练流程图；
图6是概率神经网络的流型识别流程图。
具体实施方式
结合附图，下面对本发明进行详细说明。
参照图1~图6，一种基于人工智能的软性磨粒两相湍流流型识别方法，通过使用欧拉模型与重整化群(RNG)双方程模型相结合的仿真技术，获取反映软性磨粒两相湍流各种流型特征的客观数理描述和流型转变过程中特征参数的变化规律，根据小波包的定量分析，运用所得参数构成的特征向量输入概率神经网络(PNN)进行训练并识别，实现湍流流型的客观识别与划分。其一般包括软性磨粒两相湍流压力信号的采集、信号特征提取及分析，利用PNN对由定义的特征参数构成的流型样本进行训练并用未知样本检验，以及流型的判断等环节。
所述的软性磨粒两相湍流压力信号的采集，使用FLUENT软件中欧拉模型与重整化群（RNG）双方程模型相结合的仿真技术，对小尺寸弯道内不同速度下的软性磨粒两相流进行仿真，设定合适的仿真时间，对小尺寸弯道内壁面顶点处压力进行采集，得到弯道内该点的压力随时间变化的曲线图。
所述的小尺寸弯道为出口处带有一小段直管的180°大曲率圆管，管直径2毫米、弯道半径10毫米，直道长度为5毫米。
所述的压力信号特征提取及分析采用小波包方法，是函数空间逐级正交剖分的扩展，为信号提供一种更加精细的分析方法，将频带进行多层次划分，对多分辨率没有细分的高频部分进一步分解，实施类似于对低频空间的处理，并能够根据被分析信号的特征，自适应地选择相应频带，使之与信号频谱匹配。该方法的具体实施过程可描述如下：1）对采集到的压力信号进行四层小波包分解，分别提取第四层从低频到高频所有频率成分的信号（小波包分解系数）；2）对小波包分解系数进行重构，提取各频带范围的信号，得到重构信号，对第四层的所有结点进行分析，得到新的总信号表示；3）将信号的小波包分解看成是对信号的一种划分，定义这种划分的测度，并根据信息熵的基本理论，定义小波包信息熵；4）以信息熵为元素构造能取做指纹的特征矢量，为避免在数据分析上带来的不便，对信息熵特征向量进行归一化，以归一化后的信息熵作为元素构造特征向量，作为输入概率神经网络的训练样本并进行识别。
所述利用概率神经网络对由定义的特征参数构成的流型样本进行训练并识别，根据概率神经网络结构和学习样本（归一化后的小波包信息熵特征向量）的关系，确定用于流型识别的概率神经网络的结构，对该网络进行相关设置并进行学习训练，以实现使用该概率神经网络对不同流型样本的识别。
所述用于流型识别的概率神经网络的结构的确定，其特征在于，由概率神经网络结构和归一化后的小波包信息熵特征向量的关系，确定概率神经网络结构为由输入层、隐含层（又称模式层）和输出层（又称求和层）组成的三层前向网络。输入层的神经元个数与归一化后的小波包信息熵特征向量的元素个数相等，为16个，隐含层有20个神经元，输入层与隐含层各神经元之间均有连接；流型的类别决定输出层神经元个数（4个），输出层其每一个神经元代表一种模式类型，且只与属于自己类别的隐含层神经元相连接，而与隐含层的其它神经元没有连接，输出为相应神经元之间的加权和，隐含层与求和层以等权值连接来匹配概率。
所述的对概率神经网络进行设置并进行学习训练，其步骤为：1）将压力波动信号的归一化小波包信息熵作为网络的输入向量，每种流型取40个训练样本，4种流型共160个训练样本进行训练；2）对输入层至模式层的权值进行初始化；3）将作为概率神经网络输入的第
Figure 794586DEST_PATH_IMAGE003
个样本的第
Figure 504529DEST_PATH_IMAGE002
个属性参数的值作为隐含层基函数的中心；4）隐含层的基函数为高斯函数，输出层的传递函数为竞争函数，在其寻找到输入特征向量中的最大元素后，把相应的神经元的输出置为1，其余输出置为0，从而得到在该流型下对应的一个特征序列值，该序列值就代表了不同类别的软性磨粒两相流流型。
所述的使用概率神经网络对不同流型的识别是通过完成输入特征向量到流型类别的非线性映射实现的，其流程为：1）把采集到的压力信号经小波包分析得到的归一化后的小波包信息熵测试样本提供给输入节点，每一个模式层神经元都计算内积，得到“网络激励”，并产生该“网络激励”的一个非线性函数；2）每一个类别层神经元将与之相连的模式层神经元的结果进行相加。每一个模式层神经元向与之相连的那个类别层神经元贡献一个信号，这个信号的强度等于以当前软性磨粒两相流流型的训练样本为中心的高斯函数产生该流型测试样本点的初始概率；3）在分类层的待预测软性磨粒两相流流型样本矩阵中，计算每个流型样本归入各个流型的初始概率和，即计算隐含层每一类径向基元的输出对分类层各个神经元的加权之和；4）计算每个流型样本归入各个类别（流型）的归一化概率，用竞争函数作用第i个样本归入第j种流型的归一化概率，找出该测试样本归入四种流型中第几种流型的概率最大，则该被测试样本就属于概率最大的那种流型类别，便可得到所输入的测试样本为何种磨粒两相流流型。
如附图1所示，一种基于人工智能的软性磨粒两相湍流流型识别方法的具体流程。通过使用FLUENT软件，获取反映软性磨粒两相湍流各种流型特征的客观数理描述和流型转变过程中特征参数的变化规律（压力信号），根据小波包的定量分析，运用所得参数（小波包信息熵）构成的特征向量输入概率神经网络(PNN)进行训练，然后将待测试样本输入进行判断，找出该测试样本属于何种流型的概率最大，从而得到该样本属于何种流型，进而实现湍流流型的客观识别与划分。其一般包括软性磨粒两相湍流压力信号的采集、信号特征提取及分析，利用PNN对由定义的特征参数构成的流型样本进行训练并用未知样本检验，以及流型的判断等环节。
（1）反映软性磨粒两相湍流各种流型特征参数的获取
压力信号波动与流型的变化密切相关，压力信号的波动可以提供流型识别的足够信息。压力信号对流动没有阻力，不会影响流型的稳定和观测，其可以用FLUENT软件进行获取。设置不同的软性磨粒两相流的速度值，选取模型上某点进行仿真，获取迭代225步之后的压力-时间图作为原始压力信号。
（2）压力波动信号特征提取及分析
直接由获取的压力波动信号不能较好地识别不同流型，需将其进行特征提取及分析，采用小波包分析法，得到能取做指纹的特征矢量，此处提取小波包的信息熵，以信息熵作为元素构造特征向量，作为输入神经网络的训练样本。
Figure 132956DEST_PATH_IMAGE004
小波包分析
小波包分析对应的函数空间划分，其中下标代表尺度，VVJ-2对应当前分析的最低频空间，VWJ-2、WVJ-2、WWJ-2为中心频率逐渐升高的频带，可见小波包分析对频带的划分是一个完全二叉树的形式。
双尺度递归方程为：
Figure 982094DEST_PATH_IMAGE005
                                       (1)
式中，、
Figure 792105DEST_PATH_IMAGE007
分别为尺度函数和小波函数的滤波器系数。
若尺度函数
Figure 912638DEST_PATH_IMAGE008
和小波函数
Figure 884792DEST_PATH_IMAGE009
满足小波双尺度差分方程，令
Figure 744164DEST_PATH_IMAGE010
，
Figure 166049DEST_PATH_IMAGE011
，则由式（1）定义的函数列
Figure 136279DEST_PATH_IMAGE012
为关于尺度函数
Figure 146960DEST_PATH_IMAGE008
的小波包，它是小波函数
Figure 927966DEST_PATH_IMAGE009
的一种推广，小波包函数
Figure 86415DEST_PATH_IMAGE013
构成
Figure 611068DEST_PATH_IMAGE014
空间上一组规范正交基，
Figure 804152DEST_PATH_IMAGE002
代表尺度，
Figure 943009DEST_PATH_IMAGE015
代表小波包子空间序号。
若有信号
Figure 70978DEST_PATH_IMAGE016
，则其经小波包分解后为式
Figure 648590DEST_PATH_IMAGE017
    (2)
式中，
Figure 446912DEST_PATH_IMAGE018
为平移参数， 
Figure 818988DEST_PATH_IMAGE019
为低通滤波器作用，
Figure 624133DEST_PATH_IMAGE020
为高通滤波器作用。
小波包分解算法说明任一信号经小波包分解后总可变为两部分：一部分是信号经低通滤波器
Figure 490589DEST_PATH_IMAGE019
的作用,即在
Figure 392686DEST_PATH_IMAGE021
上的投影;另一部分是经高通滤波器
Figure 686395DEST_PATH_IMAGE020
的作用,即在
Figure 244415DEST_PATH_IMAGE022
上的投影。
Figure 898251DEST_PATH_IMAGE023
利用小波包提取特征信息的算法
结合附图2，由小波包分解提取压力波动信号特征的具体算法为：
Figure 685814DEST_PATH_IMAGE024
、为获得压力波动信号在不同频带内的能量，对原始信号
Figure 399692DEST_PATH_IMAGE025
进行四层小波包分解（见附图3），分别提取第四层从低频到高频16个频率成分的信号。
b、对小波包分解系数进行重构，提取各频带范围的信号，以
Figure 992479DEST_PATH_IMAGE026
表示
Figure 387688DEST_PATH_IMAGE027
的重构信号，其他以次类推。此处只对第四层的所有结点进行分析，则总信号
Figure 264377DEST_PATH_IMAGE025
可表示为式
  
Figure 899889DEST_PATH_IMAGE028
                           (3)
设原始信号
Figure 229239DEST_PATH_IMAGE025
中，最低频率成分为0，最高频率成分为256，则提取的16个频率成分所代表的频率范围如表1所示。
信号 频率范围/Hz 信号 频率范围/Hz
S40 0～16 S48 128～144
S41 16～32 S49 144～160
S42 32～48 S410 160～176
S43 48～64 S411 176～192
S44 64～80 S412 192～208
S45 80～96 S413 208～224
S46 96～112 S414 224～240
S47 112～128 S415 240～256
表1 各重构信号所代表的频率范围
Figure 910067DEST_PATH_IMAGE030
、将信号的小波包分解看成是对信号的一种划分，定义这种划分的测度为
Figure 965748DEST_PATH_IMAGE031
                              (4)
式中，
Figure 530197DEST_PATH_IMAGE032
为重构信号
Figure 595105DEST_PATH_IMAGE033
Fourier变换序列的第
Figure 931539DEST_PATH_IMAGE034
个值；
Figure 95805DEST_PATH_IMAGE015
为原始信号长度。
根据信息熵的基本理论，定义小波包信息熵为
Figure 212796DEST_PATH_IMAGE035
  
Figure 815816DEST_PATH_IMAGE036
          (5)
式中，
Figure 6757DEST_PATH_IMAGE037
为信号的第4层第
Figure 607503DEST_PATH_IMAGE038
个小波包信息熵。
Figure 133162DEST_PATH_IMAGE039
、以信息熵为元素构造特征向量
Figure 293535DEST_PATH_IMAGE040
如下：
                     
Figure 588250DEST_PATH_IMAGE041
                            (6)
Figure 172946DEST_PATH_IMAGE042
常为一较大数值，为避免在数据分析上带来的不便，对信息熵特征向量进行归一化处理，令
Figure 185901DEST_PATH_IMAGE043
，得到归一化后的特征向量为：
Figure 68407DEST_PATH_IMAGE044
          (7)
记为：                   
Figure 233940DEST_PATH_IMAGE045
                             (8)
（3）利用概率神经网络（PNN）对流型进行识别
PNN是基于Bayes分类规则与Parzen窗的概率密度函数方法发展而来的一种并行算法。其将贝叶斯估计放置于一个前馈神经网络中，其实质就是一个分类器，根据概密度函数的无参估计来进行贝叶斯决策而得到分类结果。当训练样本数据足够多时，概率神经网络收敛于一个贝叶斯分类器，用来解决分类问题，推广性良好。
Figure 238805DEST_PATH_IMAGE004
PNN结构设计
据概率神经网络结构和学习样本（归一化后的小波包信息熵特征向量）的关系，确定PNN由输入层、隐含层（又称模式层）和输出层（又称求和层）组成的三层前向网络（见附图4）。输入层的神经元个数与归一化后的小波包信息熵特征向量的元素个数相等，为16个，分别是：
Figure 489789DEST_PATH_IMAGE046
；隐含层有20个神经元，输入层与隐含层各神经元之间均有连接；流型的类别决定输出层神经元个数（4个），输出层其每一个神经元代表一种模式类型，且只与属于自己类别的隐含层神经元相连接，而与隐含层的其它神经元没有连接，输出为相应神经元之间的加权和，隐含层与求和层以等权值连接来匹配概率。隐含层的基函数为高斯函数，输出层的传递函数为竞争函数。
Figure 238302DEST_PATH_IMAGE023
 PNN相关设置及学习训练过程
如附图5所示，先要对概率神经网络进行相关设置，然后再对其进行学习训练的过程，其步骤为：
a、训练样本设置。将压力波动信号的归一化小波包信息熵作为网络的输入向量。每种流型取40个训练样本，4种流型共160个训练样本进行训练。
b、权值初始化。对输入层至模式层的权值进行初始化为
Figure 255412DEST_PATH_IMAGE047
，其中
Figure 119594DEST_PATH_IMAGE048
。
Figure 849085DEST_PATH_IMAGE049
为所输入单元至第
Figure 886442DEST_PATH_IMAGE050
个模式层单元的连接权值。
c、隐含层基函数中心的确定。将学习样本的
Figure 275835DEST_PATH_IMAGE051
值作为隐含层基函数的中心。其中，表示网络输入的第
Figure 520183DEST_PATH_IMAGE003
个样本的第
Figure 610499DEST_PATH_IMAGE002
个属性参数的值，属性参数数目为20。
d、隐含层的基函数为高斯函数，输出层的传递函数为竞争函数，在其寻找到输入特征向量中的最大元素后，把相应的神经元的输出置为1，其余输出置为0，从而得到在该流型下对应的一个特征序列值。
Figure 605131DEST_PATH_IMAGE052
PNN的流型识别过程
PNN流型识别的实质即完成输入特征向量到流型类别的非线性映射。它是一个将输入信息分类的过程（见附图6），其步骤为：a、把采集到的压力信号经小波包分析得到的归一化后的小波包信息熵测试样本T'提供给输入节点，每一个模式都计算内积，得到“网络激励”，并产生一个非线性函数
Figure 567063DEST_PATH_IMAGE054
，其中，有效的高斯窗宽度
Figure 133173DEST_PATH_IMAGE055
为一常数值。b、每一个类别层单元把与之相连的模式层单元的结果进行相加。每一个模式层单元就向与之相连的那个类别层单元贡献了一个信号，这个信号的强度等于以当前软性磨粒两相流流型的训练样本为中心的高斯函数产生该流型测试样本点的初始概率。c、在分类层的待预测软性磨粒两相流流型样本矩阵中，计算每个流型样本归入各个流型的初始概率和，即计算隐含层每一类径向基元的输出对分类层各个神经元的加权之和
Figure 936361DEST_PATH_IMAGE057
（
Figure 120218DEST_PATH_IMAGE058
，其中
Figure 303069DEST_PATH_IMAGE059
为输出层神经元数；
Figure 459244DEST_PATH_IMAGE060
采用相等权值，均为1，即
Figure 72277DEST_PATH_IMAGE061
）。d、计算每个样本归入各个类别（流型）的归一化概率（
Figure 464393DEST_PATH_IMAGE063
，其中
Figure 475074DEST_PATH_IMAGE062
表示第i个样本归入第j种类型的归一化概率），用竞争函数作用，找出该测试样本归入四种流型中第几种流型的概率最大，则该被测试样本就属于概率最大的那种流型类别，便可得到所输入的测试样本为何种磨粒两相流流型。
最后，还需要注意的是，以上列举的仅是本发明的一个具体实施例。显然，本发明不限于以上实施例，在不脱离如权利要求书所述的本发明的构思和范围前提下还可以做出多种变化和改进。本领域的普通技术人员能从本发明公开的内容直接导出或联想到的所有变形，均应认为是本发明的保护范围。

Claims (3)

1.一种基于人工智能的软性磨粒两相湍流流型识别方法，其特征在于：所述软性磨粒两相湍流流型识别方法包括以下步骤：
1)软性磨粒两相湍流压力信号的采集
使用FLUENT软件中欧拉模型与重整化群双方程模型相结合的仿真技术，对小尺寸弯道内不同速度下的软性磨粒两相流进行仿真，设定仿真时间，对小尺寸弯道内壁面顶点处压力进行采集，所述的小尺寸弯道为出口处带有一小段直管的1800°大曲率圆管；
2)压力信号特征提取及分析
采用小波包方法将频带进行多层次划分，对多分辨率没有细分的高频部分进一步分解，并根据被分析信号的特征，自适应地选择相应频带，使之与信号频谱匹配；具体实施过程如下：2.1)对采集到的压力信号进行四层小波包分解，分别提取第四层从低频到高频所有频率成分的信号；2.2)对小波包分解系数进行重构，提取各频带范围的信号，得到重构信号，对第四层的所有结点进行分析，得到新的总信号表示；2.3)将信号的小波包分解看成是对信号的一种划分，定义这种划分的测度，并根据信息熵的基本理论，定义小波包信息熵；2.4)以信息熵为元素构造能取做指纹的特征矢量，对信息熵特征向量进行归一化，以归一化后的信息熵作为元素构造特征向量，作为输入概率神经网络的训练样本并进行识别；
3)利用概率神经网络对由定义的特征参数构成的流型样本进行训练并识别，
根据概率神经网络结构和学习样本的关系，所述学习样本为归一化后的小波包信息熵特征向量，确定用于流型识别的概率神经网络的结构，对该网络进行相关设置并进行学习训练，使用该概率神经网络对不同流型样本的识别；具体实施过程如下：
3.1)流型识别的概率神经网络的结构的确定：由概率神经网络结构和归一化后的小波包信息熵特征向量的关系，确定概率神经网络结构为由输入层、隐含层和输出层组成的三层前向网络；
3.2)对概率神经网络进行设置并进行学习训练，其步骤为：3.2.1)将压力波动信号的归一化小波包信息熵作为网络的输入向量；3.2.2)对输入层至模式层的权值进行初始化；3.2.3)将作为概率神经网络输入的第i个样本的第j个属性参数的值作为隐含层基函数的中心；3.2.4)隐含层的基函数为高斯函数，输出层的传递函数为竞争函数，在其寻找到输入特征向量中的最大元素后，把相应的神经元的输出置为1，其余输出置为0，从而得到在该流型下对应的一个特征序列值，该序列值就代表不同类别的软性磨粒两相流流型；
3.3)使用概率神经网络对不同流型的识别是通过完成输入特征向量到流型类别的非线性映射实现的，其流程为：3.3.1)把采集到的压力信号经小波包分析得到的归一化后的小波包信息熵测试样本提供给输入节点，每一个模式层神经元都计算内积，得到“网络激励”，并产生该“网络激励”的一个非线性函数；3.3.2)每一个类别层神经元将与之相连的模式层神经元的结果进行相加；3.3.3)在分类层的待预测软性磨粒两相流流型样本矩阵中，计算每个流型样本归入各个流型的初始概率和，即计算隐含层每一类径向基元的输出对分类层各个神经元的加权之和；3.3.4)计算每个流型样本归入各个类别流型的归一化概率，用竞争函数作用第i个样本归入第j种流型的归一化概率，找出该测试样本归入四种流型中第几种流型的概率最大，则该被测试样本就属于概率最大的那种流型类别，得到所输入的测试样本为何种磨粒两相流流型。
2.如权利要求1所述的一种基于人工智能的软性磨粒两相湍流流型识别方法，其特征在于：所述步骤3.1)中，输入层的神经元个数与归一化后的小波包信息熵特征向量的元素个数相等，为16个，隐含层有20个神经元，输入层与隐含层各神经元之间均有连接；流型的类别决定输出层神经元个数，输出层其每一个神经元代表一种模式类型，且只与属于自己类别的隐含层神经元相连接，而与隐含层的其它神经元没有连接，输出为相应神经元之间的加权和，隐含层与求和层以等权值连接来匹配概率。
3.如权利要求1或2所述的一种基于人工智能的软性磨粒两相湍流流型识别方法，其特征在于：在所述步骤3.3.2)中，每一个模式层神经元向与之相连的那个类别层神经元贡献一个信号，这个信号的强度等于以当前软性磨粒两相湍流流型的训练样本为中心的高斯函数产生该流型测试样本点的初始概率。
CN201010522868XA 2010-10-28 2010-10-28 一种基于人工智能的软性磨粒两相湍流流型识别方法 Active CN101984340B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201010522868XA CN101984340B (zh) 2010-10-28 2010-10-28 一种基于人工智能的软性磨粒两相湍流流型识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201010522868XA CN101984340B (zh) 2010-10-28 2010-10-28 一种基于人工智能的软性磨粒两相湍流流型识别方法

Publications (2)

Publication Number Publication Date
CN101984340A CN101984340A (zh) 2011-03-09
CN101984340B true CN101984340B (zh) 2012-01-25

Family

ID=43641510

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201010522868XA Active CN101984340B (zh) 2010-10-28 2010-10-28 一种基于人工智能的软性磨粒两相湍流流型识别方法

Country Status (1)

Country Link
CN (1) CN101984340B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102528661B (zh) * 2011-11-10 2014-06-11 浙江工业大学 一种模具微细结构表面流体精密加工观测方法及装置
CN102620905B (zh) * 2012-03-29 2014-09-10 中国计量学院 管路中高压流体压力快速变动时的流型识别装置和方法
CN102621045B (zh) * 2012-04-06 2014-08-27 浙江工业大学 固液两相流中磨粒在不同位置碰撞壁面的概率分布测试装置
CN103456301B (zh) * 2012-05-28 2019-02-12 中兴通讯股份有限公司 一种基于环境声音的场景识别方法及装置及移动终端
CN103886405B (zh) * 2014-02-20 2017-02-22 东南大学 一种基于信息熵特征和概率神经网络的锅炉燃烧工况识别方法
CN104678288B (zh) * 2015-02-07 2017-12-08 长沙学院 基于信息熵和小波变换的开关电流电路故障字典获取方法
CN107563067A (zh) * 2017-09-06 2018-01-09 电子科技大学 基于自适应代理模型的结构可靠性分析方法
CN108647707B (zh) * 2018-04-25 2022-09-09 北京旋极信息技术股份有限公司 概率神经网络创建方法、故障诊断方法及装置、存储介质
CN110992267A (zh) * 2019-12-05 2020-04-10 北京科技大学 一种基于DPSR与Lightweight CNN的磨粒识别方法
CN111896616B (zh) * 2020-03-29 2023-04-07 中国石油大学(华东) 基于声发射-bp神经网络的气液两相流流型识别方法
CN111639767A (zh) * 2020-05-27 2020-09-08 西安电子科技大学 基于湍流效应的光学轨道角动量机器学习识别方法
CN112949694A (zh) * 2021-02-04 2021-06-11 广州春和数码科技有限公司 基于温度标签的信息熵的智能头发护理参数控制方法
CN113420813B (zh) * 2021-06-23 2023-11-28 北京市机械工业局技术开发研究所 一种车辆尾气检测设备颗粒物过滤棉状态的诊断方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1414381A (zh) * 2002-08-30 2003-04-30 天津大学 基于电阻层析成像的气液两相流流型识别的辨识器及方法
CN1554936A (zh) * 2003-12-19 2004-12-15 浙江大学 基于软测量技术的气液两相流流型辨识方法及系统
CN1209629C (zh) * 2002-11-29 2005-07-06 清华大学 基于主成分分析和神经元网络的两相流相浓度测量方法
CN1664555A (zh) * 2005-03-17 2005-09-07 上海交通大学 基于时间序列与神经网络模式辨识的两相流流型识别方法
CN100573100C (zh) * 2007-08-08 2009-12-23 东北电力大学 基于数字图像处理技术的气液两相流流型识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2818742B1 (fr) * 2000-12-22 2003-02-14 Inst Francais Du Petrole Methode pour former un module a reseaux neuronaux optimise, destine a simuler le mode d'ecoulement d'une veine de fluides polyphasiques
NO323247B1 (no) * 2003-12-09 2007-02-12 Multi Phase Meters As Fremgangsmåte og strømningsmåler for å bestemme strømningsratene til en flerfaseblanding

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1414381A (zh) * 2002-08-30 2003-04-30 天津大学 基于电阻层析成像的气液两相流流型识别的辨识器及方法
CN1209629C (zh) * 2002-11-29 2005-07-06 清华大学 基于主成分分析和神经元网络的两相流相浓度测量方法
CN1554936A (zh) * 2003-12-19 2004-12-15 浙江大学 基于软测量技术的气液两相流流型辨识方法及系统
CN1664555A (zh) * 2005-03-17 2005-09-07 上海交通大学 基于时间序列与神经网络模式辨识的两相流流型识别方法
CN100573100C (zh) * 2007-08-08 2009-12-23 东北电力大学 基于数字图像处理技术的气液两相流流型识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周云龙等.基于神经网络和D-S证据理论的气液两相流流型识别方法.《化工学报》.2006,第57卷(第3期),608-612. *
姜俊泽等.气液两相管流流型识别理论研究进展.《后勤工程学院学报》.2010,第26卷(第4期),40-47. *

Also Published As

Publication number Publication date
CN101984340A (zh) 2011-03-09

Similar Documents

Publication Publication Date Title
CN101984340B (zh) 一种基于人工智能的软性磨粒两相湍流流型识别方法
CN107462785B (zh) 基于ga-svm的电能质量多扰动信号分类识别方法
CN110595765A (zh) 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法
CN112001270B (zh) 基于一维卷积神经网络的地面雷达自动目标分类识别方法
CN104807589B (zh) 一种集输－立管系统内气液两相流流型的在线识别方法
CN104714925B (zh) 一种基于分数阶傅里叶变换和支持向量机的齿轮传动噪声分析方法
Gao et al. Rolling bearing fault diagnosis based on intelligent optimized self-adaptive deep belief network
CN104766090B (zh) 一种基于bemd和sofm的探地雷达数据可视化方法
CN104809230A (zh) 一种基于多分类器集成的卷烟感官质量评估方法
CN104038792B (zh) 用于iptv监管的视频内容分析方法及设备
CN114564982A (zh) 雷达信号调制类型的自动识别方法
CN111222442A (zh) 一种电磁信号分类方法和装置
CN105447464A (zh) 一种基于pso的电能质量扰动识别与分类方法
CN105510970A (zh) 获取地震相最佳分类数目的方法
CN104951787A (zh) 一种src框架下判别字典学习的电能质量扰动识别方法
CN110458189A (zh) 压缩感知和深度卷积神经网络电能质量扰动分类方法
Zhao et al. A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition
CN104504391B (zh) 一种基于稀疏特征和马尔科夫随机场的高光谱图像分类方法
CN113076920B (zh) 一种基于非对称域对抗自适应模型的智能故障诊断方法
CN113408616B (zh) 基于pca-uve-elm的光谱分类方法
Du et al. Fault diagnosis of plunger pump in truck crane based on relevance vector machine with particle swarm optimization algorithm
Lang et al. Pipeline leak aperture recognition based on wavelet packet analysis and a deep belief network with ICR
CN105823634A (zh) 基于时频关联向量卷积玻尔兹曼机的轴承损伤识别方法
CN1316241C (zh) 基于希尔伯特－黄变换的水平管气液两相流流型识别方法
CN116049637A (zh) 基于流动噪声信号的气液两相流流型识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant