两相流流型辨识方法研究

　　1　引言

　　随着两相流参数测量技术的发展需要及工业生产过程对计量、节能和控制要求的提高,对研究两相流流型判别技术的要求也越来越迫切。

　　在两相流动过程中,两相介质的分布状况称为流型,也称流态,即流体流动的形式或结构。在工业生产过程中,将块状原料经过研磨而成粉粒体,采用气力输送原料的粉粒体输送系统,可以大大提高输送效率、减少污染、降低成本、提高质量,在冶金、化工、建材、电力等部门已得到广泛应用。由于粉粒体具有与固体、气体和液体不同的特性,受其湿度、粘附性的影响,加上输送气体压力的波动、输送的煤粉流动状况不稳定,常会出现管道“堵塞”现象,造成输送系统瘫痪,从而影响正常生产。通过研究流型辨识算法,对气固两相流流型进行有效的预测和判别,对气力输送系统相关设备进行实时控制,可以防止“堵塞”现象的发生。

　　目前,流型辨识算法有:直接测量法、间接测量法和k-近邻流型辨识算法[1~4]。这些算法由于受各种因素的影响,造成流型判别不准。例如,在利用功率谱密度函数分析法判别流型时,由于功率谱密度分布不完全取决于流型,与两相流的流速联系较大,而流速则需要用其他手段获取。k-近邻流型辨识算法是在最近邻流型辨识算法的基础上发展起来的,此算法基本思想是计算待分类的投影数据矢量与已储存的投影数据矢量的k个最近邻;然后,在这k个最近邻中,对应最多的投影数据矢量的流型类别属性就是待识别的投影数据矢量类别属性。此种算法需要储存大量的投影数据矢量,且对每一个待分类流型投影数据矢量,都需要计算它与所有存储的投影数据矢量的距离,这将耗费大量的时间。文献[5]提出一种利用模糊神经元网络辨识两相流流型的方法,此法把电容测量值模糊化,并不能有效地提取各种流型下的信号准确特征,因而也就对流型的判别精度有一定影响。其它诸如神经网络对管道内部的层析成象虽然也可以判别流型,但其需要借助人来判别,不适合在线测量。本文提出了一种基于模糊聚类分析和神经网络辨识流型的新方法,此方法通过模糊聚类分析和求相邻极板之间平均电容值的隶属度就能有效地提取各种流型下的信号准确特征,因而提高了流型识别的可靠性;并由于神经网络规模小速度快,适合在线测量。

　　本文采用的传感器是8极板的电容传感器,根据管道上极板电容传感器对称性和相似性的特点,利用模糊集合论的聚类分析对8极板之间的独立组合电容值进行分类;同时,算出相邻极板之间平均电容值的隶属度;最后,根据聚类结果和电容值的隶属度通过神经网络的分类功能辨识出各种不同的流型。