[發明專利]基于非線性分析方法的氣固流化床流型在線智能識別方法

有效

• 申請號: 201510461151.1
• 申請日: 2015-07-30
• 公開（公告）號: CN105139025B
• 公開（公告）日: 2019-03-05
• 發明（設計）人: 仲兆平;王恒;郭飛宏;王佳;王肖祎;王澤宇
• 申請（專利權）人: 東南大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/64
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 彭雄

1.一種基于非線性分析方法的氣固流化床流型在線智能識別方法，其特征在于：通過對氣固流化床進行壓力脈動信號采樣分析并提取特征值；根據壓力脈動信號對應的特征值通過模糊聚類算法進行客觀聚類；根據壓力脈動信號、特征值以及客觀聚類的結果建立和訓練流型識別系統，再將該系統嵌入計算機實現氣固流化床流型的在線智能識別；包括以下步驟：

步驟1，對氣固流化床中壓力脈動信號進行采集；

步驟2，通過非線性分析方法對步驟1所采集的壓力脈動信號進行處理，提取特征值；

特征值是指對不同床料在不同氣速下流動的壓差信號進行分析，計算各階IMF分量的能量大小，根據各階IMF分量的頻率范圍，將其分為高頻段E_h、中頻段E_m和低頻段E_l，E_h、E_m、E_l即為所提取的特征值；

步驟3，將步驟2中提取的特征值引入模糊c聚類算法，對步驟1中所采集的壓力脈動信號進行客觀聚類；

所采集的壓力脈動信號進行客觀聚類的方法：

步驟31，根據步驟1中所采集的壓力脈動信號、步驟2提取的特征值、聚類數、聚類中心以及壓力脈動信號對應的特征值與該聚類中心隸屬度建立聚類目標模型；所述建立的聚類目標模型：

；

其中，為聚類目標函數，X={x₁, x₂…x_N}為樣本，每一個x_i= [x_i1, x_i2... x_in] 都包含有n維特征值， c為聚類數，選取c個不同的x_i作為初始聚類中心v_{k,k=1,2,…,c}，U為隸屬度，V為聚類中心，m是權重系數，；；，，；

步驟32，根據步驟1中所采集的壓力脈動信號、步驟2提取的特征值及選取初始聚類中心，通過步驟3的聚類目標模型計算該初始聚類中心的聚類目標值；計算步驟2提取的特征值與初始聚類中心的歐式距離，將壓力脈動信號歸入相應的類中，根據每一類的樣本均值得到新的聚類中心，通過步驟3的聚類目標模型計算該新的聚類中心的聚類目標值；并判斷初始聚類中心的聚類目標值與新的聚類中心的聚類目標值，若這兩個聚類目標值有差異，再次計算各個特征值與新的聚類中心的歐式距離，然后進行重新歸類，通過步驟3的聚類目標模型計算這個新的聚類中心的聚類目標值，并判斷前一個聚類中心的聚類目標值與后一個聚類中心的聚類目標值，直至這兩個聚類目標值不再發生變化，完成對樣本的聚類；

步驟4，將步驟3的特征值的聚類結果引入神經網絡進行流型識別系統的搭建、訓練；

步驟5，將訓練好的流型識別系統載入流型識別及輸出系統，實現對氣固流化床實時的流型識別。

2.根據權利要求1所述的基于非線性分析方法的氣固流化床流型在線智能識別方法，其特征在于：所述步驟1中壓力脈動信號的采集方法：在氣固流化床中利用差壓變送器（7）進行壓力脈動信號的采集；差壓變送器（7）采集的信號經過A/D轉換器（8）的轉換后再進行步驟2的特征值提取。

3.根據權利要求2所述的基于非線性分析方法的氣固流化床流型在線智能識別方法，其特征在于：所述步驟2中的非線性分析方法為Hilbert-Huang 變換分析法。