[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

本發明公開了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，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；根據特征值和壓力脈動信號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。本方法能夠避免主觀因素對流型識別準確性的影響，同時能夠對瞬時狀態參數進行動態分析及流型識別。

技術領域

本發明涉及一種氣固流化床流型識別方法，屬于氣固流化床技術領域。

背景技術

氣固流化床因其具有良好的流動傳熱特性在化工、能源等多個工業領域得到廣泛應用。氣固流化床參數的測量與流型密切相關，如何對氣固流化床流型進行實時準確識別是當前氣固流化床領域研究的一個重要課題。

目前對氣固流化床流型識別的方法主要有直接觀察法和參數分析法。直接觀察法需要反應裝置可視化或者利用影像設備進行圖像采集，工業應用中的氣固流化床設備因受加工材料的限制，很難采用直接觀察法進行準確的流型識別。參數分析法需要通過電容法、光纖探針測量法、壓力脈動信號采集等方法獲得相應參數，然后結合已有的流型判定準則和方法對采集參數進行處理和分析。這兩種方法均無法避免主觀因素對流型識別準確性的影響，也很難對瞬時狀態參數進行動態分析及流型識別。

發明內容

本發明的目的：為了克服現有技術中存在的不足，本發明提供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，本方法能夠避免主觀因素對流型識別準確性的影響，同時能夠對瞬時狀態參數進行動態分析及流型識別。

技術方案：為實現上述目的，本發明采用的技術方案為：

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，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。

具體包括以下步驟：

步驟1，對氣固流化床中壓力脈動信號的進行采集；

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；

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；

步驟4，將步驟3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，實現對氣固流化床客觀、準確、實時的流型識別。

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)的轉換后在進行步驟2的特征值提取。

所述步驟2中的非線性分析方法為Hilbert-Huang變換分析法。

所述Hilbert-Huang變換分析法包括經驗模態分解和希爾伯特變換，具體包括以下步驟：

步驟21，首先通過經驗模態分解對采集的壓力脈動信號按壓力脈動信號的頻率分量逐次從高到低分解其本身固有的一族內稟模態函數，該內稟模態函數體現了壓力脈動信號的特征信息，且第一個內稟模態函數代表壓力脈動信號的最高頻部分；

步驟22，對每個內稟模態函數進行希爾伯特變換，得到其瞬時頻率和瞬時振幅，進而得到其特征值。

所述步驟21中內稟模態函數個數為一個以上，內稟模態函數記為IMF，將IMF分量能量定義如下：