基于经验模式分解和概率神经网络的气液两相流识别

针对气液两相流压差波动信号的非平稳特征和BP神经网络学习收敛速度慢、易陷入局部极小值等问题，提出了一种基于经验模态分解(empiricalmodedecomposition，EMD)和概率神经网络的流型识别方法。该方法首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数trinsicmodefunction，IMF)之和，再选取若干个包含主要流型信息的IMF分量进行进一步分析。由于流型转变时，压差波动信号各频带的能量会发生变化，因而可以从各IMF分量中提取能量特征参数作为神经网络的输入参数来识别流型。对水平管内空气-水两相流4种典型流型的识别结果表明，EMD能量比小波包能量特征具有更高的流型识别率，可以准确、有效地识别流型。