基于非线性分析方法的气固流化床流型在线智能识别方法
【技术领域】
[0001] 本发明涉及一种气固流化床流型识别方法，属于气固流化床技术领域。
【背景技术】
[0002] 气固流化床因其具有良好的流动传热特性在化工、能源等多个工业领域得到广泛 应用。气固流化床参数的测量与流型密切相关，如何对气固流化床流型进行实时准确识别 是当前气固流化床领域研究的一个重要课题。
[0003] 目前对气固流化床流型识别的方法主要有直接观察法和参数分析法。直接观察法 需要反应装置可视化或者利用影像设备进行图像采集，工业应用中的气固流化床设备因受 加工材料的限制，很难采用直接观察法进行准确的流型识别。参数分析法需要通过电容法、 光纤探针测量法、压力脉动信号采集等方法获得相应参数，然后结合已有的流型判定准则 和方法对采集参数进行处理和分析。这两种方法均无法避免主观因素对流型识别准确性的 影响，也很难对瞬时状态参数进行动态分析及流型识别。
【发明内容】
[0004] 本发明的目的：为了克服现有技术中存在的不足，本发明提供一种基于非线性分 析方法的气固流化床流型在线智能识别方法，本方法能够避免主观因素对流型识别准确性 的影响，同时能够对瞬时状态参数进行动态分析及流型识别。
[0005] 技术方案：为实现上述目的，本发明采用的技术方案为：
[0006] 一种基于非线性分析方法的气固流化床流型在线智能识别方法，通过对气固流化 床进行压力脉动信号采样分析并提取特征值；根据压力脉动信号对应的特征值通过模糊聚 类算法进行客观聚类；根据压力脉动信号、特征值以及客观聚类的结果建立和训练流型识 别系统，再将该系统嵌入计算机实现气固流化床流型的在线智能识别。
[0007] 具体包括以下步骤：
[0008] 步骤1，对气固流化床中压力脉动信号的进行采集；
[0009] 步骤2,通过非线性分析方法对步骤1所采集的压力脉动信号进行处理，提取特征 值；
[0010] 步骤3,将步骤2中提取的特征值引入模糊c聚类算法，对步骤1中所采集的压力 脉动信号进行客观聚类；
[0011] 步骤4,将步骤3的聚类结果引入神经网络进行流型识别系统的搭建、训练；
[0012] 步骤5,将训练好的流型识别系统载入流型识别及输出系统，实现对气固流化床客 观、准确、实时的流型识别。
[0013] 所述步骤1中压力脉动信号的采集方法：在气固流化床中利用差压变送器（7)进 行压力脉动信号的采集；差压变送器（7)采集的信号经过A/D转换器（8)的转换后在进行 步骤2的特征值提取。
[0014] 所述步骤2中的非线性分析方法为Hilbert-Huang变换分析法。
[0015] 所述Hilbert-Huang变换分析法包括经验模态分解和希尔伯特变换，具体包括以 下步骤：
[0016] 步骤21，首先通过经验模态分解对采集的压力脉动信号按压力脉动信号的频率分 量逐次从高到低分解其本身固有的一族内禀模态函数，该内禀模态函数体现了压力脉动信 号的特征信息，且第一个内禀模态函数代表压力脉动信号的最高频部分；
[0017] 步骤22,对每个内禀模态函数进行希尔伯特变换，得到其瞬时频率和瞬时振幅，进 而得到其特征值。
[0018] 所述步骤21中内禀模态函数个数为一个以上，内禀模态函数记为頂F，将頂F分量 能量定义如下：
[0019]
[0020] 式中，E为頂F分量的能量，η为采样样本总量，(t)为第i个頂F对应的瞬时振 幅；
[0021] 所述步骤22中特征值是指对不同床料在不同气速下流动的压差信号进行分析， 计算各阶IMF分量的能量大小，根据各阶IMF分量的频率范围，将其分为高频段E h、中频段 Eni和低频段E i，Eh、E"、EjP为所提取的特征值。
[0022] 根据权利要求6所述的基于非线性分析方法的气固流化床流型在线智能识别方 法，其特征在于：所述步骤3中步骤1中所采集的压力脉动信号进行客观聚类的方法：
[0023] 步骤31，根据步骤1中所采集的压力脉动信号、步骤2提取的特征值、聚类数、聚类 中心以及压力脉动信号与该聚类中心隶属度建立聚类目标模型；
[0024] 步骤32,根据步骤1中所采集的压力脉动信号、步骤2提取的特征值及选取初始聚 类中心，通过步骤3的聚类目标模型计算该初始聚类中心的聚类目标值；计算步骤2提取的 特征值与初始聚类中心的欧式距离，将压力脉动信号归入相应的类中，根据每一类的样本 均值得到新的聚类中心，通过步骤3的聚类目标模型计算该新的聚类中心的聚类目标值； 并判断初始聚类中心的聚类目标值与新的聚类中心的聚类目标值，若这两个聚类目标值有 差异，再次计算各个特征值与新的聚类中心的欧式距离，然后进行重新归类，通过步骤3的 聚类目标模型计算这个新的聚类中心的聚类目标值，并判断前一个聚类中心的聚类目标值 与后一个聚类中心的聚类目标值，直至这两个聚类目标值不再发生变化，完成对样本的聚 类。
[0025] 所述步骤31中建立的聚类目标模型：
[0026]
[0027] 其中，J为聚类目标函数，X = (X1, Χ2···ΧΝ}为样本，每一个Xi= [X n, Xi2. . . XiJ 都包含有η维特征值，c为聚类数，选取c个不同的X1作为初始聚类中心V tk = u.. U为隶属度，V为聚类中心，m是权重系数，
[0028] 所述步骤21中内禀模态函数个数由频率分量决定，一般为7或8个，分别为 頂Fl-頂F7或頂Fl-頂F8 ;所述步骤5将已训练好的识别系统与气固流化床压力脉动信号采 集系统连接，通过程序直接调用数据并进行数据处理，在输出系统中显示该时刻气固流化 床内的流型状态。
[0029] 有益效果：本发明提供的一种基于非线性分析方法的气固流化床流型在线智能识 别方法，相比现有技术，具有以下有益效果：
[0030] 通过对气固流化床进行压力脉动信号采样分析并提取特征值；根据特征值通过模 糊聚类算法进行客观聚类；根据压力脉动信号、特征值以及客观聚类的结果建立和训练流 型识别系统，再将该系统嵌入计算机实现气固流化床流型的在线智能识别，因此本方法能 够避免主观因素对流型识别准确性的影响，同时能够对瞬时状态参数进行动态分析及流型 识别。
【附图说明】
[0031] 图1是本发明所述气固流化床流型在线识别系统设备系统图。
[0032] 图2是本发明示例进行数据处理后得到的頂F分量图。
[0033] 图1中1是空气压缩机；2是流量调节系统；3是气固流化床本体；4是风室；5是 分布板；6是测压孔；7是差压变送器；8是A/D转换器；9是计算机。
【具体实施方式】
[0034] 结合附图对本发明做一个详细的介绍，本发明的典型但非限制性实施例如下：
[0035] -种基于非线性分析方法的气固流化床流型在线智能识别方法，通过对气固流化 床进行压力脉动信号采样分析并提取特征值；根据特征值通过模糊聚类算法进行客观聚 类；根据压力脉动信号、特征值以及客观聚类的结果建立和训练流型识别系统，再将该系统 嵌入计算机实现气固流化床流型的在线智能识别。
[0036] 其中，识别系统如图1所示：包括空气压缩机1、流量调节系2、气固流化床本体3、 风室4、分布板5、测压孔6、差压变送7、A/D转换8、计算9 ;所述风室4设置于气固流化床 本体3的底部，而所述分布板5设置于风室4上，所述差压变送7的一路测量管路通过测压 孔6测量气固流化床本体3的压力脉动信号，另一路测量管路设置于风室4内，且位于气固 流化床本体3和分布板5之间，且所述差压变送7通过A/D转换8进行信号转换与计算9 连接，而所述空气压缩机1压缩的空气通过流量调节系2进入到风室4内。
[0037] 本发明的识别方法具体包括以下步骤：
[0038] 步骤1，对气固流化床中压力脉动信号的进行采集；通过在气固流化床中利用差 压变送器（7)进行压力脉动信号的采集；差压变送器（7)采集的信号经过A/D转换器（8) 的转换后在进行步骤2的特征值提取。
[0039] 步骤2,通过非线性分析方法对步骤1所采集的压力脉动信号进行处理，提取 特征值。所述非线性分析方法为Hilbert-Huang变换分析法，主要包括两方面内容，经 验模态分解（Empirical Mode Decomposition，简称EMD)和希尔伯特变换（Hilbert Transportation，简称HT)。其中EMD是核心部分，首先采用EMD方法，从压差脉动信号中提 取其本身固有的一族内禀模态函数（Intrinsic Mode Function，简称IMF)，其数量是有限 的，包含有真实的物理意义。EMD从原始信号中提取頂F，所得到的頂F体现了原始信号的 特征信息，第一个MF代表原始信号的最高频部分。然后对每个頂F进行希尔伯特变换，得 到其瞬时频率和瞬时振幅。对所采集的压差脉动信号进行EMD分解，逐次把压力脉动信号 的频率分量从高到低分解出来，提取出7或8个，分别为IMF1-IMF7或IMF1-IMF8。为更好 地分析不同范围瞬时频率的变化规律，将每个MF分量能量定义如下：
[0040]
⑴
[0041] 式中，⑴为第i个頂F对应的瞬时振幅。
[0042] 对不同床料在不同气速下流动的压差信号进行分析，计算各阶IMF分量的能量大 小，根据各阶IMF分量的频率范围，将其分为高频段Eh (El、2、3)、中频段Eni(E4~6)和低频 段E1(ETd), Eh 即步骤二通过非线性分析方法处理压力脉动信号后所提取的特征值。
[0043] 步骤3,将步骤2中提取的特征值引入模糊c聚类算法，对步骤1中所采集的压力 脉动信号进行客观聚类。对步骤2提取的特征值进行聚类，对照气速和图像采样确定聚类 对应的具体流型。
[0044] 所述步骤3中步骤1中所采集的压力脉动信号进行客观聚类的方法：
[0045] 步骤31，根据步骤1中所采集的压力脉动信号、步骤2提取的特征值、聚类数、聚类 中心以及压力脉动信号对应的特征值与该聚类中心隶属度建立聚类目标模型；
[0046] 所述步骤31中建立的聚类目标模型
[0047]
(2)
[0048] 其中，J为聚类目标函数，X = (X1, X2…xN}为样本，每一个Xi= [X ii, Xi2.