專利名稱：一種基于人工智能的軟性磨粒兩相湍流流型識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種兩相流流型識(shí)別方法，更具體地說，是一種基于人工智能的軟性 磨粒兩相湍流流型識(shí)別方法。
背景技術(shù)：
流型(表征了流體的流動(dòng)形態(tài))，可以分為層流、湍流以及介于兩者之間的過渡流。 其表示了流體質(zhì)點(diǎn)運(yùn)動(dòng)的軌跡及速度分布。圓管內(nèi)層流流型為拋物線速度分布；湍流流型 的速度分布服從卡曼_普蘭德1/7指數(shù)定律。兩相流流型同時(shí)又表征了兩相流動(dòng)介質(zhì)的相 界面分布情況。目前，在動(dòng)力、化工、核能、制冷、石油和冶金等行業(yè)的許多生產(chǎn)設(shè)備中都涉 及兩相流動(dòng)工況，甚至在模具微細(xì)結(jié)構(gòu)化表面的精密加工方面都有其應(yīng)用。因此，兩相流流 型極大地影響著兩相流的流動(dòng)特性，同時(shí)也影響著流動(dòng)參數(shù)的準(zhǔn)確測(cè)量以及兩相流系統(tǒng)的 運(yùn)行特性，所以兩相流流型識(shí)別的研究一直是兩相流參數(shù)測(cè)量的一個(gè)重要研究方向，同時(shí) 也為相關(guān)工業(yè)生產(chǎn)設(shè)備安全、經(jīng)濟(jì)運(yùn)行以及實(shí)驗(yàn)觀測(cè)提供了有力的技術(shù)支持。流型識(shí)別技術(shù)經(jīng)過幾十年的發(fā)展，由當(dāng)初的流型狀態(tài)圖和流型轉(zhuǎn)變的模型判據(jù)的 理論預(yù)測(cè)發(fā)展到采用一些特殊儀器的直接測(cè)量和運(yùn)用信息處理手段的間接測(cè)量，取得了長 足的進(jìn)展。目前，兩相流的識(shí)別方法主要有兩種直接識(shí)別法和間接識(shí)別法。直接識(shí)別法主 要采用流動(dòng)可視化的方法，這種方法在管道和流動(dòng)介質(zhì)不透明、流速高時(shí)候識(shí)別的準(zhǔn)確率 很低。間接識(shí)別法是利用流動(dòng)的脈動(dòng)特性進(jìn)行識(shí)別的方法，常用的脈動(dòng)量是壓力(或壓差)， 它結(jié)合了先進(jìn)的現(xiàn)代檢測(cè)理論(現(xiàn)代信號(hào)分析與處理、非線性信息處理、小波分析、模式識(shí) 別、人工神經(jīng)網(wǎng)絡(luò)等)，是揭示流型這一復(fù)雜動(dòng)力學(xué)特征的有利手段。在對(duì)模具微細(xì)結(jié)構(gòu)化流道內(nèi)軟性兩相磨粒流的流型識(shí)別中，也有一些傳統(tǒng)方法， 如采用實(shí)驗(yàn)方法做出流型圖；根據(jù)對(duì)流型轉(zhuǎn)變機(jī)理得到的轉(zhuǎn)變關(guān)系式，利用現(xiàn)場(chǎng)的流動(dòng)參 數(shù)來確定具體的流型。但是這些傳統(tǒng)的識(shí)別方法存在許多不足一是傳統(tǒng)的識(shí)別方法需要 測(cè)量磨粒兩相流的流量、速度，結(jié)構(gòu)化流道的尺寸等現(xiàn)在還不能準(zhǔn)確測(cè)量的參數(shù)，而且計(jì)算 磨粒兩相流的粘度和雷諾數(shù)時(shí)也會(huì)出現(xiàn)一定的誤差；二是已有的流型圖和半經(jīng)驗(yàn)半理論流 型轉(zhuǎn)變準(zhǔn)則都有一定的適用范圍，難以適應(yīng)變化多樣的實(shí)際流動(dòng)；三是傳統(tǒng)的識(shí)別方法不 可避免地受到主觀因素的影響，很難做到流型的客觀識(shí)別；四是傳統(tǒng)的識(shí)別方法不能滿足 生產(chǎn)和實(shí)驗(yàn)過程中對(duì)流型的在線識(shí)別要求。

發(fā)明內(nèi)容
為了克服已有軟性磨粒兩相湍流流型識(shí)別方法的準(zhǔn)確性較低、適用性較差、可靠 性不高、無法滿足在線識(shí)別要求的不足，本發(fā)明提供一種準(zhǔn)確性高、適用性良好、可靠性高、 能夠有效滿足在線識(shí)別要求的基于人工智能的軟性磨粒兩相湍流流型識(shí)別方法。本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是
一種基于人工智能的軟性磨粒兩相湍流流型識(shí)別方法，所述軟性磨粒兩相湍流流型識(shí) 別方法包括以下步驟1)軟性磨粒兩相湍流壓力信號(hào)的采集
使用FLUENT軟件中歐拉模型與重整化群雙方程模型相結(jié)合的仿真技術(shù)，對(duì)小尺寸彎 道內(nèi)不同速度下的軟性磨粒兩相流進(jìn)行仿真，設(shè)定仿真時(shí)間，對(duì)小尺寸彎道內(nèi)壁面頂點(diǎn)處 壓力進(jìn)行采集，所述的小尺寸彎道為出口處帶有一小段直管的180°大曲率圓管；
2)壓力信號(hào)特征提取及分析
采用小波包方法將頻帶進(jìn)行多層次劃分，對(duì)多分辨率沒有細(xì)分的高頻部分進(jìn)一步分 解，并根據(jù)被分析信號(hào)的特征，自適應(yīng)地選擇相應(yīng)頻帶，使之與信號(hào)頻譜匹配；具體實(shí)施過 程如下2. 1)對(duì)采集到的壓力信號(hào)進(jìn)行四層小波包分解，分別提取第四層從低頻到高頻所 有頻率成分的信號(hào)；2. 2)對(duì)小波包分解系數(shù)進(jìn)行重構(gòu)，提取各頻帶范圍的信號(hào)，得到重構(gòu)信 號(hào)，對(duì)第四層的所有結(jié)點(diǎn)進(jìn)行分析，得到新的總信號(hào)表示；2. 3)將信號(hào)的小波包分解看成是 對(duì)信號(hào)的一種劃分，定義這種劃分的測(cè)度，并根據(jù)信息熵的基本理論，定義小波包信息熵； 2. 4)以信息熵為元素構(gòu)造能取做指紋的特征矢量，對(duì)信息熵特征向量進(jìn)行歸一化，以歸一 化后的信息熵作為元素構(gòu)造特征向量，作為輸入概率神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本并進(jìn)行識(shí)別；
3)利用概率神經(jīng)網(wǎng)絡(luò)對(duì)由定義的特征參數(shù)構(gòu)成的流型樣本進(jìn)行訓(xùn)練并識(shí)別，
根據(jù)概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)樣本的關(guān)系，所述學(xué)習(xí)樣本為歸一化后的小波包信息熵 特征向量，確定用于流型識(shí)別的概率神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，對(duì)該網(wǎng)絡(luò)進(jìn)行相關(guān)設(shè)置并進(jìn)行學(xué)習(xí) 訓(xùn)練，使用該概率神經(jīng)網(wǎng)絡(luò)對(duì)不同流型樣本的識(shí)別；具體實(shí)施過程如下
3. 1)流型識(shí)別的概率神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)的確定由概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和歸一化后的小波 包信息熵特征向量的關(guān)系，確定概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為由輸入層、隱含層和輸出層組成的三 層前向網(wǎng)絡(luò)；
3. 2)對(duì)概率神經(jīng)網(wǎng)絡(luò)進(jìn)行設(shè)置并進(jìn)行學(xué)習(xí)訓(xùn)練，其步驟為3. 2. 1)將 壓力波動(dòng)信號(hào)的歸一化小波包信息熵作為網(wǎng)絡(luò)的輸入向量；3. 2. 2)對(duì)輸 入層至模式層的權(quán)值進(jìn)行初始化；3. 2. 3)將作為概率神經(jīng)網(wǎng)絡(luò)輸入的第 I個(gè)樣本的第^個(gè)屬性參數(shù)的值作為隱含層基函數(shù)的中心；3. 2. 4)隱含層的基函數(shù)為高斯 函數(shù)，輸出層的傳遞函數(shù)為競(jìng)爭(zhēng)函數(shù)，在其尋找到輸入特征向量中的最大元素后，把相應(yīng)的 神經(jīng)元的輸出置為1，其余輸出置為0，從而得到在該流型下對(duì)應(yīng)的一個(gè)特征序列值，該序 列值就代表不同類別的軟性磨粒兩相流流型；
3. 3)使用概率神經(jīng)網(wǎng)絡(luò)對(duì)不同流型的識(shí)別是通過完成輸入特征向量到流型類別的非 線性映射實(shí)現(xiàn)的，其流程為3. 3. 1)把采集到的壓力信號(hào)經(jīng)小波包分析得到的歸一化后的 小波包信息熵測(cè)試樣本提供給輸入節(jié)點(diǎn)，每一個(gè)模式層神經(jīng)元都計(jì)算內(nèi)積，得到“網(wǎng)絡(luò)激 勵(lì)”，并產(chǎn)生該“網(wǎng)絡(luò)激勵(lì)”的一個(gè)非線性函數(shù)；3. 3. 2)每一個(gè)類別層神經(jīng)元將與之相連的模 式層神經(jīng)元的結(jié)果進(jìn)行相加；3. 3. 3)在分類層的待預(yù)測(cè)軟性磨粒兩相流流型樣本矩陣中， 計(jì)算每個(gè)流型樣本歸入各個(gè)流型的初始概率和，即計(jì)算隱含層每一類徑向基元的輸出對(duì)分 類層各個(gè)神經(jīng)元的加權(quán)之和；3. 3. 4)計(jì)算每個(gè)流型樣本歸入各個(gè)類別流型的歸一化概率， 用競(jìng)爭(zhēng)函數(shù)作用第i個(gè)樣本歸入第j種流型的歸一化概率，找出該測(cè)試樣本歸入四種流型 中第幾種流型的概率最大，則該被測(cè)試樣本就屬于概率最大的那種流型類別，得到所輸入 的測(cè)試樣本為何種磨粒兩相流流型。 作為優(yōu)選的一種方案所述步驟3. 1)中，輸入層的神經(jīng)元個(gè)數(shù)與歸一化后的小波 包信息熵特征向量的元素個(gè)數(shù)相等，為16個(gè)，隱含層有20個(gè)神經(jīng)元，輸入層與隱含層各神經(jīng)元之間均有連接；流型的類別決定輸出層神經(jīng)元個(gè)數(shù)，輸出層其每一個(gè)神經(jīng)元代表一種 模式類型，且只與屬于自己類別的隱含層神經(jīng)元相連接，而與隱含層的其它神經(jīng)元沒有連 接，輸出為相應(yīng)神經(jīng)元之間的加權(quán)和，隱含層與求和層以等權(quán)值連接來匹配概率。進(jìn)一步，在所述步驟3. 3. 2)中，每一個(gè)模式層神經(jīng)元向與之相連的那個(gè)類別層神 經(jīng)元貢獻(xiàn)一個(gè)信號(hào)，這個(gè)信號(hào)的強(qiáng)度等于以當(dāng)前軟性磨粒兩相流流型的訓(xùn)練樣本為中心的 高斯函數(shù)產(chǎn)生該流型測(cè)試樣本點(diǎn)的初始概率。本發(fā)明的技術(shù)構(gòu)思為本發(fā)明是針對(duì)模具結(jié)構(gòu)化表面內(nèi)軟性磨粒兩相流提出的。 基于軟性磨粒流的模具結(jié)構(gòu)化表面無工具精密光整加工新方法是通過在被加工的結(jié)構(gòu)化 表面附近配置約束模塊，構(gòu)成磨粒流約束流道，使被加工表面成為流道壁面的一部分；以約 束流道內(nèi)流動(dòng)的軟性磨粒流替代加工工具實(shí)現(xiàn)對(duì)被加工表面的光整加工；軟性磨粒流的有 效加工是在湍流狀態(tài)下進(jìn)行，為得到相應(yīng)的加工效果(即需達(dá)到湍流狀態(tài))，有必要對(duì)不能 直接進(jìn)行目測(cè)的軟性兩相磨粒流的流型進(jìn)行識(shí)別，以為實(shí)際加工進(jìn)行操作性指導(dǎo)?；谝陨狭餍妥R(shí)別方法存在的不足，本發(fā)明提出一種基于人工智能的軟性磨粒兩 相湍流流型識(shí)別方法，該方法是通過相關(guān)軟件對(duì)反應(yīng)流型的壓力信號(hào)進(jìn)行采集，并進(jìn)行小 波包分析，然后再用概率神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)流型的識(shí)別。該方法相對(duì)傳統(tǒng)識(shí)別方法具有實(shí)用、方 便、高效、準(zhǔn)確的特點(diǎn)，尤其對(duì)實(shí)際加工中難以觀察的微細(xì)流道內(nèi)軟性兩相磨料流流型的識(shí) 別具有十分重要的意義。本發(fā)明的有益效果主要表現(xiàn)在
(1)解決了實(shí)際加工中微細(xì)流道內(nèi)軟性兩相磨料流流型難以觀察以及
傳統(tǒng)流型識(shí)別方法存在的問題。該識(shí)別方法大大減少了人為識(shí)別的主觀性因素，有效提高 了識(shí)別的效率和準(zhǔn)確率，并且降低了流型識(shí)別的成本。(2)提供了一種使軟性磨粒兩相流壓力信號(hào)的信息得到完整保留 的可靠方法。該方法中使用的小波包分解是在多分辨率基礎(chǔ)上構(gòu)成的一種精細(xì)的正交分解 方法，它可以根據(jù)被分析的軟性磨粒兩相流壓力信號(hào)本身的特點(diǎn)，自適應(yīng)地選擇頻帶，確定 壓力信號(hào)在不同頻段的分辨率，具有隨分辨率的增加，變寬的頻譜窗口進(jìn)一步分割變細(xì)的 優(yōu)良品質(zhì)。小波包的完整性和正交性能較好地描述非平穩(wěn)的軟性磨粒兩相流壓力信號(hào)的細(xì) T1 fn 息。(3)使軟性磨粒兩相流流型的轉(zhuǎn)變得以更好地表征。該流型識(shí)別方 法中，以軟性磨粒兩相流壓力信號(hào)不同頻率成分的信息熵作為流型識(shí)別的特征向量，不同 頻率成分的兩相流壓力信號(hào)的信息熵中，包含了豐富的流型信息，某種或某幾個(gè)頻率成分 信息熵的改變即代表了流型的轉(zhuǎn)變，以信息熵作為流型識(shí)別的特征向量可以較好地體現(xiàn)流 型之間的特征。(4)能夠滿足軟性磨粒兩相流流型實(shí)時(shí)識(shí)別與分析的需要。該流 型識(shí)別方法采用概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單；收斂速度快，耗時(shí)少；準(zhǔn)確率高；結(jié)果總收斂于 Bayes優(yōu)化解，穩(wěn)定性高；抗干擾能力強(qiáng)，對(duì)噪聲具有較強(qiáng)的診斷魯棒性；具有較強(qiáng)的自適 應(yīng)能力。


圖1是基于人工智能的軟性磨粒兩相湍流流型識(shí)別方法的具體流程圖；圖2是利用小波包提取特征信息的流程圖； 圖3是對(duì)所采集到的壓力信號(hào)進(jìn)行小波包四層分解樹結(jié)構(gòu)圖； 圖4是概率神經(jīng)網(wǎng)絡(luò)流型識(shí)別系統(tǒng)示意圖； 圖5是概率神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練流程圖； 圖6是概率神經(jīng)網(wǎng)絡(luò)的流型識(shí)別流程圖。
具體實(shí)施例方式結(jié)合附圖，下面對(duì)本發(fā)明進(jìn)行詳細(xì)說明。參照?qǐng)D廣圖6，一種基于人工智能的軟性磨粒兩相湍流流型識(shí)別方法，通過使用 歐拉模型與重整化群(RNG)雙方程模型相結(jié)合的仿真技術(shù)，獲取反映軟性磨粒兩相湍流各 種流型特征的客觀數(shù)理描述和流型轉(zhuǎn)變過程中特征參數(shù)的變化規(guī)律，根據(jù)小波包的定量分 析，運(yùn)用所得參數(shù)構(gòu)成的特征向量輸入概率神經(jīng)網(wǎng)絡(luò)(PNN)進(jìn)行訓(xùn)練并識(shí)別，實(shí)現(xiàn)湍流流 型的客觀識(shí)別與劃分。其一般包括軟性磨粒兩相湍流壓力信號(hào)的采集、信號(hào)特征提取及分 析，利用PNN對(duì)由定義的特征參數(shù)構(gòu)成的流型樣本進(jìn)行訓(xùn)練并用未知樣本檢驗(yàn)，以及流型 的判斷等環(huán)節(jié)。所述的軟性磨粒兩相湍流壓力信號(hào)的采集，使用FLUENT軟件中歐拉模型與重整 化群(RNG)雙方程模型相結(jié)合的仿真技術(shù)，對(duì)小尺寸彎道內(nèi)不同速度下的軟性磨粒兩相流 進(jìn)行仿真，設(shè)定合適的仿真時(shí)間，對(duì)小尺寸彎道內(nèi)壁面頂點(diǎn)處壓力進(jìn)行采集，得到彎道內(nèi)該 點(diǎn)的壓力隨時(shí)間變化的曲線圖。所述的小尺寸彎道為出口處帶有一小段直管的180°大曲率圓管，管直徑2毫米、 彎道半徑10毫米，直道長度為5毫米。所述的壓力信號(hào)特征提取及分析采用小波包方法，是函數(shù)空間逐級(jí)正交剖分的擴(kuò) 展，為信號(hào)提供一種更加精細(xì)的分析方法，將頻帶進(jìn)行多層次劃分，對(duì)多分辨率沒有細(xì)分的 高頻部分進(jìn)一步分解，實(shí)施類似于對(duì)低頻空間的處理，并能夠根據(jù)被分析信號(hào)的特征，自適 應(yīng)地選擇相應(yīng)頻帶，使之與信號(hào)頻譜匹配。該方法的具體實(shí)施過程可描述如下1)對(duì)采集到 的壓力信號(hào)進(jìn)行四層小波包分解，分別提取第四層從低頻到高頻所有頻率成分的信號(hào)(小 波包分解系數(shù))；2)對(duì)小波包分解系數(shù)進(jìn)行重構(gòu)，提取各頻帶范圍的信號(hào)，得到重構(gòu)信號(hào)，對(duì) 第四層的所有結(jié)點(diǎn)進(jìn)行分析，得到新的總信號(hào)表示；3)將信號(hào)的小波包分解看成是對(duì)信號(hào) 的一種劃分，定義這種劃分的測(cè)度，并根據(jù)信息熵的基本理論，定義小波包信息熵；4)以信 息熵為元素構(gòu)造能取做指紋的特征矢量，為避免在數(shù)據(jù)分析上帶來的不便，對(duì)信息熵特征 向量進(jìn)行歸一化，以歸一化后的信息熵作為元素構(gòu)造特征向量，作為輸入概率神經(jīng)網(wǎng)絡(luò)的 訓(xùn)練樣本并進(jìn)行識(shí)別。所述利用概率神經(jīng)網(wǎng)絡(luò)對(duì)由定義的特征參數(shù)構(gòu)成的流型樣本進(jìn)行訓(xùn)練并識(shí)別，根 據(jù)概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)樣本(歸一化后的小波包信息熵特征向量)的關(guān)系，確定用于流 型識(shí)別的概率神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，對(duì)該網(wǎng)絡(luò)進(jìn)行相關(guān)設(shè)置并進(jìn)行學(xué)習(xí)訓(xùn)練，以實(shí)現(xiàn)使用該概 率神經(jīng)網(wǎng)絡(luò)對(duì)不同流型樣本的識(shí)別。所述用于流型識(shí)別的概率神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)的確定，其特征在于，由概率神經(jīng)網(wǎng)絡(luò) 結(jié)構(gòu)和歸一化后的小波包信息熵特征向量的關(guān)系，確定概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為由輸入層、隱 含層(又稱模式層)和輸出層(又稱求和層)組成的三層前向網(wǎng)絡(luò)。輸入層的神經(jīng)元個(gè)數(shù)與
7歸一化后的小波包信息熵特征向量的元素個(gè)數(shù)相等，為16個(gè)，隱含層有20個(gè)神經(jīng)元，輸入 層與隱含層各神經(jīng)元之間均有連接；流型的類別決定輸出層神經(jīng)元個(gè)數(shù)(4個(gè))，輸出層其 每一個(gè)神經(jīng)元代表一種模式類型，且只與屬于自己類別的隱含層神經(jīng)元相連接，而與隱含 層的其它神經(jīng)元沒有連接，輸出為相應(yīng)神經(jīng)元之間的加權(quán)和，隱含層與求和層以等權(quán)值連 接來匹配概率。所述的對(duì)概率神經(jīng)網(wǎng)絡(luò)進(jìn)行設(shè)置并進(jìn)行學(xué)習(xí)訓(xùn)練，其步驟為1)將壓力波動(dòng)信號(hào) 的歸一化小波包信息熵作為網(wǎng)絡(luò)的輸入向量，每種流型取40個(gè)訓(xùn)練樣本，4種流型共160個(gè) 訓(xùn)練樣本進(jìn)行訓(xùn)練；2)對(duì)輸入層至模式層的權(quán)值進(jìn)行初始化；3)將作為概率神經(jīng)網(wǎng)絡(luò)輸入 的第r個(gè)樣本的第J個(gè)屬性參數(shù)的值作為隱含層基函數(shù)的中心；4)隱含層的基函數(shù)為高斯 函數(shù)，輸出層的傳遞函數(shù)為競(jìng)爭(zhēng)函數(shù)，在其尋找到輸入特征向量中的最大元素后，把相應(yīng)的 神經(jīng)元的輸出置為1，其余輸出置為0，從而得到在該流型下對(duì)應(yīng)的一個(gè)特征序列值，該序 列值就代表了不同類別的軟性磨粒兩相流流型。所述的使用概率神經(jīng)網(wǎng)絡(luò)對(duì)不同流型的識(shí)別是通過完成輸入特征向量到流型類 別的非線性映射實(shí)現(xiàn)的，其流程為1)把采集到的壓力信號(hào)經(jīng)小波包分析得到的歸一化后 的小波包信息熵測(cè)試樣本提供給輸入節(jié)點(diǎn)，每一個(gè)模式層神經(jīng)元都計(jì)算內(nèi)積，得到“網(wǎng)絡(luò)激 勵(lì)”，并產(chǎn)生該“網(wǎng)絡(luò)激勵(lì)”的一個(gè)非線性函數(shù)；2)每一個(gè)類別層神經(jīng)元將與之相連的模式層 神經(jīng)元的結(jié)果進(jìn)行相加。每一個(gè)模式層神經(jīng)元向與之相連的那個(gè)類別層神經(jīng)元貢獻(xiàn)一個(gè)信 號(hào)，這個(gè)信號(hào)的強(qiáng)度等于以當(dāng)前軟性磨粒兩相流流型的訓(xùn)練樣本為中心的高斯函數(shù)產(chǎn)生該 流型測(cè)試樣本點(diǎn)的初始概率；3)在分類層的待預(yù)測(cè)軟性磨粒兩相流流型樣本矩陣中，計(jì)算 每個(gè)流型樣本歸入各個(gè)流型的初始概率和，即計(jì)算隱含層每一類徑向基元的輸出對(duì)分類層 各個(gè)神經(jīng)元的加權(quán)之和；4)計(jì)算每個(gè)流型樣本歸入各個(gè)類別(流型)的歸一化概率，用競(jìng)爭(zhēng) 函數(shù)作用第i個(gè)樣本歸入第j種流型的歸一化概率，找出該測(cè)試樣本歸入四種流型中第幾 種流型的概率最大，則該被測(cè)試樣本就屬于概率最大的那種流型類別，便可得到所輸入的 測(cè)試樣本為何種磨粒兩相流流型。如附圖1所示，一種基于人工智能的軟性磨粒兩相湍流流型識(shí)別方法的具體流 程。通過使用FLUENT軟件，獲取反映軟性磨粒兩相湍流各種流型特征的客觀數(shù)理描述和流 型轉(zhuǎn)變過程中特征參數(shù)的變化規(guī)律(壓力信號(hào))，根據(jù)小波包的定量分析，運(yùn)用所得參數(shù)(小 波包信息熵)構(gòu)成的特征向量輸入概率神經(jīng)網(wǎng)絡(luò)(PNN)進(jìn)行訓(xùn)練，然后將待測(cè)試樣本輸入進(jìn) 行判斷，找出該測(cè)試樣本屬于何種流型的概率最大，從而得到該樣本屬于何種流型，進(jìn)而實(shí) 現(xiàn)湍流流型的客觀識(shí)別與劃分。其一般包括軟性磨粒兩相湍流壓力信號(hào)的采集、信號(hào)特征 提取及分析，利用PNN對(duì)由定義的特征參數(shù)構(gòu)成的流型樣本進(jìn)行訓(xùn)練并用未知樣本檢驗(yàn)， 以及流型的判斷等環(huán)節(jié)。(1)反映軟性磨粒兩相湍流各種流型特征參數(shù)的獲取
壓力信號(hào)波動(dòng)與流型的變化密切相關(guān)，壓力信號(hào)的波動(dòng)可以提供流型識(shí)別的足夠信 息。壓力信號(hào)對(duì)流動(dòng)沒有阻力，不會(huì)影響流型的穩(wěn)定和觀測(cè)，其可以用FLUENT軟件進(jìn)行獲 取。設(shè)置不同的軟性磨粒兩相流的速度值，選取模型上某點(diǎn)進(jìn)行仿真，獲取迭代225步之后 的壓力_時(shí)間圖作為原始?jí)毫π盘?hào)。(2)壓力波動(dòng)信號(hào)特征提取及分析
直接由獲取的壓力波動(dòng)信號(hào)不能較好地識(shí)別不同流型，需將其進(jìn)行特征提取及分析，采用小波包分析法，得到能取做指紋的特征矢量，此處提取小波包的信息熵，以信息熵作為 元素構(gòu)造特征向量，作為輸入神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。①小波包分析
小波包分析對(duì)應(yīng)的函數(shù)空間劃分，其中下標(biāo)代表尺度，Wj_2對(duì)應(yīng)當(dāng)前分析的最低頻空 間，VWj_2、WVj_2、ffffj_2為中心頻率逐漸升高的頻帶，可見小波包分析對(duì)頻帶的劃分是一個(gè)完 全二叉樹的形式。雙尺度遞歸方程為
rk (i) Uf)極 g(kWJ、2t -均k.
式中，A(幻、分別為尺度函數(shù)和小波函數(shù)的濾波器系數(shù)。若尺度函數(shù)辦)和小波函數(shù)帥)滿足小波雙尺度差分方程，令巧= , =樹,則由式(1)定義的函數(shù)列為關(guān)于尺度函數(shù)的小波包，它是小波
函數(shù)爐 的一種推廣，小波包函數(shù)構(gòu)成￡2(i )空間上一組規(guī)范正交 基，J代表尺度，m代表小波包子空間序號(hào)。若有信號(hào)/④4 ,則其經(jīng)小波包分解后為式
制時(shí)” )⑵
JS
式中，I為平移參數(shù)—為低通濾波器作用-力高通濾波器作用。小波包分解算法說明任一信號(hào)經(jīng)小波包分解后總可變?yōu)閮刹糠忠徊糠质切盘?hào)經(jīng)
低通濾波器H的作用，即在I上的投影；另一部分是經(jīng)高通濾波器cj的作
用，即在l L+1(2_ -()“上的投影。②利用小波包提取特征信息的算法
結(jié)合附圖2，由小波包分解提取壓力波動(dòng)信號(hào)特征的具體算法為 a、為獲得壓力波動(dòng)信號(hào)在不同頻帶內(nèi)的能量，對(duì)原始信號(hào)J進(jìn)行四層小波包分解(見 附圖3)，分別提取第四層從低頻到高頻16個(gè)頻率成分的信號(hào)。b、對(duì)小波包分解系數(shù)進(jìn)行重構(gòu)，提取各頻帶范圍的信號(hào)，以知表示的重構(gòu)信 號(hào)，其他以次類推。此處只對(duì)第四層的所有結(jié)點(diǎn)進(jìn)行分析，則總信號(hào)可表示為式
s = +Sn + -- + Sm +Sm(3)
設(shè)原始信號(hào)S中，最低頻率成分為0，最高頻率成分為256，則提取的S切(m = 0,1,-15) 16個(gè)頻率成分所代表的頻率范圍如表1所示。
9
權(quán)利要求
一種基于人工智能的軟性磨粒兩相湍流流型識(shí)別方法，其特征在于所述軟性磨粒兩相湍流流型識(shí)別方法包括以下步驟1)軟性磨粒兩相湍流壓力信號(hào)的采集使用FLUENT軟件中歐拉模型與重整化群雙方程模型相結(jié)合的仿真技術(shù)，對(duì)小尺寸彎道內(nèi)不同速度下的軟性磨粒兩相流進(jìn)行仿真，設(shè)定仿真時(shí)間，對(duì)小尺寸彎道內(nèi)壁面頂點(diǎn)處壓力進(jìn)行采集，所述的小尺寸彎道為出口處帶有一小段直管的180°大曲率圓管；2)壓力信號(hào)特征提取及分析采用小波包方法將頻帶進(jìn)行多層次劃分，對(duì)多分辨率沒有細(xì)分的高頻部分進(jìn)一步分解，并根據(jù)被分析信號(hào)的特征，自適應(yīng)地選擇相應(yīng)頻帶，使之與信號(hào)頻譜匹配；具體實(shí)施過程如下2.1)對(duì)采集到的壓力信號(hào)進(jìn)行四層小波包分解，分別提取第四層從低頻到高頻所有頻率成分的信號(hào)；2.2)對(duì)小波包分解系數(shù)進(jìn)行重構(gòu)，提取各頻帶范圍的信號(hào)，得到重構(gòu)信號(hào)，對(duì)第四層的所有結(jié)點(diǎn)進(jìn)行分析，得到新的總信號(hào)表示；2.3)將信號(hào)的小波包分解看成是對(duì)信號(hào)的一種劃分，定義這種劃分的測(cè)度，并根據(jù)信息熵的基本理論，定義小波包信息熵；2.4)以信息熵為元素構(gòu)造能取做指紋的特征矢量，對(duì)信息熵特征向量進(jìn)行歸一化，以歸一化后的信息熵作為元素構(gòu)造特征向量，作為輸入概率神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本并進(jìn)行識(shí)別；3)利用概率神經(jīng)網(wǎng)絡(luò)對(duì)由定義的特征參數(shù)構(gòu)成的流型樣本進(jìn)行訓(xùn)練并識(shí)別，根據(jù)概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)樣本的關(guān)系，所述學(xué)習(xí)樣本為歸一化后的小波包信息熵特征向量，確定用于流型識(shí)別的概率神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，對(duì)該網(wǎng)絡(luò)進(jìn)行相關(guān)設(shè)置并進(jìn)行學(xué)習(xí)訓(xùn)練，使用該概率神經(jīng)網(wǎng)絡(luò)對(duì)不同流型樣本的識(shí)別；具體實(shí)施過程如下3.1)流型識(shí)別的概率神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)的確定由概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和歸一化后的小波包信息熵特征向量的關(guān)系，確定概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為由輸入層、隱含層和輸出層組成的三層前向網(wǎng)絡(luò)；3.2)對(duì)概率神經(jīng)網(wǎng)絡(luò)進(jìn)行設(shè)置并進(jìn)行學(xué)習(xí)訓(xùn)練，其步驟為3.2.1)將壓力波動(dòng)信號(hào)的歸一化小波包信息熵作為網(wǎng)絡(luò)的輸入向量；3.2.2)對(duì)輸入層至模式層的權(quán)值進(jìn)行初始化；3.2.3)將作為概率神經(jīng)網(wǎng)絡(luò)輸入的第個(gè)樣本的第個(gè)屬性參數(shù)的值作為隱含層基函數(shù)的中心；3.2.4)隱含層的基函數(shù)為高斯函數(shù)，輸出層的傳遞函數(shù)為競(jìng)爭(zhēng)函數(shù)，在其尋找到輸入特征向量中的最大元素后，把相應(yīng)的神經(jīng)元的輸出置為1，其余輸出置為0，從而得到在該流型下對(duì)應(yīng)的一個(gè)特征序列值，該序列值就代表不同類別的軟性磨粒兩相流流型；3.3)使用概率神經(jīng)網(wǎng)絡(luò)對(duì)不同流型的識(shí)別是通過完成輸入特征向量到流型類別的非線性映射實(shí)現(xiàn)的，其流程為3.3.1)把采集到的壓力信號(hào)經(jīng)小波包分析得到的歸一化后的小波包信息熵測(cè)試樣本提供給輸入節(jié)點(diǎn)，每一個(gè)模式層神經(jīng)元都計(jì)算內(nèi)積，得到“網(wǎng)絡(luò)激勵(lì)”，并產(chǎn)生該“網(wǎng)絡(luò)激勵(lì)”的一個(gè)非線性函數(shù)；3.3.2)每一個(gè)類別層神經(jīng)元將與之相連的模式層神經(jīng)元的結(jié)果進(jìn)行相加；3.3.3)在分類層的待預(yù)測(cè)軟性磨粒兩相流流型樣本矩陣中，計(jì)算每個(gè)流型樣本歸入各個(gè)流型的初始概率和，即計(jì)算隱含層每一類徑向基元的輸出對(duì)分類層各個(gè)神經(jīng)元的加權(quán)之和；3.3.4)計(jì)算每個(gè)流型樣本歸入各個(gè)類別流型的歸一化概率，用競(jìng)爭(zhēng)函數(shù)作用第i個(gè)樣本歸入第j種流型的歸一化概率，找出該測(cè)試樣本歸入四種流型中第幾種流型的概率最大，則該被測(cè)試樣本就屬于概率最大的那種流型類別，得到所輸入的測(cè)試樣本為何種磨粒兩相流流型。201010522868X100001dest_path_image001.jpg,201010522868X100001dest_path_image002.jpg
2.如權(quán)利要求1所述的一種基于人工智能的軟性磨粒兩相湍流流型識(shí)別方法，其特征 在于所述步驟3. 1)中，輸入層的神經(jīng)元個(gè)數(shù)與歸一化后的小波包信息熵特征向量的元素 個(gè)數(shù)相等，為16個(gè)，隱含層有20個(gè)神經(jīng)元，輸入層與隱含層各神經(jīng)元之間均有連接；流型的 類別決定輸出層神經(jīng)元個(gè)數(shù)，輸出層其每一個(gè)神經(jīng)元代表一種模式類型，且只與屬于自己 類別的隱含層神經(jīng)元相連接，而與隱含層的其它神經(jīng)元沒有連接，輸出為相應(yīng)神經(jīng)元之間 的加權(quán)和，隱含層與求和層以等權(quán)值連接來匹配概率。
3.如權(quán)利要求1或2所述的一種基于人工智能的軟性磨粒兩相湍流流型識(shí)別方法，其 特征在于在所述步驟3. 3. 2)中，每一個(gè)模式層神經(jīng)元向與之相連的那個(gè)類別層神經(jīng)元貢 獻(xiàn)一個(gè)信號(hào)，這個(gè)信號(hào)的強(qiáng)度等于以當(dāng)前軟性磨粒兩相流流型的訓(xùn)練樣本為中心的高斯函 數(shù)產(chǎn)生該流型測(cè)試樣本點(diǎn)的初始概率。
全文摘要
一種基于人工智能的軟性磨粒兩相湍流流型識(shí)別方法，包括以下步驟1)軟性磨粒兩相湍流壓力信號(hào)的采集；2)壓力信號(hào)特征提取及分析采用小波包方法將頻帶進(jìn)行多層次劃分，對(duì)多分辨率沒有細(xì)分的高頻部分進(jìn)一步分解，并根據(jù)被分析信號(hào)的特征，自適應(yīng)地選擇相應(yīng)頻帶，使之與信號(hào)頻譜匹配；3)利用概率神經(jīng)網(wǎng)絡(luò)對(duì)由定義的特征參數(shù)構(gòu)成的流型樣本進(jìn)行訓(xùn)練并識(shí)別，根據(jù)概率神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)樣本的關(guān)系，所述學(xué)習(xí)樣本為歸一化后的小波包信息熵特征向量，確定用于流型識(shí)別的概率神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，對(duì)該網(wǎng)絡(luò)進(jìn)行相關(guān)設(shè)置并進(jìn)行學(xué)習(xí)訓(xùn)練，使用該概率神經(jīng)網(wǎng)絡(luò)對(duì)不同流型樣本的識(shí)別。本發(fā)明準(zhǔn)確性高、適用性良好、可靠性高、能夠有效滿足在線識(shí)別要求。
文檔編號(hào)G01N11/00GK101984340SQ201010522868
公開日2011年3月9日 申請(qǐng)日期2010年10月28日 優(yōu)先權(quán)日2010年10月28日
發(fā)明者蘭信鴻, 張利, 王迎春, 章定, 袁巧玲, 計(jì)時(shí)鳴, 譚大鵬, 鐘佳奇 申請(qǐng)人:浙江工業(yè)大學(xué)