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

摘要

本发明公开了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；根据特征值和压力脉动信号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。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。

说明书

技术领域

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

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。

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

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。

技术方案：为实现上述目的，本发明采用的技术方案为：

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。

具体包括以下步骤：

步骤1，对气固流化床中压力脉动信号的进行采集；

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；

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；

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；

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。

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。

所述步骤2中的非线性分析方法为Hilbert-Huang变换分析法。

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：

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；

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。

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IMF，将 IMF分量能量定义如下：

$E=\underset{i=1}{\overset{n}{\Sigma }}\left|a_i^2\left(t\right)\right|$

式中，E为IMF分量的能量，n为采样样本总量，a_i(t)为第i个IMF对应的 瞬时振幅；

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E_m和低频段E_l，E_h、E_m、E_l即为所提取的特征值。

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：

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；

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。

所述步骤31中建立的聚类目标模型：

$J(X;U,V)={\Sigma }_{k=1}^c{\Sigma }_{i=1}^N{\left({\mu }_{ki}\right)}^m\left|\right|x_i-v_k|{|}^2;$

其中，J为聚类目标函数，X＝{x₁,x₂…x_N}为样本，每一个x_i＝[x_i1,x_i2...x_in] 都包含有n维特征值，c为聚类数，选取c个不同的x_i作为初始聚类中心v_{k,k＝1,2,…,c}， U为隶属度，V为聚类中心，m是权重系数，${\Sigma }_{k=1}^c{\mu }_{ki}=1,i=1,2,...,n,{\mu }_{ki}\in (0,1);$${\mu }_{ki}=1/{\Sigma }_j^c{(d_{ki}/d_{ji})}^{2/(m-1)},1\le k\le c,1\le i\le N;$$v_i={\Sigma }_{i=1}^n\left[{\left({\mu }_{ki}\right)}^m{x}_i\right]/{\Sigma }_{i=1}^n[{\left({\mu }_{ki}\right)}^m,1\le i\le c,$d_ki＝||x_i-v_k||，d_ji＝||x_i-v_j||。

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IMF1-IMF7或IMF1-IMF8；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。

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：

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

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。

图2是本发明示例进行数据处理后得到的IMF分量图。

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

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：

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。

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。

本发明的识别方法具体包括以下步骤：

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。

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(EmpiricalModeDecomposition，简称EMD)和希尔伯 特变换(HilbertTransportation，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 ModeFunction，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IMF，所得到的IMF体现了原始信号的特征信息，第一个IMF代 表原始信号的最高频部分。然后对每个IMF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IMF分量能量定义如下：

$E={\Sigma }_{i=1}^n\left|a_i^2\left(t\right)\right|---\left(1\right)$

式中，a_i(t)为第i个IMF对应的瞬时振幅。

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(E1、2、3)、中频 段E_m(E4～6)和低频段E_l(E7、8)，E_h、E_m、E_l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。

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。

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：

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；

所述步骤31中建立的聚类目标模型

$J(X;U,V)={\Sigma }_{k=1}^c{\Sigma }_{i=1}^N{\left({\mu }_{ki}\right)}^m\left|\right|x_i-v_k|{|}^2;---\left(2\right)$

其中，J为聚类目标函数，X＝{x₁,x₂…x_N}为样本，每一个x_i＝[x_i1,x_i2...x_in] 都包含有n维特征值，c为聚类数，选取c个不同的x_i作为初始聚类中心v_{k,k＝1,2,…,c}， U为隶属度，V为聚类中心，m是权重系数，${\Sigma }_{k=1}^c{\mu }_{ki}=1,i=1,2,...,n,{\mu }_{ki}\in (0,1);$μ_ki、v_i通过下式计算确定，d_ki＝||x_i-v_k||，d_ji＝||x_i-v_j||：

${\mu }_{ki}=1/{\Sigma }_j^c{(d_{ki}/d_{ji})}^{2/(m-1)},1\le k\le c,1\le i\le N---\left(3\right)$

$v_i={\Sigma }_{i=1}^n\left[{\left({\mu }_{ki}\right)}^m{x}_i\right]/{\Sigma }_{i=1}^n{\left({\mu }_{ki}\right)}^m,1\le i\le c,---\left(4\right)$

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，即将X＝{x₁,x₂…x_N}中的x_i归到中 心为v_k的各类中。

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。

将已聚类的特征值作为神经网络的训练数据进行流型识别系统的搭建与训 练。步骤4中所用的神经网络算法由输入层神经元结点、输出层神经元结点和隐 含层神经元结点构成。标准遗传算法的步骤如下：

1)确定种群中个体的数目、子代数目；

2)计算个体的适应度；

3)依据个体适应度选择或淘汰个体；

4)按照一定的交叉、变异概率和交叉方法，生成新的个体；

5)由交叉和变异产生新一代的种群；

6)达到设定子代数目停止算法。

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。

上述步骤1至步骤4是对流型识别系统的训练和建立，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。

实例

步骤一：压力脉动信号的采集，如图1所示，气固流化床3通过差压变送器 7和A/D数字信号转换采集器8进行数据采集，所采集数据记录在计算机9中； 也可采用无纸记录仪或其他信号转换采集系统。保证采样频率为100Hz，采用周 期在10秒以上。对不同气速和不同床层厚度的工况分别进行压力脉动信号采集， 本例中，采用石英砂和成型生物质颗粒不同比例的混合物料，共采样120组。

步骤二：通过非线性分析方法对步骤一所采集的压力脉动信号进行处理，提 取特征值：根据前述方法对采样数据进行处理，得到各组数据所对应的IMF能量 区间值。本例中每组压力脉动信号对应一个三维数组，该数组为IMF低频段、IMF 中频段和IMF高频段的能量值。图2为某一组数据的IMF分量图。

步骤三：根据气固流化床经典分类方式可分为固定床、鼓泡床、节涌床、 湍流床和快速床，快速床一般在循环流化床中实现，本示例中受流化床尺寸限制， 仅对前4种流型进行分类，设聚类数为4。采样数据集为120组，随机选取4组 数据集作为初始聚类中心，计算每一组数据的特征值与聚类中心的欧式距离，将 数据归入欧氏距离最小的聚类中心所对应的一类中，然后通过对每一类的所有数 据的特征值进行均值求算得到新的聚类中心，再次计算各组数据的特征值与聚类 中心的欧氏距离并将数据进行重新归类，直至聚类中心不再发生变化，聚类完成。 根据采样数据对应的流速，可将聚类与流型一一对应。本例中120组数据聚类结 果为：固定床31组、鼓泡床38组、节涌床24组、湍流组27组。

步骤四：将步骤三得到的聚类结果作为种群训练数据。设种群大小为100， 子代数目为200，交叉概率为0.5，变异概率为0.001。训练后的神经网络通过 其余20组未参与训练的数据进行验证，有18组识别正确，准确率为90％。参数 的选择可根据实际情况进行合理的调整，此处参数经过多次试验后确定。

步骤五：训练好的网络作为在线识别系统的一个模块与数据处理部分进行集 成，再次接入气固流化床系统中运行，每10秒的压力脉动信号作为一组数据进 行在线流型识别。识别结果直接通过计算机10的显示器进行显示。