专利名称：一种基于人工智能的软性磨粒两相湍流流型识别方法
技术领域：
本发明涉及一种两相流流型识别方法，更具体地说，是一种基于人工智能的软性 磨粒两相湍流流型识别方法。
背景技术：
流型(表征了流体的流动形态)，可以分为层流、湍流以及介于两者之间的过渡流。 其表示了流体质点运动的轨迹及速度分布。圆管内层流流型为抛物线速度分布；湍流流型 的速度分布服从卡曼_普兰德1/7指数定律。两相流流型同时又表征了两相流动介质的相 界面分布情况。目前，在动力、化工、核能、制冷、石油和冶金等行业的许多生产设备中都涉 及两相流动工况，甚至在模具微细结构化表面的精密加工方面都有其应用。因此，两相流流 型极大地影响着两相流的流动特性，同时也影响着流动参数的准确测量以及两相流系统的 运行特性，所以两相流流型识别的研究一直是两相流参数测量的一个重要研究方向，同时 也为相关工业生产设备安全、经济运行以及实验观测提供了有力的技术支持。流型识别技术经过几十年的发展，由当初的流型状态图和流型转变的模型判据的 理论预测发展到采用一些特殊仪器的直接测量和运用信息处理手段的间接测量，取得了长 足的进展。目前，两相流的识别方法主要有两种直接识别法和间接识别法。直接识别法主 要采用流动可视化的方法，这种方法在管道和流动介质不透明、流速高时候识别的准确率 很低。间接识别法是利用流动的脉动特性进行识别的方法，常用的脉动量是压力(或压差)， 它结合了先进的现代检测理论(现代信号分析与处理、非线性信息处理、小波分析、模式识 别、人工神经网络等)，是揭示流型这一复杂动力学特征的有利手段。在对模具微细结构化流道内软性两相磨粒流的流型识别中，也有一些传统方法， 如采用实验方法做出流型图；根据对流型转变机理得到的转变关系式，利用现场的流动参 数来确定具体的流型。但是这些传统的识别方法存在许多不足一是传统的识别方法需要 测量磨粒两相流的流量、速度，结构化流道的尺寸等现在还不能准确测量的参数，而且计算 磨粒两相流的粘度和雷诺数时也会出现一定的误差；二是已有的流型图和半经验半理论流 型转变准则都有一定的适用范围，难以适应变化多样的实际流动；三是传统的识别方法不 可避免地受到主观因素的影响，很难做到流型的客观识别；四是传统的识别方法不能满足 生产和实验过程中对流型的在线识别要求。

发明内容
为了克服已有软性磨粒两相湍流流型识别方法的准确性较低、适用性较差、可靠 性不高、无法满足在线识别要求的不足，本发明提供一种准确性高、适用性良好、可靠性高、 能够有效满足在线识别要求的基于人工智能的软性磨粒两相湍流流型识别方法。本发明解决其技术问题所采用的技术方案是
一种基于人工智能的软性磨粒两相湍流流型识别方法，所述软性磨粒两相湍流流型识 别方法包括以下步骤1)软性磨粒两相湍流压力信号的采集
使用FLUENT软件中欧拉模型与重整化群双方程模型相结合的仿真技术，对小尺寸弯 道内不同速度下的软性磨粒两相流进行仿真，设定仿真时间，对小尺寸弯道内壁面顶点处 压力进行采集，所述的小尺寸弯道为出口处带有一小段直管的180°大曲率圆管；
2)压力信号特征提取及分析
采用小波包方法将频带进行多层次划分，对多分辨率没有细分的高频部分进一步分 解，并根据被分析信号的特征，自适应地选择相应频带，使之与信号频谱匹配；具体实施过 程如下2. 1)对采集到的压力信号进行四层小波包分解，分别提取第四层从低频到高频所 有频率成分的信号；2. 2)对小波包分解系数进行重构，提取各频带范围的信号，得到重构信 号，对第四层的所有结点进行分析，得到新的总信号表示；2. 3)将信号的小波包分解看成是 对信号的一种划分，定义这种划分的测度，并根据信息熵的基本理论，定义小波包信息熵； 2. 4)以信息熵为元素构造能取做指纹的特征矢量，对信息熵特征向量进行归一化，以归一 化后的信息熵作为元素构造特征向量，作为输入概率神经网络的训练样本并进行识别；
3)利用概率神经网络对由定义的特征参数构成的流型样本进行训练并识别，
根据概率神经网络结构和学习样本的关系，所述学习样本为归一化后的小波包信息熵 特征向量，确定用于流型识别的概率神经网络的结构，对该网络进行相关设置并进行学习 训练，使用该概率神经网络对不同流型样本的识别；具体实施过程如下
3. 1)流型识别的概率神经网络的结构的确定由概率神经网络结构和归一化后的小波 包信息熵特征向量的关系，确定概率神经网络结构为由输入层、隐含层和输出层组成的三 层前向网络；
3. 2)对概率神经网络进行设置并进行学习训练，其步骤为3. 2. 1)将 压力波动信号的归一化小波包信息熵作为网络的输入向量；3. 2. 2)对输 入层至模式层的权值进行初始化；3. 2. 3)将作为概率神经网络输入的第 I个样本的第^个属性参数的值作为隐含层基函数的中心；3. 2. 4)隐含层的基函数为高斯 函数，输出层的传递函数为竞争函数，在其寻找到输入特征向量中的最大元素后，把相应的 神经元的输出置为1，其余输出置为0，从而得到在该流型下对应的一个特征序列值，该序 列值就代表不同类别的软性磨粒两相流流型；
3. 3)使用概率神经网络对不同流型的识别是通过完成输入特征向量到流型类别的非 线性映射实现的，其流程为3. 3. 1)把采集到的压力信号经小波包分析得到的归一化后的 小波包信息熵测试样本提供给输入节点，每一个模式层神经元都计算内积，得到“网络激 励”，并产生该“网络激励”的一个非线性函数；3. 3. 2)每一个类别层神经元将与之相连的模 式层神经元的结果进行相加；3. 3. 3)在分类层的待预测软性磨粒两相流流型样本矩阵中， 计算每个流型样本归入各个流型的初始概率和，即计算隐含层每一类径向基元的输出对分 类层各个神经元的加权之和；3. 3. 4)计算每个流型样本归入各个类别流型的归一化概率， 用竞争函数作用第i个样本归入第j种流型的归一化概率，找出该测试样本归入四种流型 中第几种流型的概率最大，则该被测试样本就属于概率最大的那种流型类别，得到所输入 的测试样本为何种磨粒两相流流型。 作为优选的一种方案所述步骤3. 1)中，输入层的神经元个数与归一化后的小波 包信息熵特征向量的元素个数相等，为16个，隐含层有20个神经元，输入层与隐含层各神经元之间均有连接；流型的类别决定输出层神经元个数，输出层其每一个神经元代表一种 模式类型，且只与属于自己类别的隐含层神经元相连接，而与隐含层的其它神经元没有连 接，输出为相应神经元之间的加权和，隐含层与求和层以等权值连接来匹配概率。进一步，在所述步骤3. 3. 2)中，每一个模式层神经元向与之相连的那个类别层神 经元贡献一个信号，这个信号的强度等于以当前软性磨粒两相流流型的训练样本为中心的 高斯函数产生该流型测试样本点的初始概率。本发明的技术构思为本发明是针对模具结构化表面内软性磨粒两相流提出的。 基于软性磨粒流的模具结构化表面无工具精密光整加工新方法是通过在被加工的结构化 表面附近配置约束模块，构成磨粒流约束流道，使被加工表面成为流道壁面的一部分；以约 束流道内流动的软性磨粒流替代加工工具实现对被加工表面的光整加工；软性磨粒流的有 效加工是在湍流状态下进行，为得到相应的加工效果(即需达到湍流状态)，有必要对不能 直接进行目测的软性两相磨粒流的流型进行识别，以为实际加工进行操作性指导。基于以上流型识别方法存在的不足，本发明提出一种基于人工智能的软性磨粒两 相湍流流型识别方法，该方法是通过相关软件对反应流型的压力信号进行采集，并进行小 波包分析，然后再用概率神经网络实现流型的识别。该方法相对传统识别方法具有实用、方 便、高效、准确的特点，尤其对实际加工中难以观察的微细流道内软性两相磨料流流型的识 别具有十分重要的意义。本发明的有益效果主要表现在
(1)解决了实际加工中微细流道内软性两相磨料流流型难以观察以及
传统流型识别方法存在的问题。该识别方法大大减少了人为识别的主观性因素，有效提高 了识别的效率和准确率，并且降低了流型识别的成本。(2)提供了一种使软性磨粒两相流压力信号的信息得到完整保留 的可靠方法。该方法中使用的小波包分解是在多分辨率基础上构成的一种精细的正交分解 方法，它可以根据被分析的软性磨粒两相流压力信号本身的特点，自适应地选择频带，确定 压力信号在不同频段的分辨率，具有随分辨率的增加，变宽的频谱窗口进一步分割变细的 优良品质。小波包的完整性和正交性能较好地描述非平稳的软性磨粒两相流压力信号的细 T1 fn 息。(3)使软性磨粒两相流流型的转变得以更好地表征。该流型识别方 法中，以软性磨粒两相流压力信号不同频率成分的信息熵作为流型识别的特征向量，不同 频率成分的两相流压力信号的信息熵中，包含了丰富的流型信息，某种或某几个频率成分 信息熵的改变即代表了流型的转变，以信息熵作为流型识别的特征向量可以较好地体现流 型之间的特征。(4)能够满足软性磨粒两相流流型实时识别与分析的需要。该流 型识别方法采用概率神经网络结构简单；收敛速度快，耗时少；准确率高；结果总收敛于 Bayes优化解，稳定性高；抗干扰能力强，对噪声具有较强的诊断鲁棒性；具有较强的自适 应能力。


图1是基于人工智能的软性磨粒两相湍流流型识别方法的具体流程图；图2是利用小波包提取特征信息的流程图； 图3是对所采集到的压力信号进行小波包四层分解树结构图； 图4是概率神经网络流型识别系统示意图； 图5是概率神经网络学习训练流程图； 图6是概率神经网络的流型识别流程图。
具体实施例方式结合附图，下面对本发明进行详细说明。参照图广图6，一种基于人工智能的软性磨粒两相湍流流型识别方法，通过使用 欧拉模型与重整化群(RNG)双方程模型相结合的仿真技术，获取反映软性磨粒两相湍流各 种流型特征的客观数理描述和流型转变过程中特征参数的变化规律，根据小波包的定量分 析，运用所得参数构成的特征向量输入概率神经网络(PNN)进行训练并识别，实现湍流流 型的客观识别与划分。其一般包括软性磨粒两相湍流压力信号的采集、信号特征提取及分 析，利用PNN对由定义的特征参数构成的流型样本进行训练并用未知样本检验，以及流型 的判断等环节。所述的软性磨粒两相湍流压力信号的采集，使用FLUENT软件中欧拉模型与重整 化群(RNG)双方程模型相结合的仿真技术，对小尺寸弯道内不同速度下的软性磨粒两相流 进行仿真，设定合适的仿真时间，对小尺寸弯道内壁面顶点处压力进行采集，得到弯道内该 点的压力随时间变化的曲线图。所述的小尺寸弯道为出口处带有一小段直管的180°大曲率圆管，管直径2毫米、 弯道半径10毫米，直道长度为5毫米。所述的压力信号特征提取及分析采用小波包方法，是函数空间逐级正交剖分的扩 展，为信号提供一种更加精细的分析方法，将频带进行多层次划分，对多分辨率没有细分的 高频部分进一步分解，实施类似于对低频空间的处理，并能够根据被分析信号的特征，自适 应地选择相应频带，使之与信号频谱匹配。该方法的具体实施过程可描述如下1)对采集到 的压力信号进行四层小波包分解，分别提取第四层从低频到高频所有频率成分的信号(小 波包分解系数)；2)对小波包分解系数进行重构，提取各频带范围的信号，得到重构信号，对 第四层的所有结点进行分析，得到新的总信号表示；3)将信号的小波包分解看成是对信号 的一种划分，定义这种划分的测度，并根据信息熵的基本理论，定义小波包信息熵；4)以信 息熵为元素构造能取做指纹的特征矢量，为避免在数据分析上带来的不便，对信息熵特征 向量进行归一化，以归一化后的信息熵作为元素构造特征向量，作为输入概率神经网络的 训练样本并进行识别。所述利用概率神经网络对由定义的特征参数构成的流型样本进行训练并识别，根 据概率神经网络结构和学习样本(归一化后的小波包信息熵特征向量)的关系，确定用于流 型识别的概率神经网络的结构，对该网络进行相关设置并进行学习训练，以实现使用该概 率神经网络对不同流型样本的识别。所述用于流型识别的概率神经网络的结构的确定，其特征在于，由概率神经网络 结构和归一化后的小波包信息熵特征向量的关系，确定概率神经网络结构为由输入层、隐 含层(又称模式层)和输出层(又称求和层)组成的三层前向网络。输入层的神经元个数与
7归一化后的小波包信息熵特征向量的元素个数相等，为16个，隐含层有20个神经元，输入 层与隐含层各神经元之间均有连接；流型的类别决定输出层神经元个数(4个)，输出层其 每一个神经元代表一种模式类型，且只与属于自己类别的隐含层神经元相连接，而与隐含 层的其它神经元没有连接，输出为相应神经元之间的加权和，隐含层与求和层以等权值连 接来匹配概率。所述的对概率神经网络进行设置并进行学习训练，其步骤为1)将压力波动信号 的归一化小波包信息熵作为网络的输入向量，每种流型取40个训练样本，4种流型共160个 训练样本进行训练；2)对输入层至模式层的权值进行初始化；3)将作为概率神经网络输入 的第r个样本的第J个属性参数的值作为隐含层基函数的中心；4)隐含层的基函数为高斯 函数，输出层的传递函数为竞争函数，在其寻找到输入特征向量中的最大元素后，把相应的 神经元的输出置为1，其余输出置为0，从而得到在该流型下对应的一个特征序列值，该序 列值就代表了不同类别的软性磨粒两相流流型。所述的使用概率神经网络对不同流型的识别是通过完成输入特征向量到流型类 别的非线性映射实现的，其流程为1)把采集到的压力信号经小波包分析得到的归一化后 的小波包信息熵测试样本提供给输入节点，每一个模式层神经元都计算内积，得到“网络激 励”，并产生该“网络激励”的一个非线性函数；2)每一个类别层神经元将与之相连的模式层 神经元的结果进行相加。每一个模式层神经元向与之相连的那个类别层神经元贡献一个信 号，这个信号的强度等于以当前软性磨粒两相流流型的训练样本为中心的高斯函数产生该 流型测试样本点的初始概率；3)在分类层的待预测软性磨粒两相流流型样本矩阵中，计算 每个流型样本归入各个流型的初始概率和，即计算隐含层每一类径向基元的输出对分类层 各个神经元的加权之和；4)计算每个流型样本归入各个类别(流型)的归一化概率，用竞争 函数作用第i个样本归入第j种流型的归一化概率，找出该测试样本归入四种流型中第几 种流型的概率最大，则该被测试样本就属于概率最大的那种流型类别，便可得到所输入的 测试样本为何种磨粒两相流流型。如附图1所示，一种基于人工智能的软性磨粒两相湍流流型识别方法的具体流 程。通过使用FLUENT软件，获取反映软性磨粒两相湍流各种流型特征的客观数理描述和流 型转变过程中特征参数的变化规律(压力信号)，根据小波包的定量分析，运用所得参数(小 波包信息熵)构成的特征向量输入概率神经网络(PNN)进行训练，然后将待测试样本输入进 行判断，找出该测试样本属于何种流型的概率最大，从而得到该样本属于何种流型，进而实 现湍流流型的客观识别与划分。其一般包括软性磨粒两相湍流压力信号的采集、信号特征 提取及分析，利用PNN对由定义的特征参数构成的流型样本进行训练并用未知样本检验， 以及流型的判断等环节。(1)反映软性磨粒两相湍流各种流型特征参数的获取
压力信号波动与流型的变化密切相关，压力信号的波动可以提供流型识别的足够信 息。压力信号对流动没有阻力，不会影响流型的稳定和观测，其可以用FLUENT软件进行获 取。设置不同的软性磨粒两相流的速度值，选取模型上某点进行仿真，获取迭代225步之后 的压力_时间图作为原始压力信号。(2)压力波动信号特征提取及分析
直接由获取的压力波动信号不能较好地识别不同流型，需将其进行特征提取及分析，采用小波包分析法，得到能取做指纹的特征矢量，此处提取小波包的信息熵，以信息熵作为 元素构造特征向量，作为输入神经网络的训练样本。①小波包分析
小波包分析对应的函数空间划分，其中下标代表尺度，Wj_2对应当前分析的最低频空 间，VWj_2、WVj_2、ffffj_2为中心频率逐渐升高的频带，可见小波包分析对频带的划分是一个完 全二叉树的形式。双尺度递归方程为
rk (i) Uf)极 g(kWJ、2t -均k.
式中，A(幻、分别为尺度函数和小波函数的滤波器系数。若尺度函数辦)和小波函数帅)满足小波双尺度差分方程，令巧= , =树,则由式(1)定义的函数列为关于尺度函数的小波包，它是小波
函数炉 的一种推广，小波包函数构成￡2(i )空间上一组规范正交 基，J代表尺度，m代表小波包子空间序号。若有信号/④4 ,则其经小波包分解后为式
制时” )⑵
JS
式中，I为平移参数—为低通滤波器作用-力高通滤波器作用。小波包分解算法说明任一信号经小波包分解后总可变为两部分一部分是信号经
低通滤波器H的作用，即在I上的投影；另一部分是经高通滤波器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
结合附图2，由小波包分解提取压力波动信号特征的具体算法为 a、为获得压力波动信号在不同频带内的能量，对原始信号J进行四层小波包分解(见 附图3)，分别提取第四层从低频到高频16个频率成分的信号。b、对小波包分解系数进行重构，提取各频带范围的信号，以知表示的重构信 号，其他以次类推。此处只对第四层的所有结点进行分析，则总信号可表示为式
s = +Sn + -- + Sm +Sm(3)
设原始信号S中，最低频率成分为0，最高频率成分为256，则提取的S切(m = 0,1,-15) 16个频率成分所代表的频率范围如表1所示。
9
权利要求
一种基于人工智能的软性磨粒两相湍流流型识别方法，其特征在于所述软性磨粒两相湍流流型识别方法包括以下步骤1)软性磨粒两相湍流压力信号的采集使用FLUENT软件中欧拉模型与重整化群双方程模型相结合的仿真技术，对小尺寸弯道内不同速度下的软性磨粒两相流进行仿真，设定仿真时间，对小尺寸弯道内壁面顶点处压力进行采集，所述的小尺寸弯道为出口处带有一小段直管的180°大曲率圆管；2)压力信号特征提取及分析采用小波包方法将频带进行多层次划分，对多分辨率没有细分的高频部分进一步分解，并根据被分析信号的特征，自适应地选择相应频带，使之与信号频谱匹配；具体实施过程如下2.1)对采集到的压力信号进行四层小波包分解，分别提取第四层从低频到高频所有频率成分的信号；2.2)对小波包分解系数进行重构，提取各频带范围的信号，得到重构信号，对第四层的所有结点进行分析，得到新的总信号表示；2.3)将信号的小波包分解看成是对信号的一种划分，定义这种划分的测度，并根据信息熵的基本理论，定义小波包信息熵；2.4)以信息熵为元素构造能取做指纹的特征矢量，对信息熵特征向量进行归一化，以归一化后的信息熵作为元素构造特征向量，作为输入概率神经网络的训练样本并进行识别；3)利用概率神经网络对由定义的特征参数构成的流型样本进行训练并识别，根据概率神经网络结构和学习样本的关系，所述学习样本为归一化后的小波包信息熵特征向量，确定用于流型识别的概率神经网络的结构，对该网络进行相关设置并进行学习训练，使用该概率神经网络对不同流型样本的识别；具体实施过程如下3.1)流型识别的概率神经网络的结构的确定由概率神经网络结构和归一化后的小波包信息熵特征向量的关系，确定概率神经网络结构为由输入层、隐含层和输出层组成的三层前向网络；3.2)对概率神经网络进行设置并进行学习训练，其步骤为3.2.1)将压力波动信号的归一化小波包信息熵作为网络的输入向量；3.2.2)对输入层至模式层的权值进行初始化；3.2.3)将作为概率神经网络输入的第个样本的第个属性参数的值作为隐含层基函数的中心；3.2.4)隐含层的基函数为高斯函数，输出层的传递函数为竞争函数，在其寻找到输入特征向量中的最大元素后，把相应的神经元的输出置为1，其余输出置为0，从而得到在该流型下对应的一个特征序列值，该序列值就代表不同类别的软性磨粒两相流流型；3.3)使用概率神经网络对不同流型的识别是通过完成输入特征向量到流型类别的非线性映射实现的，其流程为3.3.1)把采集到的压力信号经小波包分析得到的归一化后的小波包信息熵测试样本提供给输入节点，每一个模式层神经元都计算内积，得到“网络激励”，并产生该“网络激励”的一个非线性函数；3.3.2)每一个类别层神经元将与之相连的模式层神经元的结果进行相加；3.3.3)在分类层的待预测软性磨粒两相流流型样本矩阵中，计算每个流型样本归入各个流型的初始概率和，即计算隐含层每一类径向基元的输出对分类层各个神经元的加权之和；3.3.4)计算每个流型样本归入各个类别流型的归一化概率，用竞争函数作用第i个样本归入第j种流型的归一化概率，找出该测试样本归入四种流型中第几种流型的概率最大，则该被测试样本就属于概率最大的那种流型类别，得到所输入的测试样本为何种磨粒两相流流型。201010522868X100001dest_path_image001.jpg,201010522868X100001dest_path_image002.jpg
2.如权利要求1所述的一种基于人工智能的软性磨粒两相湍流流型识别方法，其特征 在于所述步骤3. 1)中，输入层的神经元个数与归一化后的小波包信息熵特征向量的元素 个数相等，为16个，隐含层有20个神经元，输入层与隐含层各神经元之间均有连接；流型的 类别决定输出层神经元个数，输出层其每一个神经元代表一种模式类型，且只与属于自己 类别的隐含层神经元相连接，而与隐含层的其它神经元没有连接，输出为相应神经元之间 的加权和，隐含层与求和层以等权值连接来匹配概率。
3.如权利要求1或2所述的一种基于人工智能的软性磨粒两相湍流流型识别方法，其 特征在于在所述步骤3. 3. 2)中，每一个模式层神经元向与之相连的那个类别层神经元贡 献一个信号，这个信号的强度等于以当前软性磨粒两相流流型的训练样本为中心的高斯函 数产生该流型测试样本点的初始概率。
全文摘要
一种基于人工智能的软性磨粒两相湍流流型识别方法，包括以下步骤1)软性磨粒两相湍流压力信号的采集；2)压力信号特征提取及分析采用小波包方法将频带进行多层次划分，对多分辨率没有细分的高频部分进一步分解，并根据被分析信号的特征，自适应地选择相应频带，使之与信号频谱匹配；3)利用概率神经网络对由定义的特征参数构成的流型样本进行训练并识别，根据概率神经网络结构和学习样本的关系，所述学习样本为归一化后的小波包信息熵特征向量，确定用于流型识别的概率神经网络的结构，对该网络进行相关设置并进行学习训练，使用该概率神经网络对不同流型样本的识别。本发明准确性高、适用性良好、可靠性高、能够有效满足在线识别要求。
文档编号G01N11/00GK101984340SQ201010522868
公开日2011年3月9日 申请日期2010年10月28日 优先权日2010年10月28日
发明者兰信鸿, 张利, 王迎春, 章定, 袁巧玲, 计时鸣, 谭大鹏, 钟佳奇 申请人:浙江工业大学