基于复合多尺度等概率符号化样本熵的两相流动态特性分析

多尺度样本熵(MSE)在两相流动态特性分析中存在两点不足:一是熵值无法单纯反映时间序列信息增长速率,在高尺度下稳定性较差;二是传统粗粒化过程中有部分数据信息丢失.针对上述问题,提出复合多尺度等概率符号化样本熵(CMESSE),并通过对几种典型非线性时间序列进行分析验证了其有效性.与MSE相比,CMESSE不仅能够有效表征不同动力系统非线性时间序列复杂性,而且在时间序列较短时稳定性更好.在此基础上分析了123组流动条件下垂直上升管内空气-水两相流压差波动时间序列.研究结果表明,泡状流、塞状流及混状流的CMESSE变化趋势能够在不同尺度下定性表征不同流型的动态特性,CMESSE复杂性指数可跨多尺度定量描述不同流型的动力学复杂性.

基于EEMD与SVM的滚动轴承故障诊断分析

针对滚动轴承故障振动信号的非平稳与非线性的特点,提出一种基于集合经验模态分解(EEMD)指标能量的滚动轴承故障诊断分析方法。首先利用集合经验模态分解对滚动轴承故障振动信号进行降噪处理,提取故障振动信号能量特征,在此基础上构建相应的故障特征向量;然后通过SVM对滚动轴承故障进行分类,从而实现了对滚动轴承不同故障的有效诊断。

基于EEMD多尺度模糊熵与BP神经网络的滚动轴承故障表征诊断

针对滚动轴承故障振动时间序列非线性与非平稳性特征,提出一种基于多尺度模糊熵的滚动轴承故障诊断方法。首先通过集合经验模态分解对故障振动信号进行自适应分解;根据得到固有模态函数分量(IMF)求取相应的多尺度模糊熵;在此基础上以EEMD多尺度模糊熵作为故障特征输入到BP神经网络中进行学习和分类。实验结果表明该方法能够实现对轴承的内圈、外圈及滚动体三种故障类型的诊断,准确率达到了99.5%。

基于广义复合多尺度熵的两相流动力学分析

多尺度熵(MSE)作为一种度量非线性时间序列复杂程度的有效分析方法,已被应用于两相流动力学特性分析.针对MSE分析中粗粒化方式的不足,采用方差代替均值以及复合化熵值的广义复合多尺度熵(GCMSE)对几种典型时间序列进行了分析.与MSE相比,GCMSE分析有效且熵值的稳定性表现更好.在此基础上,分析了125种不同流动条件下垂直上升管内气液两相流3种典型流型的压差波动时间序列.研究结果表明:泡状流、塞状流、混状流的GCMSE均随尺度因子的增大而增大,但熵值增长速率存在明显的差异,在低尺度因子下熵值增长速率能够用来表征不同流型,在中高尺度因子下熵值波动特征能够映射不同流型的非线性动力学特性.

基于复杂网络的气液两相流流态识别

本文提出一种基于复杂网络的气液两相流流态识别方法。在通过空气-水两相流模拟系统采集流态演化的压差时间序列的基础上,以不同流动条件下的压差时间序列为节点,以基于节点间的相似性程度为边,构建流态复杂网络,然后利用复杂网络社团单元的探寻进行气液两相流的流态识别。通过与模拟实验结果对比,该方法的有效性得到了验证。