槽式孔板气液两相流差压信号的时间序列分析

论文摘要

基于自行研制的凝析天然气流量计样机和大量的实验数据,本文应用时间序列分析方法对气液两相流的差压波动信号进行处理,分析时序模型参数随气液分相流量、气液两相流流型变化的规律,应用神经网络来映射它们之间的复杂关系,为流量计量算法的开发进行了有益的尝试。本文的主要工作和结论如下:（1）提出了一种新的信号处理方法,即应用小波变换模极大值滤波方法对差压测量信号去噪,然后对滤波结果进行经验模式分解获得经验模式函数（IMF）,这种信号处理方法能够使具有非平稳特性的差压信号满足时间序列分析的建模条件。（2）对IMF建立自回归（AR）模型,详细分析了AR模型的各个参数与气液两相流流型以及分相流量之间的关系;AR模型的参数可以有效地区分气液两相流流型,并与气液分相流量的变化密切相关,为应用神经网络映射模型参数与分相流量之间的非线性关系奠定了基础。（3）以气液分相流量作为神经网络的输出,将IMF的AR模型参数进行多种组合并分别作为输入,采用遗传算法（GA）优化BP神经网络的初始权值,比较了在不同参数组合下GA-BP网络与BP网络的性能;实验结果表明:在同样的输入条件下,GA-BP网络的精度高于BP网络;对于最佳的输入参数组合,在90%的置信概率下,当液相流量大于0.75m3/h时,GA-BP网络预报气液分相流量的相对误差分别低于10%和15%。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究背景及意义
• 1.2 气液两相流概述
• 1.2.1 基本参数定义
• 1.2.2 气液两相流参数检测技术
• 1.3 实验原理与数据采集
• 1.3.1 实验装置
• 1.3.2 实验参数范围
• 1.3.3 数据采集
• 1.4 本文的研究内容
• 第2章 差压信号预处理
• 2.1 传统信号预处理
• 2.1.1 逐步回归法
• 2.1.2 差分法
• 2.1.3 处理结果及讨论
• 2.2 小波变换模极大值去噪
• 2.2.1 小波变换模极大值
• 2.2.2 小波变换模极大值去噪算法
• 2.2.3 小波去噪结果及讨论
• 2.3 差压信号经验模式分解
• 2.3.1 经验模式分解
• 2.3.2 基于经验模式分解的信号平稳化
• 2.4 本章小结
• 第3章 差压信号时间序列模型分析
• 3.1 时间序列模型基本理论
• 3.1.1 时序模型定义
• 3.1.2 时序模型的时域特性
• 3.2 AR 模型参数估计
• 3.2.1 参数估计方法
• 3.2.2 最小二乘估计法
• 3.2.3 模型适用性检验
• 3.3 差压信号时序模型及讨论
• 3.3.1 模型类型确定
• 3.3.2 模型参数与流型
• 3.3.3 模型参数与分相流量
• 3.4 本章小结
• 第4章 基于人工神经网络的分相流量测量
• 4.1 人工神经网络
• 4.1.1 BP 网络
• 4.1.2 遗传算法
• 4.1.3 GA-BP 网络
• 4.2 分相流量测量网络
• 4.2.1 BP 网络实现
• 4.2.2 GA-BP 网络实现
• 4.2.3 两种网络比较
• 4.3 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间取得的学术成果
• 致谢