论文部分内容阅读
气泡流在自然界和过程工业中广泛存在,它是一种特殊的气-液两相流动状态,通常存在于气速相对较低、气量相对较少的状态,其中气相作为离散相以气泡的形式分布于连续的液相介质当中。气泡流中的气泡在产生、上升以及在水面溃灭的过程中都会向外辐射声信号,且声信号与气泡流状态信息之间紧密相关。因此,通过监测和记录气泡流的声学信号,再结合信号处理等手段,就可以得到气泡流的状态信息,而这些信息对自然资源勘探以及化工等过程工业的实际生产都有着非常重要的指导意义。本文以气泡流为研究对象,针对气泡流状态的被动声学识别问题,设计、搭建实验系统并开展实验研究,对辐射声信号进行单域分析,基于时频声纹理对气泡流辐射声特性进行表征,构建起时频声纹理与气泡流状态之间的对应关系,提出了结合时频声纹理和卷积神经网络的气泡流状态识别方法。本文主要研究内容包括以下几个方面:(1)设计并搭建了气泡流模拟反应器实验系统,且实验系统能够可控地产生单柱、多柱气泡流在不同气速下的气泡流状态。开展了单柱(1.5 mm)气泡流实验、多柱(5×1.5 mm)气泡流实验、多柱(5×0.8 mm)气泡流实验,获取了不同气速下气泡流辐射声信号以及高速相机拍摄的气泡流流场状态图像。对所采集的辐射声压信号进行单域分析,初步表征单柱及多柱气泡流辐射声特性。(2)基于时频声纹理对单柱和多柱气泡流三种典型状态(离散态、聚团态、射流态)进行表征,构建了时频声纹理与流场结构之间明确的对应关系。比较了三种时频声纹理(短时傅里叶变换(Short Time Fourier Transform,STFT)、连续小波变换(Continuous Wavelet Transform,CWT)、压缩同步小波变换(Synchrosqueezing Wavelet Transform,SWT))的表征能力。利用时间和频率分辨率最高的SWT时频声纹理,结合流场图像,对单柱气泡流低速以及高速下发声机理进行了合理解释,同时对多柱气泡流发生机理进行了阐述。(3)卷积神经网络在图像分类方面具有极大的优势,而气泡流时频声纹理富含气泡流流场状态的动态特征,因此将气泡流状态的识别问题转换为基于卷积神经网络的时频声纹理图像分类问题,实现了对多柱(5×1.5 mm)气泡流三种典型状态(离散态、聚团态、射流态)的高准确率识别。构建了气泡流状态智能识别模型的实现框架,使用迁移学习方法对三种经典模型(AlexNet、VggNet、ResNet)在三种时频声纹理数据集(STFT、CWT、SWT)上进行训练,训练所得最优模型在测试集上通过混淆矩阵可视化并评估,结果显示三个模型在时频声纹理数据集上的表现均为ResNet>VggNet>AlexNet,且模型的识别准确率均随着时频声纹理分辨率的提高而提高,为SWT>CWT>STFT。通过分析和对比,最终得到气泡流智能识别模型SWT-ResNet,其对气泡流三个典型状态的识别准确率为99.67%。本文结合时频声纹理和卷积神经网络对气泡流状态识别方法进行了研究,构建了气泡流状态智能识别模型的实现框架,能够实现高准确率地识别不同气泡流状态。所提方法同样可以推广应用于工业中各种设备的故障诊断,为工业中各种设备状态监测与健康维护提供了技术支撑。