气液两相流动现象广泛存在于各种工业换热设备中,棒束通道气液两相流动在核电站沸水堆冷却剂流过堆芯的燃料组件中常见。流型对气液两相流动设备的运行和安全具有重要影响,而棒束通道几何形状狭长与普通圆管不同,流型流动特性及流型识别方法也有较大不同。本文针对7×7棒束通道采集气液两相流动的压差信号,通过多尺度熵和多尺度边际谱熵两种时频熵方法,小尺度下熵率从微观细节上揭示流型信号的流动特性,大尺度下的熵率从宏观流动上进行流型识别;并提取小尺度下的多尺度熵率、多尺度边际谱熵率和谱熵均值的联合分布作为特征熵,结合人工神经网络寻求流型在线识别的最佳组合方法。基于多尺度熵理论对流型压差信号进行时域熵分析。通过MATLAB软件求得多工况下压差信号的多尺度熵,线性拟合法求出多工况下压差信号小尺度下的多尺度熵率。通过多工况下流型压差信号的多尺度熵率的二维分布可以实现流型定量识别,流型压差信号的多尺度熵变化趋势可以揭示流型演化规律。发现整体识别率达到97.11%,不在识别范围的是3例泡状-搅混流,这是由于泡状-搅混流的流动特征位于泡状流及搅混流之间,特征参数波动范围较大没有明显界限。泡状流和搅混流这两种主要流型特征参数界限明显,识别效果佳,识别率达100%。并与分形理论的结果进行了对比分析发现多尺度熵理论能够定量实现流型辨识,而且能通过小尺度下的熵变化规律揭示动力学特性。基于多尺度边际谱熵理论对流型压差信号进行频域熵分析。通过MATLAB软件求得多工况下压差信号的多尺度边际熵,计算各工况下的多尺度边际谱熵均值,线性拟合压差信号在小尺度下的谱熵增率,利用多尺度边际谱熵增率和谱熵均值联合分布可定量准确区分4种流型,对泡状-搅混流这种难以区分的过渡流型也有较好效果,识别率达100%。多尺度边际谱熵能从频域细节上揭示不同流型的动力学特性。特征熵结合人工神经网络进行流型识别,多尺度边际谱熵率和谱熵均值的联合分布作为特征值的识别率显著高于多尺度熵率作为特征值的识别率,误识别的是泡状-搅混流和环状流,泡状流和搅混流识别率100%;支持向量机作为识别模型的识别率显著高于BP神经网络的识别率;多尺度熵率作为特征是的识别速度略快于多尺度边际谱熵率和谱熵均值的联合分布的识别速度,优势不是很明显;多尺度边际谱熵率和谱熵均值的联合分布作为特征值与支持向量机(SVM)结合识别流型具有快速、准确的特点,是最佳流型识别组合。通过对气液两相流压差信号进行时频域熵分析及人工神经网络识别流型的应用,表明了多尺度熵和多尺度边际谱熵两种理论是十分有效的流型辨识方法,并进一步揭示了流型动力学特性。