气固流化床是化工、电力、石油等生产过程中的重要装置,获取流化床的流型和流型转换的信息对提高流化床的性能和传热、传质效率至关重要,不同的流型,传热性能和流动机理是不相同的。因此,准确的识别流型是气固两相流参数检测的一项重要内容。但同时由于气固流化床内气泡运动行为是一个非常复杂且动态非线性,对研究流化床压力脉动信号的特征和流型识别带来了很大的困难。本文在大量数据的基础上,将二代小波、混沌理论、多重分形技术、人工鱼群优化算法、神经网络等理论运用到信号分析和流型识别中,无论是从理论还是实验两方面都系统的探讨了信号的特征和流型的识别。首先,在气固流化床实验系统台上,获取各流型的压力波动信号。其次,采用二代小波对获取的压力脉动信号进行除噪,消除实验过程中由于风机的振动、实验装置不稳定等造成的噪声信号。接着用混沌理论和多重分形技术对各流型进行混沌特性分析,并计算其各流型的特征参数,包括Hurst指数、李亚普诺夫指数、关联维数、D2熵,以及多重分形的参数。比较在不同流型下表现出的混沌特征和不同的流型机理。最后,采用人工鱼群算法优化BP神经网络,并把混沌参数作为识别的特征量,计算识别效率,并与BP和Elman神经网络作了比较,得出最优识别结果。本文是首次采用混沌理论与人工鱼群算法相结合对流化床的压力脉动信号进行混沌特性分析与识别,为更好的描述流化床流型转换机理和定量的识别流型提供了一种新的有效的在线辅助诊断工具,从理论上和技术上为流化床流型识别提供了新的方法,也为后续研究工作与实际应用打下了基础。