买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安理工大学申请的专利基于流动噪声信号的气液两相流流型识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116049637B 。

龙图腾网通过国家知识产权局官网在2026-03-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310176230.2，技术领域涉及：G06F18/10；该发明授权基于流动噪声信号的气液两相流流型识别方法是由冯建军;赵楠楠;朱国俊;吴广宽;罗兴锜设计研发完成，并于2023-02-28向国家知识产权局提交的专利申请。

本基于流动噪声信号的气液两相流流型识别方法在说明书摘要公布了：本发明的基于流动噪声信号的气液两相流流型识别方法，步骤包括：1采集管路系统中的气液两相流流动噪声信号，将采集的流动噪声信号进行分类，构建原始数据集；2对原始数据集预处理，得到各流动噪声信号的IMF分量；3利用信号分析方法，提取流动噪声信号IMF的3个分量特征参数；4将提取的特征参数处理后作为样本集，样本集分为训练集和测试集，将训练集输入SVM训练模块，训练得到气液两相流的SVM流型识别模型，将测试集作为输入参数输入到SVM流型识别模型中，得到识别结果；5将未知流型噪声信号进行特征参数提取后，构建特征向量输入到训练好的SVM流型识别模型中，得到流型识别结果。本发明方法，准确性明显提高。

本发明授权基于流动噪声信号的气液两相流流型识别方法在权利要求书中公布了：1.一种基于流动噪声信号的气液两相流流型识别方法，其特征在于，按照以下步骤实施： 步骤1、采集管路系统中的气液两相流流动噪声信号，将采集到的不同流型工况下的流动噪声信号进行分类，构建原始数据集，具体过程如下： 通过水听器采集流动噪声信号，调整管路气相以及液相的表观速度，采集不同流型工况下管路气液两相流动的噪声信号，得到原始的时间序列St，将采集的不同流型工况下的流动噪声信号进行分类，得到原始数据集Sit； 步骤2，对原始数据集进行预处理，得到各流动噪声信号的IMF分量的3个分量，具体过程如下： 2.1通过小波阈值降噪方法处理步骤1中所采集的原始数据集Sit，通过小波分解将原始信号分解出各层系数，给定一个阈值，将各分解系数与阈值进行比较，保留大于阈值的分解系数，将信号进行反变换重构，得到流动噪声信号S’t； 2.2应用优化算法结合变分模态分解方法，对步骤2.1中降噪处理后的流动噪声信号S’t进行分解； 变分模态分解过程的分解层数K和惩罚因子α会对于分解结果产生较大影响，因此通过遗传算法对变分模态分解的最优组合参数[K,α]进行全局寻优，采用以局部最小包络熵为适应度函数进行寻优，寻优的具体步骤为： 2.2.1初始化遗传算法参数，确定变分模态分解过程中的分解层数K和惩罚因子α的取值范围； 2.2.2将流动噪声信号进行变分模态分解，根据式1计算个体的局部最小包络熵； 2.2.3将局部最小包络熵作为适应度函数进行全局搜索，寻找最小值； 2.2.4判断是否达到最大进化代数，如果达到则停止迭代，输出最优解；否则继续操作； 2.2.5对种群进行选择、交叉、变异操作，得到下一代种群，返回到步骤2.2.2计算下一代种群个体的包络熵继续操作；直至满足迭代停止条件； 2.2.6输出最优参数组合[K,α]； 包络熵的计算式如下： 1 式中，at是经过变分模态分解后模态分量经过希尔伯特解调后得到的包络信号x’t与原信号xt的和，N为信号长度，Ep为包络熵； 2.3流动噪声信号经过变分模态分解算法分解后得到若干个IMF分量，根据互相关法计算各个分量与原始信号的Pearson系数，并结合方差贡献率筛选IMF分量，保留与原始信号相似性最高的3个分量Imf1t、Imf2t、Imf3t，作为后续特征提取对象； Pearson相关系数的计算式为： 2 式中，covX,Y是原始信号与IMF分量的协方差，σx与σY分别是原始信号与IMF分量的标准差； 方差贡献率即IMF分量方差与原始信号方差的比值，计算式如下： 3 式中，Xvar、Yvar分别是IMF分量以及原始信号序列的方差值； 步骤3，利用信号分析方法，提取流动噪声信号IMF的3个分量的特征参数，具体过程如下： 3.1对步骤2中所保留的IMF分量进行特征提取，提取各个分量的特征参数，包括峭度、均方根值、标准差、希尔伯特边际谱能量和排列熵，构成原始特征数据集；峭度、均方根值、标准差、希尔伯特边际谱能量和排列熵的提取方法分别如下： 第一个，峭度的计算式如下： 4 式中n代表信号序列的长度，μ代表信号序列的平均值； 第二个，均方根值的计算式如下： 5 式中n代表信号序列的长度； 第三个，标准差的计算式如下： 6 式中n代表信号序列的长度，μ代表信号序列的平均值； 第四个，希尔伯特边际谱能量的求解过程如下： A1将步骤2中经过变分模态分解、筛选分量后得到的噪声信号IMF分量进行希尔伯特变换，获得希尔伯特谱，即： 7 其中，RC表示取实部运算，Ait表示瞬时幅值，Fit表示瞬时频率； A2求解希尔伯特边际谱，计算式如下： 8 A3计算希尔伯特边际谱能量，计算式如下： 9 其中，F1、F2分别是希尔伯特边际谱的频率区间； 第五个，排列熵的求解过程如下： B1对于所筛选出的IMF分量，以X1,X2……Xn表示，设定嵌入维度m以及时间延迟tdelay； B2通过嵌入维度m以及时间延迟tdelay对原信号每一元素延伸进行相空间重构，得到K=n-m-1tdelay个子序列，其中每个子序列以Yi表示，Yi=Xi,Xi+tdelay……Xi+m-1tdelay； B3对每个Yi内部进行升序排列； B4计算每种可能性出现的概率Pj； B5计算这些概率的排列熵： 10 3.2利用RF-RFE算法，对步骤2.3中提取的各分量的特征参数进行特征重要性排序，得到最优的特征子集，构建特征向量，进行归一化处理， 使用RF-RFE算法进行数据降维，包括特征重要性排序以及递归特征消除两个步骤，过程为： C1通过Bootstrap重抽样方法从原始特征数据集中抽取X个训练样本，每个样本有N个特征，未抽中的则称为OOB数据； C2初始化i=1，创建决策树Ti； C3对第i个样本训练Ti，计算第i个OOB数据的分类正确率Ai； C4对OOB数据集中的特征Fj进行随机噪声干扰，得到新的OOB数据集，再次计算分类正确率Aij； C5对于i=2,3……，重复步骤C2至步骤C4； C6特征Fj的重要性用下式来计算： 11 C7对计算出的特征重要性进行排序，利用交叉验证方法得到初始特征子集的分类精度； C8从当前特征子集中删除一个重要性最小的特征，计算新的特征子集的特征重要性和交叉验证下的分类精度； C9递归重复步骤C8，直到特征子集为空集，将分类正确率最高的子集作为最优特征子集； 步骤4，将步骤3提取的特征参数处理后作为样本集，样本集分为训练集和测试集，将训练集输入SVM训练模块，训练得到气液两相流的SVM流型识别模型，将测试集作为输入参数输入到测试所得到的流型SVM流型识别模型中，得到流型识别结果，验证所训练好的模型的识别准确率，具体过程如下： 将采集的噪声信号按照步骤3中优化后所获得的最优特征子集进行特征参数提取，通过归一化处理构建特征向量，同时根据信号所属流型在样本集中增加一维元素作为标签，以表明该组特征向量的属性，1表示泡状流，2表示弹状流，3表示环状流；将处理好的数据随机划分成训练集和测试集，训练集的数据用来训练SVM流型识别模型；测试集的数据作为输入来验证训练好的SVM流型识别模型的准确率， 在训练SVM流型识别模型过程中，为了确定训练过程中惩罚参数c以及核函数参数g的取值，使用改进粒子群算法对参数进行寻优，过程如下： D1以交叉验证意义下的分类正确率作为算法寻优的适应度函数； D2初始化种群和粒子速度、位置以及最大迭代次数，将种群粒子信息带入适应度函数计算种群初始适应度，将初始粒子适应度值作为个体极值Pbest，个体历史最优适应度值作为全局最优极值gbest； D3通过下式来更新粒子位置以及速度、粒子种群的个体最优以及全局最优极值，同时当粒子速度与位置超出原有最值时，更新相应最值： 12 式中，w代表惯性权重，随进化次数而变化，wmax,wmin分别取0.9和0.4；c1,c2为加速系数；r1，r2是0,1之间的随机数，下标i,j表示第i个粒子和第j维，t代表迭代次数，tmax表示最大进化代数； D4执行自适应变异操作，按下式所计算的变异因子v作为概率来初始化变异当前粒子位置，加快算法收敛速度； 13 式中，vmin,vmax分别为0.1和0.7，t为迭代次数，tmax为最大进化代数； D5计算变异后的粒子适应度值，将当前粒子种群适应度值与个体极值、全局最优极值进行比较，更新粒子种群的个体最优以及全局最优极值； D6判断是否满足迭代终止条件，如果满足则输出最优参数组合，否则返回步骤D3，直至满足迭代终止条件； 步骤5，将未知流型噪声信号按照步骤3所确定的最优特征子集进行特征参数提取后，构建特征向量输入到训练好的SVM流型识别模型中，得到流型识别结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安理工大学，其通讯地址为：710048 陕西省西安市碑林区金花南路5号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。