王艳霞 王迎迎 樊春玲

(青岛科技大学自动化与电子工程学院，山东 青岛 266042)

两相流动广泛存在于动力工程、化工工业、石油工业、工艺设备和其他相关领域[1]，两相流流型的识别已成为重要的研究方向。由于两相流流动的复杂性，电导波动信号具有与电容信号相似的非平稳特性。经验模态分解(Empirical Mode Decomposition，EMD)是一种自适应时频分析方法，它可以有效地处理非线性、非平稳的信号[2]，周云龙等用EMD分解压差波动信号得到IMF分量，提取IMF分量的能量，并将其作为特征向量对流型进行识别，取得了很好的效果[3]。

鉴于隐马尔可夫模型(Hidden Markov Model，HMM)近几年不断发展，并且成功应用于识别领域。周云龙等将小波包多尺度信息熵和HMM相结合，对采集到的电导波动信号进行小波包分解，并提取各频带信号的小波包多尺度信息熵特征作为流型的特征向量，将其输入到3种状态的HMM中进行训练并识别流型；将希尔伯特-黄变换作为特征向量输入到HMM对流型的识别，都取得了很好的识别效果，而且不同的特征向量对HMM的两相流的识别影响很大[4，5]。

针对所采集电导波动信号具有与电容信号相似的非平稳特性，笔者采用EMD方法实现对信号的线性和平稳化处理，在保留数据本身特性的同时，得到IMF分量并计算峭度系数。将计算得来的峭度系数作为特征向量输入到HMM中对两相流进行分类，从而实现了对泡状流、段塞流和混状流这3种典型流型的识别。

1 理论基础①

1.1 经验模态分解

经验模态分解是由Huang N E等于1998年提出的一种数据分析方法，适合于分析非线性、非平稳信号序列，具有很高的信噪比[6，7]。……