王小鑫, 王 博, 陳陽正, 胡紅利

(1. 西安石油大學 陜西省油氣井測控技術重點實驗室, 陜西 西安 710065;2. 中煤科工集團西安研究院有限公司 地球物理勘探技術與裝備研發(fā)中心, 陜西 西安 710077;3. 西安交通大學 電力設備電氣絕緣國家重點實驗室, 陜西 西安 710049)

1 引 言

流型又稱流態(tài),即流體流動的形式和結構[1]。流型是反映氣固兩相流本質的一個基本特征,直接影響工業(yè)過程中氣力輸送或氣固反應系統(tǒng)的穩(wěn)定性、安全性和經(jīng)濟性及節(jié)能減排效果的首要參數(shù)[2]。此外流型的正確識別結果也是兩相流其它參數(shù)(分相濃度、流速、流量、密度和壓降等)準確測量的先決條件[3]。流體各流動參數(shù)在不同流型下的關系是不一樣的,某種檢測方法在某一流型下的測量精度,在另一種流型下不一定能達到。因此流型的準確識別是工業(yè)過程安全穩(wěn)定運行的保證,也是其它多相流參數(shù)準確測量的基礎。過程層析成像(process tomography, PT)逐漸發(fā)展成為新一代的以兩相流或多相流為主要檢測對象的空間參數(shù)分布狀況實時檢測技術,常用于流型識別、濃度及流量等流動參數(shù)的測量中[4～6]。目前電容層析成像技術(electrical capacitance tomography, ECT)已經(jīng)成為理論研究最為成熟、應用研究最為廣泛的層析成像技術。ECT技術通常只能獲得圖像信息,如果要實現(xiàn)流型判別,就需要對重構圖像的像素信息進行進一步分析處理。

為從重構圖像中獲得更有效的信息用于流型識別,本文利用二維最大熵閾值分割的圖像分割技術[7～9],簡單有效地將圖像中固相目標與背景分離,進而降低分類器輸入特征量的復雜度,提高流型識別的效率及正確率,并通過遺傳算法(genetic algorithms,GA)優(yōu)化神經(jīng)網(wǎng)絡最終實現(xiàn)流型識別。

2 二維最大熵閾值圖像分割

圖像分割是計算機視覺和圖像理解的底層處理技術,在圖像分析及模式識別中起著重要的作用。閾值分割法因其結構簡單、計算量小、性能穩(wěn)定等優(yōu)點,成為圖像分割中用途很廣泛地分割技術?，F(xiàn)有大多數(shù)方法都是通過圖像的一維灰度直方圖選擇,但是當圖像的信噪比遞減時,采用這些方法將產(chǎn)生很多的分割錯誤。1989年,Abutaleb將Kapur 提出的一維最大熵法推廣至二維[7,8],二維方法同時考慮像素灰度值及其鄰域平均灰度值。

二維最大閾值分割法利用圖像中個像素的灰度值及其鄰域平均灰度值分布所構成的二維直方圖進行分割[8]。假設一副圖像大小N×M,灰度級為L,則圖像的二維直方圖可以表示為:

(1)

式中:0≤i,j≤L-1;ni,j為圖像中灰度值為i,臨域灰度值為j的像素個數(shù)。二維灰度直方圖如圖1所示。

圖1 二維直方平面圖Fig.1 Two-dimension histogram

區(qū)域A和區(qū)域B代表目標和背景,區(qū)域C和D是邊界和噪聲。閾值向量(s,t),s代表像素的灰度值,t代表該像素的鄰域均值,定義PA、PB:

(2)

因此,可以得到區(qū)域A的二維熵:

(3)

同理,可以得到區(qū)域B的二維熵:

H(B)=lg(PB)+HB/PB

(4)

因此,熵判別函數(shù)可以表示為:

φ(s,t)=H(A)+H(B)

(5)

最佳閾值向量(s,t)應該滿足:

φ(s,t)=max{φ(s,t)}

(6)

從式(6)可知,需要大量的計算用來搜索最佳閾值,為了解決這一問題,文中采用微粒群算法(particle swarm optimization, PSO)[9]求解最大熵閾值,提高算法的實時性。

選取3種氣固兩相流典型流型(層流、繩流及均勻流)得ECT重構圖像,每種流型列舉2個圖像,其圖像分割效果圖見圖2所示。

圖2 圖像分割效果Fig.2 Image segmentation effect

圖2中原圖圖例灰度由深到淺表示固相濃度逐漸增加,經(jīng)過圖像分割技術后,圖像里的目標和背景分離的更加清晰,更有利于后面灰度圖統(tǒng)計特征的提取。其中6幅圖像的最佳閾值向量分別是(143,145), (141,143), (163,165), (161,158), (108,106), (109,111)。

3 灰度圖像直方圖統(tǒng)計特征量提取

灰度圖像會對應于一定概率分布的灰度直方圖,因此可以通過對比不同圖像的灰度直方圖的特征相似性來區(qū)分不同圖像。流型圖像的灰度直方圖相似性,可以通過統(tǒng)計特征量來進行度量,這些統(tǒng)計特征量能夠較好的區(qū)分不同的灰度直方圖,可用來構成流型圖像的特征向量[10]。這里取灰度直方圖的:均值、標準偏差、平滑度、三階矩及一致性5種統(tǒng)計特征作為流型識別的特征向量。

(7)

(8)

(9)

(10)

(11)

式中zi為i點的灰度值,p(zi)為該灰度值出現(xiàn)的概率。對表1中分割圖像的灰度直方圖取以上5種統(tǒng)計特征,其參數(shù)值如表1中所示。

表1 圖像的直方圖統(tǒng)計特征數(shù)據(jù)Tab.1 Histogram statistical characteristic

從表1中可以看出,同一種流型下的灰度直方圖的統(tǒng)計特征量具有較強的相似性,不同流型之間的統(tǒng)計特征量的存在明顯的差異,因此可以將這5個統(tǒng)計特征量組成特征向量用于分類器的輸入,其中分類器采用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(back-propagation neural network, BPNN)模型實現(xiàn)流型識別。

4 GA優(yōu)化的BP神經(jīng)網(wǎng)絡分類器

BPNN作為經(jīng)典的分類器廣泛地應用于模式識別領域,它具有較強的非線性映射能力,高度自學習和自適應能力以及一定的容錯能力[11]。但是它的初始連接權值和閾值選擇對網(wǎng)絡訓練影響較大,不能保證收斂到全局最優(yōu)點。

這里采用GA算法來優(yōu)化BP神經(jīng)網(wǎng)絡的初始權值和閾值,使優(yōu)化后的BP神經(jīng)網(wǎng)絡能夠更好地實現(xiàn)流型識別[12]。GA算法作為進化算法中最重要的分支,應用到了函數(shù)擬合、自動控制、目標識別、機器學習等諸多領域之中,用GA優(yōu)化BP神經(jīng)網(wǎng)絡,就是GA算法應用于機器學習的經(jīng)典例子之一。其算法流程圖如圖3所示。

圖3 GA-BPNN算法流程圖Fig.3 GA-BPNN algorithm flow chart

該算法步驟如下:1)采用二進制編碼方案對隨機產(chǎn)生的一組權值、閾值進行編碼,然后構成一個個碼鏈,在網(wǎng)絡結構和學習規(guī)則已定的前提下,該碼鏈就對應一個權值和閾值取得定值的神經(jīng)網(wǎng)絡。2)對所產(chǎn)生的神經(jīng)網(wǎng)絡計算誤差函數(shù),從而確定適應度函數(shù)值。3)選擇若干個適應度函數(shù)值最大的個體,直接遺傳給下一代(最優(yōu)保存策略)。4)利用遺傳操作算子對當前一代群體進行處理,產(chǎn)生下一代群體。5)重復步驟2)～4),使初始確定的一組權值分布得到不斷進化,直到訓練目標得到滿足為止。

5 流型識別方案驗證

該流型識別方案在圖4所示的氣固兩相流ECT試驗平臺上進行驗證[13,14]。測試段采用12電極陣列ECT傳感器電極,電極夾角26°,電極長度 75 mm。電容信號由C/V(capacitance to voltage)電路獲取,采集頻率為1MHz[15]。為了獲取高速高精度浮點型數(shù)據(jù)處理和強大的邏輯控制能力,采用自主研發(fā)的FPGA+DSP框架的高速數(shù)據(jù)采集和處理平臺[16]。重構算法采用Landweber 迭代,其中迭代次數(shù)和迭代步長分別為200和1.2。實驗溫度為 20 ℃～26 ℃,相對濕度為55%～62%。實驗所用的固相顆粒物料采用平均粒徑為0.06 mm的煤粉。

圖4 氣力輸送實驗平臺Fig.4 Experimental platform of pneumatic conveying1—控制閥; 2—皮托管; 3—彎型鋁管; 4—旋風除塵器;5—收集器; 6—引風機; C—耦合器; T—T型混合器

通過改變風速和流量,在流型發(fā)生器的協(xié)助下,得到不同流型下氣固兩相流流動狀態(tài)[14]。經(jīng)過ECT單元重構出圖像后,對圖像進行整理分類。取均勻流、繩流及層流(如圖2中的原圖所示)3種流型共160×3個樣本,每種流型取110個樣本作為訓練,剩下的50個樣本作為測試樣本。提取5個特征參數(shù)作為遺傳神經(jīng)網(wǎng)絡的輸入,構造一個輸入層節(jié)點為5,輸出層節(jié)點數(shù)為3,選取隱含層的最佳節(jié)點數(shù)為25的遺傳神經(jīng)網(wǎng)絡結構,輸出層的目標向量Y=[100],[010],[001],分別對應均勻流、繩流、層流流型。初始種群取為60,遺傳終止進化代數(shù)取為100,交叉概率和變異概率分別取0.7,0.2,網(wǎng)絡誤差閾值設為10-4。GA神經(jīng)網(wǎng)絡學習誤差曲線如圖5所示。

圖5 誤差曲線Fig.5 Error curve

從圖5中可以發(fā)現(xiàn),網(wǎng)絡基本在第20步就達到誤差閾值結束學習。以50組層流測試樣本為例,其BP神經(jīng)網(wǎng)絡模型的輸出列入表2所示。

表2 層流識別結果(部分樣本)Tab.2 Test results of Laminar flow

表2中,Y[1]代表輸出向量Y的第1個值,Y[2]代表輸出向量Y的第2個值,Y[3]代表輸出向量Y的第3個值。結果為“T”代表識別正確,“F”代表識別錯誤。50個層流測試樣本中有46個流型識別正確,4個流型識別錯誤。以識別正確的第1組輸出為例,輸出向量[0.098,0.153,0.870],對應向量[0,0,1]即層流,識別正確。以識別錯誤的第12組輸出為例,輸出向量[0.078,0.590,0.568],對應向量[0,1,0]即繩流,識別錯誤。3種流型共150組測量樣本數(shù)據(jù)的識別結果列入表3中。

表3 流型識別實驗結果(共50組)Tab.3 Test results of flow pattern recognition

從表3中可得,均勻流的識別率為100%,錯誤主要發(fā)生在層流與繩流之間,這個識別結果與各個流型之間的統(tǒng)計特征量有關系,相比較于均勻流,層流與繩流之間的統(tǒng)計特征量更相近,因此更容易引起識別錯誤,參考表3。從流型識別的總體效果看,該方法識別正確率達94.7%,總體識別效果較好。因此在ECT重構圖像的基礎上采用以上提出的方法實現(xiàn)流型識別是可行的。

6 結 論

在過程層析成像技術的研究基礎上,將重構圖像信息即像素分布進行簡單有效的分析處理。利用二維最大熵閾值分割的圖像分割技術,將圖像中固相目標與背景分離,然后通過對分割圖像的灰度直方圖的均值、標準偏差、平滑度、三階矩及一致性進行特征量統(tǒng)計,并將該特征量作為GA-BP分類器的輸入。該流型識別方案在氣固兩相流氣力輸送試驗平臺上進行了驗證,150個測試樣本中有142個流型識別正確，8個流型識別錯誤,識別正確率在94.7%左右,總體識別效果較好,因此該方法可以作為一種有效的流型識別方法應用于多相流參數(shù)檢測中。