基于粗神经网络和特征提取的ECT流型辨识.doc

基于粗神经网络和特征提取的ECT流型辨识 刘延东1，李惠强2，何在刚2，刘浩仟2，陈玲2，郑静娜2，郑斯文3（1. 辽宁大学轻型产业学院，辽宁 沈阳 110036；2. 辽宁大学物理学院，辽宁 沈阳 110036； 3. 沈阳计量测试院，辽宁 沈阳 110179）摘要：针对目前电容层析成像技术流型辨识精度低的问题，本文提出一种基于粗神经网络与特征提取相结合的方法来辨识两相流流型该方法首先根据电容层析成像系统和流型的特点来处理电容测量数据，从而完成对各种流型特征的提取；其次对粗神经网络的结构进行设计，并利用典型流型特征参数训练粗神经网络，然后利用此粗神经网络对流型进行辨识；最后进行仿真实验仿真实验结果表明此种方法较传统的BP神经网络具有较高的识别精度，这也为ECT流型辨识的研究提供了一个新的途径和手段关键词： 电容层析成像(ECT)；粗神经网络（RNN）；特征提取；流型辨识Flow pattern identification based on feature extraction and Rough Neural Network for Electrical Capacitance TomographyLIU Yan-dong1，LI HUI-qiang2, HE Zai-gang2，LIU Hao-qian2, CHEN Ling2, ZHENG Jing-na2，ZHENG Si-wen3 (1.Light Industry College，Liaoning University, Shenyang Liaoning 110036, China;2.College of Physics, Liaoning University, Shenyang Liaoning 110036, China;3.Shenyang Metrology Testing Institution, Shenyang Liaoning 110179, China)Abstract：In response to the inaccuracy of flow pattern identification by Electrical Capacitance Tomography, a new method is put forward that combines rough neural network with feature extraction, to identify the two-phase flow patterns. Firstly, this method according to the Electrical Capacitance Tomography system and the characteristics of flow pattern to handle capacitance measurements, thus complete the features of various flow pattern extraction; Secondly, the structure of rough neural network to carry on the design, and use the features parameters of typical flow pattern to train the rough neural network, and then using this rough neural network to identify flow pattern; Finally, the simulation experiment. The simulation experimental results indicate that this method compared with the traditional BP neural network has high identification accuracy, this also for the research of ECT flow pattern identification provides new ways and means. Key words: Electrical capacitance tomography; Rough Neural Network; feature extraction; flow pattern identification;1、引言 电容层析成像技术[1-2]是近年发展起来的一项新的检测技术。

电容层析成像技术（ECT）因其结构简单、技术成本低、安全性能好等优点而具有广阔的发展前景，成为流动层析成像技术研究的主要趋势其中，两相流的流型识别就是研究电容层析成像的一个目的，也就是流型辨识流型是指管道中流体的结构和流动形态在气固两相流系统中，通过研究流型辨识不仅可以分析流型对流量、介电分布等参数测量的影响,而且对气力输送系统进行实时控制等也是很有必要的，因此研究流型辨识具有重要的现实意义目前已提出的基于ECT系统的流型识别算法主要有K近邻算法[3]、神经网络法[4]、特征提取法[5-6]以及其它算法[7]K近邻算法具有实现简单，无需数据训练的优点，但是该方法计算需要大量的时间，实时性不高；神经网络法可以有效解决 ECT系统的软场问题，实现测量数据和流型类别之间的复杂非线性映射，但是该方法训练时间长，训练时需要的数据较多；特征提取算法是通过提取原始测量数据的特征信息进行流型辨识，由于该方法需要人工选取特征参数和形成逻辑判据，因此有很大的局限性，虽然可以识别简单的流型，但是对于较多稍复杂的流型识别效果不好基于此，本文提出一种基于粗神经网络（RNN）神经网络和特征值提取的流型辨识方法2 流型辨识的基本原理典型的ECT系统由电容传感器系统、数据采集系统、成像计算机三个基本部分组成[2]。

如图1所示ECT系统的工作原理是：电容传感器阵列由管道周围排列的若干电容极板(通常为8极板或12极板)组成，每两个极板组成一个二端子电容，当管道内的介质分布发生变化时会引起极板组成的电容随之发生变化根据电容值的变化可以实现管道内部介质分布的重建，从而实现多相流参数的检测测量数据控制信号数据采集系统成像计算机电容传感器阵列12345678极板 图1 ECT系统结构图对于气固两相流体来说，当其经充分发展而形成稳定流态后，管道截面上的介质分布也就随之固定了典型的两相流流型有层流、环流、核心流、均匀流、满管和空管等，不同的流型在管道截面上均对应不同的介质分布在ECT系统中，通过电容传感器阵列采集到的电容数据就直接反映了管道截面的介电常数分布，因此可以把这些电容数据作为判别流型的依据个极板的ECT系统可提供个电容测量值，所以8极板ECT系统可提供28个电容测量值对于ECT系统测得的电容数据，为了得到反映介质的电容变化量和减少计算中的误差，并使数据无量纲化，采用线性函数来归一化极板间电容值，采用如下定义形式： (1)其中，是极板间的电容，是满管时极板间的电容，是空管时极板间的电容，当，。

当时，本文中采用的电容数据都是经过归一化处理后得到的3、基于粗神经网络和特征提取的两相流流型辨识3.1粗神经网络原理近年来，张兆礼等人在粗集理论和神经网络的基础上建立粗神经网络（RNN）[8],粗神经网络克服了传统神经网络每一个神经元的输出都是一个精确的值的缺点在实际应用中，粗神经网络不仅能解决传统神经网络所能解决的问题, 且可应用于神经元的输出不只是一个数值的情况，这样就可以提高神经网络的抗噪能力目前，研究人员已经在数据融合[9]、故障诊断[10]、危机预警[11]、智能交通[12]等诸多领域对粗神经网络开展了广泛的应用研究粗神经网络与传统的神经网络最大的不同在于：每个粗神经元由一对神经元(上、下神经元)组成两个粗神经元之间有4种基本连接方式及多种组合连接方式；它的输入与输出可以是在一定范围内变化的数值，也可以是两个值，但是必须满足上神经元输出大于下神经元的输出[13]两个神经元的基本连接方式如图2所示，常见组合如图3所示uililjljuiliujljuiliujljljliujuj (a) (b) (c) (d)图2 粗神经元的基本连接方式uiliujljuiliujljuiliujlj (a) (b) (c) 图3 粗神经元的组合连接方式粗神经元j的输入计算如下： (2) (3)其中i是和j相连接的粗神经元。

(4) (5)其中，为分别为粗神经元j上、下层的阈值, 和分别为粗神经元上、下层的传递函数,它们可以相同也可以不同在本文中,和均取为Sigmoid函数,其表达式为： (6)则它的导函数为，传递函数确定后,通过调整权值来改变粗神经元上下层的抑制和激励关系在全连接的情况下,如果,则粗神经元的上下层的输出值是相同的值,一个粗神经元便等价于有两个相同输出的传统神经元通过设定连接权值和选择连接方式,可以得到不同的神经元结构3.2 ECT流型的特征提取不同的流型包含了不同的特征信息，区分不同的流型需要使用不同的参数特征参数是指可用来区分流型的一种参数，本文中使用的特征参数定义如下：相邻极板对的电容均值： (7)所有电容的均值： (8)相邻极板对的电容方差： (9)隔1个极板对的电容均值： (10)隔1个极板对的电容方差： (11)隔2个极板对的电容均值： (12)相对极板的电容均值： (13)相对极板对的电容方差： (14)上边4个极板的电容均值： (15)下边4个极板的电容均值： (16)左边4个极板的电容均值： (17)右边4个极板的电容均值： (18) 流型特征参数定义完成之后，需要对其进行验证分析，以确定各种特征参数可以区分的流型。

例如，利用特征参数相邻极板对的电容均值(adm)可将满管、三种层流、环流与其他 3种流型区分开；而不同层流之间的的fm，fd差异也比较明显通过分析得出各特征参数包含了可以区分不同流型的特征信息所以，可以将这些包含特征信息的特。