王小鑫, 王 博, 陳陽(yáng)正, 胡紅利

(1. 西安石油大學(xué) 陜西省油氣井測(cè)控技術(shù)重點(diǎn)實(shí)驗(yàn)室, 陜西 西安 710065;2. 中煤科工集團(tuán)西安研究院有限公司 地球物理勘探技術(shù)與裝備研發(fā)中心, 陜西 西安 710077;3. 西安交通大學(xué) 電力設(shè)備電氣絕緣國(guó)家重點(diǎn)實(shí)驗(yàn)室, 陜西 西安 710049)

1 引 言

流型又稱流態(tài),即流體流動(dòng)的形式和結(jié)構(gòu)[1]。流型是反映氣固兩相流本質(zhì)的一個(gè)基本特征,直接影響工業(yè)過(guò)程中氣力輸送或氣固反應(yīng)系統(tǒng)的穩(wěn)定性、安全性和經(jīng)濟(jì)性及節(jié)能減排效果的首要參數(shù)[2]。此外流型的正確識(shí)別結(jié)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(zhǔn)確測(cè)量的先決條件[3]。流體各流動(dòng)參數(shù)在不同流型下的關(guān)系是不一樣的,某種檢測(cè)方法在某一流型下的測(cè)量精度,在另一種流型下不一定能達(dá)到。因此流型的準(zhǔn)確識(shí)別是工業(yè)過(guò)程安全穩(wěn)定運(yùn)行的保證,也是其它多相流參數(shù)準(zhǔn)確測(cè)量的基礎(chǔ)。過(guò)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(cè)對(duì)象的空間參數(shù)分布狀況實(shí)時(shí)檢測(cè)技術(shù),常用于流型識(shí)別、濃度及流量等流動(dòng)參數(shù)的測(cè)量中[4～6]。目前電容層析成像技術(shù)(electrical capacitance tomography, ECT)已經(jīng)成為理論研究最為成熟、應(yīng)用研究最為廣泛的層析成像技術(shù)。ECT技術(shù)通常只能獲得圖像信息,如果要實(shí)現(xiàn)流型判別,就需要對(duì)重構(gòu)圖像的像素信息進(jìn)行進(jìn)一步分析處理。

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

2 二維最大熵閾值圖像分割

圖像分割是計(jì)算機(jī)視覺(jué)和圖像理解的底層處理技術(shù),在圖像分析及模式識(shí)別中起著重要的作用。閾值分割法因其結(jié)構(gòu)簡(jiǎn)單、計(jì)算量小、性能穩(wěn)定等優(yōu)點(diǎn),成為圖像分割中用途很廣泛地分割技術(shù)?，F(xiàn)有大多數(shù)方法都是通過(guò)圖像的一維灰度直方圖選擇,但是當(dāng)圖像的信噪比遞減時(shí),采用這些方法將產(chǎn)生很多的分割錯(cuò)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(shí)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(gè)像素的灰度值及其鄰域平均灰度值分布所構(gòu)成的二維直方圖進(jìn)行分割[8]。假設(shè)一副圖像大小N×M,灰度級(jí)為L(zhǎng),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(gè)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(biāo)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(yīng)該滿足:

φ(s,t)=max{φ(s,t)}

(6)

從式(6)可知,需要大量的計(jì)算用來(lái)搜索最佳閾值,為了解決這一問(wèn)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(shí)時(shí)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(gòu)圖像,每種流型列舉2個(gè)圖像,其圖像分割效果圖見(jiàn)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(guò)圖像分割技術(shù)后,圖像里的目標(biāo)和背景分離的更加清晰,更有利于后面灰度圖統(tǒng)計(jì)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(jì)特征量提取

灰度圖像會(huì)對(duì)應(yīng)于一定概率分布的灰度直方圖,因此可以通過(guò)對(duì)比不同圖像的灰度直方圖的特征相似性來(lái)區(qū)分不同圖像。流型圖像的灰度直方圖相似性,可以通過(guò)統(tǒng)計(jì)特征量來(lái)進(jìn)行度量,這些統(tǒng)計(jì)特征量能夠較好的區(qū)分不同的灰度直方圖,可用來(lái)構(gòu)成流型圖像的特征向量[10]。這里取灰度直方圖的:均值、標(biāo)準(zhǔn)偏差、平滑度、三階矩及一致性5種統(tǒng)計(jì)特征作為流型識(shí)別的特征向量。

(7)

(8)

(9)

(10)

(11)

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

表1 圖像的直方圖統(tǒng)計(jì)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(jì)特征量具有較強(qiáng)的相似性,不同流型之間的統(tǒng)計(jì)特征量的存在明顯的差異,因此可以將這5個(gè)統(tǒng)計(jì)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(luò)(back-propagation neural network, BPNN)模型實(shí)現(xiàn)流型識(shí)別。

4 GA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)分類器

BPNN作為經(jīng)典的分類器廣泛地應(yīng)用于模式識(shí)別領(lǐng)域,它具有較強(qiáng)的非線性映射能力,高度自學(xué)習(xí)和自適應(yīng)能力以及一定的容錯(cuò)能力[11]。但是它的初始連接權(quán)值和閾值選擇對(duì)網(wǎng)絡(luò)訓(xùn)練影響較大,不能保證收斂到全局最優(yōu)點(diǎn)。

這里采用GA算法來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值,使優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)能夠更好地實(shí)現(xiàn)流型識(shí)別[12]。GA算法作為進(jìn)化算法中最重要的分支,應(yīng)用到了函數(shù)擬合、自動(dòng)控制、目標(biāo)識(shí)別、機(jī)器學(xué)習(xí)等諸多領(lǐng)域之中,用GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò),就是GA算法應(yīng)用于機(jī)器學(xué)習(xí)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(jìn)制編碼方案對(duì)隨機(jī)產(chǎn)生的一組權(quán)值、閾值進(jìn)行編碼,然后構(gòu)成一個(gè)個(gè)碼鏈,在網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)規(guī)則已定的前提下,該碼鏈就對(duì)應(yīng)一個(gè)權(quán)值和閾值取得定值的神經(jīng)網(wǎng)絡(luò)。2)對(duì)所產(chǎn)生的神經(jīng)網(wǎng)絡(luò)計(jì)算誤差函數(shù),從而確定適應(yīng)度函數(shù)值。3)選擇若干個(gè)適應(yīng)度函數(shù)值最大的個(gè)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(duì)當(dāng)前一代群體進(jìn)行處理,產(chǎn)生下一代群體。5)重復(fù)步驟2)～4),使初始確定的一組權(quán)值分布得到不斷進(jìn)化,直到訓(xùn)練目標(biāo)得到滿足為止。

5 流型識(shí)別方案驗(yàn)證

該流型識(shí)別方案在圖4所示的氣固兩相流ECT試驗(yàn)平臺(tái)上進(jìn)行驗(yàn)證[13,14]。測(cè)試段采用12電極陣列ECT傳感器電極,電極夾角26°,電極長(zhǎng)度 75 mm。電容信號(hào)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(diǎn)型數(shù)據(jù)處理和強(qiáng)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(tái)[16]。重構(gòu)算法采用Landweber 迭代,其中迭代次數(shù)和迭代步長(zhǎng)分別為200和1.2。實(shí)驗(yàn)溫度為 20 ℃～26 ℃,相對(duì)濕度為55%～62%。實(shí)驗(yàn)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(shí)驗(yàn)平臺(tái)Fig.4 Experimental platform of pneumatic conveying1—控制閥; 2—皮托管; 3—彎型鋁管; 4—旋風(fēng)除塵器;5—收集器; 6—引風(fēng)機(jī); C—耦合器; T—T型混合器

通過(guò)改變風(fēng)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(dòng)狀態(tài)[14]。經(jīng)過(guò)ECT單元重構(gòu)出圖像后,對(duì)圖像進(jìn)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(gè)樣本,每種流型取110個(gè)樣本作為訓(xùn)練,剩下的50個(gè)樣本作為測(cè)試樣本。提取5個(gè)特征參數(shù)作為遺傳神經(jīng)網(wǎng)絡(luò)的輸入,構(gòu)造一個(gè)輸入層節(jié)點(diǎn)為5,輸出層節(jié)點(diǎn)數(shù)為3,選取隱含層的最佳節(jié)點(diǎn)數(shù)為25的遺傳神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),輸出層的目標(biāo)向量Y=[100],[010],[001],分別對(duì)應(yīng)均勻流、繩流、層流流型。初始種群取為60,遺傳終止進(jìn)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(luò)誤差閾值設(shè)為10-4。GA神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)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(luò)基本在第20步就達(dá)到誤差閾值結(jié)束學(xué)習(xí)。以50組層流測(cè)試樣本為例,其BP神經(jīng)網(wǎng)絡(luò)模型的輸出列入表2所示。

表2 層流識(shí)別結(jié)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(gè)值,Y[2]代表輸出向量Y的第2個(gè)值,Y[3]代表輸出向量Y的第3個(gè)值。結(jié)果為“T”代表識(shí)別正確,“F”代表識(shí)別錯(cuò)誤。50個(gè)層流測(cè)試樣本中有46個(gè)流型識(shí)別正確,4個(gè)流型識(shí)別錯(cuò)誤。以識(shí)別正確的第1組輸出為例,輸出向量[0.098,0.153,0.870],對(duì)應(yīng)向量[0,0,1]即層流,識(shí)別正確。以識(shí)別錯(cuò)誤的第12組輸出為例,輸出向量[0.078,0.590,0.568],對(duì)應(yīng)向量[0,1,0]即繩流,識(shí)別錯(cuò)誤。3種流型共150組測(cè)量樣本數(shù)據(jù)的識(shí)別結(jié)果列入表3中。

表3 流型識(shí)別實(shí)驗(yàn)結(jié)果(共50組)Tab.3 Test results of flow pattern recognition

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

6 結(jié) 論

在過(guò)程層析成像技術(shù)的研究基礎(chǔ)上,將重構(gòu)圖像信息即像素分布進(jìn)行簡(jiǎn)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(shù),將圖像中固相目標(biāo)與背景分離,然后通過(guò)對(duì)分割圖像的灰度直方圖的均值、標(biāo)準(zhǔn)偏差、平滑度、三階矩及一致性進(jìn)行特征量統(tǒng)計(jì),并將該特征量作為GA-BP分類器的輸入。該流型識(shí)別方案在氣固兩相流氣力輸送試驗(yàn)平臺(tái)上進(jìn)行了驗(yàn)證,150個(gè)測(cè)試樣本中有142個(gè)流型識(shí)別正確，8個(gè)流型識(shí)別錯(cuò)誤,識(shí)別正確率在94.7%左右,總體識(shí)別效果較好,因此該方法可以作為一種有效的流型識(shí)別方法應(yīng)用于多相流參數(shù)檢測(cè)中。