張立峰, 肖 凱, 華回春

(1. 華北電力大學(xué) 自動化系, 河北 保定 071003; 2. 華北電力大學(xué) 數(shù)理系, 河北 保定 071003)

1 引 言

隨著我國工業(yè)的不斷發(fā)展,對兩相流監(jiān)測日趨重要。兩相流系統(tǒng)在電力、化工、石油等工業(yè)部門廣泛存在,兩相流流型辨識也成為兩相流在線監(jiān)測的基礎(chǔ),是兩相流測量的重要研究方向[1]。兩相流各相間存在速度差且邊界尚不明確,其研究難度高于單向流[2]。兩相流流型變化直接決定相含率、流量及混合流速等參數(shù)變化,因此需對兩相流的流型進行實時監(jiān)測[3]。電阻層析成像(electrical resistance tomography,ERT)技術(shù)是一種兩相流參數(shù)實時監(jiān)測技術(shù),其物理基礎(chǔ)是:根據(jù)不同介質(zhì)的電導(dǎo)率特性,通過測量敏感場邊界信號,反推出內(nèi)部的電導(dǎo)率分布,通過電導(dǎo)率圖像判斷出物質(zhì)內(nèi)部的介質(zhì)分布狀況[4]。該方法具有非侵入、結(jié)構(gòu)簡單及實時性高等特點。流型辨識則是基于ERT來滿足區(qū)分不同流型要求的一種技術(shù),其原理是依據(jù)ERT傳感器內(nèi)不同流型的電導(dǎo)率分布不同,通過測量ERT傳感器電極上的電壓得到管道內(nèi)部流型的特征,根據(jù)獨立邊界電壓測量值進行圖像重建然后進行流型辨識,或直接根據(jù)獨立邊界電壓測量值進行流型辨識。申超群等將ERT測量數(shù)據(jù)用模糊聚類與神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法對4種流型進行辨識[5];陳德運等采用主成分分析方法對ERT系統(tǒng)中的邊界測量電壓數(shù)據(jù)進行特征提取,然后作為支持向量機的輸入,對油水兩相流的均勻流、層流、環(huán)狀流、核心流四種流型進行流型辨識[6]；朱波則在ERT特征提取上采用了小波分析方法提取特征然后與神經(jīng)網(wǎng)絡(luò)進行結(jié)合對流型進行辨識,取得了較好的效果[7]；許燕斌等用獨立成分分析方法對氣液兩相流的ERT數(shù)據(jù)進行了特征提取,并通過實驗驗證了其有效性[8]。

AdaBoost(Adaptive Boosting)算法基本原理是以上一次弱分類器的分類結(jié)果為依據(jù)來對下一個弱分類器調(diào)整樣本權(quán)重和弱分類器權(quán)重,最后將多個弱分類器組合為一個強分類器以此來達到提升單個弱分類器分類效果的目的[9,10]。由于AdaBoost具有可以將不同的分類算法作為弱分類器且能有效改善過擬合問題等優(yōu)點被廣泛應(yīng)用于各類研究之中。本文將以一維卷積神經(jīng)網(wǎng)絡(luò)作為弱分類器的AdaBoost算法結(jié)合形成1D-CNN-AdaBoost算法并用實驗測得的ERT數(shù)據(jù)對泡狀流、彈狀流、段塞流及混狀流4種流型進行流型辨識。

2 理論基礎(chǔ)

2.1 電阻層析成像系統(tǒng)原理

電阻層析成像系統(tǒng)主要是由傳感器、數(shù)據(jù)采集系統(tǒng)及圖像重建計算機構(gòu)成。其原理如圖1所示[11]。

圖1 電阻層析成像系統(tǒng)原理圖Fig.1 Schematic diagram of electrical resistance tomography system

由計算機發(fā)出控制信號經(jīng)采集系統(tǒng)對ERT傳感器的k個電極采用相鄰激勵模式進行激勵,并用相鄰測量模式采集出M個獨立邊界電壓測量值[12]。

(1)

本文采用16電極ERT傳感器,可得120個獨立測量值。將測量數(shù)據(jù)傳回計算機,采用圖像重建算法即可獲得管道截面電導(dǎo)率分布的重建圖像[13]。

2.2 一維卷積神經(jīng)網(wǎng)絡(luò)

一維卷積神經(jīng)網(wǎng)絡(luò)(one-dimensional convolutional neural network,1D-CNN)是一種前饋神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)的基本工作原理是根據(jù)所選取的卷積核在輸入樣本上以特定步長滑動來選擇樣本的部分特征值,然后將其組合起來,形成更高級的特征,以此來進行預(yù)測[14]。

本文使用1D-CNN結(jié)構(gòu)圖如圖2所示。1D-CNN中的網(wǎng)絡(luò)結(jié)構(gòu)經(jīng)過多次調(diào)整最終使用7層Conv1D來提取特征值,每2層Conv1D后添加1層池化層(MaxPooling1D)來保留主要特征,減少計算量。每層卷積層使用雙曲正切函數(shù)tanh作為卷積神經(jīng)網(wǎng)絡(luò)的激活函數(shù)來提高神經(jīng)網(wǎng)絡(luò)對模型的表達能力,其中tanh函數(shù)可表示為:

(2)

圖2 一維卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 1D-CNN structure diagram

2.3 1D-CNN-AdaBoost算法

1D-CNN-AdaBoost算法是將1D-CNN作為Ada-Boost算法的弱分類器的一種算法,是一種自適應(yīng)增強算法,該算法由多個1D-CNN分類器組成,核心思想是依次訓(xùn)練多個1D-CNN,根據(jù)前1個1D-CNN分類器的結(jié)果來調(diào)整下1個1D-CNN分類器的樣本權(quán)值,最終根據(jù)每個1D-CNN分類器的分類效果決定其在強分類器中的權(quán)重。其算法流程圖如圖3所示。

圖3 1D-CNN-AdaBoost算法流程圖Fig.3 1D-CNN-AdaBoost Algorithm flowchart

1D-CNN-AdaBoost算法計算過程如下:

1) 輸入訓(xùn)練樣本;

2) 初始化權(quán)值分布Di;

(3)

式中:wi對應(yīng)第i個樣本的權(quán)值;N代表樣本數(shù)量。

3) 訓(xùn)練弱分類器,共進行T次迭代t=1,…,T;

任意選擇一個卷積神經(jīng)網(wǎng)絡(luò),作為第t個弱分類器Ht并計算該弱分類器在權(quán)值分布Dt上的分類誤差et為:

(4)

式中:wt(i)對應(yīng)第t次迭代中第i個被錯誤分類樣本的權(quán)值。

計算當(dāng)前卷積神經(jīng)網(wǎng)絡(luò)在最終強分類器中的權(quán)重αt:

(5)

更新下一次迭代的樣本權(quán)值Dt+1:

(6)

4) 將各個卷積神經(jīng)網(wǎng)絡(luò)弱分類器Ht及其權(quán)重αt組合為1個強分類器Hfinal;

(7)

通過符號函數(shù)sign的作用,得到最終的強分類器:

(8)

5) 將測試樣本輸入強分類器并輸出分類結(jié)果。

3 實驗過程及結(jié)果分析

使用華北電力大學(xué)先進測量實驗室的可移動氣水兩相流實驗裝置進行實驗研究,裝置如圖4所示。

圖4 實驗裝置示意圖Fig.4 Schematic diagram of experimental setup

裝置主要由水路循環(huán)、氣路循環(huán)及電阻層析成像3部分組成。儲氣罐里的氣體經(jīng)過壓力表、氣體渦輪流量計、壓力表以及浮子流量計到達ERT傳感器, 同時水箱里的水由水泵抽取經(jīng)過電磁流量計、閥門到達ERT,與氣體混合形成氣水兩相流；在水流量不變的情況下,通過調(diào)節(jié)氣相路的閥門開度進而改變氣量可以得到不同的氣水兩相流流型；再由ERT將不同流型的信息進行采集。

本次實驗共采集泡狀流、彈狀流、段塞流、混狀流各1 500個樣本,共計6 000個樣本。每個樣本由120個獨立測量電壓值組成,構(gòu)成120個特征。泡狀流、彈狀流、段塞流、混狀流分別如圖5所示。

圖5 實驗流型Fig.5 Experimental flow pattern

華北電力大學(xué)先進測量實驗室的可移動氣水兩相流實驗裝置實物圖如圖6所示。

圖6 實驗裝置實物圖Fig.6 Physical image of experimental device

3.2 流型辨識

實驗獲得的泡狀流、彈狀流、段塞流、混狀流各1 500個樣本共計6 000個樣本進行訓(xùn)練集和測試集劃分,從6 000個樣本中隨機抽取1 200個數(shù)據(jù)作為測試集,剩余4 800個數(shù)據(jù)作為訓(xùn)練集。然后將訓(xùn)練樣本以每批次100個樣本作為一維卷積神經(jīng)網(wǎng)絡(luò)的輸入。損失函數(shù)選擇交叉熵?fù)p失函數(shù),學(xué)習(xí)率設(shè)置為0.2,并將AdaBoost的弱分類器個數(shù)設(shè)置為5。

圖7 1D-CNN流型辨識結(jié)果Fig.7 1D-CNN flow pattern recognition results

為了驗證AdaBoost算法對1D-CNN的流型辨識率的提升效果,本文對比了1D-CNN和1D-CNN-AdaBoost對流型辨識的結(jié)果。其中1D-CNN對4種流型的辨識結(jié)果的混淆矩陣如圖7所示,圖7中分別對應(yīng)泡狀流、彈狀流、段塞流及混狀流,右側(cè)顏色條由0.0到1.0分別對應(yīng)著分類精度,顏色越深即分類精度越高。由圖7可見單純使用1D-CNN對段塞流的辨識效果最佳,其辨識正確率可以達到100%,對于彈狀流和混狀流的辨識正確率也分別能達到90%和91%,但是對于泡狀流的辨識正確率僅為84%。平均辨識正確率為91.2%。

采用1D-CNN-AdaBoost進行4種流型辨識結(jié)果的混淆矩陣如圖8所示。由圖8可見,將1D-CNN與AdaBoost結(jié)合后的1D-CNN-AdaBoost算法對泡狀流、彈狀流、混狀流的辨識正確率在原有1D-CNN算法上均有了明顯的提高,尤其對泡狀流的辨識正確率由原來的84%提高到了95%。平均辨識率也由原來的91.2%提升到了97%,驗證了AdaBoost算法對1D-CNN的流型辨識率的提升效果。

圖8 1D-CNN-AdaBoost流型辨識結(jié)果Fig.8 1D-CNN-AdaBoost flow pattern recognition results

為了探究1D-CNN-AdaBoost與其他流型辨識算法的流型辨識效果,本文對比了該算法與BP、支持向量機(support vector machines, SVM)以及決策樹3種算法的型辨識率。結(jié)果如表1所示。由表1可見1D-CNN-AdaBoost算法辨識精度優(yōu)于BP、SVM及決策樹算法,對泡狀流、彈狀流、段塞流、混狀流4種流型的辨識正確率均能達到95%以上,平均辨識精度可達到97%。

表1 各算法流型辨識率Tab.1 Flow pattern recognition rate of each algorithm (%)

4 結(jié) 論

本文研究了AdaBoost算法對1D-CNN的流型辨識率的提升效果,并通過實驗驗證了其有效性。最終選擇了1D-CNN作為AdaBoost算法的弱分類器,形成了1D-CNN-AdaBoost算法。然后用實驗選取4種流型共6 000個電阻層析成像邊界電壓測量值樣本,采用1D-CNN-AdaBoost算法進行流型辨識,并與BP、SVM及決策樹流型辨識算法進行比較。實驗結(jié)果表明,采用1D-CNN-AdaBoost算法對泡狀流、彈狀流、段塞流及混狀流的辨識正確率均高于其它算法,平均辨識正確率達到了97%,為流型辨識提供了一種新的方法。