张立峰, 肖 凯, 华回春

(1. 华北电力大学 自动化系, 河北 保定 071003; 2. 华北电力大学 数理系, 河北 保定 071003)

1 引 言

随着我国工业的不断发展,对两相流监测日趋重要。两相流系统在电力、化工、石油等工业部门广泛存在,两相流流型辨识也成为两相流在线监测的基础,是两相流测量的重要研究方向[1]。两相流各相间存在速度差且边界尚不明确,其研究难度高于单向流[2]。两相流流型变化直接决定相含率、流量及混合流速等参数变化,因此需对两相流的流型进行实时监测[3]。电阻层析成像(electrical resistance tomography,ERT)技术是一种两相流参数实时监测技术,其物理基础是:根据不同介质的电导率特性,通过测量敏感场边界信号,反推出内部的电导率分布,通过电导率图像判断出物质内部的介质分布状况[4]。该方法具有非侵入、结构简单及实时性高等特点。流型辨识则是基于ERT来满足区分不同流型要求的一种技术,其原理是依据ERT传感器内不同流型的电导率分布不同,通过测量ERT传感器电极上的电压得到管道内部流型的特征,根据独立边界电压测量值进行图像重建然后进行流型辨识,或直接根据独立边界电压测量值进行流型辨识。申超群等将ERT测量数据用模糊聚类与神经网络相结合的方法对4种流型进行辨识[5];陈德运等采用主成分分析方法对ERT系统中的边界测量电压数据进行特征提取,然后作为支持向量机的输入,对油水两相流的均匀流、层流、环状流、核心流四种流型进行流型辨识[6]；朱波则在ERT特征提取上采用了小波分析方法提取特征然后与神经网络进行结合对流型进行辨识,取得了较好的效果[7]；许燕斌等用独立成分分析方法对气液两相流的ERT数据进行了特征提取,并通过实验验证了其有效性[8]。

AdaBoost(Adaptive Boosting)算法基本原理是以上一次弱分类器的分类结果为依据来对下一个弱分类器调整样本权重和弱分类器权重,最后将多个弱分类器组合为一个强分类器以此来达到提升单个弱分类器分类效果的目的[9,10]。由于AdaBoost具有可以将不同的分类算法作为弱分类器且能有效改善过拟合问题等优点被广泛应用于各类研究之中。本文将以一维卷积神经网络作为弱分类器的AdaBoost算法结合形成1D-CNN-AdaBoost算法并用实验测得的ERT数据对泡状流、弹状流、段塞流及混状流4种流型进行流型辨识。

2 理论基础

2.1 电阻层析成像系统原理

电阻层析成像系统主要是由传感器、数据采集系统及图像重建计算机构成。其原理如图1所示[11]。

图1 电阻层析成像系统原理图Fig.1 Schematic diagram of electrical resistance tomography system

由计算机发出控制信号经采集系统对ERT传感器的k个电极采用相邻激励模式进行激励,并用相邻测量模式采集出M个独立边界电压测量值[12]。

(1)

本文采用16电极ERT传感器,可得120个独立测量值。将测量数据传回计算机,采用图像重建算法即可获得管道截面电导率分布的重建图像[13]。

2.2 一维卷积神经网络

一维卷积神经网络(one-dimensional convolutional neural network,1D-CNN)是一种前馈神经网络。该网络的基本工作原理是根据所选取的卷积核在输入样本上以特定步长滑动来选择样本的部分特征值,然后将其组合起来,形成更高级的特征,以此来进行预测[14]。

本文使用1D-CNN结构图如图2所示。1D-CNN中的网络结构经过多次调整最终使用7层Conv1D来提取特征值,每2层Conv1D后添加1层池化层(MaxPooling1D)来保留主要特征,减少计算量。每层卷积层使用双曲正切函数tanh作为卷积神经网络的激活函数来提高神经网络对模型的表达能力,其中tanh函数可表示为:

(2)

图2 一维卷积神经网络结构图Fig.2 1D-CNN structure diagram

2.3 1D-CNN-AdaBoost算法

1D-CNN-AdaBoost算法是将1D-CNN作为Ada-Boost算法的弱分类器的一种算法,是一种自适应增强算法,该算法由多个1D-CNN分类器组成,核心思想是依次训练多个1D-CNN,根据前1个1D-CNN分类器的结果来调整下1个1D-CNN分类器的样本权值,最终根据每个1D-CNN分类器的分类效果决定其在强分类器中的权重。其算法流程图如图3所示。

图3 1D-CNN-AdaBoost算法流程图Fig.3 1D-CNN-AdaBoost Algorithm flowchart

1D-CNN-AdaBoost算法计算过程如下:

1) 输入训练样本;

2) 初始化权值分布Di;

(3)

式中:wi对应第i个样本的权值;N代表样本数量。

3) 训练弱分类器,共进行T次迭代t=1,…,T;

任意选择一个卷积神经网络,作为第t个弱分类器Ht并计算该弱分类器在权值分布Dt上的分类误差et为:

(4)

式中:wt(i)对应第t次迭代中第i个被错误分类样本的权值。

计算当前卷积神经网络在最终强分类器中的权重αt:

(5)

更新下一次迭代的样本权值Dt+1:

(6)

4) 将各个卷积神经网络弱分类器Ht及其权重αt组合为1个强分类器Hfinal;

(7)

通过符号函数sign的作用,得到最终的强分类器:

(8)

5) 将测试样本输入强分类器并输出分类结果。

3 实验过程及结果分析

使用华北电力大学先进测量实验室的可移动气水两相流实验装置进行实验研究,装置如图4所示。

图4 实验装置示意图Fig.4 Schematic diagram of experimental setup

装置主要由水路循环、气路循环及电阻层析成像3部分组成。储气罐里的气体经过压力表、气体涡轮流量计、压力表以及浮子流量计到达ERT传感器, 同时水箱里的水由水泵抽取经过电磁流量计、阀门到达ERT,与气体混合形成气水两相流；在水流量不变的情况下,通过调节气相路的阀门开度进而改变气量可以得到不同的气水两相流流型；再由ERT将不同流型的信息进行采集。

本次实验共采集泡状流、弹状流、段塞流、混状流各1 500个样本,共计6 000个样本。每个样本由120个独立测量电压值组成,构成120个特征。泡状流、弹状流、段塞流、混状流分别如图5所示。

图5 实验流型Fig.5 Experimental flow pattern

华北电力大学先进测量实验室的可移动气水两相流实验装置实物图如图6所示。

图6 实验装置实物图Fig.6 Physical image of experimental device

3.2 流型辨识

实验获得的泡状流、弹状流、段塞流、混状流各1 500个样本共计6 000个样本进行训练集和测试集划分,从6 000个样本中随机抽取1 200个数据作为测试集,剩余4 800个数据作为训练集。然后将训练样本以每批次100个样本作为一维卷积神经网络的输入。损失函数选择交叉熵损失函数,学习率设置为0.2,并将AdaBoost的弱分类器个数设置为5。

图7 1D-CNN流型辨识结果Fig.7 1D-CNN flow pattern recognition results

为了验证AdaBoost算法对1D-CNN的流型辨识率的提升效果,本文对比了1D-CNN和1D-CNN-AdaBoost对流型辨识的结果。其中1D-CNN对4种流型的辨识结果的混淆矩阵如图7所示,图7中分别对应泡状流、弹状流、段塞流及混状流,右侧颜色条由0.0到1.0分别对应着分类精度,颜色越深即分类精度越高。由图7可见单纯使用1D-CNN对段塞流的辨识效果最佳,其辨识正确率可以达到100%,对于弹状流和混状流的辨识正确率也分别能达到90%和91%,但是对于泡状流的辨识正确率仅为84%。平均辨识正确率为91.2%。

采用1D-CNN-AdaBoost进行4种流型辨识结果的混淆矩阵如图8所示。由图8可见,将1D-CNN与AdaBoost结合后的1D-CNN-AdaBoost算法对泡状流、弹状流、混状流的辨识正确率在原有1D-CNN算法上均有了明显的提高,尤其对泡状流的辨识正确率由原来的84%提高到了95%。平均辨识率也由原来的91.2%提升到了97%,验证了AdaBoost算法对1D-CNN的流型辨识率的提升效果。

图8 1D-CNN-AdaBoost流型辨识结果Fig.8 1D-CNN-AdaBoost flow pattern recognition results

为了探究1D-CNN-AdaBoost与其他流型辨识算法的流型辨识效果,本文对比了该算法与BP、支持向量机(support vector machines, SVM)以及决策树3种算法的型辨识率。结果如表1所示。由表1可见1D-CNN-AdaBoost算法辨识精度优于BP、SVM及决策树算法,对泡状流、弹状流、段塞流、混状流4种流型的辨识正确率均能达到95%以上,平均辨识精度可达到97%。

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

4 结 论

本文研究了AdaBoost算法对1D-CNN的流型辨识率的提升效果,并通过实验验证了其有效性。最终选择了1D-CNN作为AdaBoost算法的弱分类器,形成了1D-CNN-AdaBoost算法。然后用实验选取4种流型共6 000个电阻层析成像边界电压测量值样本,采用1D-CNN-AdaBoost算法进行流型辨识,并与BP、SVM及决策树流型辨识算法进行比较。实验结果表明,采用1D-CNN-AdaBoost算法对泡状流、弹状流、段塞流及混状流的辨识正确率均高于其它算法,平均辨识正确率达到了97%,为流型辨识提供了一种新的方法。