张立峰，朱炎峰

(华北电力大学 自动化系，河北 保定 071003)

1 引 言

由于两相流系统在电力、化工、石油等工业部门广泛使用,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]。随着过程层析技术的迅速发展,出现了电容层析成像(electrical capacitance tomography,ECT)技术,该技术是基于电容敏感机理的可视化层析成像技术,由于其具有非侵入、可视化、非辐射等优势受到广泛关注[2～7]。

基于ECT的流型辨识主要分为2类:基于重建图像的流型辨识以及基于ECT测量数据,采用各种机器学习算法的流型辨识,其常见方法有:神经网络类算法[8]及统计学习类算法(如支持向量机算法)。相较而言,通过神经网络的方法进行流型辨识可以近似完成复杂的映射关系,预测结果也最为准确。常见的ECT流型辨识主要针对层流、空管、满管、核心流和环流5类流型进行辨识[1]。但在实际工业环境中,两相流流型远比这五类流型复杂,本文选取了更复杂的流型模型进行辨识,包括:单个物体、2个物体、3个物体、环状、层状、空场以及满场分布,共7类流型。使用常用的BP神经网络[9,10]、支持向量机[1,11]和极限学习机[12,13]对其进行流型辨识,发现大多方法辨识效果并不理想。Caminhas等提出了并行感知器(parallel layer perceptron,PLP)的概念,其并行分层的优势可以解决集群和云环境的精度和效率问题[14]。2004年,极限学习机(extreme learning machine,ELM)由Huang等提出,用来求解单隐层前馈神经网络(SLFNs)[13]。该算法学习速度快且泛化能力好,在一些复杂系统的控制、辨识和建模等问题上已得到了成功应用。……