李乐天[1]2009年在《电容层析成像系统图像重建与流型辨识》文中认为电容层析成像技术是上世纪80年代末由英国曼彻斯特大学研究人员提出的一种计算机层析成像技术。它是通过在物体表面设置几组电极,并通过对电极之间的电容值来计算物体内部节点常数的空间分布。主要用于工业管道内的多相流检测。这种技术可提供常规仪器无法探测的封闭管道及容器中多相介质的浓度、分布、运动状态等可视化信息。与其他技术相比,电容层析成像技术具有适用范围广、非侵入式、安全性能好等优点,适用于多种工业生产的过程中常见的多相流检测,并且成本低廉。本文以12电极电容层析成像系统为研究对象,主要探讨电容层析成像技术中图像重建和流型辨的问题,主要完成了以下工作:电容层析成像系统技术原理分析。从理论上分析了电容层析成像技术的工作原理,建立了电容敏感场的数学模型,并以此为图像重建和流型辨识的理论基础。图像算法的分析与改进。对ECT图像重建算法主要的线性反投影算法、MOR法、迭代法、查表法、神经网络法和正则化方法进行了简要介绍和比较分析。通过对Tikhonov正则化的分析,针对标准Tikhonov泛函的过度光滑,导致重建图像的细节信息丢失,重建的图像质量不理想的问题。本文以标准的Tikhonov算法为基础,给出了一种新的迭代算子,利用该算子可以使重建的图像细节进行一定的修正,通过仿真实验证明其在不损失效率的情况下,图像重建准确度上得到了提高。流型辨识的分析与改进。介绍了流型辨识的几种主要的方法:最近邻法、K近邻算法、神经网络法和特征提取法。并对其优缺点进行了分析和比较。仿真实验则针对以往流型辨识方法像素数据较少的问题,尝试用一般的图像重建剖分方法代替以往流型辨识方法的剖分方式。以较大的像素数量为流型辨识算法提供数据,从而使辨识结果更加精确。
刘洪波[2]2017年在《电容层析成像流型辨识与图像重建》文中研究表明电容层析成像技术(Electrical Capacitance Tomography,ECT)是过程层析成像技术的一个分支,可应用于工业密闭管道的多相流检测及精密测试领域的计量和分析。ECT具有成本低、非辐射、响应速度快、结构简单和非侵入等优点,对推动工业发展具有重要意义。近年来,由于计算机技术飞速发展,软硬件技术都得到数量级的提升,对管道内流体的可视化技术进一步的深入研究具有十分重要的理论意义和实际应用价值。本文主要围绕ECT系统流型辨识和图像重建展开深入的研究。论文主要工作如下:首先,针对ECT系统的叁大组成结构分别进行分析。给出了ECT系统的数学模型以及灵敏度分布函数,基于图像重建原理对ECT系统展开分析,为论文研究提供理论依据。其次,基于传感器的对称结构,对采集的电容值进行分析,采用提取特征值方法降低输入参数的维数,并分析BP神经网络多前馈和拓扑结构,对传统BP神经网络进行改进,针对学习速率慢问题,提出自适应学习速率方案,针对容易产生局部极小值问题,提出附加动量方案。采用改进的BP神经网络算法进行流型辨识,效果理想.最后,针对图像重建精度不高的问题,本文结合近似共轭梯度追踪算法中追踪方向的优点,以及分段弱阈值共轭梯度追踪算法能够减少迭代次数的优点进行综合分析,采用谱投影梯度追踪算法对图像进行重建,并与线性反投影算法(Linear Back Projection,LBP)重建算法结果进行比较,通过误差和迭代结果可知,本算法重建效果良好。
陈宇[3]2010年在《电容层析成像反问题求解及图像重建算法研究》文中认为电容层析成像技术(ECT)是一种新的计算机层析成像技术,它是通过测量物体表面周围电极之间的电容值来计算物体内部介电常数的空间分布,主要用于工业管道内的多相流检测。电容层析成像技术具有适用范围广、非侵入式、安全性能好等优点,因此为解决多相流的测量问题提供了一条较好的途径。ECT技术的成功应用主要取决于反问题求解的精度与速度以及图像重建的质量,本文主要针对电容层析成像反问题求解及图像重建算法等关键问题展开研究,主要研究内容如下:详细分析了电容层析成像技术的基本原理、正问题的定义、反问题的定义和ECT反问题的不适定性,提出了解决不适定性的有限维逼近方法。针对Landweber算法求解ECT反问题收敛速度慢的问题,提出了求解ECT反问题的多项式加速算法。同时针对信赖域算法的子问题求解很复杂的问题,采用共轭梯度法对其进行求解,即信赖域-共轭梯度法(TR-CG)。实验结果表明,两种算法都表现出了较好的成像结果,能够克服ECT反问题图像重建的不稳定性,重建图像的失真较小且十分接近原流型,具有很强的抗噪声能力。同时,在混有噪声电容数据的情况下,这两种算法表现出具有很强的抗噪声能力。针对应用Gauss-Newton法求解ECT反问题收敛慢的问题,提出了加权修正Gauss-Newton算法对其进行求解。同时在分析非线性最小二乘问题残量原理的基础上,提出了一种NL2SOL的拟牛顿电容层析成像算法。实验结果表明,这两种算法都具有较好的反问题的解,成像精度高且误差小。两种算法相比较,对于大残量流型NL2SOL算法有更好的成像结果,而对于小残量流型加权修正Gauss-Newton算法有更好的成像结果。针对ECT反问题的流型辨识问题,阐述了基于特征提取的BP神经网络ECT流型辨识方法。对影响流型辨识准确度的基本原因进行分析,提出了基于自适应主成分的特征提取的ECT流型辨识算法(PCA-FE),并给出自适应求解ECT电容值主分量的对称子空间网络模型和广义Hebb网络模型。在分析电容层析成像反问题求解的渐进最优阶理论的基础上,对ECT反问题求解后进行边缘灰度补偿的必要性进行论证,并提出了一种自适应权重粒子群(AWPSO)的电容层析成像边界灰度补偿算法。实验结果表明,该算法是非常有效的,可大大改善图像重建的稳定性和提高图像重建的质量,补偿后的图像质量要远远好于线性反投影算法和共轭梯度算法,从而为ECT图像重建提供了一种新的有效方法。
何在刚[4]2014年在《基于神经网络的ECT两相流参数检测方法研究》文中研究说明电容层析成像技术(Electrical Capacitance Tomography, ECT)是20世纪80年代出现的一种新的过程层析成像技术PT（Process Tomography），它是以医学CT技术作为基础发展起来的，通过均匀排列在被测管道四周的电容传感器来得到检测电容，从而利用检测电容包含的投影信息以及相应的图像算法重建出管道内部的介质分布图像。电容层析成像技术因其具有非侵入式、结构简单、技术成本低等优点迅速成为流动层析成像技术研究的主流。ECT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中两相流参数的检测及系统的实时控制变得非常重要。因此，电容层析成像技术有广阔的发展前景，研究电容层析成像技术具有重要而深远的意义。本文在参阅了大量文献的基础上，将特征提取理论和多准则函数优化理论引入到神经网络中，从而使ECT系统更加满足工业检测的需求。主要做了以下工作：1、针对目前电容层析成像技术流型辨识效率低的问题，提出了一种基于电容层析成像（ECT）系统的粗神经网络与特征提取相结合的方法来辨识两相流流型。该方法首先对流型特征参数的进行了定义，然后把从ECT系统中获得独立测量电容信号的归一化后，按照定义的特征参数提取其包含的特征信息，并将提取到的特征信息输入到粗神经网络进行训练，最后将流行的测试样本输入到训练好的粗神经网络完成流型辨识。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，且具有较强的抗噪能力，这为ECT图像流型辨识的研究提供了一个新的方法。2、提出了一种基于多准则优化的Hopfield网络模型，利用多准则优化的理论基础来确定Hopfield网络的能量函数，通过将叁个目标函数引入到了Hopfield网络的能量函数中，以求得重建图像的最优解，从而提出了一种多准则优化理论与Hopfield网络理论相结合的ECT图像重建的方法。通过使用该方法进行图像重建，最终取得了较好图像重建效果。仿真实验结果表明，基于多准则优化的Hopfield网络算法是一种重建图像误差小、精度较高的ECT图像重建算法，其重建图像的图像误差和相关系数都要优于传统LBP算法、Landweber迭代算法，这为ECT图像重建提供了一种有效的方法和手段。
崔海利[5]2006年在《基于电容层析成像技术的气液两相流参数检测》文中研究指明两相流广泛存在于化工、冶金、能源、轻工等工业领域。两相流存在的广泛性促使两相流领域的研究工作得到了迅速发展,同时也成为国内外学者给予极大关注的前沿课题。两相流系统的流动特性复杂,参数检测难度较大。目前两相流参数检测技术已经成为两相流研究的制约性因素。 质量流量含气率和流量是气液两相流的重要参数。本文在浙江大学多相流课题组近年来取得的研究成果的基础上,对电容层析成像技术在油气两相流质量流量含气率和流量测量的应用方面进行了研究。主要工作如下: 1.基于电容层析成像技术以及空隙率和质量流量含气率之间的关联模型,提出了一种油气两相流质量流量含气率测量方法。在分析几种空隙率和质量流量含气率关联模型的基础上,选用合适的关联模型来计算质量流量含气率,并考虑流型的影响,对该关联模型的参数进行优化。不同流型下的具体参数值基于先期的实验样本通过最小二乘法确定。实际测量时,首先辨识油气两相流流型,然后根据流型的辨识结果选择模型参数,结合电容层析成像系统测量得到的空隙率,即可计算获得质量流量含气率的测量值。实验结果表明,提出的油气两相流质量流量含气率测量方法是有效的,不同典型流型下的均方根误差均小于7%。 2.将提出的油气两相流质量流量含气率测量方法与文丘里管相结合,进行油气两相流流量测量。分析了几种文丘里管气液两相流流量测量模型,并应用这些模型进行了油气两相流总质量流量和液相质量流量测量的初步研究。实验结果表明,采用de Leeuw计算式,在泡状流、层状流、塞状流和环状流等几种流型下,可以获得较好的总质量流量和液相质量流量测量结果,不同流型下的总质量流量测量的均方根误差均小于11%;采用Lorenzi模型,在泡状流和层状流情况下可以获得较好的流量测量结果。
张静[6]2013年在《基于压力及浓度分布信号的气固两相流流型辨识方法研究》文中指出流型是多相流直接影响其它流动参数测量的重要参数。相对于稀相气力输送,密相气固两相流流动流型更为复杂、流动参数分布波动剧烈,对流型的识别和控制尤为重要。目前,基于ECT系统的流型辨识方法主要利用流型截面信息进行静态辨识,而对流型的动态辨识还没有很好的解决方案。针对此问题,本文利用轴向时间序列信号结合径向截面信息对动态流型进行辨识。压力波动信号及相浓度分布是反映流型的主要流动参数。本文结合实验条件,分别针对数值模拟仿真的气固两相流压力波动信号及ECT系统的相浓度分布信号进行特征提取及流型辨识模型的研究。本文完成的主要工作如下：(1)针对浓相气力输送流型变化复杂的特点,分析数值模拟方法获得的轴向压力波动时间序列信号特点,研究反映层流、柱塞流等流型变化信息的轴向压力波动信号。(2)根据时间序列信号特征理论,提取小波能量特征、偏斜率以及柱塞流前沿等信息作为浓相气力输送水平管道中轴向压力波动信号特征向量；分析压力波动信号并分析其随层流、柱塞流等流型的变化特点,研究基于轴向压力波动信号特征向量的流型辨识方法,提出了基于自组织竞争神经网络的流型辨识方法。(3)基于电容层析成像原理,分析ECT系统采集的模拟动态流型的径向及轴向分布式电容测量数据特点,研究反映截面及轴向流型变化特点的特征量,提取了极板间电压均值的时间序列Hurst指数及28维电压值的偏斜率作为特征向量。(4)分析ECT分布式测量数据特征向量随层流、柱塞流等流型的变化特点,研究基于ECT数据特征向量的流型辨识模型建立方法,提出了基于支持向量机的流型辨识方法。(5)搭建了基于虚拟仪器的流型辨识实验平台。在实验室条件下对柱塞流、层流以及空管进行辨识,对流型辨识算法进行验证。
刘艳红[7]2003年在《基于电容层析成像（ECT）系统的流型辨识》文中指出电容层析成像(ECT)技术是基于电容敏感机理的过程成像(PT)技术，具有非辐射、非侵入、响应速度快、结构简单、成本低等优点，它为解决两相流参数检测问题提供了新的途径，流型辨识一直是两相流参数检测中的重点之一，应用电容层析成像技术进行流型辨识是目前正在探索的具有良好发展前景的方法。本文针对现有的基于ECT的流型辨识方法进行了较为全面深入的研究，在大量的仿真分析基础上，提出了一种基于特征提取的神经网络流型辨识法，并在现有的实验装置中用实测数据进行验证和评估。本文的主要工作和结论有： 1．阐述了电容层析成像技术的基本原理、系统构成以及流型辨识的研究现状。 2．对ECT系统实验板进行调试，编制下位机软件，并对调试过程中出现的问题进行了探讨。 3．基于有限元原理，建立电容传感器模型，设定不同的介电常数分布模拟各种流型，计算各种流型下的28维电容值。 4．对不同流型的仿真数据进行统计分析，寻找能代表流型特征的各种参数，提取出10种特征参数为高效，简单、快捷、准确的流型辨识打下基础。 5．分析对比现有的流型辨识方法，提出基于原始数据特征提取的竞争神经网络和BP网络流型辨识法。两种方法都表明特征参数的提取可以简化网络结构和减少训练难度，提高辨识的准确率。 6．编制基于线性反投影算法(LBP)的成像程序，实现流型的可视化。 7．制作可以填充物料的管道口径为50毫米的8极板电容传感器，在管道中填充物料模拟流型，获取实验数据，验证流型辨识方法的可行性和可靠性，结果表明，基于特征提取的神经网络法具有很好的流型辨识效果。
孔银[8]2017年在《电容层析成像技术图像重建算法的研究》文中进行了进一步梳理电容层析成像技术(Electrical Capacitance Tomography,简称ECT),是一种基于低频电容和电阻测量的层析成像方法,近年来已被广泛应用于工业过程成像和监控中。基于电容传感和电阻的测量原理,使ECT具有结构简单、成本低廉、无辐射和安全性好等优点,是目前过程层析成像技术研究的热点之一。首先,基于12电极ECT成像系统,分析了ECT系统的组成及图像重建原理,构造了两相流ECT系统数学模型,搭建了实验仿真环境。另外,对传统常用的ECT流型辨识和图像重建算法进行了初步的研究,分析总结了各种不同算法的成像特点。然后,对于目前ECT流型辨识精度低的问题,进行了ECT系统流型识别的研究,首先通过不同的流型特点来处理电容传感器得到的电容数据,提取各种流型的电容特征值。接着,用得到的电容特征值参数来训练粗神经网络,然后通过该网络完成对流型的分类辨识。最后通过Matlab仿真实验结果的分析,发现相对于BP神经网络,该方法的辨识精度有一定的提高。最后,针对ECT反问题中图像重建困难的问题,首先研究了将卷积神经网络(Convolutional Neural Network,简称CNN)应用于ECT图像重建的可行性,在对卷积神经网络中较耗时的深层结构和训练过程问题进行深入研究的基础上,给出了一种加速收敛卷积神经网络(Fast Convergent Convolutional Neural Network,简称FCCNN)的图像重建方法,最后通过ECT实验仿真系统,与传统算法的仿真实验结果进行了对比和分析,实验结果表明,改进后的算法对常见管道流型的图像重建效率和质量都有一定的提高。
邵晓寅[9]2003年在《电容层析成像技术在气液两相流检测中的应用研究》文中认为两相流系统是一个复杂的非线性动态系统，相问存在着界面效应和相对速度，致使两相流参数检测的难度较大。在国际上，两相流参数检测也是一个急待发展的探索研究领域。在两相流系统中，空隙率和流型是两相流中两个非常重要的参数。两相流的空隙率的在线测量对生产过程的计量、控制和运行的可靠性具有重要意义。两相流的不同流型不但影响两相流的流动特性和传热传质等性能，而且影响两相流系统其它参数的准确测量，两相流流型的准确辨识对两相流系统有重要的意义。因此两相流的空隙率测量和流型辨识是该领域中的两个重要研究方向。本文基于电容层析成像技术(ECT-Electrical Capacitance Tomography)，对气液两相流的空隙率测量和流型辨识方法进行了研究，并通过实验进行了验证，得到了一些有益的结论：提出了一种基于Tikhonov正则化原理和SIRT(Simultaneous ReconstructionTechnique)算法相结合的组合型量化图像重建新算法。为了克服图像重建中的不适定性问题，利用Tikhonov正则化原理进行初始图像重建。SIRT算法则用来对初始重建图像进行迭代改善以获得最终重建图像，改善了重建图像的质量。将新算法和FLBP(Filter Linear Back Projection)算法进行比较，结果表明重建图像的质量有了提高。实际计算表明新算法的实时性较为理想，在将截面划分成54个像素，SIRT迭代10次的情况下进行一次成像所用的时间为0． 08秒。经实验证明组合型量化图像重建算法是有效的。针对油气两相流电容测量的实际情况，去掉12个相邻电极对所构成的电容测量值，采用余下的54个电容值进行图像重建工作。去掉12个相邻电极对的电容值可以带来以下好处。首先，去掉相邻电极对时电容传感器灵敏场整体较为平滑，这对提高ECT整体成像精度带来一定的帮助。其次，通过比较仿真实验所得的电容数值和实测电容数值，发现两者有差异，且主要体现在由两者相邻电极构成的12个电容上，远高于非相邻电极对构成的其他54个电容。去掉这12个电容测量值可减少这种差异对图像重建的影响。最后，去掉这12电容值后，权重系数矩阵的维数从66减少到54，而维数的降低将有效地减少图像重建的计算时间，提高系统实时性能。去掉12个电容测量值表面上看似乎是损失了一些测量信息，而实际上仿真测试和实验验证均证明经过这样处理以后成像精度和成像速度得到了提高，更有利于图像重建。将组合型量化图像重建算法应用到气液两相流的空隙率测量中。实验结果表明 摘 要一 在 0～100％测量范围内空隙率测量最大误差可小于 6％，得到一个空隙率测量 值算法耗时小于0j秒。．将组合型量化图像重建算法应用到气液两相流的流型辨识中，并组合模糊模式 识别技术进行气液两相流流型的辨识。并且通过大量的实验研究获得用于流型 辨识的参数矩阵。提出的模糊流型辨识方法能够实现油气两相流的核心流、环 状流、层状流、均相流和塞状流等典型流型的在线辨识。对于均相流、层状流、 核心流和环状流等流型辨识的准确率高于 95％，判别一个流型耗时小于 0．15 秒。塞状流的辨识准确率高于90％。．以组合型量化图像重建算法为理论基础，开发了气液两相流空隙率实时测量和 流型在线辨识软件，从软件的技术指标可以看出，使用本软件进行空隙率实时 测量和流型在线辨识时具有较好的实时性。
乔立勇[10]2010年在《基于特征提取和神经网络的ECT流型辨识的研究》文中进行了进一步梳理两相流识别技术在工业上有很高的应用价值,其发展前景也不可小觑。随着计算机技术和信号识别技术的迅猛发展,电容层析成像技术近年来得到快速发展。电容层析成像(ECT)技术是基于电容敏感机理的过程成像技术,其具有非辐射、非侵入、响应速度快、结构简单、成本低、适用范围广、安全性能好等优点。ECT系统中的流型辨识技术是电容层析成像技术中一项重要技术。本文以12电极电容层析成像系统和油/水两相流为研究对象,在研究了大量ECT流型辨识方法和对实验数据进行分析的基础上,提出了新的流型特征参数,并对这些特征参数进行了分析比对。同时,与近年来流行的神经网络技术相结合,将通过特征提取后的参数作为神经网络的输入,在Matlab中进行了建模、仿真和训练神经网络。本文实现了两种神经网络模型,分别是BP神经网络和RBF神经网络。通过建模和仿真,并且对大量实验样本数据进行测试,本文对油/水两相流中的6种经典流型进行了实验。实验结果表明,使用特征提取后的特征参数作为神经网络的输入,基于特征提取的神经网络流型辨识方法的无论在效率还是准确率都比以往的流型辨识方法高。本文提出的两相流流型辨识的研究和分析方法使得两相流流型辨识理论有了一定的发展,也将会为电容层析成像技术能够在工业上得到广泛应用提供有利的帮助。
参考文献：
[1]. 电容层析成像系统图像重建与流型辨识[D]. 李乐天. 哈尔滨理工大学. 2009
[2]. 电容层析成像流型辨识与图像重建[D]. 刘洪波. 哈尔滨理工大学. 2017
[3]. 电容层析成像反问题求解及图像重建算法研究[D]. 陈宇. 哈尔滨理工大学. 2010
[4]. 基于神经网络的ECT两相流参数检测方法研究[D]. 何在刚. 辽宁大学. 2014
[5]. 基于电容层析成像技术的气液两相流参数检测[D]. 崔海利. 浙江大学. 2006
[6]. 基于压力及浓度分布信号的气固两相流流型辨识方法研究[D]. 张静. 东北大学. 2013
[7]. 基于电容层析成像（ECT）系统的流型辨识[D]. 刘艳红. 沈阳工业大学. 2003
[8]. 电容层析成像技术图像重建算法的研究[D]. 孔银. 哈尔滨理工大学. 2017
[9]. 电容层析成像技术在气液两相流检测中的应用研究[D]. 邵晓寅. 浙江大学. 2003
[10]. 基于特征提取和神经网络的ECT流型辨识的研究[D]. 乔立勇. 哈尔滨理工大学. 2010