基于多層感知器的氣液兩相流流型識別方法

1、第38卷 第1期 李小明等：論文標(biāo)題 第44卷 第504期 Vol.44 No.5042019年 第12期 Dec.2019收稿日期：201#-06-#；修訂日期：201#-07-#作者簡介：仝衛(wèi)國（1967-），男，河北省保定市，華北電力大學(xué)博士研究生，副教授，從事先進流量測量研究。通信作者：朱賡宏（1992-），男，山東省滕州市，華北電力大學(xué)碩士研究生，從事先進流量測量研究，E-mail：?；诙鄬痈兄鞯臍庖簝上嗔髁餍妥R別方法 仝衛(wèi)國，朱賡宏（華北電力大學(xué) 控制與計算機工程學(xué)院, 河北 保定 071003)摘要：通過對電阻層析成像數(shù)據(jù)采集原理和深度學(xué)習(xí)網(wǎng)絡(luò)的研究，提出了一種基于陣列電阻值

2、和多層感知器深度學(xué)習(xí)網(wǎng)絡(luò)相結(jié)合的流型識別方法。利用電阻層析成像系統(tǒng)中的16個電極傳感器來獲取流型樣本數(shù)據(jù)，并構(gòu)建出流型識別數(shù)據(jù)庫，然后對多層感知器深度學(xué)習(xí)網(wǎng)絡(luò)進行訓(xùn)練，獲得可以識別不同流型的網(wǎng)絡(luò)。實驗結(jié)果表明，采用陣列電阻值結(jié)合多層感知器網(wǎng)絡(luò)對流型進行學(xué)習(xí)和識別的方法，流型識別準(zhǔn)確率可以達到95%，解決了流型圖像生成過程與數(shù)據(jù)特征預(yù)選過程中流型特征損失的問題，流型識別性能得到了提高。關(guān)鍵詞：電阻層析成像；陣列電阻值；多層感知器網(wǎng)絡(luò)；電極傳感器；流型識別 中圖分類號：TB399 文獻標(biāo)識碼：A Gas-Liquid Two-Phase Flow Pattern Recognition Metho

3、d based on Multilayer Perceptron TONG Wei-guo， ZHU Geng-hong （Department of Automation, North China Electric Power University, Baoding, Hebei, China, Post Code: 071003）Abstract： After studying the principle of resistance tomography data acquisition and deep learning network, a flow pattern recogniti

4、on method based on array resistance value and multilayer perceptron depth learning network is proposed. The 16 electrode sensors in the electrical resistance tomography system are used to obtain the flow sample data, then the flow identification database is constructed, and the multilayer perceptron

5、 deep learning network is trained to obtain the network identifying different flow pattern. The experimental results show that the method of learning and recognizing the flow pattern by using the array resistance value and combining with the multilayer perceptron network can achieve 95% accuracy, wh

6、ich solves the problem of flow pattern loss during the process of flow pattern generation and data feature preselection, and the recognition performance has been improved.Key words： electrical resistance tomography, array resistance value, multilayer perceptron network, electrode sensor, flow patter

7、n recognition第44卷 第504期 Vol.44 No.5042019年 第12期 Dec.2019引 言氣液兩相流的流型是石油、化工、火力發(fā)電等行業(yè)生產(chǎn)過程中一個重要的過程參數(shù)，準(zhǔn)確的流型識別對于這些行業(yè)的安全穩(wěn)定運行具有非常重要的意義1-4。電阻層析成像（Electrical Resistance Tomography，ERT）技術(shù)適用于測量以導(dǎo)電介質(zhì)為連續(xù)相的多相流檢測系統(tǒng)并且在兩相流測量領(lǐng)域得到了廣泛的應(yīng)用5-6。近年來深度神經(jīng)網(wǎng)絡(luò)得到了很快的發(fā)展，并且已經(jīng)被廣泛的應(yīng)用到流型識別中。一般流型識別的方法可以歸為兩類，其一是基于重建流型圖像的流型識別方法，它的特征提取方式是基于

8、電阻層析成像系統(tǒng)對兩相流流動特性進行圖像重建進而通過重建的流型圖像進行相應(yīng)的流型圖像特征提??；其二是基于原始測量數(shù)據(jù)的流型識別方法，它的特征提取方式是降低采取的原始數(shù)據(jù)維度，使用能夠反應(yīng)出流型特征的較少維度數(shù)據(jù)代替原始維度數(shù)據(jù)進行數(shù)據(jù)預(yù)處理和網(wǎng)絡(luò)訓(xùn)練7-8。雖然這兩種特征提取方法的流型識別結(jié)果能夠達到一定的準(zhǔn)確度，但是在前期特征提取的過程比較復(fù)雜且會造成一定的特征損失。近年來計算機硬件的快速發(fā)展和大規(guī)模并行化普及以及互聯(lián)網(wǎng)充足的樣本數(shù)據(jù)。深度神經(jīng)網(wǎng)絡(luò)在各個領(lǐng)域都得到了廣泛的應(yīng)用，特別是在對于原始未加工且單獨不可解釋的特征處理上取得了很好的效果，傳統(tǒng)的方法依賴于手工選取數(shù)據(jù)集的特征，而深度神經(jīng)網(wǎng)

9、絡(luò)可以對數(shù)據(jù)集進行學(xué)習(xí)，并且能夠通過層次結(jié)構(gòu)學(xué)習(xí)到更有利于任務(wù)的特征，進而得到更好的期望效果。為了解決對原始測量數(shù)據(jù)的前期人工處理中產(chǎn)生一定的誤差降低識別正確率的問題，本文提出了一種基于陣列電阻值進行多維度流型特征表示并采用多層感知器進行流型特征提取，實現(xiàn)不同流型識別的方法。利用順序排列的16個金屬電極采集到120個電阻值，經(jīng)過數(shù)據(jù)預(yù)處理后，作為多層感知器網(wǎng)絡(luò)的輸入特征向量，然后用采集到的30 000組樣本數(shù)據(jù)集進行多層感知器網(wǎng)絡(luò)的訓(xùn)練和預(yù)測從而得到流型識別率能夠達到95%的流型分類網(wǎng)絡(luò)。1 ERT系統(tǒng)測量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)以及計算機構(gòu)成9，其系統(tǒng)測量原理的框圖如

10、圖1所示。圖1系統(tǒng)測量原理框圖Fig.1 System measurement block diagram傳感器是由16個金屬電極構(gòu)成，安裝于被測區(qū)域外圍，任意一對電極的電阻都對被測區(qū)域特定范圍內(nèi)的介質(zhì)變化敏感。電阻數(shù)值的變化可以反映介質(zhì)分布和變化。ERT系統(tǒng)16電極測量結(jié)構(gòu)圖如圖2所示。數(shù)據(jù)采集系統(tǒng)通過信號電纜與傳感器相連，以電阻測量電路測量傳感器所有電極對的電阻值。 圖2 ERT系統(tǒng)16電極測量結(jié)構(gòu)圖Fig.2 16 electrode measurement structure of ERT system電阻測量值的個數(shù)是由電極數(shù)量決定的。其計算公式如下所示。 （1）式中：N表示電阻測量

11、值數(shù)量；n表示電極數(shù)量。計算機發(fā)送指令到電極傳感器中，通過交流電流的激勵，在測量管道中建立空間敏感電場，根據(jù)管道內(nèi)電場的電導(dǎo)率分布和變化可以使敏感電場產(chǎn)生一定的調(diào)制作用，從而使得電極傳感器輸出需要采集的信號，數(shù)據(jù)采集單元利用電極上采集的電壓瞬時變化，并經(jīng)過相應(yīng)的處理提取出物場信息，將其信息傳入到計算機中，進而可以得到所需要的電阻值 10-12。2 多層感知器模型的建立2.1 多層感知器網(wǎng)絡(luò)模型的構(gòu)成多層感知器是在單層感知器的基礎(chǔ)上增加了隱藏層，增加隱藏層的個數(shù)使得它具有更多的神經(jīng)元層，因此也被稱為深度神經(jīng)網(wǎng)絡(luò)，較深層次的網(wǎng)絡(luò)結(jié)構(gòu)使得對于原始未加工且單獨不可解釋的特征提取尤為有效，現(xiàn)在已經(jīng)被廣泛

12、應(yīng)用到大量數(shù)據(jù)的特征提取預(yù)測中13-15。其多層感知器網(wǎng)絡(luò)結(jié)構(gòu)如下圖3所示。圖3 多層感知器網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 Multilayer perceptron network structure diagram多層感知器中一共包含四個層，一個輸入層、兩個隱藏層和一個輸出層。電阻層析成像系統(tǒng)可以采集到120個電阻值，數(shù)據(jù)預(yù)處理后會產(chǎn)生120個特征字段，為了更好的表示數(shù)據(jù)特征，輸入層不做任何降維處理設(shè)置為120；第一個隱藏層和第二個隱藏層分別設(shè)置40個和30個神經(jīng)元，隱藏層均使用概率分布的隨機數(shù)初始化權(quán)重和基，選取線性整流函數(shù)作為激活函數(shù)，每個隱藏層后加一個隨機失活層，其作用是在模型訓(xùn)練的過程中隨機

13、將隱藏層的部分權(quán)重歸零，降低節(jié)點之間的相互依賴性，實現(xiàn)網(wǎng)絡(luò)的正則化，降低網(wǎng)絡(luò)結(jié)構(gòu)風(fēng)險；輸出層設(shè)置一個神經(jīng)元，選取S型生長曲線作為激活函數(shù)。2.2 多層感知器網(wǎng)絡(luò)模型流型數(shù)據(jù)集的構(gòu)建和訓(xùn)練通過調(diào)節(jié)控制氣泡發(fā)生裝置進氣量的大小和間隔時間可以實現(xiàn)不同流型的產(chǎn)生。當(dāng)電極傳感器管道內(nèi)進氣量較小時，管道中可以產(chǎn)生泡狀流，隨著進氣量的增加和間隔時間的變化會逐漸有彈狀流的出現(xiàn)，在泡狀流漸變到彈狀流的過程中，把還沒有足夠大的泡型認(rèn)為是一個臨界值，此臨界值之前的泡型認(rèn)為是泡狀流，此臨界值之后的泡型認(rèn)為是彈狀流。氣液兩相流實驗裝置如下圖4所示。圖4 氣液兩相流實驗裝置Fig.4 Gas-liquid two-pha

14、se flow experimental device通過電阻層析成像系統(tǒng)共采集了30 000組流型特征電阻值，其中泡狀流和彈狀流分別為15 000組，首先用0作為采集的泡狀流二維表數(shù)據(jù)的標(biāo)簽字段，用1作為采集的彈狀流二維表數(shù)據(jù)的標(biāo)簽字段，然后把其轉(zhuǎn)換成數(shù)組形式，進行網(wǎng)絡(luò)的訓(xùn)練和預(yù)測，其訓(xùn)練和預(yù)測的結(jié)構(gòu)圖如下圖5所示。圖5 多層感知器網(wǎng)絡(luò)訓(xùn)練和預(yù)測的結(jié)構(gòu)圖Fig.5 Structure diagram of multi-layer perceptron network training and prediction把采集好的氣液兩相流電阻值數(shù)據(jù)經(jīng)過數(shù)據(jù)預(yù)處理后，可以得到120個特征字段和兩個標(biāo)

15、簽字段0和1，然后輸入多層感知器模型進行訓(xùn)練，把訓(xùn)練好的多層感知器模型進行保存。輸入新的氣液兩相流電阻值數(shù)據(jù)，經(jīng)過數(shù)據(jù)預(yù)處理后，使用訓(xùn)練完成的多層感知器模型進行預(yù)測，然后通過損失函數(shù)值和預(yù)測準(zhǔn)確度來進行模型的評價。通過以下幾個方面進行多層感知器網(wǎng)絡(luò)訓(xùn)練進行調(diào)整參數(shù)。分析不同批次數(shù)據(jù)個數(shù)對于流型識別精度的影響，得到合理的批次數(shù)據(jù)個數(shù)；分析樣本數(shù)據(jù)維度對于流型識別精度的影響，得到合理的數(shù)據(jù)維度。3實驗結(jié)果與分析3.1 實驗環(huán)境本實驗裝置采用80mm不銹鋼管道作為流體流動管道，WT3620智能壓力變送器進行壓力采集，一體化溫度變送器進行溫度采集，電阻層析成像系統(tǒng)的16電極傳感器依次安裝在DN60的豎

16、直有機玻璃管道上，并進行順序編號。通過電阻層析成像系統(tǒng)和計算機中的TJU-Etest軟件進行電阻值采集。利用GPU存儲器容量為8G的容天超算工作站SCW4000上的烏班圖系統(tǒng)進行多層感知器網(wǎng)絡(luò)模型的訓(xùn)練。3.2不同批次數(shù)據(jù)個數(shù)對流型識別系統(tǒng)的影響 為了分析不同批次數(shù)據(jù)個數(shù)對流型識別系統(tǒng)的影響，分別采取批次數(shù)據(jù)個數(shù)為50、100、150、200四種進行網(wǎng)絡(luò)訓(xùn)練，得到不同批次數(shù)據(jù)個數(shù)實驗結(jié)果曲線如下圖6所示，每個訓(xùn)練周期的準(zhǔn)確度和損失函數(shù)值如下表1所示。（a）批次數(shù)據(jù)個數(shù)為50（b）批次數(shù)據(jù)個數(shù)為100（c）批次數(shù)據(jù)個數(shù)為150（d）批次數(shù)據(jù)個數(shù)為200圖6不同批次數(shù)據(jù)個數(shù)實驗結(jié)果曲線Fig.6

17、Experimental results curve of different batch data 表1不同批次數(shù)據(jù)個數(shù)參數(shù)表格Tab. 1 Pparameter table of different batch data批次個數(shù)損失函數(shù)值測試準(zhǔn)確度(%)測試誤差變化趨勢500.00192.08 迭代次數(shù)為8趨于穩(wěn)定1000. 001496.53 迭代次數(shù)為8趨于穩(wěn)定1500.003395.03 迭代次數(shù)為8趨于穩(wěn)定200 0.002594 迭代次數(shù)為8趨于穩(wěn)定從圖6、表1的實驗結(jié)果可以分析得出，不同輸入批次個數(shù)數(shù)據(jù)的測試準(zhǔn)確度都能達到90%以上，趨于穩(wěn)定的訓(xùn)練周期大致相同，其中批次個數(shù)數(shù)據(jù)

18、為100時測試準(zhǔn)確度最高，能夠達到96.53%；批次個數(shù)為50和100的損失函數(shù)值基本一致且明顯優(yōu)于批次個數(shù)為150和200的損失函數(shù)值,但是批次個數(shù)為100的網(wǎng)絡(luò)其收斂速度比較快，識別準(zhǔn)確度的上升和損失函數(shù)值的下降更加穩(wěn)定，能更快達到期望的效果，因此流型識別網(wǎng)絡(luò)選取批次數(shù)據(jù)個數(shù)參數(shù)為100進行訓(xùn)練。3.3不同維度的數(shù)據(jù)集樣本對流型識別系統(tǒng)的影響為了分析不同維度的數(shù)據(jù)集樣本對流型識別系統(tǒng)的影響，將網(wǎng)絡(luò)輸入數(shù)據(jù)集樣本維度分別設(shè)置為120、100、80和60四組。在其它條件相同的情況下訓(xùn)練對應(yīng)的網(wǎng)絡(luò)，得到不同維度的數(shù)據(jù)集樣本進行網(wǎng)絡(luò)訓(xùn)練的實驗結(jié)果曲線如下圖7所示，測試準(zhǔn)確度和損失函數(shù)值如下表2所示

19、。（a）輸入數(shù)據(jù)集樣本維度為120（b）輸入數(shù)據(jù)集樣本維度為100（c）輸入數(shù)據(jù)集樣本維度為80（d）輸入數(shù)據(jù)集樣本維度為60圖7輸入不同數(shù)據(jù)集樣本維度實驗結(jié)果曲線Fig.7 Experimental results for different dataset sample dimensions 表2輸入不同數(shù)據(jù)集樣本維度參數(shù)表格Tab. 2 Parameter table for different dataset sample dimensions 樣本維度損失函數(shù)值測試準(zhǔn)確度(%)測試誤差變化趨勢1200.001496.53迭代次數(shù)為8趨于穩(wěn)定1000.003588迭代次數(shù)為8趨于穩(wěn)定8

20、00.020586.17迭代次數(shù)為9趨于穩(wěn)定600.033887迭代次數(shù)為9趨于穩(wěn)定從圖7、表2的實驗結(jié)果可以分析得出，四種不同網(wǎng)絡(luò)輸入數(shù)據(jù)集樣本維度中，樣本維度為120的測試準(zhǔn)確度最高，能達到96.53%；損失函數(shù)值最小為0.00 14；在相同的條件下，樣本維度越高，損失函數(shù)值能夠較快的趨于一個穩(wěn)定區(qū)間，識別準(zhǔn)確度也越高，與其它三種維度處理結(jié)果相比，雖然降低樣本維度可以達到一定的識別準(zhǔn)確度，但是還是遠(yuǎn)低于原始樣本維度的識別正確率。因此綜合考慮樣本維度對網(wǎng)絡(luò)識別正確率的影響，流型識別系統(tǒng)的網(wǎng)絡(luò)輸入樣本維度大小選擇原始維度120。4 結(jié) 論 提出了一種基于16電極采集的陣列電阻值和多層感知器網(wǎng)絡(luò)

21、相結(jié)合的流型識別方法。利用電阻層析成像系統(tǒng)通過16電極傳感器進行陣列電阻值的采集并且建立反映流型特征的陣列電阻值數(shù)據(jù)集，在采取10個訓(xùn)練周期的基礎(chǔ)上對多層感知器網(wǎng)絡(luò)進行訓(xùn)練和驗證，確定了網(wǎng)絡(luò)輸入數(shù)據(jù)集樣本維度參數(shù)為原始數(shù)據(jù)維度120，批次數(shù)據(jù)個數(shù)參數(shù)為100且識別率不低于95%的流型識別網(wǎng)絡(luò)。此方法不但保留了所有的樣本數(shù)據(jù)集特征，提高了識別正確率并且能夠克服對原始樣本數(shù)據(jù)進行流型圖像重建和測量數(shù)據(jù)特征預(yù)選的處理方法中產(chǎn)生一定誤差降低識別正確率的問題。參 考 文 獻何永勃, 董玉珊, 薛榮榮. 基于交互式遞歸分析的兩相流流型識別方法J. 系統(tǒng)仿真學(xué)報, 2019, 31(04): 720-726

22、HE Yong-bo, DONG Yu-shan, XUE Rong-rong. Two-phase flow patt-ern recognition method based on interactive recursive analysisJ. Journal of System Simulation, 2019, 31(04): 720-726SUN Z, SHAO S, Gong H. Gas-liquid flow pattern recognition based on wavelet packet energy entropy of vortex-induced press-u

23、re fluctuationJ. Measurement Science Review, 2013, 13(2): 83-88LI XN, LIU MY, Ma YL. Experiments and meso-scale modeling of phase holdups and bubble behavior in gas-liquid-solid mini-fluidized beds J. Chemical Engineering Science, 2015, 192: 725-738王強, 周云龍, 程思勇, 等. 基于小波和Elman神經(jīng)網(wǎng)絡(luò)的氣液兩相流流型識別方法J.熱能動力工程

24、,2007(02):168-171+175+226.WANG Qiang, ZHOU Yun-long, CHENG Si-yong, et al. Identification of gas-liquid two-phase flow patterns based on wavelet and Elman neural networkJ. Thermal Energy Engineering, 2007(02): 168-171+175+226.劉晶, 張立峰, 田沛. 單電流源電阻層析成像激勵模式研究J. 電子質(zhì)量, 2015(04): 1-3+8LIU Jing, ZHANG Li-fe

25、ng, TIAN Pei. Study on excitation mode of single current source resistance tomographyJ. Electronic Quality, 2015(04): 1-3+8譚超, 董峰, 徐遙遠(yuǎn). 用于氣水兩相流流型識別的ERT信息融合方法J. 工程熱物理學(xué)報, 2010, 31(05): 785-788TAN Chao, DONG Feng, XU Yao-yuan. The ERT information fusion method for gas-water two-phase flow pattern recog

26、nitionJ. Journal of Engineering Thermophysics, 2010, 31(05):785-788翁潤瀅, 孫斌, 趙玉曉, 等. 基于自適應(yīng)最優(yōu)核和卷積神經(jīng)網(wǎng)絡(luò)的氣液兩相流流型識別方法J. 化工學(xué)報, 2018, 69(12): 065-5072WENG Run-zhen, SUN Bin, ZHAO Yu-xiao, et al. A gas-liquid two-phase flow pattern identification method based on adaptive optimal kernel and convolutional neur

27、al networkJ. CIESC Journal, 2018, 69(12): 065-5072宋情洋, 劉鐵軍, 陳宜倩. 符號動態(tài)濾波的氣液兩相流流型識別J. 中國計量大學(xué)學(xué)報, 2018, 29(03): 281-286+323SONG Qing-yang, LIU Tie-jun, CHEN Yi-qian. Identification of gas-liquid two-phase flow patterns based on symbol dynamic filteringJ. Journal of China Jiliang University, 2018, 29(03)

28、: 281-286+323陳德運, 張華, 朱波, 等. 油水兩相流電阻層析成像系統(tǒng)流型的辨識J. 電機與控制學(xué)報, 2007(06): 639-643CHEN De-yun, ZHANG Hua, ZHU Bo, et al. Identification of flow patterns for oil-water two-phase electrical resistance tomography systemJ. Journal of Electric Machines and Control, 2007(06): 639-643譚超. 電阻層析成像系統(tǒng)及兩相流測量的研究D. 天津：天津大學(xué), 2006TAN Chao. Electrical resistance tomography system and two-phase flow measurement