基于主成分分析和神经元网络的两相流相浓度测量方法，它含有两相流相浓度的电容层析成像方法，其特征在于：它是在一个由电容阵列传感器、电子测量电路和成像计算机构成的电容层析成像系统中，引入主成分分析和神经元网络方法实现两相流相浓度的测量方法，即使用主成分分析方法分析归一化后的电容测量值，发现占系统信息约为５０％的第一主成分和相浓度具有较好的对应关系，进一步利用主成分分析方法对数据进行降维处理，除去贡献率小于μ的主成分，把贡献率大于μ的主成分数据作为一个前向神经元网络的输入，神经元网络的输出即为要得到的相浓度，它依次含有以下步骤： （１）．选取与不同流型相对应的Ｎ组电容测量值作为样本集； （２）．对样本集数据归一化，得到样本集矩阵Ｘ； （３）．把样本集矩阵Ｘ用下式变换为相关矩阵，即主成分矩阵Ｒ，并计算出相关矩阵Ｒ的Ｎ个特征值及其特征向量，从最大的特征值为λ↓［１］以及和其相对应的特征向量Ｌ↓［１］，求出系统的第一主成分ｙ↓［１］： ＊＊＊ ｙ↓［１］＝Ｌ↓［１］＊ｘ，ｘ为任一组电容测量值； （４）．除去贡献率小于μ的主成分，把贡献率大于μ的主成分数据作为前向神经元网络的输入，在训练时，给出设定相浓度、训练步长、最大训练步数和均方差最小值、隐层节点数、网络输入节点数为Ｌ，输出结点数１，在训练过程中每一步随机设定各层连接权及阈值，一旦在最大训练步数的范围内均方差达到规定值时便结束训练； （５）．用非训练样本集的数据测试ＢＰ神经网络，判断测试相浓度＊和设定相浓度之差是否满足规定的误差要求，若满足，则终止训练；若不满足，再增加样本数据对网络进行训练，然后再重复以上各步，一直到满足规定的误差要求为止。（*该技术在2022年保护过期，可自由使用*）
【技术实现步骤摘要】
，属于两相流测量
，涉及过程流动成像研究领域的信息挖掘技术。可见，两相流检测技术是一个亟待发展的探索研究领域，积极深入地开展该领域的研究工作，尽快提高相关的技术水平，是现代工业发展的迫切要求，也是国内外科研工作者所肩负的重任，它对工业生产及国民经济更快速的发展具有极为重要的意义。由于相间的相互作用，两相流存在一个形状和分布在时间和空间里均随机可变的相界面，而在相间又存在着相对速度。因此，描述两相流的参数除了描述单相流的参数，如速度、压力降、流量、温度之外，还要针对两相流本身的特性采用一些新参数。在工业上常用的两相流检测的主要参数有流型、分相流量和总流量、相浓度、速度、密度及压力降等主要参数。两相流的相浓度又称分相含率、空隙率、含气率(气/液两相流)、含固率(气/固两相流)等等，针对不同类别的两相流有不同的习惯术语。测出相浓度就可求出各分相含量。相浓度有多种表达方式，有按容积、截面、时间的平均相浓度，也有表示局部区域的局部相浓度(即相浓度的分布)和表示瞬时状态下的瞬时相浓度。通过对相浓度的局部和瞬时信息的分析和统计，可为两相流流型判别提供定量的依据。国内外从事两相流检测技术的专家们做了大量的研究工作，当前所采用的技术大体可归为三类。一是采用传统的单相流仪表和两相流测试模型结合的测量方法，近年来虽然得到较大发展，但测量精度和使用条件有限。第二类是基于超声波技术、微波技术、全息技术、光谱技术、核磁共振技术、光纤技术、辐射线技术、激光多普勒技术、新型示踪技术、相关技术、过程层析成像技术等新型检测技术的测量方法。第三类是基于软测量技术的测量方法。过程层析成像技术(process tomography)作为近10年来发展起来的新型两相流检测技术自出现后就得到了迅速发展。它利用特殊设计的敏感器空间阵列，以非接触或非侵入方式获取被测对象的场信息，运用图象重建算法重现两相/多相流体在管道内或反应装置内部某一横截面上的分布情况，从而得到两流体中离散相浓度分布及其随时间的变化情况，实现被测两相流体在某一截面上的可视化。过程层析成像技术的出现标志着过程参数在线检测技术发展到了一个新的阶段，它将检测技术从传统的局部空间单点测量方式发展成为对过程参数在二维/三维空间分布状况的在线、实时测量，大大提高了人们对生产过程信息的获取和分析能力，为在线检测和优化设计提供了一种全新的手段。以用于气/固两相流测量的电容层析成像系统为例，一个典型的过程层析成像系统附图说明图1所示。它由电容传感器、电子测量电路和成像计算机三大部分组成。在流体流动管道上沿管道周边均匀地贴上一圈电极，任意两个不同极板，组成一个两端子电容，依次在单个极板上施加激励，测量它和其余极板所构成的两端子电容的输出值，由于管道内流型分布的影响，各对极板间的电容值也不同，这些电容值包含了与相分布有关的信息，测量电路的输出将受管道内相分布的影响，将这些测量值送入计算机按一定的算法进行图像重建就可以得到管道截面的相分布图像。目前基于层析成像技术的两相流相浓度测量方法需要经过如下流程即根据传感器提供的电容测量数据并使用一定的图像重建算法重构出被测管道截面上的相分布图像，然后根据重建的图像结果并结合相应的图像处理方法进一步抽取出相浓度参数。因此可以认为相浓度是间接由原始电容测量数据中得到的，其结果直接依赖于所使用的图像重建算法。由于层析成像系统的图像重建是一个典型的病态逆问题求解过程，测量数据中的微小误差就会使得重建的图像和真实分布相比有很大的波动，因此根据重建图像结果分析抽取出的相浓度值对测量数据中的误差十分敏感。现有的图像重建算法还需要不断深入研究和完善。针对上述方法的不足之处，我们在电容层析成像系统的硬件基础上利用数据挖掘技术，使用基于主成分分析和神经元网络技术的两相流相浓度测量方法，它可以从层析成像系统阵列传感器提供的原始测量数据中直接求出相浓度值，解决了目前采用层析成像技术测量两相流相浓度时存在的测量结果依赖于图像重建算法的问题。经过分析发现第一主成分所占有系统信息约为50％，说明仍有大量的系统信息未加以利用，为了充分利用原始测量数据中所包含的信息，我们进一步利用神经元网络结合主成分分析的方法来获取相浓度，其中主成分分析用于对原始测量数据进行预处理，其目的是将测量数据进行降维处理，即用尽可能少的主成分包括尽可能多的系统信息。在此基础上将经过预处理的数据作为一个前向神经元网络的输入，神经元网络的输出即为要得到的相浓度。本专利技术的特征在于它是在一个由电容阵列传感器、电子测量电路和成像计算机构成的电容层析成像系统中，引入主成分分析和神经元网络方法实现两相流相浓度的测量方法，即使用主成分分析方法分析归一化后的电容测量值，发现占系统信息约为50％的第一主成分和相浓度具有较好的对应关系，进一步利用主成分分析方法对数据进行降维处理，除去贡献率小于μ的主成分，把贡献率大于μ的主成分数据作为一个前向神经元网络的输入，神经元网络的输出即为要得到的相浓度，它依次含有以下步骤(1)选取与不同流型相对应的N组电容测量值作为样本集；(2)对样本集数据归一化，得到样本集矩阵X；(3)把样本集矩阵X用下式变换为相关矩阵，即主成分矩阵R，并计算出相关矩阵R的N个特征值及其特征向量，从最大的特征值为λ1以及和其相对应的特征向量L1，求出系统的第一主成分y1 y1＝L1*x，x为任一组电容测量值；(4)除去贡献率小于μ的主成分，把贡献率大于μ的主成分数据作为前向神经元网络的输入，在训练时，给出设定相浓度、训练步长、最大训练步数和均方差最小值、隐层节点数、网络输入节点数为L，输出结点数1，在训练过程中每一步随机设定各层连接权及阈值，一旦在最大训练步数的范围内均方差达到规定值时便结束训练；(5)用非训练样本集的数据测试BP(Back Propagation)神经网络，判断测试相浓度 和设定相浓度之差是否满足规定的误差要求，若满足，则终止训练；若不满足，再增加样本数据对网络进行训练，然后再重复以上各步，一直到满足规定的误差要求为止。实验证明它达到了预期目的。图2、现有的根据图像重建结果得到两相流相浓度的测量方法和本专利技术提出的基于主成分分析和神经元网络技术的两相流相浓度测量方法的过程示意图。图3、ECT(Electrical Capacitance Tomography)电容层析成像系统)系统圆形电容传感器示意图。图4、8电极ECT系统电容测量值主成分分布图。图5、第一主成分和相浓度间的相关曲线。图6、基于主成分分析的两相流相浓度测量的实验结果。图7、基于主成分分析和神经元网络技术的两相流相浓度测量方法的示意图。图8、BP神经元网络的训练过程曲线。图9、基于主成分分析和神经元网络技术的两相流相浓度测量的实验结果。图10、在相同样本数下单纯只采用主成分分析方法以及基于主成分分析和神经元网络相结合的方法的误差曲线。图11、主成分分析结合神经元网络的两相流相浓度测量方法的程序流程框图。图1中1为稠密相，2为稀疏相，3为连接电缆。图3中1为管壁，2为测量电极，3为屏蔽层。现假设有N组电容测量原始数据，将样本数据规则化后可得样本矩阵X 其相关矩阵(协方差阵)为 通过计算可以得到矩阵R的28个特征值及其对应本文档来自技高网...
【技术保护点】
1.基于主成分分析和神经元网络的两相流相浓度测量方法，它含有两相流相浓度的电容
层析成像方法，其特征在于：它是在一个由电容阵列传感器、电子测量电路和成像计算机构
成的电容层析成像系统中，引入主成分分析和神经元网络方法实现两相流相浓度的测量方法，
即使用主成分分析方法分析归一化后的电容测量值，发现占系统信息约为50％的第一主成分
和相浓度具有较好的对应关系，进一步利用主成分分析方法对数据进行降维处理，除去贡献
率小于μ的主成分，把贡献率大于μ的主成分数据作为一个前向神经元网络的输入，神经元
网络的输出即为要得到的相浓度，它依次含有以下步骤：
(1).选取与不同流型相对应的N组电容测量值作为样本集；
(2).对样本集数据归一化，得到样本集矩阵X；
(3).把样本集矩阵X用下式变换为相关矩阵，即主成分矩阵R，并计算出相关矩阵R的N
个特征值及其特征向量，从最大的特征值为λ1以及和其相对应的特征向量L1，求出系统的第
一主成分y1：
y1＝L1*x，x为任一组电容测量值；
(4).除去贡献率小于μ的主成分，把贡献率大于μ的主成分数据作为前向神经元网络的输
入，在训练时，给出设定相浓度、训练步长、最大训练步数和均方差最小值、隐层节点数、
网络输入节点数为L，输出结点数1，在训练过程中每一步随机设定各层连接权及阈值，一旦
在最大训练步数的范围内均方差达到规定值时便结束训练；
(5).用非训练样本集的数据测试BP神经网络，判断测试相浓度
和设定相浓度之差是否
满足规定的误差要求，若满足，则终止训练；若不满足，再增加样本数据对网络进行训练，
然后再重复以上各步，一直到满足规定的误差要求为止...
【技术特征摘要】
【专利技术属性】
技术研发人员：彭黎辉，姚丹亚，张宝芬，
申请(专利权)人：清华大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。