CN110186962A - 一种用于电容层析成像的不完整测量数据成像方法 - Google Patents
一种用于电容层析成像的不完整测量数据成像方法 Download PDFInfo
- Publication number
- CN110186962A CN110186962A CN201910388082.4A CN201910388082A CN110186962A CN 110186962 A CN110186962 A CN 110186962A CN 201910388082 A CN201910388082 A CN 201910388082A CN 110186962 A CN110186962 A CN 110186962A
- Authority
- CN
- China
- Prior art keywords
- measurement data
- regression model
- training
- value
- measurement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/02—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance
- G01N27/22—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating impedance by investigating capacitance
Landscapes
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明涉及一种运用不完整测量数据的电容层析成像方法,包括下列步骤:ECT系统测量通道正常情况下获取测量数据用于训练回归模型;在测量故障通道已知的情况下,将用于训练回归模型的测量数据中与故障通道对应的测量值置0;将置0处理后的用于训练回归模型的测量数据通过灵敏度矩阵求解反问题和正问题,得到完整测量数据的近似恢复值,组成训练样本;训练样本聚类,得到带标签的训练样本;运用径向基核函数的LS‑SVM建立回归模型;获得回归模型的测试样本;步骤七:运用RF算法对测试样本分类;基于总变分量最小化算法进行成像。
Description
技术领域
本发明涉及一种过程成像装置,特别是用于电容层析成像系统不完整测量数据成像方法。
背景技术
电容层析成像(Electrical Capacitance Tomography,ECT)系统依赖布置于被测场域边界的阵列电极获取一系列的电容测量值,并利用电容测量值与被测场域内介质分布之间的关系进行图像的重建,得到被测场域内介质分布图像。传感器是ECT系统信息的源泉。通常ECT传感器的电极个数为8、12或16个电极截面,并可构成多截面传感器。由n个电极组成的ECT传感器,通过测量可以得到m=n·(n-1)个独立测量值。
从硬件结构上讲,ECT前端电路由N个结构完全相同的通道组成。每一通道由一个测量电极、一条连接导线和一路电容测量电路构成当某一通道中的电极、连线或测量电路出现故障时,该通道就无法正常实施测量,从而影响多个测量值。
ECT作为一种先进的多相流测量工具,目前主要在实验室环境中使用,某一通道出现故障时,可以被及时发现并更换/修复。在工业应用中,ECT系统的使用环境比较恶劣。在长期使用过程中,测量电极级连接导线更加容易出现磨损或故障。这会导致故障电极的测量值缺失或错误。ECT系统能获取的有效测量值的个数减小到m',m'<m。有效测量值的缺失会对成像结果造成严重影响。然而,目前的ECT系统设计中并未考虑部分故障电极、连线及测量电路出现故障的情况,这些情况会影响ECT系统的可靠性和鲁棒性,影响ECT系统的工业推广和应用。
发明内容
针对现有技术中存在的不足,本发明的目的是提供一种电容层析成像系统不完整测量数据成像方法。以满足电极、连接导线或测量电路出现故障时,系统仍能够正常成像的需求,使成像结果与完整测量数据的成像结果相近。技术方案如下:
一种运用不完整测量数据的电容层析成像方法,包括下列步骤:
步骤一、在ECT系统测量通道正常情况下获取测量数据用于训练回归模型;
步骤二、在测量故障通道已知的情况下,将用于训练回归模型的测量数据中与故障通道对应的测量值置0;
步骤三:将置0处理后的用于训练回归模型的测量数据通过灵敏度矩阵求解反问题和正问题,得到完整测量数据的近似恢复值将作为回归模型的训练输入,并将测量故障通道对应的测量值Cm作为训练输出,组成训练样本Cr;
步骤四:运用K-Means算法将训练样本Cr聚类,得到带标签的训练样本Cr *,其中标签值为1,2...,K-1,K,按照标签序号形成了K个类别的训练样本,每类训练样本组成独立的训练集,可以形成K个训练集;
步骤五:运用径向基核函数的LS-SVM建立回归模型,K个训练集用于训练K个LS-SVM回归模型;
步骤六:将测量通道故障情况下测量所得的不完整测量数据通过灵敏度矩阵求解反问题和正问题,得到其近似恢复值将作为回归模型的测试样本;
步骤七:运用RF算法对测试样本分类,将分入由K-Means聚类形成的K个类别中,得到带标签的测试样本Ce *,其中标签值为1,2...,K-1,K;
步骤八:将带标签的测试样本Ce *输入到与其标签相对应的LS-SVM回归模型,输出为不完整测量数据Cm的恢复值,将Cm的恢复值与组合得到完整测量数据的恢复值
步骤九:基于总变分量最小化算法对进行成像,得到相应的成像结果。
本发明运用不完整测量数据通过灵敏度矩阵求解反问题和正问题获取完整测量值的近似恢复值;建立近似恢复值与缺失测量值的回归模型用来求解缺失测量值的恢复值;将恢复值与不完整数据结合,再通过能减小测量值误差的总变分最小化算法重建图像。本发明使系统得到与完整测量值相近的成像结果,实现正常成像,增强成像系统稳定性。
附图说明
图1是不完整测量值成像流程图;
图2是利用不完整测量值的缺失测量值恢复流程图;
图3是应用本发明方法的示例传感器截面图;
图中:
1、故障电极1 2、成像区域 3、外屏蔽层 4、故障电极2
5、测量电极 6、径向屏蔽电极 7、测量管壁
具体实施方式
表1变量定义
所述测量值均为通过标定时空场和满场测量值归一化处理后得到的测量值:
C=(Cx-Cl)./(Ch-Cl)
其中Cx为实际测量的绝对电容测量值,Cl为空场标定时的绝对电容测量值,Ch为满场标定时的绝对电容测量值。
图1所示为本发明不完整测量值成像的方法流程示意。利用不完整测量值,实现图像重建的方法步骤包括:(1)通过ECT灵敏度矩阵求解完整测量数据的近似值,(2)通过最小二乘支持向量机(Least Square SupportVectorMachine,LS-SVM)回归模型求得缺失测量数据的恢复值,(3)通过总变分最小化图像重建算法重建图像。对所述步骤具体说明:
步骤1)通过反问题和正问题求解实现。首先求解反问题,用不完整测量值直接成像:
其中为不完整灵敏度矩阵的伪逆,Sic由与不完整测量值相对应的灵敏度向量组成。
再求解正问题,用直接图像重建结果和ECT的灵敏度矩阵S计算完整测量数据的近似恢复值:
步骤2)在ECT测量通道故障情况可知,测量数据缺失情况确定的条件下,拟合完整测量数据的近似恢复值与缺失测量值Cm之间的关系。这种关系是非线性且随着被测物体的变化而变化的。通过K-Means将训练样本聚类、随机森林(Random forest,RF)将测试样本分类,运用径向基(Radialbasis function,RBF)核函数的LS-SVM建立回归模型拟合这种关系。
图2所示为缺失测量值恢复的流程。运用多个LS-SVM回归模型拟合与Cm之间的关系。在回归模型的训练样本Cr中,为训练输入,Cm为训练输出。在获取丰富的训练样本基础上,运用K-Means算法将训练样本Cr按数据特征聚成K类,可以得到带标签的训练样本Cr *。按聚类结果的类别标签,可以得到K个训练集用于训练K个LS-SVM模型。模型训练完成后,测试样本用RF方法进行分类。通过分类,测试样本被分到聚类形成的K个类别中,得到带标签的测试样本Ce *,将Ce *输入与其类别标签相对应的LS-SVM回归模型,输出为缺失测量数据的恢复值Cm。将恢复结果Cm与对应的组合得到完整测量数据恢复值
步骤3)运用完整测量数据恢复值通过总变分最小化算法重建图像,以减小测量值恢复的误差对成像的影响。图像重建算法的目标表示为:
其中λ为拉格朗日常数。
用梯度下降方法实现目标最小化,得到重建图像,结果与完整测量值成像结果相近。
本发明的有益效果是:当ECT系统某一个或某几个通道出现故障时,可利用本发明所提方法进行数据恢复,从而得到接近正常的图像重建结果。具体的,以12电极ECT传感器为例,当一个通道出现故障时,成像结果的偏差小于1%;当两个通道出现故障时,成像偏差结果小于3%。
本发明不完整测量数据成像方法用于ECT测量通道出现故障情况下的正常成像,缺失或无效测量值的数量应不多于三分之一的完整测量数据数。
本发明的不完整测量数据成像方法在具体实施例中是这样实现的,该方法包括以下步骤:
图3所示为应用本发明不完整测量数据成像方法的示例传感器的测量截面,管道内直径50mm,管壁厚度2.5mm,电极张角为24°长度为60mm,传感器用于空气/水两相流测量。其中发生故障的电极1、2被标注在红色虚线圈中,无法测得有效测量值。为不影响数据恢复和成像,将对应的测量值分别置0处理。不完整测量数据由45个测量值组成,利用这些测量值,恢复故障电极1,2所对应的21个缺失测量值。
1)方法所需的测量数据样本获取过程:在ECT系统正常工作时获取测量值数据用于计算训练样本,在气/水两相流中常出现的泡状流、塞状流、层状流、环状流和混状流五种流型情况下,分别获取测量值。每种流型获取500个互不相同的测量值,共2500个测量值数据样本。
2)完整测量值的恢复过程:在通道故障情况确定的前提下,首先将这2500个测量数据对应于故障通道的测量值置0,运用ECT灵敏度矩阵求解正问题和反问题求得完整测量数据近似恢复值,即可得到2500个回归模型的训练样本。通过K-Means方法将这些训练样本聚成10类,10类训练样本组成10个训练集,用于训练10个LS-SVM回归模型。这些LS-SVM模型选用RBF核,参数设定相同,其中γ和σ2分别为550和7057.1。为检验方法效果,模型的测试样本由与训练样本不同的测量数据组成。对五种测量流型,每种流型测得20个测量数据,共100个测量数据用于方法检验,通过灵敏度矩阵求解正问题和反问题得到测试样本。将测试样本用RF方法分类,其中决策树设定为100,以聚类的类别结果作为分类的标准。分类完成后,将测试样本输入到与其类别对应的LS-SVM回归模型,输出得到对应的缺失测量值的恢复值。将恢复值与不完整测量数据组合,得到完整测量数据恢复结果。
3)以完整测量数据恢复结果为基础的图像重建:通过总变分量最小化算法计算完整测量数据恢复结果的图像,成像网格剖分选用32×32的形式,在环形管道中有3228个像素。将图像重建结果与完整测量值数据成像结果做比较,以图像均方差作为对比指标,在100个选取的测试样本中,图像均方差的最大值小于3%。
本实施例中,所述训练样本的获取方法为:用ECT系统测量几种流型的空气\水两相流。若ECT用于物体测量,则物体应置于测量截面的不同位置并取得相应的测量数据。为保证拟合效果,测量数据应该多样化且数量尽可能多,用于回归模型训练的测量数据量至少应大于1000。
本实施例中,不完整测量值成像方法所应用的ECT通道数为12,但亦可将方法用于8个、16个等通道数的ECT系统。ECT传感器的结构参数亦可是其他情况;实施例中,故障通道数量为2个,但亦可为其他数量;测量数据缺失的原因是电极的电极损坏或电极连接导线断开,但亦可为其他原因导致部分测量数据缺失。
本实施例中,不完整测量数据成像方法应用于ECT系统,但亦可将方法用于其他阵列式成像传感器。
以上对本发明进行示意性描述,并不局限于此,附图中所示只有是本发明的实施方式之一,若本领域研究人员在不脱离本发明宗旨的情况下,提出与该技术方案相似的结构形式,均应属于本发明的保护范围。
Claims (1)
1.一种运用不完整测量数据的电容层析成像方法,包括下列步骤:
步骤一、在ECT系统测量通道正常情况下获取测量数据用于训练回归模型;
步骤二、在测量故障通道已知的情况下,将用于训练回归模型的测量数据中与故障通道对应的测量值置0;
步骤三:将置0处理后的用于训练回归模型的测量数据通过灵敏度矩阵求解反问题和正问题,得到完整测量数据的近似恢复值将作为回归模型的训练输入,并将测量故障通道对应的测量值Cm作为训练输出,组成训练样本Cr;
步骤四:运用K-Means算法将训练样本Cr聚类,得到带标签的训练样本Cr *,其中标签值为1,2...,K-1,K,按照标签序号形成了K个类别的训练样本,每类训练样本组成独立的训练集,可以形成K个训练集;
步骤五:运用径向基核函数的LS-SVM建立回归模型,K个训练集用于训练K个LS-SVM回归模型;
步骤六:将测量通道故障情况下测量所得的不完整测量数据通过灵敏度矩阵求解反问题和正问题,得到其近似恢复值将作为回归模型的测试样本;
步骤七:运用RF算法对测试样本分类,将分入由K-Means聚类形成的K个类别中,得到带标签的测试样本Ce *,其中标签值为1,2...,K-1,K;
步骤八:将带标签的测试样本Ce *输入到与其标签相对应的LS-SVM回归模型,输出为不完整测量数据Cm的恢复值,将Cm的恢复值与组合得到完整测量数据的恢复值
步骤九:基于总变分量最小化算法对进行成像,得到相应的成像结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910388082.4A CN110186962B (zh) | 2019-05-10 | 2019-05-10 | 一种用于电容层析成像的不完整测量数据成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910388082.4A CN110186962B (zh) | 2019-05-10 | 2019-05-10 | 一种用于电容层析成像的不完整测量数据成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110186962A true CN110186962A (zh) | 2019-08-30 |
CN110186962B CN110186962B (zh) | 2021-06-25 |
Family
ID=67716062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910388082.4A Expired - Fee Related CN110186962B (zh) | 2019-05-10 | 2019-05-10 | 一种用于电容层析成像的不完整测量数据成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110186962B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111176496A (zh) * | 2019-12-31 | 2020-05-19 | 北京航空航天大学 | 一种电容式传感器及通过电容成像确定触摸屏定位的方法 |
CN111444851A (zh) * | 2020-03-27 | 2020-07-24 | 哈尔滨理工大学 | 一种基于超像素的电容层析成像流型识别方法 |
CN112669238A (zh) * | 2020-12-31 | 2021-04-16 | 齐鲁工业大学 | 一种色彩校正后的数字图像精确恢复原图的方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1410774A (zh) * | 2002-11-29 | 2003-04-16 | 清华大学 | 基于主成分分析和神经元网络的两相流相浓度测量方法 |
WO2006119122A2 (en) * | 2005-05-02 | 2006-11-09 | Graham Shapiro | Statistical machine learning system and methods |
CN102663412A (zh) * | 2012-02-27 | 2012-09-12 | 浙江大学 | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 |
US20150127213A1 (en) * | 2013-11-01 | 2015-05-07 | Toyota Jidosha Kabushiki Kaisha | Fault diagnostic system for internal combustion engine and fault diagnostic method for internal combustion engine |
US20170060684A1 (en) * | 2015-08-31 | 2017-03-02 | International Business Machines Corporation | Encoding data for storage in a dispersed storage network |
CN107860800A (zh) * | 2017-09-21 | 2018-03-30 | 山东省科学院海洋仪器仪表研究所 | 一种用于泡状流的电容层析成像方法 |
CN108593725A (zh) * | 2018-04-26 | 2018-09-28 | 西北师范大学 | 基于改进粒子群优化的电容层析成像法 |
WO2018209126A1 (en) * | 2017-05-10 | 2018-11-15 | Rowan University | Diagnostic biomarkers for detecting, subtyping, and/or assessing progression of multiple sclerosis |
CN108961223A (zh) * | 2018-06-20 | 2018-12-07 | 西安交通大学 | 一种介电功能梯度绝缘双模态无损检测方法 |
US20190025105A1 (en) * | 2017-07-19 | 2019-01-24 | Government Of The United States, As Represented By The Secretary Of The Air Force | Method for estimating physical characteristics of two materials |
CN109374693A (zh) * | 2018-10-15 | 2019-02-22 | 浙江大学 | 一种管内低温流体空泡率测量装置及方法 |
-
2019
- 2019-05-10 CN CN201910388082.4A patent/CN110186962B/zh not_active Expired - Fee Related
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1410774A (zh) * | 2002-11-29 | 2003-04-16 | 清华大学 | 基于主成分分析和神经元网络的两相流相浓度测量方法 |
WO2006119122A2 (en) * | 2005-05-02 | 2006-11-09 | Graham Shapiro | Statistical machine learning system and methods |
CN102663412A (zh) * | 2012-02-27 | 2012-09-12 | 浙江大学 | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 |
US20150127213A1 (en) * | 2013-11-01 | 2015-05-07 | Toyota Jidosha Kabushiki Kaisha | Fault diagnostic system for internal combustion engine and fault diagnostic method for internal combustion engine |
US20170060684A1 (en) * | 2015-08-31 | 2017-03-02 | International Business Machines Corporation | Encoding data for storage in a dispersed storage network |
WO2018209126A1 (en) * | 2017-05-10 | 2018-11-15 | Rowan University | Diagnostic biomarkers for detecting, subtyping, and/or assessing progression of multiple sclerosis |
US20190025105A1 (en) * | 2017-07-19 | 2019-01-24 | Government Of The United States, As Represented By The Secretary Of The Air Force | Method for estimating physical characteristics of two materials |
CN107860800A (zh) * | 2017-09-21 | 2018-03-30 | 山东省科学院海洋仪器仪表研究所 | 一种用于泡状流的电容层析成像方法 |
CN108593725A (zh) * | 2018-04-26 | 2018-09-28 | 西北师范大学 | 基于改进粒子群优化的电容层析成像法 |
CN108961223A (zh) * | 2018-06-20 | 2018-12-07 | 西安交通大学 | 一种介电功能梯度绝缘双模态无损检测方法 |
CN109374693A (zh) * | 2018-10-15 | 2019-02-22 | 浙江大学 | 一种管内低温流体空泡率测量装置及方法 |
Non-Patent Citations (8)
Title |
---|
LIFENG ZHANG等: "Identification of oil–gas two-phase flow pattern based on SVM and electrical capacitance tomography technique", 《FLOW MEASUREMENT AND INSTRUMENTATION》 * |
XIA CHEN等: "Image reconstruction for an electrical capacitance tomography system based on a least-squares support vector machine and a self-adaptive particle swarm optimization algorithm", 《MEASUREMENT SCIENCE AND TECHNOLOGY》 * |
崔自强等: "双截面电阻层析成像系统设计", 《天津大学学报》 * |
张立峰等: "数字化电容层析成像系统设计", 《澜试测量技术》 * |
彭珍瑞等: "Electrical capacitance tomography and LS-SVM based voidage measurement", 《JOURNAL O F ZHEJIANG UNIV ERSITY(ENGINEERING SCIENCE)》 * |
李守晓等: "基于图像融合的电容成像", 《传感器技术学报》 * |
李岩等: "ECT 系统轮换对称SVM 图像重建改进算法", 《哈尔滨理工大学学报》 * |
王化祥: "油/气两相流高速电容层析成像可视化系统", 《中国电机工程学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111176496A (zh) * | 2019-12-31 | 2020-05-19 | 北京航空航天大学 | 一种电容式传感器及通过电容成像确定触摸屏定位的方法 |
CN111176496B (zh) * | 2019-12-31 | 2021-10-08 | 北京航空航天大学 | 一种电容式传感器及通过电容成像确定触摸屏定位的方法 |
CN111444851A (zh) * | 2020-03-27 | 2020-07-24 | 哈尔滨理工大学 | 一种基于超像素的电容层析成像流型识别方法 |
CN112669238A (zh) * | 2020-12-31 | 2021-04-16 | 齐鲁工业大学 | 一种色彩校正后的数字图像精确恢复原图的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110186962B (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110186962A (zh) | 一种用于电容层析成像的不完整测量数据成像方法 | |
CN105572307B (zh) | 一种气体传感器的标定工装及标定方法 | |
CN111582071B (zh) | 一种基于HRNet网络模型的SF6仪表图像读数方法 | |
CN104900551B (zh) | 一种晶圆质量管控方法和装置 | |
CN105259527B (zh) | 一种对不同紫外成像仪检测结果进行校准的测试方法 | |
CN114067212A (zh) | 基于温度视觉的智能检测方法、装置及电子设备 | |
CN105512011B (zh) | 一种电子装备测试性建模评估方法 | |
CN108399486A (zh) | 一种基于最小二乘向量机的电力设备故障检测方法 | |
CN106645531A (zh) | 一种变压器油中溶解气体检测数据的修正方法 | |
Ryzhov et al. | Optimization of requirements for measuring instruments at metrological service of communication tools | |
CN102608519B (zh) | 基于节点信息的电路故障诊断方法 | |
CN108828402A (zh) | 一种高压电缆故障诊断的方法 | |
CN104931541B (zh) | 一种混凝土中gfrp筋的长期性能监测方法 | |
CN111521883A (zh) | 一种用于获取高压直流输电线路电场测量值的方法及系统 | |
CN105425182B (zh) | 一种用于故障指示器生产环节的电流精度校准方法 | |
CN113077447A (zh) | 一种可探测高压设备微弱放电并进行缺陷分析的方法 | |
CN102621390B (zh) | 方块电阻测量方法以及方块电阻测量装置 | |
CN116739996A (zh) | 基于深度学习的输电线路绝缘子故障诊断方法 | |
CN113033845B (zh) | 一种电力传输资源共建共享的建设方法及装置 | |
CN107543574B (zh) | 机载传感器高温老炼试验自动检测仪及操作方法 | |
KR101290806B1 (ko) | 유중가스 함량비를 통한 유입변압기의 내부결함 진단방법 | |
CN113064023B (zh) | 一种同塔多回输电线路故障识别方法与系统 | |
CN116125557A (zh) | 一种电力气象监测网络布局优化方法及系统 | |
CN107832264A (zh) | 一种电机设计的综合评价系统及评价方法 | |
CN107561475A (zh) | 高频电流传感器频带量化校验方法、系统以及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210625 |
|
CF01 | Termination of patent right due to non-payment of annual fee |