CN113960124A - 一种带有图像修正功能的便携式ect系统 - Google Patents
一种带有图像修正功能的便携式ect系统 Download PDFInfo
- Publication number
- CN113960124A CN113960124A CN202111062945.2A CN202111062945A CN113960124A CN 113960124 A CN113960124 A CN 113960124A CN 202111062945 A CN202111062945 A CN 202111062945A CN 113960124 A CN113960124 A CN 113960124A
- Authority
- CN
- China
- Prior art keywords
- sensitivity
- image
- sensor
- ect
- matrix
- 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
- 238000003702 image correction Methods 0.000 title claims abstract description 17
- 230000035945 sensitivity Effects 0.000 claims abstract description 110
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims abstract description 24
- 230000006854 communication Effects 0.000 claims abstract description 10
- 238000004891 communication Methods 0.000 claims abstract description 9
- 238000012937 correction Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 83
- 238000000034 method Methods 0.000 claims description 25
- 238000009826 distribution Methods 0.000 claims description 17
- 238000005259 measurement Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 9
- 230000006698 induction Effects 0.000 claims description 6
- 238000003491 array Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000009471 action Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000002253 acid Substances 0.000 claims description 3
- 230000005284 excitation Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 239000000853 adhesive Substances 0.000 claims description 2
- 230000001070 adhesive effect Effects 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000001960 triggered effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000003325 tomography Methods 0.000 abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 12
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 10
- 230000005514 two-phase flow Effects 0.000 description 8
- 239000003345 natural gas Substances 0.000 description 5
- 239000012071 phase Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 239000008346 aqueous phase Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010291 electrical method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Electrochemistry (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种带有图像修正功能的便携式ECT系统,包括一个用于安装在待测管道的可拆卸ECT传感器模块,ECT传感器系统后接有数据采集单元,数据采集单元将采集得到的数据由数据处理与修正模块进行初步处理,再根据5G通讯模块所连接的云平台灵敏度在线计算服务器或本地灵敏度数据库存储器提供的灵敏度对图像进行进一步的修正,修正之后得到的图像由本地图像显示系统显示。本发明能够对电层析成像技术的非线性问题、便携化应用问题进行有效的改善,能够对一定范围内的管道进行有效相流流型测量。
Description
技术领域
本发明属于仪器仪表技术领域,具体涉及一种带有图像修正功能的便携式ECT(电容层析成像)系统。
背景技术
目前,在多相流参数测量问题中,气-液(水)作为最为典型且广泛存在的两相流是多相流研究的基础。两相流中的图像重建及分相含率测量问题是流型识别、流量(体积流量、质量流量)等参数测量的基础,也是工业过程控制的重要参数。
天然气传输管道中的介质是典型的气-液(水)两相流。当天然气从地层开采出来时,管道中往往会混有水,这种情况在开采后期以及部分地层含水量较大的地区更加明显。天然气中所携带的水分含量是衡量天然气质量以及判别开采阶段的重要标准。目前,由于对每一个管道中的水流进行在线检测开销过大,因此水分离以及质量统计一般在集气站中对一组矿井进行集中处理。然而,上述测量策略存在时间延迟且无法区分井田中每一个矿井的问题。天然气工业迫切需要在线测量每口气井的水含量,但是,有两个关键因素限制了对每口井进行单独测量的可行性:一是满足现场测量需求的仪器价格太高,无法进行单独监控(例如科里奥利质量流量计);另一个是由于这些仪器的测量精度高以及管道堵塞的风险,因此它们在较大范围的工作条件下(例如差压流量计)通常会失效。
另外,对于电学法的测量技术,由于非侵入式的电容层析成像技术的“软场”特性(即非线性问题),不能准确反映灵敏度的分布变化,导致在气-水两相流参数测量应用中的重构图像和含水率测量误差较大。因此,当物场中分相的电导率或介电常数过大时,非线性尤为严重。例如在气-水两相流中,水的电导率和介电常数较高,而 ECT的线性化假设条件只能在介电常数波动很小的情况下满足,因此对于含水相的气-水两相流相含率等测量中,ECT的精确度往往不够。
发明内容
为了克服上述现有技术存在的不足,本发明的目的在于提供一种带有图像修正功能的便携式ECT系统,能够对电层析成像技术的非线性问题、便携化应用问题进行有效的改善,能够对一定范围内的管道进行有效相流流型测量。
为了实现上述目的,本发明采用的技术方案是:
一种带有图像修正功能的便携式ECT系统,包括一个用于安装在待测管道的可拆卸ECT传感器模块,ECT传感器模块后接有数据采集单元,数据采集单元将采集得到的数据由数据处理与修正模块进行初步处理,再根据5G通讯模块所连接的云平台灵敏度在线计算服务器或本地灵敏度数据库存储器提供的灵敏度对图像进行进一步的修正,修正之后得到的图像由本地图像显示系统显示。
所述传感器系统所用电能由工业用电接入阀控式铅酸蓄电池后提供,所使用的蓄电池输出电压为12V,容量为16Ah。蓄电池后接电压变换单元,电压变换单元将电压变换为+-15V,以供后续的传感器系统使用。
所述ECT传感器模块包括两个半圆柱状传感器骨架2,所述传感器骨架2上设置有两个螺栓孔位3,螺栓孔位3用于固定螺丝的安装,该固定螺丝通过螺栓孔位3抵住待测管道,起到传感器的固定作用,所述两个半圆形传感器骨架2包裹住待测管道,通过固定螺栓固定,所述固定螺栓与待测管道表面接触的位置安装有滚轮,滚轮接触待测管道表面用于移动,所述ECT传感器模块上设置有传感器引出线,传感器引出线采用信号线,引出接头为SMA接头。
所述传感器骨架2表面设置敏感电极阵列,敏感电极阵列采用柔性印制电路板印制,并使用粘合剂固定在传感器骨架2外侧上,传感器骨架2外侧的敏感电极阵列由屏蔽罩包裹以防电磁干扰,所述传感器骨架2外侧设置有绝缘外壳1。
所述数据采集单元包括与传感器引出线的输出端连接的ARM及 FPGA控制的开关阵列,使用FPGA操作脉冲激励,触发开关阵列使得电极阵列两两一组依次导通,完成一个采集周期,所述一个采集周期内所能够采集得到的信号有个。每个电极对在导通时使用FPGA采集其相应的感应信号,在经过解调电路后使用模数转换器采集到数据处理与修正模块中进行处理。
所述数据处理与修正模块主要包含灵敏度矩阵选择策略、灵敏度矩阵调用模块以及图像重构计算模块;
所述灵敏度矩阵选择策略包括ARM对数据采集单元得到的数据进行接收,然后将其传输给FPGA进行硬件方面的迭代处理,在迭代完成后FPGA将处理结果传送给ARM,ARM将会根据系统的在线或离线状态来采取下一步的动作,此时,如果系统是在线状态,则 ARM将会把处理迭代得到的结果通过5G通讯模块上传到云端并且下载新的灵敏度矩阵到分布式系统中;如果系统是离线状态,ARM会进一步判断测量介质的分布情况,在便携端灵敏度数据库存储器中匹配合适的离线灵敏度矩阵进行灵敏度更新。
所述灵敏度在线更新策略中,所使用的云平台服务器在线灵敏度计算模块对接收到的物场分布情况以及相应的介质物理参数进行灵敏度的重新计算,这一过程为ECT中的正问题求解过程,假设ECT 传感器的第i和第j电极间第k个单元内介质的介电常数由初始的σ0变为σ(k)时,对应传感器第i和第j电极间的电压由变为则 ECT传感器第i和第j电极间的灵敏度Si,j(k)为
在得到新的灵敏度矩阵之后,云平台服务器将其传输回便携端中,系统使用新的灵敏度矩阵进行计算,最后得到修正后的介质分布图像并通过本地图像显示模块显示出来,以便查看实时测量结果。
所述迭代处理具体为:
由于灵敏度矩阵S是病态矩阵,无法对其进行直接的逆矩阵求解,采用经典的病态矩阵求逆方法,对于第k次迭代,有
gk+1=gk+αSTQk
所述灵敏度矩阵调用模块具体为:
灵敏度矩阵调用模块在在线工作状态时负责将灵敏度更新策略执行后的输出结果发送给云端,而后接收云端发送过来的新的灵敏度在线更新的矩阵;离线工作时则判断本地灵敏度矩阵库的最优矩阵,进而提取相应灵敏度,其中对于本地灵敏度矩阵库的最优矩阵的判断方法主要是通过对灵敏度矩阵以及当前图像物场分布的流型分类来实现的;
具体使用训练好的支持向量机算法(SVM),使用核函数K(xi×xj) 将样本x映射到某个高维空间H,然后在H中对原始问题进行线性划分,假设线性划分后得到的高维空间训练样本为(zi,yi),i=1,2,…, l,x∈Rn,y∈{+1,-1},l为样本数,n为输入维数,其超平面为
wz+b=0
此时的分类间隔为2/‖w‖,当‖w‖越小时所得到的分类间隔越大,再引入非负松弛因子变量可得
式中:C为惩罚函数,通过Lagrange乘子法求解上述优化问题,可得最优决策函数为:
所述图像重构计算模块以ZYNQ平台为主体实现,当灵敏度更新完成后进行再次迭代,求解相应的图像,根据图像生成结果判断是否需要将灵敏度矩阵进一步更新,最终生成满意度足够高的图像,其中,生成图像的满意度使用基于经验的方差值来判断,对于有n个元素的灰度图像,方差的计算公式如下:
其中E(X)为图像中所包含的所有元素的平均值。
本发明的有益效果:
本发明基于ECT测量技术,能够实现不侵入管道、不破坏两相流流动状态的非接触式测量。本发明对ECT传感器模块的改进实现了ECT测量系统的便携化,且能够检测到笔直管道上任意一处的两相流流动状态。本发明所提出的灵敏度矩阵的更新策略使得ECT系统中的非线性问题得到了缓解,输出的图像能够更加直观、准确的反映出两相流的分布情况,且灵敏度在线更新与灵敏度离线更新这两种更新策略使得便携式ECT系统能够在任何状态下都能正常工作,而灵敏度在线更新策略使得图像生成更加准确、直观。此外,在灵敏度离线更新策略中将压缩感知技术与灵敏度矩阵的更新策略相结合,减小了便携式ECT系统中灵敏度矩阵所占用的存储空间,并且为ECT逆问题求解过程中的硬件算法迭代处理提供了更多的可优化空间。
附图说明
图1为本发明电极,屏蔽罩结构图。
图2为本发明固定用螺栓示意图。
图3为本发明数据处理与修正模块示意图。
图4为本发明流程示意图。
图5为本发明供电流程示意图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
参考图1,传感器整体结构由两个半圆柱状结构组成,其中包括管道内壁、敏感电极阵列及其引出线、绝缘外壳,图中1为绝缘外壳, 2为传感器骨架,每个半圆形骨架上有两个螺栓孔位3用于固定的螺丝一端安置滚轴。在使用时,将两个半圆柱状传感器包裹住待测管道,使用如图2所示的固定螺栓将其固定在管道上,螺栓的滚轮接触待测管道表面以便可以在测量时滚动,进而带动传感器移动。传感器引出线采用信号线,引出接头为SMA接头。在正常工作时本地的显示系统将会显示传感器探测得到的管道内物场分布的图像。
传感器引出线即输出端连接数据采集单元,其输出端连接至 ARM及FPGA控制的开关阵列,使其上有相应的SMA接头底座。使用FPGA操作脉冲激励,触发开关阵列使得电极阵列两两一组依次导通。
如果称上述过程为一个采集周期,那么以12电极阵列为例,一个采集周期内所能够采集得到的信号有个。每个电极对在导通时使用FPGA采集其相应的感应信号,在经过解调电路后使用模数转换器采集到数据处理与修正模块中进行处理,以上为信号采集单元。
数据处理与修正模块主体采用FPGA与ARM结合的ZYNQ平台进行功能实现,其外围还有5G通讯模块、存储器模块以及ZYNQ 平台工作时所需的最小外围电路组成。
ARM对数据采集单元得到的数据进行接收,然后将其传输给 FPGA进行硬件方面的迭代处理,在迭代完成后FPGA将处理结果传送给ARM,ARM将会根据系统的在线或离线状态来采取下一步的动作,此时,如果系统是在线状态,则ARM将会把处理迭代得到的结果通过5G通讯模块上传到云端并且下载新的灵敏度矩阵到分布式系统中;如果系统是离线状态,那么ARM会进一步判断测量介质的分布情况,在便携端灵敏度数据库存储器中匹配合适的离线灵敏度矩阵进行灵敏度更新。以上过程为灵敏度更新策略。其中,迭代过程主要是已知传感器电信号通过灵敏度矩阵S的逆矩阵S-1对灰度图像 g进行求解:
由于灵敏度矩阵S是病态矩阵,无法对其进行直接的逆矩阵求解,因此可以采用经典的病态矩阵求逆方法,例如Landweber迭代方法,对于第k次迭代,有
gk+1=gk+αSTQk
灵敏度矩阵调用模块在在线工作状态时负责将灵敏度更新策略执行后的输出结果发送给云端,而后接收云端发送过来的新的灵敏度在线更新的矩阵;离线工作时则判断本地灵敏度矩阵库的最优矩阵,进而提取相应灵敏度。其中对于本地灵敏度矩阵库的最优矩阵的判断方法主要是通过对灵敏度矩阵以及当前图像物场分布的流型分类来实现的。具体可以使用训练好的支持向量机算法(SVM),由于在此应用中的分类属于非线性分类,因此使用核函数K(xi×xj)将样本x映射到某个高维空间H,然后在H中对原始问题进行线性划分。假设线性划分后得到的高维空间训练样本为(zi,yi),i=1,2,…,l,x∈Rn, y∈{+1,-1},l为样本数,n为输入维数。其超平面为
wz+b=0
此时的分类间隔为2/‖w‖,当‖w‖越小时所得到的分类间隔越大,再引入非负松弛因子变量可得
式中:C为惩罚函数,通过Lagrange乘子法求解上述优化问题,可得最优决策函数为:
图像重构计算模块依然以ZYNQ平台为主体实现,当灵敏度更新完成后进行再次迭代,求解相应的图像,根据图像生成结果判断是否需要将灵敏度矩阵进一步更新,最终生成满意度足够高的图像。其中,生成图像的满意度可以使用基于经验的方差值来判断,对于有n 个元素的灰度图像,方差的计算公式如下:
其中E(X)为图像中所包含的所有元素的平均值。
在灵敏度在线更新策略中,所使用的云平台服务器在线灵敏度计算模块主要对接收到的物场分布情况以及相应的介质物理参数进行灵敏度的重新计算,这一过程为ECT中的正问题求解过程。假设ECT 传感器的第i和第j电极间第k个单元内介质的介电常数由初始的σ0变为σ(k)时,对应传感器第i和第j电极间的电压由变为则 ECT传感器第i和第j电极间的灵敏度Si,j(k)为
在得到新的灵敏度矩阵之后,云平台服务器将其传输回便携端中,系统使用新的灵敏度矩阵进行计算,最后得到修正后的介质分布图像并通过本地图像显示模块显示出来,以便查看实时测量结果。
在本实施方式中,传感器系统所用电能由工业用电接入阀控式铅酸蓄电池后提供,所使用的蓄电池输出电压为12V,容量为16Ah。蓄电池后接的电压变换单元可以将电压变换为+-15V,以供后续的传感器系统使用。
所述灵敏度矩阵更新策略是根据一个通用灵敏度矩阵对测量值进行求解,以得到一个初步的用于灵敏度矩阵更新的物场分布信息;
所述灵敏度矩阵调用模块在在线状态下会通过5G通讯模块发送第一次迭代后求解得到的介质分布信息至云平台服务器在线计算模块中以求解更适于当前物场分布的灵敏度矩阵然后传输回便携端,然后图像重构计算模块对已更新的灵敏度矩阵进行进一步的求解,在离线状态下则会使用便携端灵敏度数据库以实现图像的修正;
所述云平台服务器灵敏度在线计算模块可以通过其内部的计算程序根据目前的物场分布对灵敏度进行求解。
所述便携端灵敏度数据库存储器中的灵敏度矩阵数据采用压缩感知技术处理后进行存储;
或者
x=Ψα
其中,x和α分别为同一信号在时域和Ψ域的不同表达,如果α中的非零元素比N小很多,则称x是稀疏或可压缩的,若α中只有 K个非零值,则称α是K稀疏的,称Ψ为稀疏字典,然后,需要设计一个平稳的、与Ψ不相关的观测矩阵Φ进行信号x的观测,得到的观测值y为
y=Φx
其中引入的观测矩阵Φ需要满足RIP条件;
在ECT系统中,对灵敏度矩阵S的稀疏化与传统的压缩感知技术应用情况有所不同,PL端所运行的迭代算法是对ECT逆问题的求解,对于ECT技术中的逆问题有
z=Sg
对上式进行希尔伯特变换可以得到
Ψz=ΨSg
令y=Ψz,Φ=ΨS,可以得到
y=Φg
其中Φ为观测矩阵,是稀疏的。至此,ECT的逆问题求解转变为对δ=argmin||Φg-y||0的求解;
压缩感知理论可以压缩无关信息,保留信息量最多的信息,然而,在ECT系统中,实际上利用观测矩阵得到观测值的之一系列过程是线性观测,而且条件数较大,在进行压缩感知理论压缩后存在如何取舍的问题,因此引入信息量的评估度量,在信息论中,信息的产生可以用一个概率过程建模,该过程可以用一种与直觉一致的方式加以度量,根据这一推测,一个具有概率P(E)的随机事件E可被说成是包含有I(E)单位的信息,I(E)的定义如下
当P(E)=1时I(E)=0,认为它没有包含信息,因为相关的该事件没有不确定性,所以在事件发生的通信过程中不会传递任何信息;
从一个可能事件的离散集合{a1,a2,···,aJ},给定一个统计独立随机事件的信源,与该集合相联系的概率为{P(a1),P(a2),···,P(aJ)},则每个信源输出的平均信息称为该信源的熵,即
在这个公式中,aj称为信源符号,因为他们是统计独立的,因此信源本身称为零记忆信源;
如果将一幅图考虑为一个虚构的零记忆“灰度信源”的输出,通过观察图像的直方图来估计该信源的符号概率,这时,灰度信源的熵变为
其中,变量L是灰度级数,rk是区间在[0,L-1]内的一个离散随机变量, pr(rk)为每个rk发生的概率,因为用以2为底的对数,是以比特度量的虚构灰度信源的每个灰度输出的平均信息,它不可能对虚构信源的灰度值以比比特/像素更少的码来编码;
为了确保在使用压缩感知技术后所得到的数据保留了绝大多数的有效信息,依然能够用来进行图像的生成,为此引入保真度准则对压缩感知技术使用前后的图像质量进行比较,当信息损失可以表示为压缩处理的输入和输出的数学函数时,则称其是以客观保真度准则为基础的,当有一个输入图像f(x,y),令是f(x,y)的近似,它来自对输入先压缩后解压缩的结果。对x和y的所有值,f(x,y)和之间的误差e(x,y)为
因此,可以得到上述两幅图像间的总误差为
由此,图像的信噪比的均方根值可以通过上式求解得到;
根据设备所处的状态,如果是在线状态那么通过5G通讯模块进行灵敏度矩阵的数据传输;如果设备处于离线运行状态,则使用本地存储器存储的分流型灵敏度矩阵进行更新。
Claims (10)
1.一种带有图像修正功能的便携式ECT系统,其特征在于,包括一个用于安装在待测管道的可拆卸ECT传感器模块,ECT传感器模块后接有数据采集单元,数据采集单元将采集得到的数据由数据处理与修正模块进行初步处理,再根据5G通讯模块所连接的云平台灵敏度在线计算服务器或本地灵敏度数据库存储器提供的灵敏度对图像进行进一步的修正,修正之后得到的图像由本地图像显示系统显示。
2.根据权利要求1所述的一种带有图像修正功能的便携式ECT系统,其特征在于,传感器系统所用电能由工业用电接入阀控式铅酸蓄电池后提供,所使用的蓄电池输出电压为12V,容量为16Ah,蓄电池后接电压变换单元,电压变换单元将电压变换为+-15V,以供后续的传感器系统使用。
3.根据权利要求1所述的一种带有图像修正功能的便携式ECT系统,其特征在于,所述ECT传感器模块包括两个半圆柱状传感器骨架(2),所述传感器骨架(2)上设置有两个螺栓孔位(3),螺栓孔位(3)用于固定螺丝的安装,该固定螺丝通过螺栓孔位3抵住待测管道,起到传感器的固定作用,,所述两个半圆形传感器骨架(2)包裹住待测管道,通过固定螺栓固定,所述固定螺栓与待测管道表面接触的位置安装有滚轮,滚轮接触待测管道表面用于移动,所述ECT传感器模块上设置有传感器引出线,传感器引出线采用信号线,引出接头为SMA接头。
4.根据权利要求3所述的一种带有图像修正功能的便携式ECT 系统,其特征在于,所述传感器骨架(2)表面设置敏感电极阵列,敏感电极阵列采用柔性印制电路板印制,并使用粘合剂固定在传感器骨架(2)外侧上,传感器骨架(2)外侧的敏感电极阵列由屏蔽罩包裹以防电磁干扰,所述传感器骨架(2)外侧设置有绝缘外壳(1)。
6.根据权利要求1所述的一种带有图像修正功能的便携式ECT系统,其特征在于,所述数据处理与修正模块主要包含灵敏度矩阵选择策略、灵敏度矩阵调用模块以及图像重构计算模块;
所述灵敏度矩阵选择策略包括ARM对数据采集单元得到的数据进行接收,然后将其传输给FPGA进行硬件方面的迭代处理,在迭代完成后FPGA将处理结果传送给ARM,ARM将会根据系统的在线或离线状态来采取下一步的动作,此时,如果系统是在线状态,则ARM将会把处理迭代得到的结果通过5G通讯模块上传到云端并且下载新的灵敏度矩阵到分布式系统中;如果系统是离线状态,ARM会进一步判断测量介质的分布情况,在便携端灵敏度数据库存储器中匹配合适的离线灵敏度矩阵进行灵敏度更新。
9.根据权利要求6所述的一种带有图像修正功能的便携式ECT 系统,其特征在于,所述灵敏度矩阵调用模块具体为:
灵敏度矩阵调用模块在在线工作状态时负责将灵敏度更新策略执行后的输出结果发送给云端,而后接收云端发送过来的新的灵敏度在线更新的矩阵;离线工作时则判断本地灵敏度矩阵库的最优矩阵,进而提取相应灵敏度,其中对于本地灵敏度矩阵库的最优矩阵的判断方法主要是通过对灵敏度矩阵以及当前图像物场分布的流型分类来实现的;
具体使用训练好的支持向量机算法(SVM),使用核函数K(xi×xj)将样本x映射到某个高维空间H,然后在H中对原始问题进行线性划分,假设线性划分后得到的高维空间训练样本为(zi,yi),i=1,2,…,l,x∈Rn,y∈{+1,-1},l为样本数,n为输入维数,其超平面为
wz+b=0
此时的分类间隔为2/‖w‖,当‖w‖越小时所得到的分类间隔越大,再引入非负松弛因子变量可得
式中:C为惩罚函数,通过Lagrange乘子法求解上述优化问题,可得最优决策函数为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111062945.2A CN113960124B (zh) | 2021-09-10 | 2021-09-10 | 一种带有图像修正功能的便携式ect系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111062945.2A CN113960124B (zh) | 2021-09-10 | 2021-09-10 | 一种带有图像修正功能的便携式ect系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113960124A true CN113960124A (zh) | 2022-01-21 |
CN113960124B CN113960124B (zh) | 2022-10-28 |
Family
ID=79461659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111062945.2A Active CN113960124B (zh) | 2021-09-10 | 2021-09-10 | 一种带有图像修正功能的便携式ect系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113960124B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1793879A (zh) * | 2005-12-22 | 2006-06-28 | 天津大学 | Ert/ect双模态成像系统复合阵列传感器 |
CN103149253A (zh) * | 2013-03-01 | 2013-06-12 | 中原工学院 | 电容/图像法同体积场成像传感器 |
CN103258100A (zh) * | 2013-05-16 | 2013-08-21 | 徐州工程学院 | 一种基于模型细化的改进牛顿-拉夫逊ert图像重建法 |
CN106097285A (zh) * | 2016-05-31 | 2016-11-09 | 华北电力大学(保定) | 一种基于自适应扩展卡尔曼滤波的ect图像重建方法 |
CN106353373A (zh) * | 2016-08-12 | 2017-01-25 | 江苏大学 | 一种医用盐雾浓度检测装置及计算方法 |
US20170254768A1 (en) * | 2016-03-03 | 2017-09-07 | Umm Al-Qura University | Portable electrical capacitive tomography imaging device and method of operation |
CN108510484A (zh) * | 2018-03-27 | 2018-09-07 | 佳木斯大学附属第医院 | 一种ect图像数据采集、图像重建及评估系统 |
CN109283230A (zh) * | 2018-11-30 | 2019-01-29 | 燕山大学 | 一种平面阵列电容成像方法及系统 |
CN110108331A (zh) * | 2019-05-23 | 2019-08-09 | 西安电子科技大学 | 基于ert的同质气液混合两相流流量测试方法及系统 |
CN110243870A (zh) * | 2019-06-28 | 2019-09-17 | 西安石油大学 | 一种基于介质损耗角正切层析成像技术的含水率测量方法 |
CN111175354A (zh) * | 2018-11-13 | 2020-05-19 | 中国科学院大连化学物理研究所 | 电容层析成像传感器及系统 |
US20210239642A1 (en) * | 2018-05-08 | 2021-08-05 | Dalian Institute Of Chemical Physics, Chinese Academy Of Sciences | Built-in electrode electrical capacitance tomography sensor |
-
2021
- 2021-09-10 CN CN202111062945.2A patent/CN113960124B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1793879A (zh) * | 2005-12-22 | 2006-06-28 | 天津大学 | Ert/ect双模态成像系统复合阵列传感器 |
CN103149253A (zh) * | 2013-03-01 | 2013-06-12 | 中原工学院 | 电容/图像法同体积场成像传感器 |
CN103258100A (zh) * | 2013-05-16 | 2013-08-21 | 徐州工程学院 | 一种基于模型细化的改进牛顿-拉夫逊ert图像重建法 |
US20170254768A1 (en) * | 2016-03-03 | 2017-09-07 | Umm Al-Qura University | Portable electrical capacitive tomography imaging device and method of operation |
CN106097285A (zh) * | 2016-05-31 | 2016-11-09 | 华北电力大学(保定) | 一种基于自适应扩展卡尔曼滤波的ect图像重建方法 |
CN106353373A (zh) * | 2016-08-12 | 2017-01-25 | 江苏大学 | 一种医用盐雾浓度检测装置及计算方法 |
CN108510484A (zh) * | 2018-03-27 | 2018-09-07 | 佳木斯大学附属第医院 | 一种ect图像数据采集、图像重建及评估系统 |
US20210239642A1 (en) * | 2018-05-08 | 2021-08-05 | Dalian Institute Of Chemical Physics, Chinese Academy Of Sciences | Built-in electrode electrical capacitance tomography sensor |
CN111175354A (zh) * | 2018-11-13 | 2020-05-19 | 中国科学院大连化学物理研究所 | 电容层析成像传感器及系统 |
CN109283230A (zh) * | 2018-11-30 | 2019-01-29 | 燕山大学 | 一种平面阵列电容成像方法及系统 |
CN110108331A (zh) * | 2019-05-23 | 2019-08-09 | 西安电子科技大学 | 基于ert的同质气液混合两相流流量测试方法及系统 |
CN110243870A (zh) * | 2019-06-28 | 2019-09-17 | 西安石油大学 | 一种基于介质损耗角正切层析成像技术的含水率测量方法 |
Non-Patent Citations (3)
Title |
---|
XIAOXIN WANG等: "Sectional void fraction measurement of gas-water two-phase flow by using a capacitive array sensor", 《FLOW MEASUREMENT AND INSTRUMENTATION》 * |
张立峰等: "基于压缩感知的电容层析成像图像重建算法", 《电子学报》 * |
郭志恒等: "基于差分灵敏度模型的电容层析成像图像重建方法", 《中国电机工程学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113960124B (zh) | 2022-10-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Swetapadma et al. | Improved fault location algorithm for multi‐location faults, transforming faults and shunt faults in thyristor controlled series capacitor compensated transmission line | |
CN103439631B (zh) | 接地网腐蚀状态检测方法及系统 | |
CN113376483B (zh) | 一种xlpe电缆绝缘状态评估方法 | |
KR20200023672A (ko) | 딥러닝을 이용한 전지 진단 방법 | |
CN112485747A (zh) | 一种电容式电压互感器误差状态评估方法 | |
CN108957331A (zh) | 电池性能检测方法及电池性能检测系统 | |
CN110703078A (zh) | 基于频谱能量分析与自组织竞争算法的gis故障诊断方法 | |
CN102135447B (zh) | 用于测量电磁波的方法和装置 | |
CN113960124B (zh) | 一种带有图像修正功能的便携式ect系统 | |
CN117949827A (zh) | 基于电化学阻抗检测的异常识别方法、系统及计算机设备 | |
He et al. | MSDC: exploiting multi-state power consumption in non-intrusive load monitoring based on a dual-CNN model | |
CN115575880B (zh) | 一种电力互感器计量误差状态在线检测方法 | |
CN117930012A (zh) | 一种电池一致性评估方法、装置、计算机设备及存储介质 | |
CN117574275A (zh) | 一种电力系统异常检测分类方法 | |
Boškoski et al. | Optimal selection of proton exchange membrane fuel cell condition monitoring thresholds | |
CN116866222A (zh) | 一种网线故障智能检测方法、系统、设备及存储介质 | |
CN116879634A (zh) | 接地极线路电阻监测方法、装置、设备、介质和程序产品 | |
CN116381493A (zh) | 一种电池组故障检测方法、系统、电子设备及存储介质 | |
CN114894861B (zh) | 基于加权融合ds证据理论的接地网腐蚀检测方法及装置 | |
CN115684908A (zh) | 用于电力gis设备的状态监测方法、存储介质及电子装置 | |
CN108761258A (zh) | 基于人工智能和大数据技术的变压器短期过载能力评估系统 | |
CN113746132B (zh) | 一种基于云边协同的光伏电站及其控制方法 | |
CN115293090A (zh) | 基于重构数据处理的多谐波源责任量化方法 | |
CN117148251B (zh) | 一种基于超级电容器老化夹具的电压补偿方法及系统 | |
CN116908518B (zh) | 一种带剩余电流检测的采集终端 |
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 |