东北大学学报:自然科学版   2016, Vol. 37 Issue (1): 11-14   PDF (360 KB)    
基于信号稀疏性的EMT流型辨识
王静文, 王旭     
东北大学 信息科学与工程学院, 辽宁 沈阳 110819
摘要:针对电磁层析成像流型识别率低的问题,提出基于信号稀疏性的EMT流型辨识方法.在Maxwell方程组电磁感应原理基础之上,用Comsol有限元仿真软件建立了带有8个电磁线圈的仿真模型.首先建立了几种不同流型的仿真模型并测量其电压值,将测量电压归一化后作为EMT流型辨识的判别依据;然后将其表示为稀疏性组合;最后通过信号稀疏性建立的数学模型求得最优解,从而实现流型归属.实验结果表明:本文方法能对环流、核心流等进行识别,且识别率较高,是一种值得进一步研究和推广的方法.
关键词电磁层析成像     流型辨识     信号稀疏性     采样     相关系数    
Flow Pattern Identification of EMT Based on Signal Sparseness
WANG Jing-wen, WANG Xu    
School of Information Science & Engineering, Northeastern University, Shenyang 110819, China.
Corresponding author: WANG Jing-wen, E-mail: wangjingwenhappy@126.com
Abstract: In view of lower recognition rate of traditional methods in flow pattern identification of electromagnetic tomography (EMT), a flow pattern identification method of EMT was proposed based on signal sparseness. On the base of Maxwell’s electromagnetic induction equations principle,Comsol multiphysics software was used for the simulation of EMT system, which was composed of eight electromagnetic sensors. Firstly, simulation models of several flow pattern were established and the voltage values were measured, and the measurement voltages were normalized and represented as the basis of identification of electromagnetic tomography (EMT) as well.Then normalized voltage was represented as a sparse combination. Finally,the optimal solution was obtained to realize flow pattern. The experimental results show that the method can identify circulation, the core flow, etc., and the recognition rate is higher, which is worthy of further research and extension methods.
Key words: electromagnetic tomography     flow pattern identification     signal sparseness     sampling     correlation coefficient    

电磁层析成像技术(electromagnetic tomography,EMT) 是建立在Maxwell方程组的电磁理论基础上的一种电学式成像技术[1],由于其具有非侵入、可视化、响应快、无污染以及成本低、易于安装维护和扩展等优点,成为国内外广泛研究的热点[2].其中EMT 监测系统中的流型辨识技术是电磁层析成像领域中一个重要的研究方向.流型是一个表示流体结构的重要参数[3].流体会受到管道压力、流动速度以及不同流体间的相互作用等多种因素的影响,导致流型不断发生变化.这些变化不仅影响检测参数,而且还会对系统运行的稳定与效率造成影响.在两相流系统中,通过研究EMT流型辨识技术不仅可以对流型进行预测和辨别,而且可以对生产过程进行实时控制、故障诊断,因此研究EMT流型辨识技术具有良好的发展前景和非常重要的意义[4].

目前,流型辨识算法的研究已经取得了不少成果,主要有最近邻识别法、K近邻识别法[5]、特征提取法[6] 、模糊模式识别法以及神经网络法[7]等.其中前两种算法的准确度都不够高;特征提取法是通过人工提取特征参数的,因此具有很大的局限性;模式识别算法和神经网络算法在进行EMT流型辨识之前,需要准备大量的训练样本,且训练时间较长,抗干扰能力差.因此,从目前EMT流型辨识的研究情况来看,急需一种辨识准确率高、抗干扰能力强的流型辨识算法,来满足工业生产中两相流流型辨识的需求.

本文首先在EMT系统中测量待测流型的电压值,并将其归一化处理,然后表示为训练样本集的稀疏线性组合[8],再根据信号的稀疏性建立一个最小L1范数下的数学模型,从而求得最优解,即测试样本的稀疏解,以此作为判别流型的重要依据.

1 EMT流型辨识的基本原理 1.1 EMT系统的基本原理

电磁层析成像技术是建立在Maxwell方程组电磁感应原理基础之上的一种新型电学成像技术.通过对激励线圈施加时变的交变电流,在激励线圈周围产生一个时变的磁场,在该磁场作用下检测线圈的磁场强度变化,然后获取检测线圈变化量中包含的相关信息,利用相应的数学算法对该相关信息进行处理,处理后的数据传入成像计算机,来完成物场内的磁导率或电导率的流型分布图.图 1展示了典型的电磁层析成像监测系统.

图 1 EMT系统结构图 Fig. 1 Structure diagram of EMT system

EMT实质是对时谐涡流场中的边值问题求解[9]

其中:A代表矢量磁位;σ代表电导率;μ代表磁导率;Js代表线圈电流密度.利用有限元方法求式(1)的边值问题相当于求解极值的变分问题:

通过离散后,化为求解节点矢量磁位值的矩阵方程:

其中:KT代表系数矩阵;P代表Js所确定的激励矩阵.求解式(3)可获得被测模型内的矢量磁位A.检测线圈上的感应电压表示为

1.2 EMT的流型辨识

目前环流、核心流、空管流和满管流是大部分实际生产线上的两相流流型.流型决定了管道截面电导率分布情况,管道截面的电导率分布直接影响管道壁上传感器采集到的独立测量电压数据.因此,利用这些由EMT监测系统测量的电压值作为流型判别的重要依据.

为了方便计算以及缩小系统测量数据与理论数据间的误差,对EMT系统测得的电压数据,必须要经过归一化处理.其中,测量电压的归一化公式为

式中:Vi,j是EMT系统中的电磁传感器线圈对i-j之间的电压值;ΔVi,j=Vi,j(满)Vi,j(空),其中Vi,j(空)Vi,j(满)依次是空场与满场的电磁线圈对i-j之间测得的电压值.

2 基于信号稀疏性的EMT流型辨识法 2.1 信号的稀疏性

假设在一个有限实数的空间内有一个含有N个信息量的信号x, ψi(i=1,2,…,N)是空间内的一组基向量,于是可以把x表示成

其中: ψ={ψ1,ψ2,…,ψN}是一个维度为N×N的矩阵;s是信号 xψ域上的稀疏矩向量,其维度为N×1.当 s有且仅有K«N个非零数时,可称信号x在域ψ上是K项稀疏的[10];在图 2中形象地展示了信号xψ域上的稀疏表示.

图 2 信号稀疏矩阵图 Fig. 2 Schematic diagram of signal sparse matrix
2.2 EMT电压信号的稀疏表示

在EMT监测系统中,测出每类典型流型的电压值,并将其归一化处理后组成训练样本集,每类典型流型中都包含ni个样本值,则第i类流型的训练集Φi

其中:Rm×1为有限实数离散空间;vj∈Rm×1(j=1,2,…,ni)表示第j个训练样本;每个流型的训练样本集:

其中,n=n1+n2+…+nk.

在第i类流型中,若Φi完备或者过完备,则归一化电压向量κ可由Φi线性表示:

其中,αi(j=1,2,…,ni)为实数,α∈Rni×1为有限实数空间内的系数向量.

把归一化电压向量κ表示成所有流型组成的训练样本集Φ的线性组合形式:

式中,x0=[0,…,0,α12,…,αni,0,…,0]∈Rn×1表示稀疏向量,其中只有非零值对应着归一化电压向量κ.所以,归一化电压值就能用以训练样本集组成的过完备字典变换基Φ来稀疏表示.通过以上方法EMT监测系统测量的电压值经归一化后就达到了稀疏信号的前提条件.

2.3 算法实现

将待测流型的电压值归一化处理,用κ表示,代入式(10),由于κ的维数d比稀疏信号x0的维数小得多,因此式(10)是一个欠定方程组.求解式(10)最直接的方法是将其转换为如式(11)所示的最小L0范数的数学模型:

L1最小范数下在一定条件下和L0最小范数具有等价性,可得到相同的解,因此可以将式(9)转化为L1最小范数下的最优化问题:

式(12)可由基追踪算法(BP)求解得最优解.在求解出稀疏信号x0以后,即可通过该稀疏向量中非零值的位置来确定待测电压信号的所属流型.

2.4 流型辨识算法的实现步骤

具体实现步骤如下:

步骤1    初始化:设定k类经典流型,把Comsol中测得的每个标准流型电压值进行归一化处理;

步骤2     生成训练样本集:通过调整被测物场内含有电导率或磁导率的物质分布和通过叠加高斯白噪声这两种方式来生成训练样本集Φ;

步骤3     稀疏表示:测试样本是待测流型的归一化电压值κ,通过式(10),κ就可以由训练样本集Φ来稀疏表示;

步骤4     求稀疏解:根据式(12),并采用基追踪算法(BP)即可求出测试样本在过完备训练样本集Φ投影下的稀疏解x0

步骤5     流型辨识:根据稀疏解x0中非零值的位置来确定待测电压信号的所属流型.

该算法的流程图如图 3所示:

图 3 算法的流程图 Fig. 3 Schematic diagram of the proposed algorithm
3 仿真实验与结果

本文是用Comsol有限元仿真软件,仿真带有8个电磁传感器线圈的EMT监测系统,从中测得常见的4种经典流型:环流、核心流、满管和空管,如图 4所示.每种流型的训练样本数为100个.

图 4 流型示意图 Fig. 4 Schematic diagram of flow patterns

为了模拟真实测量值,对每一种流型分别用无噪声,30 dB和5 dB在100组样本中进行实验,得到流型辨识的识别精度的统计结果如表 1所示.

表 1 辨识率对比表 Table 1 The statistical results of identification%

表 1中可以看出:本文方法的识别效率在无噪声、信噪比30 dB和信噪比5 dB的情况下的正确率是呈下降趋势的,但平均正确率在93%以上.这表明本文方法并没有丢失所包含的信息,而且对流型辨识的效率有了显著的提高.

4 结语

本文从Comsol仿真软件中设置一种含有8个电磁传感器线圈的EMT仿真监测系统,从中提取出4种典型流型的电压值,归一化处理后用于流型辨识的仿真实验,实验结果表明,本文方法适合于大众典型流型的识别.由此可见,本文的流型辨识算法辨识准确率较高且抗噪声干扰能力较强,是一种值得进一步研究和推广的方法.

参考文献
[1] Griffiths H.Magnetic induction tomography [J]. Measurement Science and Technology,2001,12(8):1126-1131.(1)
[2] Stephen J T,Clive E D.The effect of pipeline location on acoustic measurement of gas-solid pipeline flow [J].Flow Measurement and Instrumentation,2000,31(11):165-169.(1)
[3] Wang L,Huang Z Y,Wang B L,et al.Flow pattern identification of gas-liquid two-phase flow based on capacitively coupled contactless conductivity detection [J].IEEE Transactions on Instrumentation and Measurement,2012,61(5):1466-1475.(1)
[4] Ou C H,Wei C,Ma Z G.Quantitative identification and analysis of sub-seismic extensional structure system:technique schemes and processes [J].Journal of Geophysics and Engineering,2015,12(3):502-510.(1)
[5] Aci M,Avci M K.Nearest neighbor reinforced expectation maximization method [J].Expert Systems with Applications,2011,38 (10):12585-12591.(1)
[6] Han J,Dong F,Xu Y Y.Entropy feature extraction on flow pattern of gas/liquid two-phase flow based on cross-section measurement [J].Journal of Physics Conference Series, 2009,147(1):012041.DOI:10.1088/1742-6596/147/1/012041.(1)
[7] Chakrabarti D P,Pilgrim A,Sastry M K S,et al.Identification of liquid-liquid flow pattern in a horizontal pipe using artificial neural networks [J].Chemical Engineering Communications,2011,198(2):273-285.(1)
[8] Saligrama V,Zhao M Q.Threshold basis pursuit:LP algorithm for order-wise optimal support recovery for sparse and approximately sparse signals from noisy random measurements [J].IEEE Transactions on Information Theory,2011,57(3):1567-1586.(1)
[9] Hollaus K,Magele C,Merwa R,et al.Numerical simulation of the eddy current problem in magnetic induction tomography for biomedical applications by edge elements [J].IEEE Transactions Magnetics,2004,40(3) :623- 626.(1)
[10] Candès E J.The restricted isometry property and its implications for compressed sensing matrices [J].Comptes Rendus Mathematique,2008,346(9/10):589-592.(1)