基于高速攝影傳感器的氣液兩相流型分層模糊識(shí)別*

常佃康,薛 婷,張旖婷

(1.天津大學(xué) 電氣與自動(dòng)化工程學(xué)院,天津 300072；2.天津市過(guò)程控制檢測(cè)與控制重點(diǎn)實(shí)驗(yàn)室,天津 300072)

?

基于高速攝影傳感器的氣液兩相流型分層模糊識(shí)別*

常佃康1,2,薛 婷1,2,張旖婷1,2

(1.天津大學(xué) 電氣與自動(dòng)化工程學(xué)院,天津 300072；2.天津市過(guò)程控制檢測(cè)與控制重點(diǎn)實(shí)驗(yàn)室,天津 300072)

氣液兩相流流型的客觀和智能識(shí)別對(duì)兩相流其它參數(shù)測(cè)量具有重要意義。用高速攝像機(jī)作為檢測(cè)傳感器,獲取內(nèi)徑為50 mm的絕熱垂直管段內(nèi)氣液兩相流流型圖像,提取流型灰度圖像的均值、標(biāo)準(zhǔn)差及二值圖像的最大物體面積、寬度和高度五個(gè)特征向量,采用分層模糊推理方法實(shí)現(xiàn)泡狀流、塊狀流、塞狀流和乳沫狀流的流型識(shí)別。對(duì)于131幅實(shí)驗(yàn)圖像,該方法的識(shí)別正確率平均達(dá)到93.13 %。

氣液兩相流； 流型識(shí)別； 圖像特征； 模糊推理

0 引 言

在氣液兩相流中,流型多種多樣,兩相流系統(tǒng)其它流動(dòng)參數(shù)的準(zhǔn)確測(cè)量往往依賴于對(duì)流型的研究。因此,流型的客觀和智能識(shí)別[1]一直是兩相流參數(shù)研究的重要課題。本文利用高速攝像機(jī)拍攝透明管段流體的流動(dòng)狀態(tài),通過(guò)兩相流體動(dòng)態(tài)圖像信息進(jìn)行泡體、分相濃度及流型特征研究達(dá)到流型識(shí)別的目的。較之傳統(tǒng)的流型識(shí)別方法,高速攝影法[2～4]可以實(shí)現(xiàn)流型的非接觸、全場(chǎng)測(cè)量,并且可以直接獲得流動(dòng)圖像的分布狀態(tài)作為流型識(shí)別的參考標(biāo)準(zhǔn)圖,因此在兩相流型識(shí)別以及參數(shù)檢測(cè)中得到很大應(yīng)用。

施麗蓮等人[5]基于高速攝影采集的流體圖像,采用圖像處理技術(shù)將直線檢測(cè)、氣泡的面積、高度坐標(biāo)與模糊推理相結(jié)合,對(duì)絕熱水平管內(nèi)分層流、霧環(huán)狀流、泡狀流、塞狀流和彈狀流流型進(jìn)行區(qū)分。該方法簡(jiǎn)單,但所提取的特征向量?jī)H關(guān)注流體的幾何參數(shù),識(shí)別正確率有待提高?，F(xiàn)階段,學(xué)者多將幾種識(shí)別方法相結(jié)合,以達(dá)到更好的識(shí)別效果,如Wang L等人[6]研制新型C4D傳感器獲取更好的電導(dǎo)信號(hào),將小波分析與支持向量機(jī)相結(jié)合達(dá)到平均91 %的識(shí)別正確率；定量研究了氣液兩相流中段塞流的動(dòng)力學(xué)特征；Dong F等人[7]基于LZ復(fù)雜性,譜熵和近似熵提取復(fù)雜性參數(shù)識(shí)別動(dòng)態(tài)流型；Saisorn S等人[8]依據(jù)流型圖等分析了微型水平管道內(nèi)不同液體和氣體條件下流型轉(zhuǎn)換的特征；周云龍等人[9]結(jié)合灰度圖像直方圖統(tǒng)計(jì)特征和Elman神經(jīng)網(wǎng)絡(luò)識(shí)別氣液兩相流流型。

本文首先提取反映圖像整體紋理特征的灰度圖像均值、標(biāo)準(zhǔn)差,結(jié)合最大獨(dú)立物體面積,將圖像氣相面積最大和最小的乳沫狀流和泡狀流區(qū)分出來(lái),再用反映局部幾何特征的二值圖像最大物體寬度和高度兩個(gè)參數(shù),結(jié)合Mamdani模糊推理區(qū)分塊狀流和塞狀流,該方法簡(jiǎn)單有效,識(shí)別率高。

1 流型結(jié)構(gòu)特征提取

本文用高速攝像機(jī)采集絕熱垂直管段內(nèi)流型圖像,對(duì)灰度圖像進(jìn)行差影、中值濾波、閾值分割后得到二值圖像。圖1是高速攝像機(jī)采集的泡狀流、塊狀流、塞狀流以及乳沫狀流不同流型,二值化后并反色處理的圖像結(jié)果。

圖1 氣液兩相流二值化圖像Fig 1 Binary images of gas-liquid two-phase flow

提取灰度直方圖的均值和標(biāo)準(zhǔn)差和不同流型最大物體面積、寬和高等幾何特征為特征參數(shù)。對(duì)二值圖像從上到下,自左向右掃描,選擇四連通區(qū)域標(biāo)記二值圖像中的連接成分,返回矩陣中像素標(biāo)記為0的表示背景；像素標(biāo)記為1的構(gòu)成第一個(gè)目標(biāo)；像素標(biāo)記為2的構(gòu)成第二個(gè)目標(biāo)；以此類推。計(jì)算圖像中物體面積S,基于最大像素?cái)?shù)對(duì)應(yīng)的像素點(diǎn)區(qū)域構(gòu)建圖像中最大獨(dú)立物體,提取最大物體面積特征參數(shù),并對(duì)取得的最大物體做最小外接矩形,提取其有效寬度和高度。

2 基于分層模糊推理的流型識(shí)別

采用分層模糊推理識(shí)別方法,將特征參數(shù)分為兩類,分別與不同的模糊推理函數(shù)模型相結(jié)合,分步達(dá)到流型識(shí)別目的:首先將塊狀流和塞狀流視為塊/塞狀流,通過(guò)均值、標(biāo)準(zhǔn)差和最大物體面積三個(gè)特征參數(shù)與模糊推理相結(jié)合,將所有獲取的流型圖片分類為泡狀流、塊/塞狀流、乳沫狀流三種；然后根據(jù)最小外接矩形得到的最大物體的寬度和高度兩個(gè)參數(shù),運(yùn)用模糊推理識(shí)別塊狀流和塞狀流。

本文采用Mamdani型模糊推理,運(yùn)用極小運(yùn)算規(guī)則定義模糊關(guān)系,并基于如下規(guī)則構(gòu)造模糊推理系統(tǒng)。

2.1 泡狀流、塊/塞狀流與乳沫狀流識(shí)別

1)輸入、輸出語(yǔ)言模糊化

定義F(u)模糊集合,設(shè)A1,A2,A3∈F(u),為3個(gè)標(biāo)準(zhǔn)模式,分別表示泡狀流、塊狀流/塞狀流和乳沫狀流。輸入為均值、標(biāo)準(zhǔn)差及最大面積特征向量；輸出為泡狀流、塊狀流/塞狀流,乳沫狀流三種流型。

對(duì)于各輸出流型采用梯形隸屬度函數(shù)

(1)

式中 a,b,c,d為預(yù)先設(shè)定的閾值。

均值隸屬度函數(shù)如圖2所示,輸出各流型隸屬度函數(shù)如圖3所示。

圖2 均值隸屬度函數(shù)Fig 2 Mean membership functions

圖3 輸出隸屬度函數(shù)Fig 3 Output membership function

2)模糊規(guī)則與模糊推理

分析實(shí)驗(yàn)數(shù)據(jù)得出以下模糊推理規(guī)則:若均值為小,標(biāo)準(zhǔn)差為小,最大面積為小,則為泡狀流(0.8)；若均值為中,標(biāo)準(zhǔn)差為中,最大面積為小,則為泡狀流(0.2)；若均值為中,標(biāo)準(zhǔn)差為中,最大面積為中,則為塊狀流/塞狀流(0.6)；若均值為小,標(biāo)準(zhǔn)差為中,最大面積為中,則為塊狀流/塞狀流(0.4)；若均值為大,標(biāo)準(zhǔn)差為大,最大面積為大,則為乳沫狀狀流(1)。

其中模糊規(guī)則后對(duì)應(yīng)的數(shù)字定義為其權(quán)重。

本文模糊算子采用模糊交(min)進(jìn)行輸入模糊集合的合成運(yùn)算,即對(duì)于每一條規(guī)則用and連接所有輸入集合并取最小值作為結(jié)果,由極小運(yùn)算規(guī)則定義模糊蘊(yùn)含表達(dá)的模糊關(guān)系。

3)輸出模糊合成與去模糊化

本文第一步模糊推理采用最大值法max將五條規(guī)則結(jié)果組合成輸出變量的一個(gè)模糊集合。去模糊化的輸入是模糊集合,輸出為數(shù)值。本文采用面積中心法進(jìn)行去模糊化,即計(jì)算隸屬度函數(shù)曲線包圍區(qū)域的重心。對(duì)于連續(xù)論域的情形,設(shè)U 是某一變量u 在論域U上的模糊集合,則去模糊化的結(jié)果為

(2)

4)輸出結(jié)果分析

通過(guò)對(duì)131幅圖像進(jìn)行分析統(tǒng)計(jì)得出流型判別規(guī)則及隸屬度函數(shù)。該方法可以有效識(shí)別垂直管中的氣泡流、塊狀流/塞狀流和乳沫狀流。圖4為乳沫狀流的識(shí)別結(jié)果。

圖中對(duì)應(yīng)的1～5分別是模糊規(guī)則中定義的5條規(guī)則,并對(duì)應(yīng)不同的權(quán)重。對(duì)于某一流型輸入的均值、標(biāo)準(zhǔn)差和最大面積特征向量分別應(yīng)用到5條規(guī)則中,每一條規(guī)則采用and連接三個(gè)輸入集合,即取得的三個(gè)輸入對(duì)應(yīng)的模糊化后的隸屬度,經(jīng)過(guò)模糊集合合成運(yùn)算得到最小隸屬度,并加權(quán)對(duì)應(yīng)規(guī)則權(quán)重對(duì)該規(guī)則模糊輸出做截集,即為該輸入條件下該條規(guī)則的輸出。將5條規(guī)則的輸出結(jié)果利用最大值法合成,并采用面積中心法去模糊化,以求得該輸入對(duì)應(yīng)的流型,即圖中紅線所對(duì)應(yīng)的流型區(qū)域。

圖4 辨識(shí)結(jié)果Fig 4 Identification result

基于該方法對(duì)不同流型識(shí)別,泡狀流識(shí)別正確率達(dá)92.68 %；乳沫狀流識(shí)別正確率達(dá)95.12 %；后續(xù)根據(jù)最大物體寬、高幾何特征,對(duì)塊狀流和塞狀流進(jìn)一步實(shí)現(xiàn)模糊識(shí)別。

2.2 塊狀流與塞狀流識(shí)別

基于最大物體寬、高特征的模糊識(shí)別方法,提高這兩種流型的識(shí)別率。流型辨識(shí)方法與上述泡狀流、塊/塞狀流與乳沫狀流模糊識(shí)別相同,定義模糊規(guī)如下:

1)若寬度值為大,高度值為小,則為塊狀流(0.7)；

2)若寬度值為大,高度值為大,則為塊狀流(0.3)；

3)若寬度值為小,高度值為大,則為塞狀流(1)。

采用該方法進(jìn)一步進(jìn)行流型識(shí)別,對(duì)于塊狀流圖像識(shí)別正確率達(dá)93.75 %；塞狀流圖像識(shí)別正確率達(dá)88.24 %。

3 結(jié) 論

本文應(yīng)用高速攝影法攝取絕熱垂直管段內(nèi)氣液兩相流流型圖像,基于氣液兩相流圖像提取流型圖像灰度圖像均值、標(biāo)準(zhǔn)差及二值圖像的最大物體面積、寬度和高度特征向量,采用分層模糊推理方法,有效實(shí)現(xiàn)了泡狀流、塊狀流、塞狀流和乳沫狀流的流型識(shí)別,該方法簡(jiǎn)便易行,識(shí)別正確率高。

[1] Liang Q,Zhou H L,Zhang H J,et al.Fluctuation coefficient of gas-liquid two-phase flow and its application in flow pattern identification[J].Journal of Zhejiang University:Engineering Science,2007,41(11):1810-1815.

[2] 薛 婷,黃 劍,曲立群,等.基于平面靶的多氣泡虛擬三維測(cè)量系統(tǒng)標(biāo)定[J].天津大學(xué)學(xué)報(bào):自然科學(xué)與工程技術(shù)版,2014,47(5):441-445.

[3] Lindeboom R,Smith G,Jesion D,et al.Application of high speed imaging as a novel tool to study particle dynamics in tubular membrane systems[J].Journal of Membrane Science,2011,368(1-2):95-99.

[4] Xue T,Qu L Q,Wu B.Matching and 3D reconstruction of multibubbles based on virtual stereo vision[J].IEEE Transactions on Instrumentation and Measurement,2014,63(6):1639-1647.

[5] 施麗蓮,蔡晉輝,周澤魁.基于圖像處理的氣液兩相流流型識(shí)別[J].浙江大學(xué)學(xué)報(bào):工學(xué)版,2005,39(8):1128-1131.

[6] 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.

[7] Dong F,Fang L D,Li H L,et al.Characterization of gas-liquid two-phase flow pattern based on complexity measures analysis[C]∥Proceedings of 2012 International Conference on Machine Learning and Cybernetics,ICMLC 2012,Piscataway,NJ,USA:IEEE,2012:996-1000.

[8] Saisorn S,Wongwises S.Flow pattern,void fraction and pressure drop of two-phase air-water flow in a horizontal circular micro-channel[J].Experimental Thermal and Fluid Science,2008,32(3):748-760.

[9] 周云龍,陳 飛,劉 川.基于圖像處理和Elman神經(jīng)網(wǎng)絡(luò)的氣液兩相流流型識(shí)別[J].中國(guó)電機(jī)工程學(xué)報(bào),2007,27(29):108-112.

Gas-liquid two-phase flow pattern hierarchical fuzzy identification based on high-speed photography sensor*

CHANG Dian-kang1,2,XUE Ting1,2,ZHANG Yi-ting1,2

(1.School of Electrical Engineering and Automation,Tianjin University,Tianjin 300072,China;2.Tianjin Key Laboratory of Process Measurement and Control,Tianjin University, Tianjin 300072,China)

Objective and intelligent identification of gas-liquid two phase flow pattern have important meaning for other parameters measurement.High-speed camera is used as detecting sensor to capture two-phase flow patterns image in adiabatic vertical section whose inner diameter is 50mm,extract five eigenvectors of mean and standard deviation of gray image，and area,width,height of the max object of binary image;use hierarchical fuzzy reasoning method to identify bubble flow,slug flow,plug flow and churn flow patterns.For 131 experimental images,the average identification accuracy of this method is 93.13 %.

gas-liquid two phase flow； flow pattern identification； image characteristics； fuzzy reasoning

10.13873/J.1000—9787(2016)11—0058—03

2016—01—04

天津市自然科學(xué)基金資助項(xiàng)目(12JCQNJC02200)

TN 247

A

1000—9787(2016)11—0058—03

常佃康(1990-),男,山東鄒城人,碩士,現(xiàn)主要從事多相流檢測(cè)等方面的研究。