基于多传感器融合的相流参数测量方法.pptVIP

统一电压测量模式：相邻电极测量（去除包含激励电极的测量值）研究8种电流驱动模式： 以16电极EIT系统为例，依据结构对称性，有电极对1-2激励（Pattern 1）、电极对1-3激励（Pattern 2）、…、直到电极对1-9激励（Pattern 8），共8种驱动模式 等势线分布 重建图像质量的定量评价 仿真实验及结果 按以下原则选取仿真分布模型： 1）考察不同传感器对中心区域物体的成像效果； 2）多个物体分布时中心区域物体的成像效果； 3）在中心区域有多个物体分布时的成像效果。 主要考察不同传感器对中心区域物体的重建效果、对多个物体的区分能力及重建图像对真实分布的形状保真度。 组合方案一、方案二对所研究的8种分布的重建图像相对误差相近。对于物体分布(a)、(b)、(f) 、(g)、(h)，其共同特点为管道中心存在物体，24电极组合方案所得重建图像相对误差明显小于基于12电极传感器所得重建图像的图像相对误差，管道中心处物体的成像质量得到显著提高。 经过对24电极组合式ECT传感器的两种组合方案的对比分析可知，由于第二种组合方案所得投影数据多，扫描角度更小，其所得重建图像对真实分布的形状保真度更好，但总体看来两种组合方案的图像重建质量相近，然而投影数据相差较多，若对图像重建的实时性有较高要求，可考虑采用第一种组合方案。若采用3电极、4电极以至更多电极进行组合，则组合方案将增加，需要从重建图像质量及图像重建的实时性两方面进行折中选取。 目前，天津大学开发的基于FPGA的数字化电学层析成像系统，其单截面数据采集速度可达1000 幅/秒，实时成像速度可达300 幅/秒。因此采用组合电极激励测量方案在有效增加投影数据的情况下，仍可达到较高的实时成像速度，提高重建图像的质量。 报告完毕，谢谢！ * 基于灵敏度矩阵的线性化 其离散形式为 M为独立测量数；N为成像网格数 泰勒展开，得 舍去二次项，得线性表达式 电容测量值归一化 方程归一化，得 、、 分别为归一化电容值、灵敏度矩阵及介电常数（灰度） 归一化目的： 1. 使测量数据无量纲化，便于数学处理并与数字图像相联系；2. 可在一定程度上减少测量误差的影响。 对于同一组电容测量值，不同的归一化模型可获得不同的归一化电容值，从而造成重建图像的差异。因此，归一化模型的探讨极为必要。 ECT系统两点标定：分别用高介电常数相介质（如油/气两相流中的油相）和低介电常数相介质（如油/气两相流中的气相）充满传感器并测量相应的电容值Ch和Cl，图像重建前要利用标定数据Ch 和Cl,电容数据Cm进行归一化处理。 电容测量值归一化 归一化应满足下列方程 并联及串联归一化模型 以平行板电容器为例，图中，黄色及白色分别代表高、低介电常数相，对应相浓度分别为C1和C2. 1.并联模型 2.串联模型 = = 并联及串联归一化模型特性 并联模型：线性 串联模型：非线性 对于复杂的多相流流型，不能简单等效为单一的并联模型或串联模型。 混合模型 为混合模型加权因子 为并联模型 为串联模型 并联、串联及混联模型的灵敏度计算 并联模型 串联模型 混联模型 定义为总面积与该像素k的面积之比 、 为管内充满高介电常数相和低介电常数相时的电容值 为管内充满两相混合介质时的电容值 为混合模型加权因子 确定模型加权因子 的方法 管道内径：120 mm，管内剖分为768个单元 图像重建算法－最佳迭代因子的Landweber迭代算法 并联及串联模型均采用如上算法（以并联为例） 混联模型的Landweber迭代算法 误差的二次范数平方为 令 及 得 其中 仿真实验结果 1. 图像相对误差 2. 相关系数 为仿真对象的真实介电常数分布 为重建图像的介电常数分布 静态实验结果 测试模型 并联 串联 混联 结 论 本文研究了三种电容归一化模型，比较了三 种模型的成像效果。混联模型成像效果好，能较好地区分物体，所得图像中物体边缘清晰，适合于多物体成像；串联模型效果次之；并联模型效果较差。 混联模型是对真实分布的更好的等效模型。 基于小波神经网络的ECT图像重建算法 小波神经网络模型 隐层单元的激活函数为小波函数 小波函数的局部化特征，其对局部差异较大的函数，特别是在函数突变处的逼近能力更强 式中，a为尺度因子，b为伸缩因子。 网络训练算法 采用BP算法训练网络，具体步骤为： 1） 网络参数初始化，对参数 赋以[-1,1]之间的随机数，给出最大迭代次数及目