基于高速摄影传感器的气液两相流型分层模糊识别*

常佃康,薛 婷,张旖婷

(1.天津大学 电气与自动化工程学院,天津 300072；2.天津市过程控制检测与控制重点实验室,天津 300072)



基于高速摄影传感器的气液两相流型分层模糊识别*

常佃康1,2,薛 婷1,2,张旖婷1,2

(1.天津大学 电气与自动化工程学院,天津 300072；2.天津市过程控制检测与控制重点实验室,天津 300072)

气液两相流流型的客观和智能识别对两相流其它参数测量具有重要意义。用高速摄像机作为检测传感器,获取内径为50 mm的绝热垂直管段内气液两相流流型图像,提取流型灰度图像的均值、标准差及二值图像的最大物体面积、宽度和高度五个特征向量,采用分层模糊推理方法实现泡状流、块状流、塞状流和乳沫状流的流型识别。对于131幅实验图像,该方法的识别正确率平均达到93.13 %。

气液两相流； 流型识别； 图像特征； 模糊推理

0 引 言

在气液两相流中,流型多种多样,两相流系统其它流动参数的准确测量往往依赖于对流型的研究。因此,流型的客观和智能识别[1]一直是两相流参数研究的重要课题。本文利用高速摄像机拍摄透明管段流体的流动状态,通过两相流体动态图像信息进行泡体、分相浓度及流型特征研究达到流型识别的目的。较之传统的流型识别方法,高速摄影法[2～4]可以实现流型的非接触、全场测量,并且可以直接获得流动图像的分布状态作为流型识别的参考标准图,因此在两相流型识别以及参数检测中得到很大应用。

施丽莲等人[5]基于高速摄影采集的流体图像,采用图像处理技术将直线检测、气泡的面积、高度坐标与模糊推理相结合,对绝热水平管内分层流、雾环状流、泡状流、塞状流和弹状流流型进行区分。该方法简单,但所提取的特征向量仅关注流体的几何参数,识别正确率有待提高。现阶段,学者多将几种识别方法相结合,以达到更好的识别效果,如Wang L等人[6]研制新型C4D传感器获取更好的电导信号,将小波分析与支持向量机相结合达到平均91 %的识别正确率；定量研究了气液两相流中段塞流的动力学特征；Dong F等人[7]基于LZ复杂性,谱熵和近似熵提取复杂性参数识别动态流型；Saisorn S等人[8]依据流型图等分析了微型水平管道内不同液体和气体条件下流型转换的特征；周云龙等人[9]结合灰度图像直方图统计特征和Elman神经网络识别气液两相流流型。

本文首先提取反映图像整体纹理特征的灰度图像均值、标准差,结合最大独立物体面积,将图像气相面积最大和最小的乳沫状流和泡状流区分出来,再用反映局部几何特征的二值图像最大物体宽度和高度两个参数,结合Mamdani模糊推理区分块状流和塞状流,该方法简单有效,识别率高。

1 流型结构特征提取

本文用高速摄像机采集绝热垂直管段内流型图像,对灰度图像进行差影、中值滤波、阈值分割后得到二值图像。图1是高速摄像机采集的泡状流、块状流、塞状流以及乳沫状流不同流型,二值化后并反色处理的图像结果。

图1 气液两相流二值化图像Fig 1 Binary images of gas-liquid two-phase flow

提取灰度直方图的均值和标准差和不同流型最大物体面积、宽和高等几何特征为特征参数。对二值图像从上到下,自左向右扫描,选择四连通区域标记二值图像中的连接成分,返回矩阵中像素标记为0的表示背景；像素标记为1的构成第一个目标；像素标记为2的构成第二个目标；以此类推。计算图像中物体面积S,基于最大像素数对应的像素点区域构建图像中最大独立物体,提取最大物体面积特征参数,并对取得的最大物体做最小外接矩形,提取其有效宽度和高度。

2 基于分层模糊推理的流型识别

采用分层模糊推理识别方法,将特征参数分为两类,分别与不同的模糊推理函数模型相结合,分步达到流型识别目的:首先将块状流和塞状流视为块/塞状流,通过均值、标准差和最大物体面积三个特征参数与模糊推理相结合,将所有获取的流型图片分类为泡状流、块/塞状流、乳沫状流三种；然后根据最小外接矩形得到的最大物体的宽度和高度两个参数,运用模糊推理识别块状流和塞状流。

本文采用Mamdani型模糊推理,运用极小运算规则定义模糊关系,并基于如下规则构造模糊推理系统。

2.1 泡状流、块/塞状流与乳沫状流识别

1)输入、输出语言模糊化

定义F(u)模糊集合,设A1,A2,A3∈F(u),为3个标准模式,分别表示泡状流、块状流/塞状流和乳沫状流。输入为均值、标准差及最大面积特征向量；输出为泡状流、块状流/塞状流,乳沫状流三种流型。

对于各输出流型采用梯形隶属度函数

(1)

式中 a,b,c,d为预先设定的阈值。

均值隶属度函数如图2所示,输出各流型隶属度函数如图3所示。

图2 均值隶属度函数Fig 2 Mean membership functions

图3 输出隶属度函数Fig 3 Output membership function

2)模糊规则与模糊推理

分析实验数据得出以下模糊推理规则:若均值为小,标准差为小,最大面积为小,则为泡状流(0.8)；若均值为中,标准差为中,最大面积为小,则为泡状流(0.2)；若均值为中,标准差为中,最大面积为中,则为块状流/塞状流(0.6)；若均值为小,标准差为中,最大面积为中,则为块状流/塞状流(0.4)；若均值为大,标准差为大,最大面积为大,则为乳沫状状流(1)。

其中模糊规则后对应的数字定义为其权重。

本文模糊算子采用模糊交(min)进行输入模糊集合的合成运算,即对于每一条规则用and连接所有输入集合并取最小值作为结果,由极小运算规则定义模糊蕴含表达的模糊关系。

3)输出模糊合成与去模糊化

本文第一步模糊推理采用最大值法max将五条规则结果组合成输出变量的一个模糊集合。去模糊化的输入是模糊集合,输出为数值。本文采用面积中心法进行去模糊化,即计算隶属度函数曲线包围区域的重心。对于连续论域的情形,设U 是某一变量u 在论域U上的模糊集合,则去模糊化的结果为

(2)

4)输出结果分析

通过对131幅图像进行分析统计得出流型判别规则及隶属度函数。该方法可以有效识别垂直管中的气泡流、块状流/塞状流和乳沫状流。图4为乳沫状流的识别结果。

图中对应的1～5分别是模糊规则中定义的5条规则,并对应不同的权重。对于某一流型输入的均值、标准差和最大面积特征向量分别应用到5条规则中,每一条规则采用and连接三个输入集合,即取得的三个输入对应的模糊化后的隶属度,经过模糊集合合成运算得到最小隶属度,并加权对应规则权重对该规则模糊输出做截集,即为该输入条件下该条规则的输出。将5条规则的输出结果利用最大值法合成,并采用面积中心法去模糊化,以求得该输入对应的流型,即图中红线所对应的流型区域。

图4 辨识结果Fig 4 Identification result

基于该方法对不同流型识别,泡状流识别正确率达92.68 %；乳沫状流识别正确率达95.12 %；后续根据最大物体宽、高几何特征,对块状流和塞状流进一步实现模糊识别。

2.2 块状流与塞状流识别

基于最大物体宽、高特征的模糊识别方法,提高这两种流型的识别率。流型辨识方法与上述泡状流、块/塞状流与乳沫状流模糊识别相同,定义模糊规如下:

1)若宽度值为大,高度值为小,则为块状流(0.7)；

2)若宽度值为大,高度值为大,则为块状流(0.3)；

3)若宽度值为小,高度值为大,则为塞状流(1)。

采用该方法进一步进行流型识别,对于块状流图像识别正确率达93.75 %；塞状流图像识别正确率达88.24 %。

3 结 论

本文应用高速摄影法摄取绝热垂直管段内气液两相流流型图像,基于气液两相流图像提取流型图像灰度图像均值、标准差及二值图像的最大物体面积、宽度和高度特征向量,采用分层模糊推理方法,有效实现了泡状流、块状流、塞状流和乳沫状流的流型识别,该方法简便易行,识别正确率高。

[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,黄 剑,曲立群,等.基于平面靶的多气泡虚拟三维测量系统标定[J].天津大学学报:自然科学与工程技术版,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] 施丽莲,蔡晋辉,周泽魁.基于图像处理的气液两相流流型识别[J].浙江大学学报:工学版,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] 周云龙,陈 飞,刘 川.基于图像处理和Elman神经网络的气液两相流流型识别[J].中国电机工程学报,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

天津市自然科学基金资助项目(12JCQNJC02200)

TN 247

A

1000—9787(2016)11—0058—03

常佃康(1990-),男,山东邹城人,硕士,现主要从事多相流检测等方面的研究。