排序方式: 共有8条查询结果,搜索用时 15 毫秒
1
1.
2.
矿山充填过程中,管道中产生的结块和充填料浆中夹杂的废石会造成堵管或爆管等严重安全事故,制约了矿山充填技术的应用与发展,所以及时对管道内堵塞结块及废石的方位和大小进行检测,对矿山充填的安全稳定有着重要意义。以电容层析成像(ECT)技术为基础,研究了矿山充填管道的检测方法。针对传统ECT重建算法成像质量差、精度低等问题,提出了一种适用于充填管道内固液两相流检测的基于极限学习机和卷积神经网络的ECT图像重建方法。该图像重建网络由单隐藏层前馈神经网络和图像预测网络两部分组成。利用极限学习机建立电容数据与介电常数值的映射关系,并通过图像预测网络完成对图像的重建。通过充填管道仿真试验,证明了该方法不仅能够有效减少重建图像的伪影和变形,提高图像重建准确度,而且对充填管道中可能出现的复杂情况有较好的重建效果。所提出的ECT图像重建方法对于矿山充填管道内存在的堵塞结块及废石的检测有很好的效果,可以有助于推动ECT技术在充填管道检测领域的应用和推广。 相似文献
3.
4.
电容层析成像技术(Electrical Capacitance Tomography, ECT)是一种基于电容敏感场的过程层析成像技术,该技术通过传感器测量所需电容数据,实现充填管道流型检测,从而满足管道流型可控性。传统ECT流型辨识方法识别速率较低、运算较为复杂,成像结果也存在误差。为了改善传统方法存在的问题,提出一种基于粒子群优化算法(Particle Swarm Optimization, PSO)优化深度置信网络—极限学习机(Deep Belief Networks-Extreme Learning Machine, DBN-ELM)的流型识别算法,电容数据采集模块采集电容数据并制作相应数据集,经过DBN网络提取电容数据特征,在DBN网络顶层添加ELM完成对抽象电容流型数据的辨识;DBN隐含层神经元个数影响着整个模型的学习能力和信息处理能力,因此引入PSO优化算法首先计算出每层玻尔兹曼机(Restricted Boltzmann Machine, RBM)的最优神经元个数。与其他流型辨识算法相比,所需时间短,成像效果较好,对加快工业智能化发展有着重要的意义。 相似文献
5.
6.
7.
8.
1