基于PSO-DBN-ELM的管道流型辨识算法研究

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。