基于小波神經(jīng)網(wǎng)絡(luò)的循環(huán)冷卻水腐蝕預(yù)測研究

董 超 王冠蘭 李晨光 羅 丹 趙牧元

(1.天津理工大學(xué)天津市復(fù)雜系統(tǒng)控制理論及應(yīng)用重點(diǎn)實(shí)驗(yàn)室，天津 300384； 2.中國石油化工股份有限公司天津分公司，天津 300271)

基于小波神經(jīng)網(wǎng)絡(luò)的循環(huán)冷卻水腐蝕預(yù)測研究

董 超1王冠蘭1李晨光2羅 丹1趙牧元1

(1.天津理工大學(xué)天津市復(fù)雜系統(tǒng)控制理論及應(yīng)用重點(diǎn)實(shí)驗(yàn)室，天津 300384； 2.中國石油化工股份有限公司天津分公司，天津 300271)

利用某石化企業(yè)40個月的循環(huán)冷卻水實(shí)際生產(chǎn)數(shù)據(jù)，基于小神經(jīng)網(wǎng)絡(luò)進(jìn)行了腐蝕預(yù)測研究。經(jīng)過對比分析，得出了小波神經(jīng)網(wǎng)絡(luò)預(yù)測精度最高的網(wǎng)絡(luò)模型為6-7-1結(jié)構(gòu)。在相同輸入?yún)?shù)向量下，對含有相同隱層節(jié)點(diǎn)個數(shù)的小波神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行腐蝕預(yù)測對比，小波神經(jīng)網(wǎng)絡(luò)比BP神經(jīng)網(wǎng)絡(luò)預(yù)測精度高。

小波神經(jīng)網(wǎng)絡(luò) 循環(huán)冷卻水 腐蝕預(yù)測

隨著循環(huán)冷卻水的不斷重復(fù)利用，受到水源、工藝條件及工藝介質(zhì)等的影響，循環(huán)冷卻水水質(zhì)會不斷惡化，容易導(dǎo)致設(shè)備形成水垢、產(chǎn)生腐蝕，進(jìn)而影響設(shè)備壽命、安全生產(chǎn)和經(jīng)濟(jì)運(yùn)行[1,2]。循環(huán)冷卻水系統(tǒng)的腐蝕預(yù)測一直是研究領(lǐng)域的熱點(diǎn)問題。循環(huán)冷卻水腐蝕預(yù)測的參數(shù)復(fù)雜，其腐蝕情況受幾十余種因素的影響[3]，是一個典型的非線性系統(tǒng)。小波神經(jīng)網(wǎng)絡(luò)模型對解決不能用顯性公式表示的、具有復(fù)雜非線性關(guān)系的系統(tǒng)優(yōu)勢顯著，并且具有較強(qiáng)的學(xué)習(xí)適應(yīng)能力[4]。筆者采用該模型對循環(huán)冷卻水腐蝕預(yù)測進(jìn)行了研究，通過對比分析，取得了相應(yīng)的結(jié)論。

神經(jīng)網(wǎng)絡(luò)和小波的聯(lián)合方式一般有兩種：一種是“嵌套式聯(lián)合”，另一種是“輔助式聯(lián)合”。筆者所選用的是“嵌套式聯(lián)合”，即通過內(nèi)嵌的方式將小波分析運(yùn)算融入神經(jīng)網(wǎng)絡(luò)，有效地綜合應(yīng)用了小波變換良好的時頻局域化特性和神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力[5]。首先，小波神經(jīng)網(wǎng)絡(luò)的基元和整個結(jié)構(gòu)是依據(jù)小波分析理論確定的，可以避免BP、RBF等神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)上的盲目性[6，7]；其次，由于小波神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)時調(diào)整參數(shù)少，再加之小波基函數(shù)具有緊支性，神經(jīng)元之間的相互影響小，因此學(xué)習(xí)速度快[8]；再次，由于小波神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程是對一個凸問題的優(yōu)化逼近過程，所以能夠最終找到一個全局最優(yōu)解，不存在局部最小點(diǎn)，因此在非線性函數(shù)逼近等方面得到了廣泛的應(yīng)用[9]。

小波神經(jīng)網(wǎng)絡(luò)以BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為基礎(chǔ)，引入小波理論，其隱含層節(jié)點(diǎn)的傳播函數(shù)為小波基函數(shù)，通過連續(xù)不斷地在相對于誤差函數(shù)梯度下降的方向上計(jì)算網(wǎng)絡(luò)權(quán)值和偏差的變化，不斷修正網(wǎng)絡(luò)權(quán)值和小波基函數(shù)參數(shù)，從而不斷逼近訓(xùn)練目標(biāo)[10]。筆者也分別對小波神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了預(yù)測分析，并進(jìn)行了對比研究。

2 小波神經(jīng)網(wǎng)絡(luò)腐蝕預(yù)測結(jié)構(gòu)的確定

筆者的預(yù)測數(shù)據(jù)來源于某石化企業(yè)循環(huán)冷卻水系統(tǒng)某一觀測點(diǎn)40個月的生產(chǎn)運(yùn)行數(shù)據(jù)，前20個月的影響因素和腐蝕速率數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)(表1)，后20個月的作為測試數(shù)據(jù)(表2)。輸入?yún)?shù)為pH值、總磷、電導(dǎo)率、鈣離子、氯離子、濁度和總堿的全部或部分順序組合(這7個參數(shù)依據(jù)文獻(xiàn)[11]選取)，輸出參數(shù)為腐蝕速率。

表1 訓(xùn)練數(shù)據(jù)

表2 測試數(shù)據(jù)

首先對按順序選取的7個輸入向量、5個隱層節(jié)點(diǎn)的網(wǎng)絡(luò)模型應(yīng)用表1的數(shù)據(jù)進(jìn)行訓(xùn)練，然后應(yīng)用表2的測試數(shù)據(jù)預(yù)測腐蝕速率，并與測試數(shù)據(jù)中的實(shí)際腐蝕速率進(jìn)行比較；再對按順序選取的7個輸入向量、6個隱層節(jié)點(diǎn)的網(wǎng)絡(luò)模型應(yīng)用表1的數(shù)據(jù)進(jìn)行訓(xùn)練，然后應(yīng)用表2的測試數(shù)據(jù)預(yù)測腐蝕速率，并與測試數(shù)據(jù)中的實(shí)際腐蝕速率比較。依此類推，得到不同的輸入向量和不同的隱層節(jié)點(diǎn)數(shù)下的均方根誤差(RMSE)和標(biāo)準(zhǔn)均方根誤差(NRRMSE)(表3～9)。

表3 7個輸入向量的輸出均方根誤差和標(biāo)準(zhǔn)均方根誤差

表4 6個輸入向量的輸出均方根誤差和標(biāo)準(zhǔn)均方根誤差

表5 5個輸入向量的輸出均方根誤差和標(biāo)準(zhǔn)均方根誤差

表6 4個輸入向量的輸出均方根誤差和標(biāo)準(zhǔn)均方根誤差

表7 3個輸入向量的輸出均方根誤差和標(biāo)準(zhǔn)均方根誤差

表8 兩個輸入向量的輸出均方根誤差和標(biāo)準(zhǔn)均方根誤差

表9 一個輸入向量的輸出均方根誤差和標(biāo)準(zhǔn)均方根誤差

由上述預(yù)測精度數(shù)據(jù)表可以得出：當(dāng)選pH值、總磷、電導(dǎo)率、鈣離子、氯離子和濁度這6個參數(shù)作為輸入向量，隱層節(jié)點(diǎn)數(shù)為7時，表征預(yù)測準(zhǔn)確性的均方根誤差和標(biāo)準(zhǔn)均方根誤差最小，預(yù)測精度最高。因此，在應(yīng)用小波神經(jīng)網(wǎng)絡(luò)對循環(huán)冷卻水系統(tǒng)進(jìn)行腐蝕預(yù)測時，選定6-7-1的網(wǎng)絡(luò)結(jié)構(gòu)。

3 小波神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)腐蝕預(yù)測對比

基于6-7-1的網(wǎng)絡(luò)結(jié)構(gòu)，利用表1的數(shù)據(jù)分別對小波神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，再利用表2的數(shù)據(jù)進(jìn)行腐蝕預(yù)測，得到小波神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的預(yù)測曲線(圖1、2)。

圖1 小波神經(jīng)網(wǎng)絡(luò)預(yù)測曲線

圖2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測曲線

小波神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)預(yù)測的均方根誤差和標(biāo)準(zhǔn)均方根誤差見表10。

表10 小波神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)預(yù)測精度對比

可以看出，小波神經(jīng)網(wǎng)絡(luò)的預(yù)測精度更高，優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。

4 結(jié)束語

采用真實(shí)的生產(chǎn)數(shù)據(jù)，基于小波神經(jīng)網(wǎng)絡(luò)對循環(huán)冷卻水進(jìn)行了腐蝕預(yù)測研究。通過在不同的輸入向量和隱層節(jié)點(diǎn)數(shù)下的預(yù)測精度數(shù)據(jù)分析，得出了6-7-1結(jié)構(gòu)為最優(yōu)的小波神經(jīng)網(wǎng)絡(luò)腐蝕預(yù)測模型。并對小波神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了預(yù)測精度對比，得出了小波神經(jīng)網(wǎng)絡(luò)預(yù)測精度更高的結(jié)論。筆者的研究成果為循環(huán)冷卻水系統(tǒng)的腐蝕預(yù)測研究提供了科學(xué)依據(jù)，具有重要的工程應(yīng)用價值。

[1] 張凌峰.工業(yè)循環(huán)冷卻水智能輔助分析平臺的關(guān)鍵技術(shù)研究[D].天津：天津理工大學(xué),2012.

[2] 李東勝，張斌.航煤循環(huán)冷卻器U形換熱管斷裂分析及對策[J].化工機(jī)械,2013,40(1):102～105.

[3] 董超,張凌峰,李榮，等.循環(huán)冷卻水系統(tǒng)腐蝕速率的預(yù)測模型[J].化工自動化及儀表,2011,38(6):676～678.

[4] 施彥，韓力群，廉小親.神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法與實(shí)例分析[M].北京:北京郵電大學(xué)出版社,2009.

[5] 陳哲,馮天瑾.小波分析與神經(jīng)網(wǎng)絡(luò)結(jié)合的研究進(jìn)展[J].電子科學(xué)學(xué)刊,2000,22(3):496～504.

[6] Lin C M,Tai C F,Chung C C.Intelligent Control System Design for UAV Using a Recurrent Wavelet Neural Network[J].Neural Computing and Applications,2014,24(2):487～496.

[7] 李偉，吳超群，王艷茹，等.基于小波神經(jīng)網(wǎng)絡(luò)的FRP復(fù)合材料損傷聲發(fā)射信號識別[J].化工機(jī)械，2011,38(3):294～297.

[8] 付立華,王剛,魏林宏.采用遺傳算法的小波神經(jīng)網(wǎng)絡(luò)在降雨量預(yù)測中的應(yīng)用[J].河南工程學(xué)院學(xué)報(自然科學(xué)版),2015,27(1):53～57.

[9] Lin C H.Hybrid Recurrent Wavelet Neural Network Control of PMSM Servo-drive System for Electric Scooter[J].International Journal of Control,Automation and Systems,2014,12(1):177～187.

[10] 王堃，陳濤濤，李雪，等．基于Matlab的小波神經(jīng)網(wǎng)絡(luò)參考作物騰發(fā)量預(yù)測模型研究[J].沈陽農(nóng)業(yè)大學(xué)學(xué)報,2013,44(4):457～460．

[11] 董超,王冠蘭,李晨光,等.基于灰色加權(quán)關(guān)聯(lián)分析法的循環(huán)冷卻水腐蝕預(yù)測參數(shù)的選取[J].化工自動化及儀表，2016，43(3)：263～267.

StudyofCorrosionPredictionofCirculatingCoolingWaterBasedonWaveletNeuralNetwork

DONG Chao1, WANG Guan-lan1, LI Chen-guang2, LUO Dan1, ZHAO Mu-yuan1

(1.TianjinKeyLaboratoryofControlTheory&ApplicationinComplicatedSystems,TianjinUniversityofTechnology,Tianjin300384,China; 2.SinopecTianjinCorporation,Tianjin300271,China)

Basing on circulating cooling water’s production data of forty months in a petrochemical plant and the wavelet neural network, the corrosion prediction was investigated. The comparative analysis shows that a network model with 6-7-1 structure has the highest prediction accuracy; and under the same input parameters, having the wavelet neural network compared with BP neural network, both has same hidden layer nodes, shows that the wavelet neural network outperforms the BP neural network in corrosion prediction accuracy.

wavelet neural network, circulating cooling water, corrosion prediction

TH865

A

1000-3932(2016)06-0599-05

2016-04-25(修改稿)基金項(xiàng)目：天津市高等學(xué)校科技發(fā)展基金計(jì)劃項(xiàng)目(20140702)