崔桂梅,張建平

(內(nèi)蒙古科技大學(xué)信息工程學(xué)院，內(nèi)蒙古 包頭 014010)

熱值的神經(jīng)網(wǎng)絡(luò)模型研究

崔桂梅,張建平

(內(nèi)蒙古科技大學(xué)信息工程學(xué)院，內(nèi)蒙古 包頭 014010)

在鋼鐵冶煉過程中，若能實(shí)時有效地檢測使用煤氣的熱值、及時設(shè)計(jì)合理的供氣方案，將有效提高煤氣利用率、降低廢氣排放。這不僅能降低企業(yè)成本，而且對環(huán)境保護(hù)具有重要意義。國內(nèi)熱值檢測設(shè)備的檢測方式和手段，在熱值檢測的準(zhǔn)確性和快速性方面有著很大的弊端。為改善燃?xì)鉄嶂祪x存在的大滯后，提高精準(zhǔn)度，提出了一種由小波分析進(jìn)行數(shù)據(jù)處理，應(yīng)用BP神經(jīng)網(wǎng)絡(luò)建模并用遺傳算法優(yōu)化的學(xué)習(xí)算法，用來檢測燃?xì)鉄嶂怠Ｐ〔ǚ治鲋饕脕韺^程數(shù)據(jù)進(jìn)行降噪變換，提高源信號的信噪比；BP神經(jīng)網(wǎng)絡(luò)用來辨識過程模型；遺傳算法用來優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)值。小波分析可以克服源信號的噪聲干擾。小波變換可以變換初始數(shù)據(jù)并進(jìn)行特征提取，變換后的數(shù)據(jù)具有更高的信噪比。采用Matlab軟件進(jìn)行仿真，結(jié)果表明：該神經(jīng)網(wǎng)絡(luò)模型具有良好的逼近能力和泛化性能。該研究方法同樣適用其他相關(guān)領(lǐng)域的研究。

鋼鐵冶煉； 小波降噪; BP神經(jīng)網(wǎng)絡(luò); 遺傳算法; 檢測; 燃?xì)饫寐?/p>

0 引言

目前，鋼鐵冶煉企業(yè)對燃?xì)獾南牧糠浅４?，尤其是煤氣。在高爐煉鐵過程中，熱風(fēng)爐控制起著重要作用。熱風(fēng)爐溫度是由燃?xì)馊紵a(chǎn)生的。燃?xì)鉄嶂底兓瘯绊憣?shí)際熱風(fēng)爐溫度，若能提前判斷燃?xì)鉄嶂底兓?，將對?yōu)化熱風(fēng)爐穩(wěn)定控制有很大幫助。因此，及時、快速檢測燃?xì)鉄嶂捣浅１匾?。人工神?jīng)網(wǎng)絡(luò)技術(shù)被廣泛應(yīng)用于燃?xì)鉄嶂禉z測,但是過程測量信號中往往包含各種噪聲。很多時候，由于信噪比較低，很難獲得性能良好的網(wǎng)絡(luò)參數(shù)。小波分析具有很好的降噪性能,而BP神經(jīng)網(wǎng)絡(luò)具備較好的逼近非線性系統(tǒng)的能力。因此，本文采用BP神經(jīng)網(wǎng)絡(luò)建立燃?xì)鉄嶂禉z測模型?？紤]到BP神經(jīng)網(wǎng)絡(luò)的局限性，采用遺傳算法以優(yōu)化權(quán)值。

1 BP神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

①熱值計(jì)算。

假設(shè)高爐煤氣流量為U1，焦?fàn)t煤氣的流量為U2，混合煤氣的流量為U；混合煤氣的熱值為Wmix，已知高爐煤氣的熱值[1]為3 556 400 J/m3，焦?fàn)t煤氣熱值為17 572 800 J/m3,則有：

(1)

經(jīng)試驗(yàn)比對，式(1)與實(shí)際熱值檢測的結(jié)果基本一致。

②空燃比與煙道殘氧含量。

空燃比[2]即在燃燒時實(shí)際空氣與燃?xì)獾捏w積比或質(zhì)量比。

式中：φ(CO)、φ(H2)、φ(CH4)、φ(O2)分別為燃?xì)飧鹘M分的體積含量，%。

1 m3燃?xì)?煤氣)完全燃燒所需空氣的理論需求量LO為：

LO=4.76LO,O2

(3)

實(shí)際空氣消耗量Ln為：

Ln=αLO

(4)

需要注意的是：①空氣過剩系數(shù)α與燃料種類、燃料方法、燃燒裝置的結(jié)構(gòu)特點(diǎn)、燃燒裝置的操作方法有關(guān)；②氣體燃料的空氣過剩系數(shù)一般為1.05～1.20。

根據(jù)煙氣的氣體分析數(shù)據(jù)，可計(jì)算過?？諝庀禂?shù)α。

燃料完全燃燒時：

(5)

式中：YO2、YN2分別為燃燒產(chǎn)物各組分的體積含量，%。

綜合以上分析可知,令殘氧含量為ε，則有:

ε=Ln-LO

(6)

Ln=LO+ε

(7)

由于燃?xì)獾牧髁肯鄬愣?，即單位時間內(nèi)的體積一定，故通過計(jì)算可以得出LO；ε可以通過對傳感器信號的檢測得知。因此，在恒定燃?xì)饬髁康那疤嵯?，就可以推算出?shí)際所需空氣量Ln。

綜上分析可知，測得殘氧含量即可推算出實(shí)際所需空氣量，即在燃?xì)饬肯鄬愣ㄇ闆r下，實(shí)際所需空氣量由殘氧含量大小所決定。

以上公式表明，與燃?xì)鉄嶂迪嚓P(guān)的主要因素有燃?xì)饬髁?、燃?xì)鈮毫?、空氣流量、空氣壓力和殘氧含量[3]。這些參數(shù)均可能發(fā)生改變，對其建立神經(jīng)網(wǎng)絡(luò)模型，即得燃?xì)鉄嶂捣蔷€性模型。燃?xì)鉄嶂捣蔷€性模型結(jié)構(gòu)如圖1所示。

圖1 燃?xì)鉄嶂捣蔷€性模型結(jié)構(gòu)圖

圖1中：Y為燃?xì)鉄嶂?；X1、X2、X3、X4、X5分別為燃?xì)饬髁俊⑷細(xì)鈮毫?、空氣流量、空氣壓力和殘氧含量?/p>

Y=f(X1，X2，X3，X4,X5)

(8)

對于這樣的多輸入非線性系統(tǒng)，一般的數(shù)學(xué)建模方法很難實(shí)現(xiàn)。因此，采用神經(jīng)網(wǎng)絡(luò)建立燃?xì)鉄嶂档臄?shù)學(xué)模型。

1.1 小波變換及濾波

小波變換使用一個窗函數(shù)，即小波函數(shù)，其時頻窗面積不變，但是形狀改變。其可通過不斷調(diào)整時間與頻率分辨率來不斷逼近待變換信號，具有多分辨率分析的特點(diǎn)。小波變換分為連續(xù)變換和離散變換。

①連續(xù)小波變換。

連續(xù)信號f(t)∈L2(R)(能量有限空間)，f(t)的連續(xù)小波變換[4](continuous wavelet transform,CWT)為：

(9)

式中：a為伸縮因子；b為移動因子；Ψ為一個小波序列，即基小波或母小波。

(10)

通過小波逆變換，即可得去噪后的信號。

②離散小波變換。

(11)

(12)

式中：A為小波函數(shù)框架的界限。

③小波去噪。

在實(shí)際應(yīng)用中，相對穩(wěn)定且頻低的都是比較重要的信號。而噪聲信號通常表現(xiàn)為高頻信號。小波濾波對待處理信號中的高低頻信號進(jìn)行分解與分離，其中小波系數(shù)較小的均為噪聲信號且數(shù)目較多，有用信號的個數(shù)很少。該方法能有效地從被污染信號中分離出有用信號，具有良好的去噪效果。

小波去噪流程如圖2所示。

圖2 小波去噪流程圖

圖3 小波去噪前、后輸入信號對比圖

圖3中：殘氧含量單位為%；空氣壓力單位為kPa;空氣流量單位為m3;煤氣壓力單位為kPa；煤氣流量單位為m3。

圖4 小波去噪前、后輸出信號對比圖

1.2 確定BP神經(jīng)網(wǎng)絡(luò)的輸入/輸出變量

參考相關(guān)性分析結(jié)果，最終選取燃?xì)饬髁?、燃?xì)鈮毫?、空氣流量、空氣壓力及殘氧含量這5個參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，記為X1～X5；輸出為燃?xì)鉄嶂?記為Y。將數(shù)據(jù)預(yù)處理后選取950組用于建立神經(jīng)網(wǎng)絡(luò)[5]。BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖5所示。

圖5 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

網(wǎng)絡(luò)輸入/輸出對應(yīng)關(guān)系如下。

xi輸入層：

(13)

式中：x1～x5分別為燃?xì)饬髁?、燃?xì)鈮毫?、空氣流量、空氣壓力和殘氧含量?/p>

隱含層：

(14)

(15)

l的表達(dá)式為[6]：

(16)

式中：a為0～10之間的常數(shù)；f為隱層神經(jīng)元激發(fā)函數(shù)。

f取值為：

(17)

輸出層：

(18)

BP學(xué)習(xí)算法的基本思想是：通過調(diào)整網(wǎng)絡(luò)的權(quán)值，使得預(yù)測輸出與實(shí)際輸出的偏差最小[7]。其訓(xùn)練過程如下。

按照以上步驟，首先對神經(jīng)網(wǎng)絡(luò)進(jìn)行初始化，選取BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為5-6-1，網(wǎng)絡(luò)權(quán)值及閾值選取為[-1,1]之間的隨機(jī)數(shù)，迭代次數(shù)為100，學(xué)習(xí)率為0.1。完成神經(jīng)網(wǎng)絡(luò)訓(xùn)練后，選取1 000組實(shí)際燃燒數(shù)據(jù)在Matlab中進(jìn)行測試[8]。傳統(tǒng)數(shù)據(jù)處理曲線和小波去噪數(shù)據(jù)處理曲線分別如圖6和圖7所示。熱值模型指標(biāo)如表1所示。

由仿真結(jié)果可以看出，相對于傳統(tǒng)的數(shù)據(jù)預(yù)處理所建立的燃?xì)鉄嶂瞪窠?jīng)網(wǎng)絡(luò)模型來說，基于小波濾波的數(shù)據(jù)預(yù)處理所建立的燃?xì)鉄嶂禂?shù)學(xué)模型預(yù)測更準(zhǔn)確、命中率更高，說明該神經(jīng)網(wǎng)絡(luò)可以較準(zhǔn)確地預(yù)測燃?xì)鉄嶂怠?/p>

圖6 傳統(tǒng)數(shù)據(jù)處理曲線

圖7 小波去噪數(shù)據(jù)處理曲線

數(shù)據(jù)處理平均誤差最大誤差命中率均方根誤差傳統(tǒng)方式0．50123．11800．54000．9561小波去噪0．16450．36160．68000．4268

2 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)策略結(jié)構(gòu)簡潔，但是BP算法本質(zhì)上是一種梯度下降的算法，學(xué)習(xí)策略不可避免地存在陷入局部最小值的缺陷。本文提出一種由遺傳算法和新的指標(biāo)函數(shù)組成的學(xué)習(xí)策略。

遺傳算法是由Holland于1975年提出的一種智能優(yōu)化算法[9]，它具有并行計(jì)算和多點(diǎn)優(yōu)化的優(yōu)勢。這里所用的指標(biāo)函數(shù)為：

(19)

式中：n為學(xué)習(xí)樣本的個數(shù)；di為過程輸出；Oi為網(wǎng)絡(luò)輸出；λ為補(bǔ)償因子，λ∈[0，1]；M為網(wǎng)絡(luò)參數(shù)的個數(shù)；W為由網(wǎng)絡(luò)參數(shù)構(gòu)成的向量。

新的指標(biāo)函數(shù)不但包括網(wǎng)絡(luò)的偏差信息，而且還考慮了權(quán)值和閾值，網(wǎng)絡(luò)的輸出是平滑的，網(wǎng)絡(luò)的泛化性能可以得到改善。補(bǔ)償因子的值是由學(xué)習(xí)系統(tǒng)的性能決定的，在本文中，令λ =0.618。在使用實(shí)際過程數(shù)據(jù)信息之前，為了去除不同工程量綱的影響，需要對它們進(jìn)行標(biāo)準(zhǔn)化[10]。本文采用線性標(biāo)準(zhǔn)化的方法。標(biāo)準(zhǔn)化函數(shù)為：

(20)

式中：x為原始的數(shù)據(jù)向量；BH、BL分別為標(biāo)準(zhǔn)化變量的上限和下限。

遺傳優(yōu)化BP神經(jīng)網(wǎng)絡(luò)曲線如圖8所示。

圖8 遺傳優(yōu)化BP神經(jīng)網(wǎng)絡(luò)曲線

在燃?xì)鉄嶂禉z測系統(tǒng)中，標(biāo)準(zhǔn)化后的輸入數(shù)據(jù)限定為BH=2、BL= 0，標(biāo)準(zhǔn)化后的燃?xì)鉄嶂禐锽H=0.95、BL=0.05 。網(wǎng)絡(luò)的輸出必須經(jīng)過反標(biāo)準(zhǔn)化才能得到真實(shí)的燃?xì)鉄嶂怠?在遺傳算法中使用整數(shù)值編碼，即染色體是用整數(shù)編碼的。遺傳操作包括交叉、變異和復(fù)制。交叉概率pc=0.8，變異概率pm=0.1。不同代采用精英保留策略[11]。

遺傳優(yōu)化神經(jīng)網(wǎng)絡(luò)熱值模型各指標(biāo)如表2所示。

表2 遺傳優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的熱值模型指標(biāo)

以上建模數(shù)據(jù)均根據(jù)實(shí)物由函數(shù)仿真生成[12]。遺傳優(yōu)化是從整體上尋優(yōu)。從優(yōu)化后的仿真結(jié)果可以看出，燃?xì)鉄嶂得新瘦^優(yōu)化之前有比較明顯的提升，而且優(yōu)化后的均方根誤差相對整體來說也較好。由此可以看出，優(yōu)化后的燃?xì)鉄嶂的Ｐ瓦€是比較可觀的。

3 結(jié)束語

本文建立了熱值儀燃?xì)鉄嶂档腂P神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型。通過引入小波濾波，對燃?xì)鉄嶂颠M(jìn)行建模研究。研究結(jié)果表明，與傳統(tǒng)的數(shù)據(jù)預(yù)處理方法相比，小波分析進(jìn)行濾波使得濾波后殘留噪聲較小，同時實(shí)現(xiàn)降噪濾波與異常值剔除，能夠很好地應(yīng)用到對于建立神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型所進(jìn)行的數(shù)據(jù)預(yù)處理。所建立的燃?xì)鉄嶂瞪窠?jīng)網(wǎng)絡(luò)模型，能夠較準(zhǔn)確地預(yù)測燃?xì)鉄嶂档淖兓厔?，使得熱值儀的熱值檢測更加準(zhǔn)確、高效。

[1] 馬俊梅,張建成,李豐祝,等.混合煤氣熱值實(shí)用控制系統(tǒng)[J].自動化與儀器儀表,2004,3(1):24-25.

[2] 張劍，俞金壽，楊燦謙.城市煤氣熱值智能優(yōu)化控制策略的設(shè)計(jì)與實(shí)現(xiàn)[J].石油化工自動化,2009(S1):68-72.

[3] 李福東,吳敏,陳鑫,等.聯(lián)合循環(huán)發(fā)電系統(tǒng)燃料熱值智能優(yōu)化控制[J].清華大學(xué)學(xué)報(自然科學(xué)版),2008,48(S2):1731-1741.

[4] 劉濤.實(shí)用小波分析入門[M].北京：國防工業(yè)出版社，2006.

[5] 胡守仁.神經(jīng)網(wǎng)絡(luò)導(dǎo)論[M].北京：國防科技大學(xué)出版社,1995.

[6] 王小川,史峰,郁磊.MATLAB 神經(jīng)網(wǎng)絡(luò)43個案例分析[M].北京：北京航空航天大學(xué)出版社,2003.

[7] 諸靜.智能預(yù)測控制及其應(yīng)用[M]．杭州：浙江大學(xué)出版社，2002．

[8] 顏學(xué)峰,余娟,錢鋒.基于自適應(yīng)偏最小二乘回歸的初頂石腦油干點(diǎn)軟測量[J].化工學(xué)報,2005,56(8):1511-1515.

[9] 袁平,毛志忠,王福利.基于多支持向量機(jī)的軟測量模型[J].系統(tǒng)仿真學(xué)報,2006,18(6):1458-1465.

[10]SU H,FAN L,SCHLUP J.Monitoring the process of curing of epoxy/graphite fiber composites with a recurrent neural network as a soft sensor[J].Engineering Applications of Artificial Intelligence,

1998(11):293-306.

[11]HOJJAT A,ASIM K.Fuzzy-wavelet RBFNN model for freeway incident detection[J].Journal of Transportation Engineering,2000(11):464-471.

[12]AKAY M.Wavelet applications in medicine [J].IEEE Spectrum,1997(34):50-56.

Study on the Neural Network Model of Calorific Value

CUI Guimei，ZHANG Jianping

(Information Engineering College,Inner Mongolia University of Science and Technology，Baotou 014010，China)

In the process of iron and steel smelting,effectively detecting the heat value of gas in real time and making reasonable gas supply scheme can greatly improve the gas utilization and reduce the exhaust emission.This reduces the costs of enterprises,and is significant for environment protection. Some of the conventional detection equipment of heat value is available in China,but the traditional detection methods and measures features disadvantages in correctness and rapidity of the detection of heat value.In order to improve the accuracy and overcome the large delay of these instruments,the learning algorithm is proposed for detecting heat value of gas.With this algorithm,the data processing is conducted by using wavelet analysis,and modeling is conducted by BP neural network,and the genetic algorithm is used for optimization.The wavelet is mainly used for denosing transform of the process data and enhancing the SNR of the source signal;the SP neural network is used for recognizing process model;and the generic algorithmis used for optimizing the initial weights of the neural network.Wavelet analysis can overcome the noise interference of source signal,wavelet transform can concert initial data and conducts feature extraction,the data after transform possesses high SNR.Matlab software is adopted for simulation;the result of simulation indicates that the neural network model has excellent approximation ability and generalization performance.The research method of this model is suitable for the research in other related areas.

Iron and steel smelting; Wavelet noise reduction; BP neural network; Genetic algorithm; Detection; Gas utilization

內(nèi)蒙古自治區(qū)科技計(jì)劃基金資助項(xiàng)目(41402060423)、內(nèi)蒙古自治區(qū)研究生科研創(chuàng)新基金資助項(xiàng)目(S20141012702)

崔桂梅(1963—)，女，博士，教授，主要從事復(fù)雜系統(tǒng)建模及優(yōu)化控制方向的研究。E-mail:cguimei1@163.com。 張建平(通信作者)，男，在讀碩士研究生，主要從事智能檢測控制及其評價方向的研究。E-mail:603547018@qq.com。

TH-3;TP2

A

10.16086/j.cnki.issn1000-0380.201705007

修改稿收到日期：2017-02-28