吳德君

(陜西國(guó)防工業(yè)職業(yè)技術(shù)學(xué)院,陜西 西安 710300)

鍋爐空氣預(yù)熱器是利用排煙余熱來(lái)加熱鍋爐燃燒和制粉系統(tǒng)所需要的空氣，冷空氣經(jīng)過(guò)預(yù)熱后被送進(jìn)爐膛參加燃燒。通過(guò)空氣預(yù)熱系統(tǒng)降低了排煙溫度，減少了熱能損失，提高了燃燒效率。國(guó)內(nèi)200 MW以上的鍋爐通常使用回轉(zhuǎn)式空氣預(yù)熱器?；剞D(zhuǎn)式空氣預(yù)熱器由于結(jié)構(gòu)原因，存在積灰、低溫腐蝕和漏風(fēng)等缺點(diǎn)。由于空氣流通空間狹窄，不完全燃燒的可燃物很容易在緊湊安置的儲(chǔ)熱元件上面沉積。當(dāng)沉積物(即積灰)過(guò)多且空氣預(yù)熱器內(nèi)散熱條件變差時(shí)，這些沉積物就會(huì)氧化升溫。當(dāng)溫度達(dá)到月350 ℃時(shí)，沉積物就會(huì)開(kāi)始自燃，若燃燒溫度升高到700 ℃時(shí)，鋼制蓄熱元件很可能被點(diǎn)燃，火勢(shì)一旦蔓延開(kāi)，就足以使整個(gè)空氣預(yù)熱器發(fā)生火災(zāi)。而燃燒點(diǎn)一般需要幾個(gè)小時(shí)才能從一個(gè)波紋箱擴(kuò)散到周圍其他波紋箱，只要能在這段時(shí)間及時(shí)地檢測(cè)出火情并采取滅火措施，就能將火災(zāi)造成的損失控制在很小范圍；因此，非常有必要研究出及時(shí)準(zhǔn)確的火災(zāi)檢測(cè)系統(tǒng)，來(lái)進(jìn)行火災(zāi)報(bào)警工作[1-2]。

1 多傳感器的數(shù)據(jù)融合

1.1 紅外陣列的使用

設(shè)計(jì)采用固定式紅外列陣結(jié)構(gòu)，紅外列陣共使用7個(gè)紅外傳感器，沿空氣預(yù)熱器半徑方向并排安裝在其空氣側(cè)。隨著空氣預(yù)熱器的旋轉(zhuǎn)， 便可以檢測(cè)出空氣預(yù)熱器在每個(gè)周期的內(nèi)部溫度。紅外傳感器采用TPS434熱電堆紅外傳感器，它具有較高的靈敏度和多重復(fù)性，適合作為測(cè)溫儀使用。通過(guò)采用現(xiàn)代微電子技術(shù)，在一個(gè)很小的半導(dǎo)體材質(zhì)上將多個(gè)熱電偶集中串聯(lián)起來(lái)，制作成熱電堆紅外傳感器；同時(shí)，傳感器內(nèi)集成了一個(gè)用于溫度補(bǔ)償?shù)臒崦綦娮?，使其具有較高的靈敏度。封裝時(shí)，在封裝結(jié)構(gòu)頂部安裝了有很好紅外線透過(guò)性的鍺玻璃光窗。TPS434傳感器外部有2對(duì)引腳，分別連接熱電堆和熱敏電阻，其等效電路圖如圖1所示。

圖1 TPS434傳感器等效電路圖

1.2 人工神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合方法

本文采用3層BP神經(jīng)網(wǎng)絡(luò)融合算法，首先對(duì)多傳感器采集到的現(xiàn)場(chǎng)溫度數(shù)據(jù)進(jìn)行熱點(diǎn)特征提取，然后將提取到的熱點(diǎn)特征數(shù)據(jù)輸入到訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中進(jìn)行數(shù)據(jù)融合，從而得到現(xiàn)場(chǎng)火情的發(fā)生概率。數(shù)據(jù)融合是針對(duì)多傳感器的一種信息處理方式，它用特定的算法對(duì)采集到的信息進(jìn)行合成，充分利用多傳感器聯(lián)合操作的優(yōu)勢(shì)，從而獲得對(duì)外部環(huán)境或被測(cè)對(duì)象的某一種特征表達(dá)方式。數(shù)據(jù)融合過(guò)程可以看作從傳感器采集到的空間信息M到所要得到的結(jié)果空間信息N的一種非線性推理過(guò)程。從這一方面看，神經(jīng)網(wǎng)絡(luò)是一個(gè)能實(shí)現(xiàn)多輸入信號(hào)高度非線性變換，具有超大規(guī)模并行處理信息功能的一種融合系統(tǒng)[3]。在運(yùn)用神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)融合時(shí)，首先要選擇符合系統(tǒng)的要求以及傳感器特點(diǎn)的神經(jīng)網(wǎng)絡(luò)模型，設(shè)定網(wǎng)絡(luò)結(jié)構(gòu)和各種初始參數(shù)，選取合適的樣本數(shù)據(jù)，對(duì)建立的神經(jīng)網(wǎng)絡(luò)模型依據(jù)信息融合原理采用適當(dāng)?shù)膶W(xué)習(xí)方法進(jìn)行離線訓(xùn)練，在學(xué)習(xí)過(guò)程中逐步確定神經(jīng)網(wǎng)絡(luò)的權(quán)值與結(jié)構(gòu)，最后在實(shí)際的系統(tǒng)信息融合中應(yīng)用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)。

2 BP神經(jīng)網(wǎng)絡(luò)

本文采用BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和算法[4]，通過(guò)BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)采集到的溫度數(shù)據(jù)進(jìn)行融合算法，完成報(bào)警工作。BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋網(wǎng)絡(luò)，采用誤差的梯度下降算法作為其學(xué)習(xí)規(guī)則，是使用最廣泛的網(wǎng)絡(luò)，可用于自動(dòng)化、醫(yī)學(xué)和經(jīng)濟(jì)等各個(gè)領(lǐng)域。前饋性神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 前饋性神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)算法的核心思想是根據(jù)網(wǎng)絡(luò)真實(shí)輸出與期望輸出之間的均方誤差來(lái)調(diào)整各個(gè)神經(jīng)元之間的權(quán)值。BP神經(jīng)網(wǎng)絡(luò)算法[5-6]的學(xué)習(xí)過(guò)程是不斷修改網(wǎng)絡(luò)連接權(quán)值的過(guò)程，在這個(gè)過(guò)程中輸入信號(hào)由輸入層傳入，依次向隱含層、輸出層傳遞，并在傳遞過(guò)程中，經(jīng)網(wǎng)絡(luò)權(quán)值和傳輸函數(shù)的作用，最后在輸出層輸出網(wǎng)絡(luò)的計(jì)算結(jié)果。若輸出結(jié)果與期望之間的誤差沒(méi)有達(dá)到網(wǎng)絡(luò)的最小誤差，則進(jìn)入誤差信號(hào)的逆向傳播過(guò)程。

標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過(guò)程中有以下特點(diǎn)：1)容易形成局部極小，而無(wú)法得到全局最優(yōu)；2)訓(xùn)練時(shí)存在遺忘舊樣本趨勢(shì)；3)學(xué)習(xí)率的不合理設(shè)置，會(huì)降低收斂速度等。因此，本文采用了增加動(dòng)量項(xiàng)和自適應(yīng)調(diào)節(jié)學(xué)習(xí)率的方法，來(lái)改進(jìn)標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)。

2.1 增加動(dòng)量項(xiàng)以改進(jìn)BP神經(jīng)算法

在標(biāo)準(zhǔn)BP網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中，調(diào)整權(quán)值時(shí)只是按t時(shí)刻誤差的梯度下降方向調(diào)整，而沒(méi)有包含到t時(shí)刻之前的梯度方向，這樣常常導(dǎo)致訓(xùn)練過(guò)程產(chǎn)生振蕩，并降低了收斂速度。為了提高神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度，在調(diào)整網(wǎng)絡(luò)各層之間連接權(quán)值時(shí)，可以在調(diào)整權(quán)值公式中增加1個(gè)動(dòng)量項(xiàng)，其本質(zhì)是從前1次的權(quán)值調(diào)整中提取出一些調(diào)整量疊加到當(dāng)前的權(quán)值調(diào)整量中。這些添加的動(dòng)量項(xiàng)因?yàn)榫哂幸郧暗恼{(diào)整經(jīng)驗(yàn)，所以它們的添加對(duì)于t時(shí)刻的權(quán)值調(diào)整起到了阻尼作用。當(dāng)出現(xiàn)誤差曲面劇烈波動(dòng)的情況時(shí)，可以減小誤差的振蕩趨勢(shì)，從而提高訓(xùn)練速度。本文在BP算法進(jìn)行各層之間的權(quán)值調(diào)整過(guò)程中，通過(guò)增加動(dòng)量項(xiàng)的方法來(lái)提高網(wǎng)絡(luò)學(xué)習(xí)效率和自適應(yīng)能力。

2.2 增加動(dòng)量項(xiàng)對(duì)算法的影響

在BP算法學(xué)習(xí)中步長(zhǎng)η的設(shè)置較大時(shí)能提高網(wǎng)絡(luò)的收斂速度，但同時(shí)也會(huì)引起網(wǎng)絡(luò)的不穩(wěn)定。較小的η雖然可以增加網(wǎng)絡(luò)的穩(wěn)定性，但網(wǎng)絡(luò)的收斂速度也會(huì)隨著降低。在BP算法中加入動(dòng)量項(xiàng)的具體關(guān)系式為：

Δωji(t)=αΔωji(t-1)+ηδj(t)Oi(t)

(1)

式中，α為某一整數(shù)，被稱為遺忘因子，通常在(0，1)中選值；第1項(xiàng)為動(dòng)量項(xiàng)，它通過(guò)在權(quán)值更新中引進(jìn)穩(wěn)定性來(lái)提高標(biāo)準(zhǔn)反向傳播的收斂速度；第2項(xiàng)為常規(guī)BP算法的修正量。

觀察式1，如果權(quán)值更新的方向與前一步相同，則變化率增加；反之，則變化率降低。1)如果訓(xùn)練模式包含一些不確定性因素，例如噪聲，則增加動(dòng)量項(xiàng)的算法能在更新過(guò)程中阻止該權(quán)值更新方向的迅速變化來(lái)提供一類低通濾波；2)這種行為使訓(xùn)練對(duì)出格點(diǎn)(outlier)或錯(cuò)誤訓(xùn)練對(duì)的出現(xiàn)具有免疫能力；3)如果網(wǎng)絡(luò)在誤差曲面的平坦區(qū)域運(yùn)行，則增加動(dòng)量項(xiàng)能提高權(quán)值的變化率，且收斂速度將增加。如果網(wǎng)絡(luò)在誤差曲面的平坦區(qū)域運(yùn)行，每一步的梯度值將不會(huì)顯著變化，因此式1可以近似為：

Δωji(t) =αΔωji(t-1)+ηδj(t)Oi(t)≈

(2)

當(dāng)系統(tǒng)進(jìn)入到誤差函數(shù)面的平坦區(qū)，這時(shí)誤差的變化將會(huì)變得很小，于是Δω(t+1)近似于Δω(t)，而平均的Δω將變?yōu)椋?/p>

(3)

遺忘因子α總是比單位值小，因此，增加動(dòng)量項(xiàng)的更新將有效學(xué)習(xí)率提高為(-η)/(1-α)，使權(quán)值調(diào)節(jié)盡快脫離平坦區(qū)。

綜合所述，經(jīng)過(guò)在各層基礎(chǔ)調(diào)整連接權(quán)值的方法上進(jìn)行改進(jìn)，添加動(dòng)量項(xiàng)的改進(jìn)型算法的各連接權(quán)值的調(diào)整公式如下：

(4)

2.3 BP算法流程圖

BP神經(jīng)網(wǎng)絡(luò)確定后，先初始化網(wǎng)絡(luò)的權(quán)值閾值等參數(shù)，然后從網(wǎng)絡(luò)輸入層輸入選取的樣本數(shù)據(jù)，計(jì)算網(wǎng)絡(luò)的總誤差。根據(jù)網(wǎng)絡(luò)總誤差計(jì)算各層的誤差信號(hào)，根據(jù)設(shè)計(jì)好的BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則進(jìn)行網(wǎng)絡(luò)結(jié)構(gòu)權(quán)值和閾值的修改，直到網(wǎng)絡(luò)的輸出達(dá)到最小誤差，或達(dá)到設(shè)定的最大學(xué)習(xí)次數(shù)。本文采用C語(yǔ)言對(duì)課題進(jìn)行編程仿真，其算法流程圖如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)算法流程圖

3 基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合

3.1 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)設(shè)計(jì)

3.1.1 輸入層和輸出層的設(shè)計(jì)

在本設(shè)計(jì)中，BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合的結(jié)果，只要給出判定的空氣預(yù)熱器的火災(zāi)概率大小，故只需要設(shè)定為1個(gè)輸出就可以了。本文選擇的神經(jīng)網(wǎng)絡(luò)輸入層包含6個(gè)節(jié)點(diǎn)，分別對(duì)應(yīng)采集數(shù)據(jù)提取的6個(gè)熱點(diǎn)特征。

3.1.2 隱含層的設(shè)計(jì)

神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)的數(shù)目對(duì)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)收斂性以及精度有直接的影響，其數(shù)目的確定也具有很大的人為因素。理論上，節(jié)點(diǎn)數(shù)越多，所能表達(dá)的精度就越高，但太多會(huì)導(dǎo)致學(xué)習(xí)時(shí)間過(guò)長(zhǎng)；而太少時(shí)網(wǎng)絡(luò)的容錯(cuò)性差，識(shí)別未學(xué)習(xí)的樣本能力低。在實(shí)際訓(xùn)練過(guò)程中發(fā)現(xiàn)，當(dāng)隱含層節(jié)點(diǎn)數(shù)取到一定值時(shí)，再增加隱含層節(jié)點(diǎn)數(shù)目并不能提高網(wǎng)絡(luò)的精度，反而會(huì)增加網(wǎng)絡(luò)的訓(xùn)練時(shí)間。為了確定最佳的網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)目，本文采用對(duì)比計(jì)算結(jié)果的方法，從中選取最優(yōu)的隱含層節(jié)點(diǎn)數(shù)。

3.1.3 網(wǎng)絡(luò)傳輸函數(shù)的確定

除了受網(wǎng)絡(luò)的結(jié)構(gòu)影響外，神經(jīng)網(wǎng)絡(luò)解決實(shí)際問(wèn)題的能力與效率，很大程度上取決于網(wǎng)絡(luò)選擇的傳輸函數(shù)，神經(jīng)網(wǎng)絡(luò)的傳輸函數(shù)有3種模型：閾值函數(shù)、分段性函數(shù)和Sigmoid函數(shù)。本文選擇S型傳輸函數(shù)，即Sigmoid函數(shù)。S型傳輸函數(shù)的一個(gè)重要特點(diǎn)是它是連續(xù)可微的，因此它可以嚴(yán)格利用梯度法進(jìn)行推算。S型傳輸函數(shù)具有較好的非線性關(guān)系，其函數(shù)本身及其導(dǎo)數(shù)也都是連續(xù)的，并且它也有比較簡(jiǎn)單的輸入輸出映射關(guān)系，S型傳輸函數(shù)的使用能將網(wǎng)絡(luò)的輸出限制在一個(gè)較小的范圍內(nèi)(0～1之間的連續(xù)量)，這樣很符合本文的輸出要求。

3.2 熱點(diǎn)特征提取

本文中選取火災(zāi)發(fā)生時(shí)最能表現(xiàn)火情特征點(diǎn)，即熱點(diǎn)處的數(shù)據(jù)特征分布。選取熱點(diǎn)溫度最高的傳感器以及其相鄰的2個(gè)傳感器，在同周期上，以其熱點(diǎn)處的溫度與周期內(nèi)平均溫度差值作為樣本數(shù)據(jù)的特征值。在歷史周期上，計(jì)算出上述傳感器在同周期點(diǎn)上，溫度值的平均值作為火情的另外特征?；贐P神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合過(guò)程示意圖如圖4所示。

圖4 基于BP神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合過(guò)程示意圖

3.3 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

本文采用3層BP神經(jīng)網(wǎng)絡(luò)，包括6個(gè)輸入和1個(gè)輸出，將提取出的熱點(diǎn)特征數(shù)據(jù)(包括橫向特征和縱向特征)作為神經(jīng)網(wǎng)絡(luò)的輸入值，計(jì)算出的相對(duì)期望火災(zāi)概率值作為網(wǎng)絡(luò)的輸出，計(jì)算網(wǎng)絡(luò)的輸出誤差，利用誤差的反向傳播，調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值參數(shù)，從而完成BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程。部分訓(xùn)練數(shù)據(jù)見(jiàn)表1。

表1 部分訓(xùn)練數(shù)據(jù)

BP神經(jīng)網(wǎng)絡(luò)仿真測(cè)試結(jié)果見(jiàn)表2。

表2 仿真測(cè)試結(jié)果

從表2可以看出，仿真結(jié)果中誤差最大的為0.035 617，最小的為0.001 358，BP神經(jīng)網(wǎng)絡(luò)模型的輸出值與期望值的偏差均<5%，網(wǎng)絡(luò)精度達(dá)到了設(shè)計(jì)要求。說(shuō)明利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行鍋爐空氣預(yù)熱器的火災(zāi)報(bào)警工作具有較高的準(zhǔn)確性和可行性。

4 結(jié)語(yǔ)

本文確定了神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，并提出了具體的樣本數(shù)據(jù)特征提取方法。BP神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)訓(xùn)練后，確定出了最佳的隱含層神經(jīng)元數(shù)，最終確定了網(wǎng)絡(luò)的結(jié)構(gòu)與參數(shù)，并通過(guò)測(cè)試數(shù)據(jù)對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行了測(cè)試，達(dá)到了預(yù)期的效果。

[1] 劉涵，李琦，施衛(wèi)，等. 電站鍋爐空氣預(yù)熱器火災(zāi)報(bào)警系統(tǒng)的研究[J]. 電子技術(shù)應(yīng)用, 1998(6)：34-35，39.

[2] 殷國(guó)東.回轉(zhuǎn)式空氣預(yù)熱器的熱點(diǎn)探測(cè)系統(tǒng)[J]. 汽輪機(jī)技術(shù),2003(3)：134-138.

[3] 吳昂.大直徑多傳感器數(shù)據(jù)融合方法研究[D]. 合肥：合肥工業(yè)大學(xué),2005.

[4] 王彩霞，李洪聲.基于BP神經(jīng)網(wǎng)絡(luò)的加工誤差動(dòng)態(tài)監(jiān)測(cè)研究[J].新技術(shù)新工藝，2013(12)：66-68.

[5] 權(quán)太范.信息融合：神經(jīng)網(wǎng)絡(luò)——模糊推理理論與應(yīng)用[M].北京：國(guó)防工業(yè)出版社，2002.

[6] 鐘珞，饒文碧，皺承明.人工神經(jīng)網(wǎng)絡(luò)及其融合應(yīng)用技術(shù)[M].北京：科學(xué)出版社，2007.