嚴(yán)　玥, 嚴(yán)　實(shí), 楊永斌, 江　赟

(1.重慶工商大學(xué) 檢測(cè)控制集成系統(tǒng)重慶市市級(jí)工程實(shí)驗(yàn)室，重慶 400067;2.重慶川儀分析儀器有限公司，重慶 400060)

?

應(yīng)用技術(shù)

Adaboost集成BP神經(jīng)網(wǎng)絡(luò)在火電廠SO2濃度檢測(cè)中的應(yīng)用*

嚴(yán)玥1, 嚴(yán)實(shí)2, 楊永斌1, 江赟1

(1.重慶工商大學(xué) 檢測(cè)控制集成系統(tǒng)重慶市市級(jí)工程實(shí)驗(yàn)室，重慶 400067;2.重慶川儀分析儀器有限公司，重慶 400060)

針對(duì)火電廠在線SO2濃度檢測(cè)中，檢測(cè)精度受到溫度、壓力(大氣壓及煙氣壓力)、燃煤質(zhì)量、水分含量、電子器件噪聲、光學(xué)鏡片老化、氣體吸收峰值交叉干擾等多種因素的干擾，很難以單一方法進(jìn)行改進(jìn)這一問(wèn)題。以國(guó)內(nèi)某中型火電廠2015年實(shí)際生產(chǎn)數(shù)據(jù)為依據(jù)，設(shè)計(jì)預(yù)處理裝置完成氣體的前期處理，以盡可能達(dá)到分析儀分析要求(溫度、流量、含水量等)，減少可預(yù)見(jiàn)干擾，采用Adaboost算法集成BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，降低其他因素對(duì)檢測(cè)結(jié)果的干擾，仿真測(cè)試分析，證明了該方法的有效性。

濃度檢測(cè)； 干擾； BP神經(jīng)網(wǎng)絡(luò)； Adaboost

0　引　言

2014年發(fā)改委《煤電節(jié)能減排升級(jí)與改造行動(dòng)計(jì)劃(2014-2020年)》[1]以及環(huán)境保護(hù)部頒布的火電廠大氣污染物排放新標(biāo)準(zhǔn)規(guī)定[2]，重點(diǎn)地區(qū)須執(zhí)行大氣污染物特別排放限值，其中SO2的排放標(biāo)準(zhǔn)為35 mg/m3(標(biāo)準(zhǔn)狀態(tài))，對(duì)紅外線氣體分析儀器的檢測(cè)精度、可攜帶型、經(jīng)濟(jì)性能以及在線性提出了更高的要求。目前的紅外氣體測(cè)量裝置大多采用最小二乘法(或相關(guān)改進(jìn)的算法)對(duì)氣體的測(cè)量誤差進(jìn)行擬合。但當(dāng)多種氣體以及水分、粉塵混合時(shí)，相互干擾會(huì)造成主成分特征丟失或者退化[3,4]，另外電子器件噪聲、光學(xué)鏡片老化等也會(huì)對(duì)檢查造成一定程度的干擾。這些干擾具有多樣性、非線性、形成因素復(fù)雜的特點(diǎn)，因此,很難用單一某種方法來(lái)提高檢測(cè)精度。

本文采用2015年國(guó)內(nèi)某大型火電廠經(jīng)脫硫系統(tǒng)改造后的排放氣體為依據(jù)，以氣體中SO2濃度檢測(cè)為研究對(duì)象，采用硬件處理方式設(shè)計(jì)了樣氣預(yù)處理裝置，使得氣體達(dá)到分析儀器的測(cè)試要求，并為提高系統(tǒng)的檢測(cè)精度，設(shè)計(jì)了切實(shí)可行的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并在此基礎(chǔ)上引入Adaboost算法對(duì)其進(jìn)行優(yōu)化，最后對(duì)實(shí)驗(yàn)結(jié)果、預(yù)測(cè)精確度進(jìn)行了分析。

1　分析系統(tǒng)結(jié)構(gòu)設(shè)計(jì)

1.1預(yù)處理裝置

預(yù)處理裝置如圖1，樣氣(待檢氣體)由A口被抽氣泵101抽入，(壓力為-3～20 kPa,樣氣進(jìn)入冷凝器102(冷卻溫度至3～5 ℃)，然后通過(guò)氣路切換閥103進(jìn)入過(guò)濾器104(過(guò)濾的顆粒直徑小于0.5 μ)，經(jīng)流量調(diào)節(jié)單元105調(diào)整流量至40～60 L/h，最后由流量調(diào)節(jié)單元105的C口進(jìn)入紅外線氣體分析單元吸收室進(jìn)行分析；冷凝器102通過(guò)管道連接排液裝置106，處理過(guò)程中的水分經(jīng)由排液裝置106的B口直接排到儀器外。并在氣路切換閥103上設(shè)置D 口，D口可方便通入第三方標(biāo)準(zhǔn)氣體對(duì)儀器進(jìn)行精度檢驗(yàn)。經(jīng)過(guò)預(yù)處理裝置的樣氣能達(dá)到分析儀器對(duì)溫度、壓力、流量、潔凈度等技術(shù)指標(biāo)的需要。

圖1　預(yù)處理裝置結(jié)構(gòu)示意圖

1.2系統(tǒng)結(jié)構(gòu)

系統(tǒng)中采用的紅外線氣體分析單元如圖2所示。

圖2　紅外線氣體分析單元結(jié)構(gòu)圖

光源1選用直徑0.5 mm的鎳絡(luò)絲，繞成螺旋體，接通功率為21 W的7 V穩(wěn)定交流電，外用石英管保護(hù)。通電后溫度約為700 ℃，通電后產(chǎn)生波長(zhǎng)為4～7 μm的紅外光，并由切光輪2斬波(切光頻率5～10 Hz)，以得到均等的紅外線光經(jīng)由光窗3(透紅外線的氯化鈣晶片)射入吸收氣室4，吸收氣室分為樣品氣室(用于樣氣測(cè)量)以及參比氣室，其中參比氣室內(nèi)充裝不吸收紅外線能量的高純度氮?dú)?濃度需高于99.999 %)，

其工作流程可描述為：在切光輪的運(yùn)行下，單位周期內(nèi)紅外光會(huì)分別進(jìn)樣品氣室和參比氣室抵達(dá)接收氣室。當(dāng)樣品氣室無(wú)紅外線能損失，接收器得到了一個(gè)穩(wěn)定的連續(xù)的信號(hào)。但有樣品氣連續(xù)通過(guò)樣品氣室時(shí)，由于樣氣會(huì)吸收特定波長(zhǎng)的紅外線能量，導(dǎo)致進(jìn)入接收器的紅外輻射能降低。而一個(gè)周期內(nèi)，接收器會(huì)得到兩個(gè)不同信號(hào)，根據(jù)朗伯特—比爾定律可以計(jì)算出樣品額定濃度。

標(biāo)定單元實(shí)現(xiàn)儀器的量程自動(dòng)標(biāo)定。

干涉濾光片輪用于將氣體非待測(cè)成份氣體過(guò)濾掉，以減少干擾，提高檢測(cè)精度。接收氣室中，設(shè)置薄膜電容對(duì)氣體進(jìn)行檢測(cè)，由于紅外線能量即紅外線輻射能的不同，將導(dǎo)致接收氣室內(nèi)的氣體壓力的微弱變化，通過(guò)壓力平衡毛細(xì)管感應(yīng)后推動(dòng)薄膜電容中的動(dòng)片(采用鈦膜材質(zhì)，厚度3 μm)，相對(duì)于定片移動(dòng)(定片與薄膜片間距0.1～0.33 mm)，從而把被測(cè)樣氣濃度變化轉(zhuǎn)變成電容變化，從而輸出電信號(hào)提供給信號(hào)預(yù)處理單元。信號(hào)預(yù)處理單元通過(guò)電荷放大器將高內(nèi)阻的電荷變化轉(zhuǎn)換為低內(nèi)阻的電壓變化，并經(jīng)過(guò)放大、整形和濾波處理后將信號(hào)(電壓值)提供給主監(jiān)控單元；主監(jiān)控單元的核心部件為MSP430F5510單片機(jī)主監(jiān)控單元，根據(jù)朗伯特—比爾定律測(cè)量出紅外光被(A，B兩側(cè))氣體吸收前后的能量差，計(jì)算得出樣氣的濃度。 輸入/顯示單元將主監(jiān)控單元的處理結(jié)果顯示出來(lái)。

2　實(shí)驗(yàn)數(shù)據(jù)說(shuō)明

根據(jù)SO2的排放規(guī)定和火電廠分析儀敏感范圍，選定氣體濃度的區(qū)間為20～200 mg/m3，為了盡可能保證研究運(yùn)用價(jià)值和誤差分析符合實(shí)際生產(chǎn)環(huán)境，本文抽取國(guó)內(nèi)某大型火力發(fā)電廠的2015年實(shí)際數(shù)據(jù)240組為訓(xùn)練樣本(參比大氣壓30～56 Pa)，再采用美國(guó)ThermoScientificTM61i型多分組氣體校準(zhǔn)儀提供的同等濃度區(qū)間下的60組實(shí)驗(yàn)數(shù)據(jù)作為測(cè)試樣本，進(jìn)行測(cè)試，采用美國(guó)萬(wàn)機(jī)公司MultiGasTM2030對(duì)比檢測(cè)，完成測(cè)試結(jié)果分析。

3　神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

3.1單個(gè)BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

根據(jù)Lambert-Beer定律，盡管存在多種不確定因素對(duì)最終測(cè)量值造成影響，但待測(cè)氣體的濃度與電壓仍就一一對(duì)應(yīng)，因此，可以利用大量數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，得到訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值，并通過(guò)已知的數(shù)據(jù)作為測(cè)試樣本對(duì)網(wǎng)絡(luò)進(jìn)行驗(yàn)證。

由于前面的預(yù)設(shè)裝置可以保證樣氣能夠達(dá)到氣體分析所需要的溫度、壓力、流量、潔凈度等技術(shù)指標(biāo)的需要，且可靠度和環(huán)境適應(yīng)性高于軟件，因此，無(wú)需對(duì)樣本進(jìn)行歸一化處理。

BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)隱含層層數(shù)遞增與系統(tǒng)的性能提升不成正相關(guān)性[5，6],因此為了控制神經(jīng)網(wǎng)絡(luò)的規(guī)模以盡可能地保證工程化，無(wú)需將BP網(wǎng)絡(luò)的隱含層設(shè)置過(guò)多，此處隱含層為1層。神經(jīng)網(wǎng)絡(luò)設(shè)置為批量訓(xùn)練方式。選取量Levenberg-Marquardt方向傳播算法訓(xùn)練，trainlm函數(shù)為誤差回傳訓(xùn)練函數(shù)；神經(jīng)網(wǎng)絡(luò)層結(jié)構(gòu)為：3—n—1，采用實(shí)驗(yàn)方式確定神經(jīng)元節(jié)點(diǎn)數(shù)。

3.2改進(jìn)依據(jù)

BP神經(jīng)網(wǎng)絡(luò)是通過(guò)不斷訓(xùn)練樣本，不斷修正權(quán)值和閾值，使得誤差逼近輸出的，網(wǎng)絡(luò)學(xué)習(xí)率的值取得過(guò)大或者過(guò)小都不利于網(wǎng)絡(luò)的收斂于穩(wěn)定，可能因?yàn)橛?xùn)練樣本導(dǎo)致出現(xiàn)局部極小值[7～9]，目前關(guān)于如何改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的方法有很多種[10]，其中Boostiong的基本思想是采用組合學(xué)習(xí)的方法，將預(yù)測(cè)精度很低的弱學(xué)習(xí)器進(jìn)行集中學(xué)習(xí)以達(dá)到要求精度[11]。

3.3整體設(shè)計(jì)

基于Boostiong思想的AdaBoost.M1算法[12]用于解決多類單標(biāo)簽問(wèn)題，其實(shí)現(xiàn)思想如下：

1)初始化

訓(xùn)練集S={xi,yi},i=1,2,3,…,n,yi∈{Y},Y={c1,c2,…cn};迭代次數(shù)M；初始化分布權(quán)重為

D(x)=1/n

(1)

2)調(diào)用弱分類器進(jìn)行M次迭代，該過(guò)程將產(chǎn)生一個(gè)預(yù)測(cè)序列h1，h2，h3，…，hM,在該迭代過(guò)程中，首先得到弱假設(shè)

hm=X→{c1,c2,c3,…,cn}

(2)

根據(jù)訓(xùn)練結(jié)果更新樣本上的權(quán)重，每次迭代后都會(huì)得到一個(gè)預(yù)測(cè)函數(shù)，每個(gè)預(yù)測(cè)函數(shù)根據(jù)預(yù)測(cè)精度也賦予一個(gè)權(quán)重。其中計(jì)算分類錯(cuò)誤率公式為

(3)

權(quán)重更新每次都從1到n,函數(shù)為

(4)

其中

(5)

一般當(dāng)εm<0.5時(shí)作為迭代終止條件。

3)最后對(duì)預(yù)測(cè)序列采用帶權(quán)重的投票法得到最終的預(yù)測(cè)函數(shù)H為

(6)

如前所述，為了保證整體設(shè)計(jì)的工程可行性，BP神經(jīng)網(wǎng)絡(luò)采用單隱含層結(jié)構(gòu)，因此可以上述的單個(gè)BP神經(jīng)網(wǎng)絡(luò)看成一個(gè)弱分類器，用不同的60組數(shù)據(jù)采用相同的結(jié)構(gòu)訓(xùn)練生成4個(gè)BP神經(jīng)網(wǎng)絡(luò)，用4個(gè)BP神經(jīng)網(wǎng)絡(luò)組成強(qiáng)分類器進(jìn)行最后的氣體濃度測(cè)試。

4　測(cè)試過(guò)程與分析

首先以隨機(jī)方式選取的實(shí)際產(chǎn)生環(huán)境中的240組數(shù)據(jù)作為訓(xùn)練樣本，采用預(yù)處理裝置對(duì)樣本數(shù)據(jù)進(jìn)行處理，而不再對(duì)樣本進(jìn)行歸一化。采用串行方式，每次迭代從樣本隨機(jī)取一個(gè)樣本輸入完成單個(gè)BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為：3—n—1，訓(xùn)練完成后保存網(wǎng)絡(luò)參數(shù)。部分訓(xùn)練數(shù)據(jù)如表1所示。

單個(gè)隱含層的BP神經(jīng)網(wǎng)絡(luò)可以通過(guò)適當(dāng)增加神經(jīng)元節(jié)點(diǎn)的個(gè)數(shù)實(shí)現(xiàn)任意非線性映射。但神經(jīng)元個(gè)數(shù)過(guò)多，將導(dǎo)致網(wǎng)絡(luò)規(guī)模過(guò)大。因此，在保證較高識(shí)別精度的前提下，需要通過(guò)經(jīng)驗(yàn)和多次試驗(yàn)才能確定，當(dāng)神經(jīng)元個(gè)數(shù)分別為30,40,50時(shí)，回歸相關(guān)性(R)測(cè)試結(jié)果如表2所示。

表1　部分訓(xùn)練樣本數(shù)據(jù)

表2　采用不同神經(jīng)元個(gè)數(shù)測(cè)試的回歸相關(guān)性

由表2可知，隱含層神經(jīng)元為30個(gè)或者50個(gè)，均能取得較好的預(yù)測(cè)效果，但對(duì)于同樣的樣本數(shù)據(jù)，其均方誤差(mean squared error，MSE)值如圖3所示。從圖中可以看到，隱含層神經(jīng)元個(gè)數(shù)為30不僅具有較好的MSE，且最佳Epochs值為4，小于隱含層神經(jīng)元為50的網(wǎng)絡(luò)，從而具有較高的執(zhí)行效率。另外在識(shí)別準(zhǔn)確率上(以誤差范圍為0.05為準(zhǔn)確識(shí)別)，分別為92.5 %(30個(gè)神經(jīng)元)和94.5 %(50個(gè)神經(jīng)元)，綜合考慮到成本效率等因素，隱含層神經(jīng)元個(gè)數(shù)為30個(gè)用于最終的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

圖3　BP神經(jīng)網(wǎng)絡(luò)隱含層不同神經(jīng)元數(shù)數(shù)目的MSE

以上述60組測(cè)試樣本輸入到已訓(xùn)練好的網(wǎng)絡(luò)中來(lái)檢測(cè)神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性。測(cè)試結(jié)果:最大絕對(duì)誤差為2.249 3 mg/m3，最小絕對(duì)誤差為0.284 7 mg/m3，平均絕對(duì)誤差為0.565 mg/m3，最大相對(duì)誤差為3.4 %，最小相對(duì)誤差為0.435 8 %，平均絕對(duì)誤差為0.865 1 %。

實(shí)驗(yàn)樣本中，其預(yù)測(cè)的平均相對(duì)誤差小于1 %，預(yù)測(cè)結(jié)果與真實(shí)實(shí)際值得重合度較高，能夠很好預(yù)測(cè)SO2氣體的含量，說(shuō)明該算法模型為SO2濃度檢測(cè)精度的提高提供了有效的方法。

5　結(jié)　論

針對(duì)火電廠在線SO2濃度檢測(cè)精度問(wèn)題，在氣體檢測(cè)之前設(shè)計(jì)了一個(gè)預(yù)處理裝置，以盡可能保證分析器要求的物理參數(shù)檢測(cè)要求，而對(duì)于其他諸多不確定干擾因素，利用AdaBoost.M1算法結(jié)合BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，以實(shí)際生產(chǎn)數(shù)據(jù)和實(shí)驗(yàn)室數(shù)據(jù)相結(jié)合的方法選取300組數(shù)據(jù)進(jìn)行測(cè)試，其預(yù)測(cè)的平均誤差小于1 %，識(shí)別率達(dá)到了92.5 %，從而證明了該神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)的正確性和可行性，為今后的工程化提供了理論基礎(chǔ)。

[1]國(guó)家發(fā)展與改革委員會(huì).煤電節(jié)能減排升級(jí)與改造行動(dòng)計(jì)劃(2014-2020年)[EB/OL].2014—09—12.http:∥www.sdpc.gov.cn/gzdt/201409/t20140919_626240.html.

[2]環(huán)境保護(hù)部,國(guó)家質(zhì)量監(jiān)督檢驗(yàn)檢疫總局.GB13223—2011火電廠大氣污染物排放標(biāo)準(zhǔn)[S].北京:中國(guó)環(huán)境科學(xué)出版社,2012.

[3]Wang H F,Moon I ,Yang S X,et al.A memetic particle swarm optimization algorithm for multi-modal optimization problems[J].Information Sciences,2012,197:38-52.

[4]梅軍鵬，韓雪亮.Mn 摻雜納米SnO2的氣敏性能研究[J].傳感器與微系統(tǒng),2013,32(1):76-78.

[5]Dong C,Dong L,Yang M.The application of the BP neural network in the nonlinear optimization[J].Advances in Intelligent and Soft Computing,2011,78:727-732.

[6]Izeboudjen N,Bouridane A,Farah A,et al.Application of design reuse to artificial neural networks:Case study of the back propagation algorithm[J].Neural Computing and Applications,2011,21:1-14.

[7]陳明.Mathlab神經(jīng)網(wǎng)絡(luò)原理與實(shí)例精解[M].北京:清華大學(xué)出版社,2013:156-172.

[8]張國(guó)翊,胡錚.改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型及其穩(wěn)定性分析[J].中南大學(xué)學(xué)報(bào):自然科學(xué)版，2011，42(1):115-124.

[9]Izeboudjen N,Bouridane A,Farah A,et al.Application of design reuse to artificial neural networks:Case study of the back propagation algorithm[J].Neural Computing and Applications,2011,21:1-14.

[10] 李詒靖,郭海湘,李亞楠,等.一種基于Boosting的集成學(xué)習(xí)算法在不均衡數(shù)據(jù)中的分類[J].系統(tǒng)工程理論與實(shí)踐，2016,36(1):189-199.

[11] Naimul M K ,Riath K ,Imran S A,et al.Covariance-guided one-class support vector machine[J].Pattern Recognition,2014,47(6):2165-2177.

[12] 曹瑩.AdaBoost算法研究與展望[J].自動(dòng)化學(xué)報(bào),2013,39(6):745-758.

Application of Adaboost integrated BP neural network in SO2concentration detection in power plant*

YAN Yue1, YAN Shi2, YANG Yong-bin1, JIANG Yun1

(1.Chongqing Engineering Laboratory for Detection,Control and Integrated System,Chongqing Technology and Business University,Chongqing 400067,China;2.Chongqing Chuanyi Analyzer Co Ltd,Chongqing 400060,China)

Aiming at problem of online SO2concentration detection in power plant,detection precision may be interfered by all kinds of factors,such as temperature,pressure (which includes atmosphere and smoke pressure),coal mass,moisture content,noise of electric devices,optical lens aging,interference at spectral of gas absorption,it is difficult to improve by a single way.According to real production data of a large thermal power plant in 2015,a kind of gas pretreatment device is developed in order to meet the requirements of analyzer and reduce predictable interference.Adopt Adaboost algorithm to optimize integrated BP neural network in order to avoid unpredictable interference.By simulation,test and analysis,it is verified that this method is effective.

concentration detection; interfere;BP neural network; Adaboost

10.13873/J.1000—9787(2016)09—0148—04

2016—05—05

國(guó)家自然科學(xué)基金資助項(xiàng)目(61502063)；重慶市教委科研項(xiàng)目(KJ1500639)

TP 212.1

A

1000—9787(2016)09—0148—04

嚴(yán)玥(1976-)，女，滿族，四川成都人，碩士，講師，主要從事信號(hào)處理與運(yùn)用、傳感器技術(shù)與軟件方向研究。