黃遠(yuǎn)紅,黃清寶

(廣西大學(xué)電氣工程學(xué)院，廣西 南寧 530004)

DE-ELM在水煤氣組分濃度軟測(cè)量建模中的應(yīng)用

黃遠(yuǎn)紅,黃清寶

(廣西大學(xué)電氣工程學(xué)院，廣西 南寧 530004)

水煤氣組分(H2、CO、N2、CO2、O2)濃度是合成氨煤制氣最關(guān)鍵的工藝參數(shù)之一，其與生產(chǎn)過(guò)程安全、穩(wěn)定和成本控制密切相關(guān)。由于實(shí)時(shí)在線測(cè)量設(shè)備成本極高、維護(hù)困難、技術(shù)難度大，一般企業(yè)仍采用人工分析化驗(yàn)法。針對(duì)人工分析化驗(yàn)的方法造成的測(cè)量數(shù)據(jù)準(zhǔn)確度差、滯后時(shí)間長(zhǎng)、人為影響因素大,不利于煤制氣生產(chǎn)過(guò)程的操控等問(wèn)題，提出利用差分進(jìn)化算法優(yōu)化極限學(xué)習(xí)機(jī)(DE-ELM)神經(jīng)網(wǎng)絡(luò)系統(tǒng),建立水煤氣組分濃度的軟測(cè)量模型，測(cè)量水煤氣組分各濃度。將改進(jìn)的方法與逆向神經(jīng)網(wǎng)絡(luò)(BP)、廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)、極限學(xué)習(xí)機(jī)(ELM)的水煤氣組分濃度軟測(cè)量模型進(jìn)行對(duì)比分析。對(duì)比結(jié)果顯示，基于DE-ELM的水煤氣組分濃度軟測(cè)量模型精度更高、泛化性能更好，所測(cè)數(shù)據(jù)與實(shí)際生產(chǎn)數(shù)據(jù)吻合度更高，能更好地滿足合成氨造氣爐生產(chǎn)過(guò)程的實(shí)時(shí)調(diào)控要求。

安全； 軟測(cè)量； 神經(jīng)網(wǎng)絡(luò)； 模型； 優(yōu)化控制； 迭代； 極限學(xué)習(xí)機(jī)

0 引言

合成氨工業(yè)[1]在國(guó)民經(jīng)濟(jì)中具有重要的地位。其原料水煤氣的主要成分[2]為氫氣(H2)、一氧化碳(CO)、氮(N2)、二氧化碳(CO2)、氧氣(O2)，這些成分的濃度難以實(shí)現(xiàn)實(shí)時(shí)、在線測(cè)量。一般企業(yè)只能通過(guò)人工取樣(主要為H2、CO、N2、CO2、O2)手動(dòng)分析，實(shí)現(xiàn)對(duì)水煤氣組分濃度的檢測(cè)，但無(wú)法保證數(shù)據(jù)的連續(xù)性、實(shí)時(shí)性、穩(wěn)定性和準(zhǔn)確性。

極限學(xué)習(xí)機(jī)(extreme learning machine ,ELM)[3]神經(jīng)網(wǎng)絡(luò)以其學(xué)習(xí)速度快、泛化性能好的優(yōu)點(diǎn)被大量應(yīng)用于軟測(cè)量建模[4]，但由于ELM的連接權(quán)值和閾值是隨機(jī)選取的，隱層神經(jīng)元節(jié)點(diǎn)數(shù)較大，導(dǎo)致極限學(xué)習(xí)機(jī)存在結(jié)構(gòu)復(fù)雜、仿真時(shí)間過(guò)長(zhǎng)等缺點(diǎn)。為此，引入差分進(jìn)化算法(differential evolution method，DE)，基于種群的全局搜索策略，確定ELM的最優(yōu)初始權(quán)值[5]，以改善ELM網(wǎng)絡(luò)的結(jié)構(gòu)。該方法為差分進(jìn)化算法優(yōu)化極限學(xué)習(xí)機(jī)(DE-ELM)。

根據(jù)造氣爐的生產(chǎn)過(guò)程與特點(diǎn)，選取與水煤氣組分有極大關(guān)系的在線生產(chǎn)數(shù)據(jù)作為輸入變量，手動(dòng)離線檢測(cè)數(shù)據(jù)作為輸出變量，采用DE-ELM方法構(gòu)建水煤氣組分濃度的軟測(cè)量模型，并與BP、GRNN、ELM的軟測(cè)量結(jié)果進(jìn)行比對(duì)分析，證明其在模型精度和泛化能力上的優(yōu)勢(shì)。

1 理論基礎(chǔ)

1.1 ELM

ELM于2004年由黃廣斌提出，是一種簡(jiǎn)單、易用、有效的單隱層前饋神經(jīng)網(wǎng)絡(luò)(single hidden layer feedforward neural network,SLFN)。ELM網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)[6]如圖1所示，其隱層只有一層節(jié)點(diǎn)。

圖1 ELM網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

圖1中：輸入變量為xi(i=1,2,...,n)，中間隱層有i個(gè)神經(jīng)元，輸出層有m個(gè)神經(jīng)元；輸入層與隱層間的連接權(quán)值為ω，隱層與輸出層的連接權(quán)值為β，隱層神經(jīng)元閾值為b；網(wǎng)絡(luò)有Q個(gè)樣本的訓(xùn)練集，輸入矩陣為X，輸出矩陣為Y，隱層神經(jīng)元激勵(lì)函數(shù)為g(x)。

網(wǎng)絡(luò)輸出T為：

T=[t1,t2,...,tQ]m×Q

(1)

式中：j=1,2,...,Q;ωi=[ωi1,ωi2,...,ωin];xj=[x1j,x2j,...,xnj]T。

式(1)又可表示為：

Hβ=T′

(2)

式中：T′為矩陣T的轉(zhuǎn)置。

當(dāng)激活函數(shù)g(x)無(wú)限可微時(shí)，ELM的參數(shù)無(wú)需全部調(diào)整(ω和b可以隨機(jī)選擇，且恒定)，可通過(guò)求解以下方程組的最小二乘解獲得：

(3)

其解為：

β=H+T′

(4)

式中：H+為隱含層輸出矩陣H的Moore-Penrose廣義逆。

1.2 差分演化算法

差分演化算法[7-8]是1995年由Storn等人提出的一種基于群體進(jìn)化的算法。該算法具有種群內(nèi)信息共享和記憶個(gè)體最優(yōu)解全局收斂能力、魯棒性較強(qiáng)的特點(diǎn)。算法流程如下。

①種群初始化：隨機(jī)選擇個(gè)體p(滿足約束條件)，并組成大小為NP的種群。

pi={pi1,pi2,...,pij}

(5)

式中：i=1,2,...,NP;j=1,2,…,D，D為自變量個(gè)數(shù)。

(6)

②變異操作：從種群中隨機(jī)選擇三個(gè)個(gè)體(pr1,g、pr2,g、pr3,g)，且互不相等。

vr,g+1=pr1,g+Fg(pr2,g-pr3,g)

(7)

式中：vr,g+1為新構(gòu)造的向量；F為縮放因子；g為代數(shù)。

式(7)只表示其中一種變異策略，不同的要求可設(shè)定不一樣的策略(公式)。

③交叉操作：新個(gè)體vr,g+1(變異操作)與xi(父代)離散交叉得到更新的個(gè)體ui。

(8)

式中：交叉概率CR∈[0,1]；rand(i)為第i個(gè)向量產(chǎn)生的[1,D]間隨機(jī)整數(shù)。

④選擇操作：新生代與上代變量的適應(yīng)值比較，值小者進(jìn)入下一代，否則保留。

(9)

2 合成造氣流程簡(jiǎn)介

2.1 生產(chǎn)流程

固定床間歇?dú)饣ú捎媒惶娲碉L(fēng)和制氣的方式生產(chǎn)水煤氣，完成一次吹風(fēng)和制氣的過(guò)程稱為一個(gè)工作循環(huán)。一個(gè)循環(huán)包括5個(gè)階段：吹風(fēng)、一次上吹、下吹、二次上吹、空氣吹凈。

2.2 工藝條件

合成造氣流程工藝條件包括溫度、吹風(fēng)速度、水蒸氣用量(上吹、下吹)和其他輔助及安全監(jiān)控參數(shù)[9]。

①溫度：造氣爐的溫度主要是指氣化層溫度，但由于氣化層溫度難以測(cè)量，操作工一般參考造氣爐的其他相關(guān)溫度(上、下氣道和爐條)測(cè)量值進(jìn)行操作；爐溫越高，水煤氣產(chǎn)量越高，一氧化碳、氫氣的含量濃度就越高；但爐溫也不能超過(guò)煤的灰熔點(diǎn)，以避免爐內(nèi)結(jié)疤。

②吹風(fēng)速度：一般換算成吹風(fēng)量(一次加氮)計(jì)算；吹風(fēng)速度越快，爐溫提升越迅速，但風(fēng)速過(guò)大也會(huì)破壞正常氣化條件。

③水蒸氣用量(上吹、下吹)：水蒸氣用量直接關(guān)系到水煤氣的產(chǎn)量與質(zhì)量。用量大則產(chǎn)氣量大，但水煤氣質(zhì)量差；用量小則產(chǎn)氣量少。

④其他輔助及安全監(jiān)控參數(shù)：爐條電流、爐條轉(zhuǎn)速、爐上/下壓力等。

3 DE-ELM軟測(cè)量建模

3.1 模型描述

受控于造氣爐運(yùn)行參數(shù)的水煤氣各組分濃度，對(duì)于液氨的生產(chǎn)、成本控制以及安全環(huán)保等各方面極為重要，但連續(xù)在線測(cè)量極為困難；而軟測(cè)量技術(shù)[10-11]能夠采用相對(duì)容易獲得的過(guò)程變量(輔助變量)數(shù)據(jù)，通過(guò)計(jì)算機(jī)的數(shù)學(xué)運(yùn)算，與難以測(cè)量的待測(cè)變量(主導(dǎo)變量)建立數(shù)學(xué)關(guān)系(軟測(cè)量模型)，以軟測(cè)量模型實(shí)現(xiàn)水煤氣組分濃度的實(shí)時(shí)檢測(cè)并進(jìn)行相關(guān)研究。

3.2 模型形式的確定

DE-ELM神經(jīng)網(wǎng)絡(luò)算法的主要流程為：ELM網(wǎng)絡(luò)確定、差分進(jìn)化算法優(yōu)化相關(guān)參數(shù)、最優(yōu)參數(shù)的DE-ELM訓(xùn)練和仿真。該算法具體流程如圖2所示。

3.3 模型評(píng)價(jià)指標(biāo)

均方根誤差(RMSE)可用來(lái)衡量仿真值與真值之間的偏差。

(10)

式中：i為樣本個(gè)體；n為樣本總數(shù)；yi為仿真輸出值；y為樣本輸出量。

(11)

軟測(cè)量模型訓(xùn)練時(shí)間以仿真運(yùn)行時(shí)間長(zhǎng)短作為判斷網(wǎng)絡(luò)優(yōu)劣的依據(jù)之一。

4 DE-ELM軟測(cè)量模型的仿真與分析

4.1 樣本數(shù)據(jù)的預(yù)處理

4.1.1 建模樣本數(shù)據(jù)的選取

為了真實(shí)地反映水煤氣組分濃度，即主導(dǎo)變量，共收集了與組分濃度密切相關(guān)的11類在線實(shí)時(shí)數(shù)據(jù)，作為測(cè)量模型的輸入變量(即輔助變量,各變量具體作用見(jiàn)2.2節(jié))；選取2015年的2 784組主導(dǎo)/輔助變量數(shù)據(jù)作為樣本。輔助變量部分樣本數(shù)據(jù)如表1所示。

4.1.2 樣本數(shù)據(jù)的預(yù)處理

建模數(shù)據(jù)直接采集生產(chǎn)中儀表測(cè)量的真實(shí)數(shù)據(jù)(2 784組)，數(shù)據(jù)離散性、突變和誤差相對(duì)較大。對(duì)此，先采用小波降噪和一維中值濾波對(duì)數(shù)據(jù)進(jìn)行預(yù)處理；然后對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理，使數(shù)值分布在[-1,1]，便于數(shù)據(jù)的處理。

4.1.3 樣本數(shù)據(jù)的功能劃分

因數(shù)據(jù)量大，考慮到生產(chǎn)過(guò)程的復(fù)雜性和工藝操作習(xí)慣、生產(chǎn)時(shí)段的差異，從樣本數(shù)據(jù)交叉等距抽取3/4數(shù)據(jù)(2 088組)作為訓(xùn)練樣本，另外等距的1/4數(shù)據(jù)(696組)為測(cè)試樣本。

4.2 DE-ELM相關(guān)參數(shù)的確定

ELM網(wǎng)絡(luò)結(jié)構(gòu)采用11個(gè)輔助變量、5個(gè)主導(dǎo)變量,對(duì)于隱層神經(jīng)元節(jié)點(diǎn)數(shù)(hiddennum)的選擇尚無(wú)很好的確認(rèn)最佳值方法(以下通過(guò)不同節(jié)點(diǎn)數(shù)試驗(yàn)確定較好的節(jié)點(diǎn)數(shù))，激勵(lì)函數(shù)采用常見(jiàn)的“Sigmoid”函數(shù)，而輸入-隱層的連接權(quán)值和閾值通過(guò)DE算法尋找最優(yōu)組合值。

表1 輔助變量部分樣本數(shù)據(jù)(在線測(cè)量)

DE需考慮的參數(shù)較多,有種群規(guī)模、最大迭代次數(shù)、搜索上/下限、縮放因子、交叉概率、測(cè)試方程索引、變異策略等。本模型主要考慮種群規(guī)模(population size)和最大迭代次數(shù)(max interation)對(duì)測(cè)量的影響。

4.3 軟測(cè)量模型仿真及驗(yàn)證分析

應(yīng)用Matlab7.0軟件平臺(tái)對(duì)DE-ELM軟測(cè)量模型進(jìn)行仿真，選擇5個(gè)主導(dǎo)變量之一的H2濃度(最重要的組分)作為仿真分析的依據(jù)。

4.3.1 隱層神經(jīng)元節(jié)點(diǎn)數(shù)對(duì)模型的影響

采用不同的隱層神經(jīng)元節(jié)點(diǎn)數(shù)對(duì)DE-ELM網(wǎng)絡(luò)進(jìn)行仿真，結(jié)果如表2所示。

表2 隱層神經(jīng)元節(jié)點(diǎn)數(shù)的性能評(píng)價(jià)對(duì)比

從表2的數(shù)據(jù)來(lái)看：不同隱層神經(jīng)元節(jié)點(diǎn)對(duì)仿真影響差別不大：神經(jīng)元節(jié)點(diǎn)數(shù)越多，擬合誤差越小、相關(guān)系數(shù)越大，但是重要的是泛化誤差并沒(méi)有規(guī)律，而且運(yùn)行時(shí)間變得很長(zhǎng)；神經(jīng)元節(jié)點(diǎn)數(shù)的增加，對(duì)測(cè)量模型的誤差和相關(guān)系數(shù)影響不是特別明顯，但是時(shí)間卻是成倍的增長(zhǎng)。從整個(gè)運(yùn)行效果來(lái)看，隱層神經(jīng)元節(jié)點(diǎn)數(shù)可適當(dāng)取小一點(diǎn)，在對(duì)精度沒(méi)有特別要求的前提下，模型能夠快速運(yùn)行。

4.3.2 種群規(guī)模對(duì)軟測(cè)量模型的影響

采用不同的種群規(guī)模對(duì)DE-ELM網(wǎng)絡(luò)進(jìn)行仿真，結(jié)果如表3所示。

表3 種群規(guī)模的性能評(píng)價(jià)對(duì)比

從表3數(shù)據(jù)來(lái)看，種群規(guī)模對(duì)軟測(cè)量模型的影響較大。種群規(guī)模越大，則差分選擇優(yōu)質(zhì)個(gè)體的幾率相對(duì)較大，擬合誤差、相關(guān)系數(shù)或泛化的效果越好，誤差減少的幅度較大。但與此同時(shí)，運(yùn)行時(shí)間也會(huì)隨種群的增大而相應(yīng)增加。

4.3.3 最大迭代次數(shù)對(duì)軟測(cè)量模型的影響

采用不同的最大迭代次數(shù)對(duì)DE-ELM網(wǎng)絡(luò)進(jìn)行仿真，結(jié)果如表4所示。

表4 最大迭代次數(shù)的性能評(píng)價(jià)對(duì)比

從表4數(shù)據(jù)來(lái)看，最大迭代次數(shù)對(duì)軟測(cè)量模型影響較大。但從仿真的結(jié)果來(lái)看，它對(duì)模型的影響并不表現(xiàn)出單純的正比關(guān)系，這是由于模型仿真的隱層神經(jīng)元節(jié)點(diǎn)數(shù)、種群規(guī)模及最大迭代數(shù)較小，極易受縮放因子、交叉概率、變異策略等影響，導(dǎo)致出現(xiàn)局部極小值問(wèn)題。

4.3.4 不同算法的軟測(cè)量模型的對(duì)比

分別采用DE-ELM、BP、GRNN、ELM等神經(jīng)網(wǎng)絡(luò)對(duì)軟測(cè)量模型效果進(jìn)行對(duì)比，結(jié)果如表5所示。

表5 不同算法的性能評(píng)價(jià)對(duì)比

從表5數(shù)據(jù)來(lái)看，利用DE-ELM軟測(cè)量模型的效果非常顯著：①由于需用ELM計(jì)算個(gè)體的適應(yīng)度值，其運(yùn)行時(shí)間比單純的ELM算法長(zhǎng)，但仍比BP算法速度提高了十幾倍；②四種算法得到的仿真誤差、相關(guān)系數(shù)都比較接近，說(shuō)明這四種模型均能很好進(jìn)行仿真；③DE-ELM的擬合能力與GRNN接近，比BP、ELM精度更高，其泛化性能優(yōu)于其他三個(gè)模型，說(shuō)明其有更強(qiáng)的泛化能力。

真實(shí)數(shù)據(jù)、DE-ELM和ELM對(duì)H2濃度的泛化曲線對(duì)比如圖3所示。

圖3 泛化曲線對(duì)比圖

4.3.5 分析結(jié)果

綜合以上的分析，DE-ELM軟測(cè)量模型在魯棒性、泛化能力以及運(yùn)行時(shí)間上比其他三種流行算法模型更具綜合優(yōu)勢(shì)。利用最優(yōu)參數(shù)給出的DE-ELM軟測(cè)量模型性能評(píng)價(jià)指標(biāo)如表6所示。

表6 DE-ELM軟測(cè)量模型性能評(píng)價(jià)指標(biāo)表

Tab.6 Performance evaluation indexes of soft-sensing modeling based on DE-ELM

組分濃度擬合精度泛化精度擬合誤差RMSE擬合相關(guān)系數(shù)R2泛化誤差RMSE泛化相關(guān)系數(shù)R2CO24.3254e-70.986770.0186680.97140O20.0107156.1841e-90.918500.0011040.84614CO8.5017e-70.987930.0752870.96871H20.0107151.5384e-70.997050.0029520.97060N21.6277e-70.984770.0297620.93213

5 結(jié)束語(yǔ)

差分進(jìn)化算法優(yōu)化極限學(xué)習(xí)機(jī)(DE-ELM)的水煤氣軟測(cè)量模型，具有精度高、用時(shí)短、魯棒性強(qiáng)和泛化性能好等優(yōu)點(diǎn)，克服了人工取樣、手工化驗(yàn)的延遲性，消除了人為因素的影響；同時(shí)，由于輔助變量取自制氣工藝的關(guān)鍵參數(shù)，對(duì)生產(chǎn)過(guò)程的調(diào)控也有非常重要的指導(dǎo)作用。本文既對(duì)影響DE-ELM模型的關(guān)鍵參數(shù)進(jìn)行仿真分析，又與當(dāng)前流行的BP、GRNN、ELM算法軟測(cè)量模型進(jìn)行比對(duì)分析。對(duì)比分析結(jié)果表明，DE-ELM軟測(cè)量模型的仿真時(shí)間更短、精度更高、泛化性能更好。因此，該軟測(cè)量模型在實(shí)際生產(chǎn)過(guò)程中有較高的應(yīng)用價(jià)值。

[1] 崔恩選.化學(xué)工藝學(xué)[M].北京：高等教育出版社，1990：163-164.

[2] 施湛青.氮肥工業(yè)與生產(chǎn)操作[M].北京：全國(guó)化工技術(shù)培訓(xùn)教材編委會(huì)，1987：7-8，11-20.

[3] HUANG G B,ZHU Q Y,SIEW C K.Extreme learning machine:theory and applications[J].Neurocomputing,2006,70(1-3):489-501.

[4] 潘立登，李大宇，馬俊英．軟測(cè)量技術(shù)原理與應(yīng)用[M]．北京：中國(guó)電力出版社,2009.

[5] ZHU Q Y,QIN A K,SUGANTHAN P N,et al.Evolutionary extreme learning machine[J].Pattern Recognition,2005,38(10):1759-1763.

[6] 孫鑫.極限學(xué)習(xí)機(jī)結(jié)構(gòu)優(yōu)化及其應(yīng)用研究[D].南寧：廣西大學(xué)，2014.

[7] 劉明廣.差異演化算法及其改進(jìn)[J].系統(tǒng)工程，2005,23(2)：108-111.

[8] 趙斌.基于改進(jìn)差分進(jìn)化算法的火電廠負(fù)荷分配問(wèn)題研究[D].武漢：武漢理工大，2013.

[9] 陳志偉.影響造氣爐運(yùn)行的幾個(gè)重要條件[C]//第二十二屆全國(guó)造氣技術(shù)年會(huì),2014:51-52.

[l0]林盛,梁強(qiáng),高樹(shù)奎.軟測(cè)量技術(shù)在石化過(guò)程中的應(yīng)用[J].當(dāng)代化工，2009,38(2)：182-184.

[11]梁玉明,王雁芬.軟測(cè)量技術(shù)在化工生產(chǎn)中的應(yīng)用[J].云南化工，2012,39(6)：57-59.

Application of DE-ELM in Soft-Sensing Modeling for Component Concentration of Water Gas

HUANG Yuanhong,HUANG Qingbao

(School of Electrical Engineering,Guangxi University ,Nanning,530004,China)

The concentration of components (H2、CO、N2、CO2、O2) in watergas is one of the most important process parameters in the synthesis ammonia gas production,and it is closely related to safety,stability,and cost control of the production process.For the real-time online measurement equipment is extremely high in cost,difficult in maintenance and hard in technology,the methods used in general enterprises are mostly based on manual analysis in laboratory and feature many disadvantages,such as low accuracy,long time delay,and with various human factors that are not conductive to gas production.Aiming at these problems,to measure the concentration of each component,the soft-sensing model is set up by using differential evolution extreme learning machine (DE-ELM) neural network system.The soft-sensing model is analyzed and compared with back propagation (BP) neural network,generalized regression neural network (GRNN),and extreme learning machine (ELM).The results show that soft-sensing modeling based on DE-ELM has higher accuracy and better generalization performance,the measured data are more consistent with the actual production data,and it can better satisfy the needs of real time regulation and control of the actual production process of synthesis ammonia gas-making furnace.

Safety； Soft-sensing； Neural network； Model； Optimal control ; Iteration； Extreme learning machine

minβ‖Hβ-T′‖

黃遠(yuǎn)紅(1969—)，男，在讀碩士研究生，工程師，主要從事工業(yè)過(guò)程自動(dòng)化方向的研究。E-mail:hyhlh@126.com。 黃清寶(通信作者)，男，碩士，副教授，主要從事過(guò)程控制、智能控制方向的研究。E-mail:3177151@qq.com。

TH81;TP391.9

A

10.16086/j.cnki.issn 1000-0380.201702020

修改稿收到日期：2016-09-05