崔桂梅,張建平

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

熱值的神經(jīng)網(wǎng)絡模型研究

崔桂梅,張建平

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

在鋼鐵冶煉過程中，若能實時有效地檢測使用煤氣的熱值、及時設計合理的供氣方案，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)境保護具有重要意義。國內(nèi)熱值檢測設備的檢測方式和手段，在熱值檢測的準確性和快速性方面有著很大的弊端。為改善燃氣熱值儀存在的大滯后，提高精準度，提出了一種由小波分析進行數(shù)據(jù)處理，應用BP神經(jīng)網(wǎng)絡建模并用遺傳算法優(yōu)化的學習算法，用來檢測燃氣熱值。小波分析主要用來對過程數(shù)據(jù)進行降噪變換，提高源信號的信噪比；BP神經(jīng)網(wǎng)絡用來辨識過程模型；遺傳算法用來優(yōu)化神經(jīng)網(wǎng)絡的初始權(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軟件進行仿真，結(jié)果表明：該神經(jīng)網(wǎng)絡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領域的研究。

鋼鐵冶煉； 小波降噪; BP神經(jīng)網(wǎng)絡; 遺傳算法; 檢測; 燃氣利用率

0 引言

目前，鋼鐵冶煉企業(yè)對燃氣的消耗量非常大，尤其是煤氣。在高爐煉鐵過程中，熱風爐控制起著重要作用。熱風爐溫度是由燃氣燃燒所產(chǎn)生的。燃氣熱值變化會影響實際熱風爐溫度，若能提前判斷燃氣熱值變化，將對優(yōu)化熱風爐穩(wěn)定控制有很大幫助。因此，及時、快速檢測燃氣熱值非常必要。人工神經(jīng)網(wǎng)絡技術(shù)被廣泛應用于燃氣熱值檢測,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)絡參數(shù)。小波分析具有很好的降噪性能,而BP神經(jīng)網(wǎng)絡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)絡建立燃氣熱值檢測模型?？紤]到BP神經(jīng)網(wǎng)絡的局限性，采用遺傳算法以優(yōu)化權(quán)值。

1 BP神經(jīng)網(wǎng)絡模型的構(gòu)建

①熱值計算。

假設高爐煤氣流量為U1，焦爐煤氣的流量為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，焦爐煤氣熱值為17 572 800 J/m3,則有：

(1)

經(jīng)試驗比對，式(1)與實際熱值檢測的結(jié)果基本一致。

②空燃比與煙道殘氧含量。

空燃比[2]即在燃燒時實際空氣與燃氣的體積比或質(zhì)量比。

式中：φ(CO)、φ(H2)、φ(CH4)、φ(O2)分別為燃氣各組分的體積含量，%。

1 m3燃氣(煤氣)完全燃燒所需空氣的理論需求量LO為：

LO=4.76LO,O2

(3)

實際空氣消耗量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、燃燒裝置的操作方法有關；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)

由于燃氣的流量相對恒定，即單位時間內(nèi)的體積一定，故通過計算可以得出LO；ε可以通過對傳感器信號的檢測得知。因此，在恒定燃氣流量的前提下，就可以推算出實際所需空氣量Ln。

綜上分析可知，測得殘氧含量即可推算出實際所需空氣量，即在燃氣量相對恒定情況下，實際所需空氣量由殘氧含量大小所決定。

以上公式表明，與燃氣熱值相關的主要因素有燃氣流量、燃氣壓力、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)絡模型，即得燃氣熱值非線性模型。燃氣熱值非線性模型結(jié)構(gòu)如圖1所示。

圖1 燃氣熱值非線性模型結(jié)構(gòu)圖

圖1中：Y為燃氣熱值；X1、X2、X3、X4、X5分別為燃氣流量、燃氣壓力、空氣流量、空氣壓力和殘氧含量。

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)學建模方法很難實現(xiàn)。因此，采用神經(jīng)網(wǎng)絡建立燃氣熱值的數(shù)學模型。

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。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。

在實際應用中，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)絡的輸入/輸出變量

參考相關性分析結(jié)果，最終選取燃氣流量、燃氣壓力、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)絡的輸入，記為X1～X5；輸出為燃氣熱值,記為Y。將數(shù)據(jù)預處理后選取950組用于建立神經(jīng)網(wǎng)絡[5]。BP神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu)如圖5所示。

圖5 BP神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu)圖

網(wǎng)絡輸入/輸出對應關系如下。

xi輸入層：

(13)

式中：x1～x5分別為燃氣流量、燃氣壓力、空氣流量、空氣壓力和殘氧含量。

隱含層：

(14)

(15)

l的表達式為[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學習算法的基本思想是：通過調(diào)整網(wǎng)絡的權(quán)值，使得預測輸出與實際輸出的偏差最小[7]。其訓練過程如下。

按照以上步驟，首先對神經(jīng)網(wǎng)絡進行初始化，選取BP神經(jīng)網(wǎng)絡結(jié)構(gòu)為5-6-1，網(wǎng)絡權(quán)值及閾值選取為[-1,1]之間的隨機數(shù)，迭代次數(shù)為100，學習率為0.1。完成神經(jīng)網(wǎng)絡訓練后，選取1 000組實際燃燒數(shù)據(jù)在Matlab中進行測試[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)預處理所建立的燃氣熱值神經(jīng)網(wǎng)絡模型來說，基于小波濾波的數(shù)據(jù)預處理所建立的燃氣熱值數(shù)學模型預測更準確、命中率更高，說明該神經(jīng)網(wǎng)絡可以較準確地預測燃氣熱值。

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)絡初始權(quán)值

BP神經(jīng)網(wǎng)絡的學習策略結(jié)構(gòu)簡潔，但是BP算法本質(zhì)上是一種梯度下降的算法，學習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函數(shù)組成的學習策略。

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

(19)

式中：n為學習樣本的個數(shù)；di為過程輸出；Oi為網(wǎng)絡輸出；λ為補償因子，λ∈[0，1]；M為網(wǎng)絡參數(shù)的個數(shù)；W為由網(wǎng)絡參數(shù)構(gòu)成的向量。

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

(20)

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

遺傳優(yōu)化BP神經(jīng)網(wǎng)絡曲線如圖8所示。

圖8 遺傳優(yōu)化BP神經(jīng)網(wǎng)絡曲線

在燃氣熱值檢測系統(tǒng)中，標準化后的輸入數(shù)據(jù)限定為BH=2、BL= 0，標準化后的燃氣熱值為BH=0.95、BL=0.05 。網(wǎng)絡的輸出必須經(jīng)過反標準化才能得到真實的燃氣熱值。 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)絡熱值模型各指標如表2所示。

表2 遺傳優(yōu)化BP神經(jīng)網(wǎng)絡的熱值模型指標

以上建模數(shù)據(jù)均根據(jù)實物由函數(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，燃氣熱值命中率較優(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)化后的燃氣熱值模型還是比較可觀的。

3 結(jié)束語

本文建立了熱值儀燃氣熱值的BP神經(jīng)網(wǎng)絡數(shù)學模型。通過引入小波濾波，對燃氣熱值進行建模研究。研究結(jié)果表明，與傳統(tǒng)的數(shù)據(jù)預處理方法相比，小波分析進行濾波使得濾波后殘留噪聲較小，同時實現(xiàn)降噪濾波與異常值剔除，能夠很好地應用到對于建立神經(jīng)網(wǎng)絡數(shù)學模型所進行的數(shù)據(jù)預處理。所建立的燃氣熱值神經(jīng)網(wǎng)絡模型，能夠較準確地預測燃氣熱值的變化趨勢，使得熱值儀的熱值檢測更加準確、高效。

[1] 馬俊梅,張建成,李豐祝,等.混合煤氣熱值實用控制系統(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)化控制策略的設計與實現(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].清華大學學報(自然科學版),2008,48(S2):1731-1741.

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

[5] 胡守仁.神經(jīng)網(wǎng)絡導論[M].北京：國防科技大學出版社,1995.

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

[7] 諸靜.智能預測控制及其應用[M]．杭州：浙江大學出版社，2002．

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

[9] 袁平,毛志忠,王福利.基于多支持向量機的軟測量模型[J].系統(tǒng)仿真學報,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)科技計劃基金資助項目(41402060423)、內(nèi)蒙古自治區(qū)研究生科研創(chuàng)新基金資助項目(S20141012702)

崔桂梅(1963—)，女，博士，教授，主要從事復雜系統(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