基于人工神经网络的柴油乳化机自动化制备研究

徐伟幸，施爱平，刘 超

（江苏大学，镇江 212013）

基于人工神经网络的柴油乳化机自动化制备研究

徐伟幸，施爱平，刘 超

（江苏大学，镇江 212013）

0 引言

乳化柴油[1]是将水和柴油通过乳化剂和乳化设备形成的油包水(W/O)型乳液。和普通柴油比,乳化柴油具有燃烧性能好、能耗低、污染少等优点。燃油掺水不仅可以节能, 而且能达到环保要求, 因此受到世界各国科学家的重视。乳化技术目前已经渗透到石油化工、生物技术以及环境科学等领域，具有巨大的应用潜力。

1 柴油乳化机

柴油乳化机是一个具备多个控制参量（油、水、剂的配比，乳化泵的剪切磁化速率、匀化级数），对控制精度及反应时间要求较高的的自动化装置。由于各个参量之间的相互影响，对多参量系统的控制是一个复杂的过程[2]。上述参量合理的选择与控制对产品的品质起着决定性的作用，需要采用先进的控制技术对以上参量进行实时的检测与控制，以保证能够生产出满足标准的乳化柴油。同时柴油乳化机的工作环境往往比较复杂：外界温度、湿度的变化，需求量的调整等等，这些外在因素也会对最终产品的质量产生一定的影响。传统的柴油乳化机经常采用的控制技术有PLC、现场总线、PID等控制技术，在应对多参量、高精度、快反应以及复杂多变的外部环境时，以上控制技术会出现控制反应时间较长，控制精度不够高的问题，直接影响了乳化柴油产品的品质与质量。经过反复的试验与对比，本项目最终选择采用基于人工神经网络的控制技术对柴油乳化机进行实时的检测与控制。

2 人工神经网络技术

“人工神经网络”(ARTIFICIAL NEURAL NETWORK，简称ANN)是在对人脑组织结构和运行机制的认识理解基础之上模拟其结构和智能行为的一种工程系统[3]。人工神经网络在处理复杂系统的建模问题上表现出了较强的优越性，它通过对简单的非线性函数进行复合来表达复杂的系统过程，具有自组织、自学习的特点，不需要预先对模型的形式及参数加以限制，只需根据训练样本的输入、输出数据来自动寻找其中的相关关系，给出过程对象的具体数学表达。同时，由于其信息具有分布存储的特点，使建立的模型具有较强的抗干扰性。

基于误差反向传播算法的人工神经网络（BP神经网络）是目前最常用的神经网络之一，由信息的正向传播和误差的反向传播两个过程组成[4,5]。对于具有n个输入、m维输出节点的BP神经网络，输入到输出的关系可以看作是n维欧氏空间到m维欧氏空间的映射。层与层之间采用全连接方式，同层单元之间不存在相互连接。BP网络每一层权值可通过学习来调节，其基本处理单元(除输入层外)为非线性输入—输出关系，其传递函数一般选用S型作用函数：

网络运行时，输入数据首先通过加权值传到隐含层节点，通过传递函数的作用再送到输出节点。由于网络中存在着大量的非线性节点，因此，网络的输入/输出映射具有高度的非线性。对于BP神经网络，只要有足够多的隐含层节点，理论上可以实现任意多输入到输出的映射。BP神经网络由两部分构成：信息的正向传递和误差的反向传播。在正向传递中，输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐含层或者多隐含层结构；最后一个隐含层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不相符时，进入到误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐含层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络的输出误差减少到可以接受的程度，或者达到预先设定的学习次数为止。具有一个输入层、一个隐含层、一个输出层的三层BP神经网络示意图如图1所示。

图1 三层BP神经网络模型

3 自动化制备研究

由Kolmogorov定理可知，三层BP网络可以逼近任意连续的非线性映射，所以BP网络建模的实质就是如何正确选定网络的各层节点数。

3.1 输入层节点数的确定

本课题中，判断乳化柴油制备情况优劣的主要参数有乳化柴油的油水摩尔比、产品的粘度值与十六烷值三个方面，故输入层节点数取3。

3.2 输出层节点数的确定

网络所要预测与控制的目标参数为配比量（油、水及高性能乳化剂三者间的配比）、乳化泵的剪切磁化速率以及匀化级数，故输出层的节点数也取为3。

3.3 隐含层节点数的确定

隐含层节点数的确定目前还没有很好的办法，隐节点数与问题的要求、输入输出节点的多少有关。若隐节点数太少，网络可能训练不出来，或网络不强壮，不能识别以前没有看到的样本，容错性差；但隐节点数太多又会使学习时间过长，误差不一定达到最佳，通常通过试差法来确定。取乳化柴油工艺实验中典型实验数据共100套，选取其中80个样本组成训练集，剩余20个样本组成预测集。神经网络算法利用公式（18）所示的S型作用函数作为传递函数，其输入以及输出均在[0，1]区间连续取值。因此在建立神经网络模型时，先将乳化柴油实验的油水摩尔比、粘度值、十六烷值3个参数共100套实验数据分别进行标准归一化，再对学习及预测结果进行反归一化。

首先确定一个3个输入节点、3个输出节点的3-N-3初始拓扑结构，然后对含不同隐含节点的网络拓扑结构进行训练和预测，找到具有最佳输出预测能力的网络拓扑结构。其中网络的学习速率为0.25，动量系数为0.20。实验发现当隐含节点数为9、10、11、12、13时，网络运行比较稳定。表1是采用不同网络拓扑结构所得到的学习与预测误差结果。

表1 不同隐含节点训练与预测结果

比较表1的结果，我们可知采用拓扑结构为3-10-3的BP神经网络，其预测集的实验输出与预测输出平均相对误差水平都优于其它网络拓扑结构，网络运行至5000次后仍未发生过拟合现象，网络较稳定。因此选择BP神经网络模型的网络拓扑结构为3-10-3型，即输入层为3个节点（油水摩尔比、粘度值、十六烷值），隐含层包含10个节点，输出层为3个节点（配比量、剪切磁化速率及匀化级数）。

4 结论

以上的计算结果表明，BP神经网络模型能够对配比量、剪切磁化速率及匀化级数进行较精确的预测，通过获得的预测值，我们能够对乳化机输入端的油、水、剂配比量、乳化泵的剪切磁化速率及匀化级数进行实时而有效的设置与控制，从而保证乳化机能够连续不间断的生产出合乎标准的乳化柴油。

[1]李建彤,韩萍芳,吕效平.乳化柴油研究及其应用进展[J].化工进展,2004,23(4).

[2]刘蔚.乳化柴油及其实验研究[D].大连理工大学,2003.

[3]贺战兵.基于人工神经网络预测控制的交通信号调度[J].计算技术与自动化,2010(3).

[4]朱大奇.人工神经网络研究现状及其展望[J].江南大学学报(自然科学版),2004,(2).

[5]邱东强.神经网络控制的现状与发展[J].自动化与仪器仪表,2001,(5).

Research on automatic preparation system of emulsifying machine of diesel oil based on artif i cial neural networks

XU Wei-xing, SHI Ai-ping, LIU Chao

乳化柴油和普通柴油比,乳化柴油具有燃烧性能好、能耗低、污染少等优点，而柴油乳化机则是一个具备多个控制参量，对控制精度及反应时间要求较高的的自动化装置。采用基于人工神经网络的控制技术对柴油乳化机进行实时的检测与控制，从而保证乳化机能够连续不间断的生产出合乎标准的乳化柴油。

人工神经网络；柴油乳化机；自动化制备

徐伟幸（1978 -），男，江苏丹徒人，讲师，主要从事流体机械设计及其自动控制研究。

TP391

B

1009-0134(2011)4(上)-0100-02

10.3969/j.issn.1009-0134.2011.4(上).31

2010-10-20