基于BP神经网络的回转空气预热器火灾报警系统

吴德君

(陕西国防工业职业技术学院,陕西 西安 710300)

锅炉空气预热器是利用排烟余热来加热锅炉燃烧和制粉系统所需要的空气，冷空气经过预热后被送进炉膛参加燃烧。通过空气预热系统降低了排烟温度，减少了热能损失，提高了燃烧效率。国内200 MW以上的锅炉通常使用回转式空气预热器。回转式空气预热器由于结构原因，存在积灰、低温腐蚀和漏风等缺点。由于空气流通空间狭窄，不完全燃烧的可燃物很容易在紧凑安置的储热元件上面沉积。当沉积物(即积灰)过多且空气预热器内散热条件变差时，这些沉积物就会氧化升温。当温度达到月350 ℃时，沉积物就会开始自燃，若燃烧温度升高到700 ℃时，钢制蓄热元件很可能被点燃，火势一旦蔓延开，就足以使整个空气预热器发生火灾。而燃烧点一般需要几个小时才能从一个波纹箱扩散到周围其他波纹箱，只要能在这段时间及时地检测出火情并采取灭火措施，就能将火灾造成的损失控制在很小范围；因此，非常有必要研究出及时准确的火灾检测系统，来进行火灾报警工作[1-2]。

1 多传感器的数据融合

1.1 红外阵列的使用

设计采用固定式红外列阵结构，红外列阵共使用7个红外传感器，沿空气预热器半径方向并排安装在其空气侧。随着空气预热器的旋转， 便可以检测出空气预热器在每个周期的内部温度。红外传感器采用TPS434热电堆红外传感器，它具有较高的灵敏度和多重复性，适合作为测温仪使用。通过采用现代微电子技术，在一个很小的半导体材质上将多个热电偶集中串联起来，制作成热电堆红外传感器；同时，传感器内集成了一个用于温度补偿的热敏电阻，使其具有较高的灵敏度。封装时，在封装结构顶部安装了有很好红外线透过性的锗玻璃光窗。TPS434传感器外部有2对引脚，分别连接热电堆和热敏电阻，其等效电路图如图1所示。

图1 TPS434传感器等效电路图

1.2 人工神经网络数据融合方法

本文采用3层BP神经网络融合算法，首先对多传感器采集到的现场温度数据进行热点特征提取，然后将提取到的热点特征数据输入到训练好的神经网络中进行数据融合，从而得到现场火情的发生概率。数据融合是针对多传感器的一种信息处理方式，它用特定的算法对采集到的信息进行合成，充分利用多传感器联合操作的优势，从而获得对外部环境或被测对象的某一种特征表达方式。数据融合过程可以看作从传感器采集到的空间信息M到所要得到的结果空间信息N的一种非线性推理过程。从这一方面看，神经网络是一个能实现多输入信号高度非线性变换，具有超大规模并行处理信息功能的一种融合系统[3]。在运用神经网络进行数据融合时，首先要选择符合系统的要求以及传感器特点的神经网络模型，设定网络结构和各种初始参数，选取合适的样本数据，对建立的神经网络模型依据信息融合原理采用适当的学习方法进行离线训练，在学习过程中逐步确定神经网络的权值与结构，最后在实际的系统信息融合中应用训练好的神经网络。

2 BP神经网络

本文采用BP神经网络的结构和算法[4]，通过BP神经网络实现对采集到的温度数据进行融合算法，完成报警工作。BP神经网络是一种多层前馈网络，采用误差的梯度下降算法作为其学习规则，是使用最广泛的网络，可用于自动化、医学和经济等各个领域。前馈性神经网络结构如图2所示。

图2 前馈性神经网络结构

BP神经网络算法的核心思想是根据网络真实输出与期望输出之间的均方误差来调整各个神经元之间的权值。BP神经网络算法[5-6]的学习过程是不断修改网络连接权值的过程，在这个过程中输入信号由输入层传入，依次向隐含层、输出层传递，并在传递过程中，经网络权值和传输函数的作用，最后在输出层输出网络的计算结果。若输出结果与期望之间的误差没有达到网络的最小误差，则进入误差信号的逆向传播过程。

标准BP神经网络在训练过程中有以下特点：1)容易形成局部极小，而无法得到全局最优；2)训练时存在遗忘旧样本趋势；3)学习率的不合理设置，会降低收敛速度等。因此，本文采用了增加动量项和自适应调节学习率的方法，来改进标准BP神经网络。

2.1 增加动量项以改进BP神经算法

在标准BP网络学习过程中，调整权值时只是按t时刻误差的梯度下降方向调整，而没有包含到t时刻之前的梯度方向，这样常常导致训练过程产生振荡，并降低了收敛速度。为了提高神经网络的训练速度，在调整网络各层之间连接权值时，可以在调整权值公式中增加1个动量项，其本质是从前1次的权值调整中提取出一些调整量叠加到当前的权值调整量中。这些添加的动量项因为具有以前的调整经验，所以它们的添加对于t时刻的权值调整起到了阻尼作用。当出现误差曲面剧烈波动的情况时，可以减小误差的振荡趋势，从而提高训练速度。本文在BP算法进行各层之间的权值调整过程中，通过增加动量项的方法来提高网络学习效率和自适应能力。

2.2 增加动量项对算法的影响

在BP算法学习中步长η的设置较大时能提高网络的收敛速度，但同时也会引起网络的不稳定。较小的η虽然可以增加网络的稳定性，但网络的收敛速度也会随着降低。在BP算法中加入动量项的具体关系式为：

Δωji(t)=αΔωji(t-1)+ηδj(t)Oi(t)

(1)

式中，α为某一整数，被称为遗忘因子，通常在(0，1)中选值；第1项为动量项，它通过在权值更新中引进稳定性来提高标准反向传播的收敛速度；第2项为常规BP算法的修正量。

观察式1，如果权值更新的方向与前一步相同，则变化率增加；反之，则变化率降低。1)如果训练模式包含一些不确定性因素，例如噪声，则增加动量项的算法能在更新过程中阻止该权值更新方向的迅速变化来提供一类低通滤波；2)这种行为使训练对出格点(outlier)或错误训练对的出现具有免疫能力；3)如果网络在误差曲面的平坦区域运行，则增加动量项能提高权值的变化率，且收敛速度将增加。如果网络在误差曲面的平坦区域运行，每一步的梯度值将不会显著变化，因此式1可以近似为：

Δωji(t) =αΔωji(t-1)+ηδj(t)Oi(t)≈

(2)

当系统进入到误差函数面的平坦区，这时误差的变化将会变得很小，于是Δω(t+1)近似于Δω(t)，而平均的Δω将变为：

(3)

遗忘因子α总是比单位值小，因此，增加动量项的更新将有效学习率提高为(-η)/(1-α)，使权值调节尽快脱离平坦区。

综合所述，经过在各层基础调整连接权值的方法上进行改进，添加动量项的改进型算法的各连接权值的调整公式如下：

(4)

2.3 BP算法流程图

BP神经网络确定后，先初始化网络的权值阈值等参数，然后从网络输入层输入选取的样本数据，计算网络的总误差。根据网络总误差计算各层的误差信号，根据设计好的BP神经网络学习规则进行网络结构权值和阈值的修改，直到网络的输出达到最小误差，或达到设定的最大学习次数。本文采用C语言对课题进行编程仿真，其算法流程图如图3所示。

图3 BP神经网络算法流程图

3 基于BP神经网络的数据融合

3.1 神经网络的结构设计

3.1.1 输入层和输出层的设计

在本设计中，BP神经网络数据融合的结果，只要给出判定的空气预热器的火灾概率大小，故只需要设定为1个输出就可以了。本文选择的神经网络输入层包含6个节点，分别对应采集数据提取的6个热点特征。

3.1.2 隐含层的设计

神经网络隐含层节点数的数目对神经网络的学习收敛性以及精度有直接的影响，其数目的确定也具有很大的人为因素。理论上，节点数越多，所能表达的精度就越高，但太多会导致学习时间过长；而太少时网络的容错性差，识别未学习的样本能力低。在实际训练过程中发现，当隐含层节点数取到一定值时，再增加隐含层节点数目并不能提高网络的精度，反而会增加网络的训练时间。为了确定最佳的网络隐含层节点数目，本文采用对比计算结果的方法，从中选取最优的隐含层节点数。

3.1.3 网络传输函数的确定

除了受网络的结构影响外，神经网络解决实际问题的能力与效率，很大程度上取决于网络选择的传输函数，神经网络的传输函数有3种模型：阈值函数、分段性函数和Sigmoid函数。本文选择S型传输函数，即Sigmoid函数。S型传输函数的一个重要特点是它是连续可微的，因此它可以严格利用梯度法进行推算。S型传输函数具有较好的非线性关系，其函数本身及其导数也都是连续的，并且它也有比较简单的输入输出映射关系，S型传输函数的使用能将网络的输出限制在一个较小的范围内(0～1之间的连续量)，这样很符合本文的输出要求。

3.2 热点特征提取

本文中选取火灾发生时最能表现火情特征点，即热点处的数据特征分布。选取热点温度最高的传感器以及其相邻的2个传感器，在同周期上，以其热点处的温度与周期内平均温度差值作为样本数据的特征值。在历史周期上，计算出上述传感器在同周期点上，温度值的平均值作为火情的另外特征。基于BP神经网络的数据融合过程示意图如图4所示。

图4 基于BP神经网络的数据融合过程示意图

3.3 神经网络的训练

本文采用3层BP神经网络，包括6个输入和1个输出，将提取出的热点特征数据(包括横向特征和纵向特征)作为神经网络的输入值，计算出的相对期望火灾概率值作为网络的输出，计算网络的输出误差，利用误差的反向传播，调整网络的权值和阈值参数，从而完成BP神经网络的训练过程。部分训练数据见表1。

表1 部分训练数据

BP神经网络仿真测试结果见表2。

表2 仿真测试结果

从表2可以看出，仿真结果中误差最大的为0.035 617，最小的为0.001 358，BP神经网络模型的输出值与期望值的偏差均<5%，网络精度达到了设计要求。说明利用BP神经网络进行锅炉空气预热器的火灾报警工作具有较高的准确性和可行性。

4 结语

本文确定了神经网络的结构，并提出了具体的样本数据特征提取方法。BP神经网络经过训练后，确定出了最佳的隐含层神经元数，最终确定了网络的结构与参数，并通过测试数据对训练好的网络进行了测试，达到了预期的效果。

[1] 刘涵，李琦，施卫，等. 电站锅炉空气预热器火灾报警系统的研究[J]. 电子技术应用, 1998(6)：34-35，39.

[2] 殷国东.回转式空气预热器的热点探测系统[J]. 汽轮机技术,2003(3)：134-138.

[3] 吴昂.大直径多传感器数据融合方法研究[D]. 合肥：合肥工业大学,2005.

[4] 王彩霞，李洪声.基于BP神经网络的加工误差动态监测研究[J].新技术新工艺，2013(12)：66-68.

[5] 权太范.信息融合：神经网络——模糊推理理论与应用[M].北京：国防工业出版社，2002.

[6] 钟珞，饶文碧，皱承明.人工神经网络及其融合应用技术[M].北京：科学出版社，2007.