计算机在锅炉温度测量中的应用

赵旭

[摘要]随着计算机技术的发展，通过系统建模在锅炉温度测量系统中的应用已十分广泛。人工神经网络具有良好的并行性、鲁棒性、非线性逼近能力、自适应性和容错能力，应用在锅炉温度测量系统中使锅炉温度测量的结果的精确性得以极大的提高。论文主要介绍了众多模型中的两种模型：BP神经网络模型及RBF神经网络模型，并分析了这两种模型的原理，建立了数学模型，在锅炉温度测量方面具有较好的应用前景。

[关键词]锅炉温度测量；计算机；BP神经网络模型；RBF神经网络模型 [中图分类号]TP183

1 引言

近年来，随着计算机技术的发展与进步，基于数字图像处理的测温技术得到了迅速发展。例如葡萄牙的Correia等将火焰辐射的吸收度与传统的CT算法结合，使测量的准确性得到了极大提高。英国格林尼治大学的阎勇教授通过与中科院工程热物理所合作，研究出了采用CCD摄像头基于双色法火焰监测系统可实时定量测量火焰温度场分布。清华大学吴占松教授，建立了火焰温度与亮度之间的关系，提出了一种适应非对称火焰三维温度分布测量的重构算法。上海交通大学徐伟勇教授将图像处理技术和光纤传像技术应用于锅炉火焰检测当中，试制了国内第一台智能型锅炉燃烧器火焰检测装置。浙江大学岑可法院士领导的课题组，提出了采用双色法从彩色火焰图像中计算火焰温度图像的方法，其后采用基于区域重建的方法，利用CCD摄像头进行了火焰三维温度场和浓度场的同时重建研究，探讨了温度场和浓度场对火焰辐射图像的影响，同时研究了火焰辐射吸收系数与粒子浓度的关系，给出了温度场和浓度场同时重建的控制方程，完成了在不稳定火焰中排烟温度与体积分布的同时估计。

2 BP神经网络在锅炉温度测量中的应用

2.1 BP神经网络模型简介

人工神经网络具有良好的并行性、鲁棒性、非线性逼近能力、自适应性和容错能力。人工神经网络分为前馈型神经网络和反馈型神经网络。BP神经网络是一种按误差逆传播算法训练的多层前馈网络，目前应用十分广泛。BP神经网络模型的学习规则是在正向传播过程中，输入信息从输入层传向隐含层，再传至输出层，如果输出层得不到理想的输出结果则反向传播，使误差信号沿原来路径返回，来不断调整网络的权值和阈值，使均方差达到最小。但是，BP算法的学习速度并不快，网络训练失败的可能性也较大。

该方法的主要过程为首先构造BP神经网络模型。然后输入图像样本，即可得到温度样本，再通过筛选样本，用有用的样本训练网络模型，便可得到锅炉温度的测量结果。

2.2 基于BP神经网络的锅炉温度测量建模

CCD摄像机输出的数字图像某点的RGB分量的灰度值R_R，R_G，R_B和该点的温度存在非线性关系：

T=f（R_R，R_G，R_B） （1）

如果只考虑RGB分量中的2个灰度值。函数解析式应为：

该式中，λ表示辐射电磁波波长，γ，K，V，C₂表示辐射常数，ε为辐射体的黑度系数，T表示温度。

BP神经网络具有逼近任意有界非线性函数和自学习的优势，因此，利用BP神经网络可以来构造一个“黑箱”，并通过神经网络的自学习以逼近式（1）函数关系，可选用含有2个隐含层的4层BP神经网络来逼近温度与灰度值R_R，R_G，R_B的函数关系，其网络输入为RGB分量的灰度值，输出层为一个神经元，表示测量温度。学习好的网络可代替式（1）用于计算温度。

BP神经网络的结构包括1个输入层、2个隐含层和1个输出层。输入层有3个神经元，分别代表CCD摄像机输出的数字图像某点的RGB分量的灰度值R_R，R_G，R_B，如果将输出图像的R、G、B3通道的灰度值直接作为神经网络的输入，研究表明这样在实际应用中测温误差较大。这是因为当在工业现场测量时，CCD摄像机的光路上一般存在着灰尘、烟雾或火焰脉动等各种影响因素，如果直接利用3个灰度值计算温度，就不能消除上述这些因素的影响，不能得到理想的结果。从比色测温公式中得到启发，如果将灰度值的比值作为神经网络的输入就可以体现比色测温的思想。考虑到三色法测温公式的形式，将神经网络的输入改成如下3个比色项R_G*R_B/R_R²，R_R*R_B/R_G²，R_R*R_G/R_B²，这样提高了测量的准确性。

隐含层的传递函数选择双曲正切函数，这是由于双曲正切函数可以使神经网络具有较好的收敛性能。一般情况下只需要选择1个隐含层，然后改变隐含层节点的个数即可，但如果对于较复杂的问题，可能需要大量的隐含节点和较长的训练时间，并且精度不够高，因此选择了2个隐含层的结构。对于具有2个隐含层的神经网络，在选取隐含层节点数目时，一般的原则是：对靠近输入层或输出层的隐含层，其神经元个数应等于输入神经元个数或着输出神经元个数的2-4倍，但须注意这只是一个理论上的指导原则，最终还是要通过实验来选择，也就是在满足学习精度的前提下改变各隐含层的神经元个数以尽量减少神经网络学习次数，通过比较后选择最佳个数。因为BP神经网络的收敛与初始权值的选择有关，需要通过多次实验比较以选择合适的隐含层的神经元个数。输出层仅有1个神经元，转移函数为一简单线性函数，这样神经元输出值就能直接表示测量温度。

神经网络的训练受初始权值的影响很大。一般初始权值选取在（-1，1）之间的随机数，也可以按如下策略选择：选择权值的量级为？，其中S1表示第一层神经元数，r表示样本个数。每一次循环训练中所产生的权值变化量由学习速率决定。大的学习速率可能导致系统的不稳定，但小的学习速率又导致较长的训练时间，可能收敛很慢，不过能保证网络的误差值不跳出误差表而的低谷而最终趋于误差最小值。所以一般情况下倾向于选取较小的学习速率以保证系统的稳定性。学习速率的选取范围是0.01-0.8。

在设计网络的训练过程中，期望误差值也应当通过对比训练后确定一个合适的值，学习误差的定义：

式中p为学习样本个数，y为网络输出温度值，T为实测温度。

3 RBF神经网络的锅炉温度测量模型

3.1 RBF神经网络

RBF网络能够逼近任意的非线性函数，可以处理系统内的难以解析的规律性，具有良好的泛化能力，并有很快的学习收敛速度。

RBF网络模型过程的数学描述如下：

y（k）=N（X（k），w）

这里面，y（k）代表的是网络输出，X（k）代表的是网络输入，N（）代表的是RBF神经网络非线性函数，w代表的是RBF神经网络中第二层与第三层之间的连接权值，h代表的是第二层中节点数量。用此网络对非线性系统进行辨识的主要工作是对隐层节点数的确定，径向基函数的中心，连接权值的选取，宽度的确定，使得模型的输出能在性能符合的要求下不断逼近原来的系统输出。利用径向基函数神经网络进行系统辨识时，常见的有并联模型和串并联模型两种结构。

（1）串-并联模型辨识结构

串并联模型辨识的神经网络可表示为：u（k-n_u），w），这种结构学习收敛性好而且算法具有全局稳定性。下面对RBF神经网络模型在锅炉温度测量中的应用就采用的此类结构。

（2）并联模型辨识结构

确定并联模型辨识的神经网络可表示为：

在这个结构中，神经网络是一个动态网络，对非线性特性具有良好的逼近效果，但这种结构不能保证所辨识出的模型的稳定性。

RBF神经网络用于非线性系统建模的五个过程。

（1）选择合适的学习样本。样本的好坏对系统进行辨识所建立的模型具有很重要的影响，这是由于好的样本能代表整个系统的特性，不好的样本会使建立的模型不能反应系统的特性。

（2）对样本数据进行处理。一方面为了使数据在计算过程中有相同的权重会使用归一化方法进行处理；另一方面要对噪声的数据进行滤波处理。

（3）确定模型的阶次和时延。

（4）选取合适的学习算法。

（5）模型辨识以及检测其泛化能力。把所选取的样本数据分成两部分，第一部分对RBF网络进行学习，确定出各参数值的实际值，第二部分检测所确定的RBF网络模型的泛化能力。

3.2 基于RBF神经网络的锅炉温度测量模型

RBF神经网络中径向基函数的中心值、隐层节点的个数、宽度以及隐层和输出层之间的连接权值这些数值的确定是影响RBF神经网络性能关键因素。所以在对非线性系统进行建模的过程中。需要对所选取的模型辨识结构中隐层节点的个数进行确定，对径向基函数的中心值的选取和宽度以及对隐层到输出层的连接权值的确定。一体式学习方式是通过对某一单一学习方法进行改进，来同时确定这些RBF神经网络性能值的。

减聚类算法作为一种简单、有效的聚类算法，与别的聚类算法相比，该方法的优势在于事先不用确定出聚类个数，因为该算法是将每个数据样本都当作潜在的聚类中心，通过样本数据的密度指标来对聚类中心进行确定，这样便可以简单有效的反映数据的分布情况。

现在工业应用当中所选取的聚类算法是J.B-MacQueen提出的K-means算法。其基本原理是：先从已给出的样本中随机选取K个值作为初始类聚中心，随后再将聚类中心不断移动从而进一步选取合适的聚类中心值。

RBF神经网络模型在锅炉温度系统建模中的步骤：

首先，根据惰性区的性能指标选取RBF神经网络模型为下列串-并行结构：

y（l）=f[u（k-1），u（k-2），y（k-1），y（k-2）]

其中，u（k）代表系统的输入，y（k）代表系统输出，f（x）为系统选择的径向基函数。系统样本的输入数据为随机生成的一组伪信号，输出数据为经过系统100%负荷后得到的数据。

4 结束语

在锅炉温度测量系统中，应用不同的模型参数导致不同的测量精确度。

本文主要阐述了BP神经网络模型及RBF神经网络模型在温度测量系统中的应用。但对于复杂的锅炉温度测量系统。其性能影响因素是多方面的，这些模型是将计算机应用在锅炉温度测量系统中一小部分，还有更广阔的空间等待人们去探索研究。