热值的神经网络模型研究

崔桂梅,张建平

(内蒙古科技大学信息工程学院，内蒙古 包头 014010)

热值的神经网络模型研究

崔桂梅,张建平

(内蒙古科技大学信息工程学院，内蒙古 包头 014010)

在钢铁冶炼过程中，若能实时有效地检测使用煤气的热值、及时设计合理的供气方案，将有效提高煤气利用率、降低废气排放。这不仅能降低企业成本，而且对环境保护具有重要意义。国内热值检测设备的检测方式和手段，在热值检测的准确性和快速性方面有着很大的弊端。为改善燃气热值仪存在的大滞后，提高精准度，提出了一种由小波分析进行数据处理，应用BP神经网络建模并用遗传算法优化的学习算法，用来检测燃气热值。小波分析主要用来对过程数据进行降噪变换，提高源信号的信噪比；BP神经网络用来辨识过程模型；遗传算法用来优化神经网络的初始权值。小波分析可以克服源信号的噪声干扰。小波变换可以变换初始数据并进行特征提取，变换后的数据具有更高的信噪比。采用Matlab软件进行仿真，结果表明：该神经网络模型具有良好的逼近能力和泛化性能。该研究方法同样适用其他相关领域的研究。

钢铁冶炼； 小波降噪; BP神经网络; 遗传算法; 检测; 燃气利用率

0 引言

目前，钢铁冶炼企业对燃气的消耗量非常大，尤其是煤气。在高炉炼铁过程中，热风炉控制起着重要作用。热风炉温度是由燃气燃烧所产生的。燃气热值变化会影响实际热风炉温度，若能提前判断燃气热值变化，将对优化热风炉稳定控制有很大帮助。因此，及时、快速检测燃气热值非常必要。人工神经网络技术被广泛应用于燃气热值检测,但是过程测量信号中往往包含各种噪声。很多时候，由于信噪比较低，很难获得性能良好的网络参数。小波分析具有很好的降噪性能,而BP神经网络具备较好的逼近非线性系统的能力。因此，本文采用BP神经网络建立燃气热值检测模型。考虑到BP神经网络的局限性，采用遗传算法以优化权值。

1 BP神经网络模型的构建

①热值计算。

假设高炉煤气流量为U1，焦炉煤气的流量为U2，混合煤气的流量为U；混合煤气的热值为Wmix，已知高炉煤气的热值[1]为3 556 400 J/m3，焦炉煤气热值为17 572 800 J/m3,则有：

(1)

经试验比对，式(1)与实际热值检测的结果基本一致。

②空燃比与烟道残氧含量。

空燃比[2]即在燃烧时实际空气与燃气的体积比或质量比。

式中：φ(CO)、φ(H2)、φ(CH4)、φ(O2)分别为燃气各组分的体积含量，%。

1 m3燃气(煤气)完全燃烧所需空气的理论需求量LO为：

LO=4.76LO,O2

(3)

实际空气消耗量Ln为：

Ln=αLO

(4)

需要注意的是：①空气过剩系数α与燃料种类、燃料方法、燃烧装置的结构特点、燃烧装置的操作方法有关；②气体燃料的空气过剩系数一般为1.05～1.20。

根据烟气的气体分析数据，可计算过剩空气系数α。

燃料完全燃烧时：

(5)

式中：YO2、YN2分别为燃烧产物各组分的体积含量，%。

综合以上分析可知,令残氧含量为ε，则有:

ε=Ln-LO

(6)

Ln=LO+ε

(7)

由于燃气的流量相对恒定，即单位时间内的体积一定，故通过计算可以得出LO；ε可以通过对传感器信号的检测得知。因此，在恒定燃气流量的前提下，就可以推算出实际所需空气量Ln。

综上分析可知，测得残氧含量即可推算出实际所需空气量，即在燃气量相对恒定情况下，实际所需空气量由残氧含量大小所决定。

以上公式表明，与燃气热值相关的主要因素有燃气流量、燃气压力、空气流量、空气压力和残氧含量[3]。这些参数均可能发生改变，对其建立神经网络模型，即得燃气热值非线性模型。燃气热值非线性模型结构如图1所示。

图1 燃气热值非线性模型结构图

图1中：Y为燃气热值；X1、X2、X3、X4、X5分别为燃气流量、燃气压力、空气流量、空气压力和残氧含量。

Y=f(X1，X2，X3，X4,X5)

(8)

对于这样的多输入非线性系统，一般的数学建模方法很难实现。因此，采用神经网络建立燃气热值的数学模型。

1.1 小波变换及滤波

小波变换使用一个窗函数，即小波函数，其时频窗面积不变，但是形状改变。其可通过不断调整时间与频率分辨率来不断逼近待变换信号，具有多分辨率分析的特点。小波变换分为连续变换和离散变换。

①连续小波变换。

连续信号f(t)∈L2(R)(能量有限空间)，f(t)的连续小波变换[4](continuous wavelet transform,CWT)为：

(9)

式中：a为伸缩因子；b为移动因子；Ψ为一个小波序列，即基小波或母小波。

(10)

通过小波逆变换，即可得去噪后的信号。

②离散小波变换。

(11)

(12)

式中：A为小波函数框架的界限。

③小波去噪。

在实际应用中，相对稳定且频低的都是比较重要的信号。而噪声信号通常表现为高频信号。小波滤波对待处理信号中的高低频信号进行分解与分离，其中小波系数较小的均为噪声信号且数目较多，有用信号的个数很少。该方法能有效地从被污染信号中分离出有用信号，具有良好的去噪效果。

小波去噪流程如图2所示。

图2 小波去噪流程图

图3 小波去噪前、后输入信号对比图

图3中：残氧含量单位为%；空气压力单位为kPa;空气流量单位为m3;煤气压力单位为kPa；煤气流量单位为m3。

图4 小波去噪前、后输出信号对比图

1.2 确定BP神经网络的输入/输出变量

参考相关性分析结果，最终选取燃气流量、燃气压力、空气流量、空气压力及残氧含量这5个参数作为BP神经网络的输入，记为X1～X5；输出为燃气热值,记为Y。将数据预处理后选取950组用于建立神经网络[5]。BP神经网络拓扑结构如图5所示。

图5 BP神经网络拓扑结构图

网络输入/输出对应关系如下。

xi输入层：

(13)

式中：x1～x5分别为燃气流量、燃气压力、空气流量、空气压力和残氧含量。

隐含层：

(14)

(15)

l的表达式为[6]：

(16)

式中：a为0～10之间的常数；f为隐层神经元激发函数。

f取值为：

(17)

输出层：

(18)

BP学习算法的基本思想是：通过调整网络的权值，使得预测输出与实际输出的偏差最小[7]。其训练过程如下。

按照以上步骤，首先对神经网络进行初始化，选取BP神经网络结构为5-6-1，网络权值及阈值选取为[-1,1]之间的随机数，迭代次数为100，学习率为0.1。完成神经网络训练后，选取1 000组实际燃烧数据在Matlab中进行测试[8]。传统数据处理曲线和小波去噪数据处理曲线分别如图6和图7所示。热值模型指标如表1所示。

由仿真结果可以看出，相对于传统的数据预处理所建立的燃气热值神经网络模型来说，基于小波滤波的数据预处理所建立的燃气热值数学模型预测更准确、命中率更高，说明该神经网络可以较准确地预测燃气热值。

图6 传统数据处理曲线

图7 小波去噪数据处理曲线

数据处理平均误差最大误差命中率均方根误差传统方式0．50123．11800．54000．9561小波去噪0．16450．36160．68000．4268

2 遗传算法优化BP神经网络初始权值

BP神经网络的学习策略结构简洁，但是BP算法本质上是一种梯度下降的算法，学习策略不可避免地存在陷入局部最小值的缺陷。本文提出一种由遗传算法和新的指标函数组成的学习策略。

遗传算法是由Holland于1975年提出的一种智能优化算法[9]，它具有并行计算和多点优化的优势。这里所用的指标函数为：

(19)

式中：n为学习样本的个数；di为过程输出；Oi为网络输出；λ为补偿因子，λ∈[0，1]；M为网络参数的个数；W为由网络参数构成的向量。

新的指标函数不但包括网络的偏差信息，而且还考虑了权值和阈值，网络的输出是平滑的，网络的泛化性能可以得到改善。补偿因子的值是由学习系统的性能决定的，在本文中，令λ =0.618。在使用实际过程数据信息之前，为了去除不同工程量纲的影响，需要对它们进行标准化[10]。本文采用线性标准化的方法。标准化函数为：

(20)

式中：x为原始的数据向量；BH、BL分别为标准化变量的上限和下限。

遗传优化BP神经网络曲线如图8所示。

图8 遗传优化BP神经网络曲线

在燃气热值检测系统中，标准化后的输入数据限定为BH=2、BL= 0，标准化后的燃气热值为BH=0.95、BL=0.05 。网络的输出必须经过反标准化才能得到真实的燃气热值。 在遗传算法中使用整数值编码，即染色体是用整数编码的。遗传操作包括交叉、变异和复制。交叉概率pc=0.8，变异概率pm=0.1。不同代采用精英保留策略[11]。

遗传优化神经网络热值模型各指标如表2所示。

表2 遗传优化BP神经网络的热值模型指标

以上建模数据均根据实物由函数仿真生成[12]。遗传优化是从整体上寻优。从优化后的仿真结果可以看出，燃气热值命中率较优化之前有比较明显的提升，而且优化后的均方根误差相对整体来说也较好。由此可以看出，优化后的燃气热值模型还是比较可观的。

3 结束语

本文建立了热值仪燃气热值的BP神经网络数学模型。通过引入小波滤波，对燃气热值进行建模研究。研究结果表明，与传统的数据预处理方法相比，小波分析进行滤波使得滤波后残留噪声较小，同时实现降噪滤波与异常值剔除，能够很好地应用到对于建立神经网络数学模型所进行的数据预处理。所建立的燃气热值神经网络模型，能够较准确地预测燃气热值的变化趋势，使得热值仪的热值检测更加准确、高效。

[1] 马俊梅,张建成,李丰祝,等.混合煤气热值实用控制系统[J].自动化与仪器仪表,2004,3(1):24-25.

[2] 张剑，俞金寿，杨灿谦.城市煤气热值智能优化控制策略的设计与实现[J].石油化工自动化,2009(S1):68-72.

[3] 李福东,吴敏,陈鑫,等.联合循环发电系统燃料热值智能优化控制[J].清华大学学报(自然科学版),2008,48(S2):1731-1741.

[4] 刘涛.实用小波分析入门[M].北京：国防工业出版社，2006.

[5] 胡守仁.神经网络导论[M].北京：国防科技大学出版社,1995.

[6] 王小川,史峰,郁磊.MATLAB 神经网络43个案例分析[M].北京：北京航空航天大学出版社,2003.

[7] 诸静.智能预测控制及其应用[M]．杭州：浙江大学出版社，2002．

[8] 颜学峰,余娟,钱锋.基于自适应偏最小二乘回归的初顶石脑油干点软测量[J].化工学报,2005,56(8):1511-1515.

[9] 袁平,毛志忠,王福利.基于多支持向量机的软测量模型[J].系统仿真学报,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

内蒙古自治区科技计划基金资助项目(41402060423)、内蒙古自治区研究生科研创新基金资助项目(S20141012702)

崔桂梅(1963—)，女，博士，教授，主要从事复杂系统建模及优化控制方向的研究。E-mail:cguimei1@163.com。 张建平(通信作者)，男，在读硕士研究生，主要从事智能检测控制及其评价方向的研究。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