基于声发射的气力输送颗粒相质量流量监测

安连锁，刘伟龙，魏 萌，沈国清，张世平

（华北电力大学 国家火力发电工程技术研究中心，北京 102206）

气力输送广泛存在于电力、制药、食品、水泥等多个工业过程当中，气力输送内颗粒相质量流量对安全高效的生产具有重要影响。在工业过程中对颗粒相质量流量的监测具有重要的意义。虽然有光学法[1–2]、传热法[3]、电容法[4]、超声法[5–6]等方法的研究论文持续发表，但是这些方法仍然存在着诸多的局限性，在实际生产过程当中尚未得到广泛的推广使用。声发射作为一种由两相流自身产生的声信号，其与两相流的自身性质的变化有着直接的关系。由于其测量方法简单，可以作为一种研究对象来对气力输送的参数进行研究。EEMD方法作为一种对原始信号进行分解的方法，由于其分解的基础是原始信号本身而使得其适应性更强。由于气力输送本身流动的复杂性以及环境参数的变化，导致分解后的信号之间存在着复杂的非线性关系。人工神经网络作为一种基于现代神经科学的抽象数学模型，在各个方面得到了一定的应用[7–8]。

本文利用EEMD分解联合误差逆传播网络（Back Propagation，以下简称BP网络）对声发射信号进行研究，在两相流系统中获得大量实验数据基础上，通过改变神经网络层数以及各层神经元节点数，选取IMF1－IMF4作为神经网络输入，对4层BP神经网络进行训练学习，实现对一定范围内的颗粒相质量流量的在线测量，为工业应用提供了一种切实可行的测量方法。

1 实验部分

气固两相流系统简图如图1所示，振动给料机与漏斗配合保证持续均匀给料。整个管道由不锈钢钢管与有机玻璃管段通过法兰连接。

图1 气固两相流测量系统

由位于管道系统尾部的引风机提供动力，将空气引入整个流动系统中，与垂直下落的玻璃微珠混合形成气固两相流。整个信号采集系统采用声华兴业公司生产的SAEU2S声发射系统，采用SR150M型传感器，其频率响应范围为：60 kHz～400 kHz。采用可调式前置放大器对采集到的信号进行放大。在测量前，要根据环境进行门限设置，降低噪声信号的影响。在增益的选择上，将放大器增益设定在40 dB，可以保持信号放大后的峰值在1 V～10 V范围内。本实验采用玻璃微珠作为研究对象，为了减少湿度对玻璃微珠造成的影响，在实验前对玻璃微珠在一定温度下进行干燥处理，干燥冷却后封存以备实验。其平均颗粒粒径为250 μm，其密度为2 700 kg/m³。

实验过程中，用S型皮托管在给料前进行风速测量，通过调节引风机变频器将风速保持在中心风速为23 m/s的实验工况。采用网状声信号采集器如图2所示。

图中网状结构间距为2 mm，为颗粒平均直径的8倍，能够保证颗粒顺利通过不沉积。将采集器探头通过法兰方式与流通管道相连接，声发射传感器固定在网状声信号采集器上端。在实验过程中，两相流中的颗粒会对其产生撞击而产生声发射信号，传感器由此收集声发射信号并通过系统传输到工控机当中。

2 分析方法

2.1 EEMD分解

EEMD方法[9]是在经验模态分解（Empirical Mode Decomposition，EMD）的基础上，针对 EMD所具有的端点效应以及模态混叠的情况，通过在原始信号上加入高斯白噪声，不同尺度的信号区域内的噪声将会被消除，最后全体均值被视为原始信号的理想分解结果。

图2 网状声信号采集器

EEMD算法的具体步骤如下[10]：

1)通过给原始信号x(t)叠加一组高斯白噪声信号ω(t)获得一个总体信号

2)对X(t)进行EMD分解，得到各阶IMF分量

3)给原始信号加入不同的白噪声ωi(t)，重复步骤1)和步骤2)

4)对以上获得的IMF分量cn(t)可表示为

EEMD中所加高斯白噪声的次数服从式的统计规律

式中M为加入白噪声的个数；ε为高斯白噪声的幅度。一般情况下，取0.2，M取100。为保证算法快速收敛并有效检测，不应取得太小。

最后，原始信号x(t)可分解为

2.2 BP神经网络

人工神经网络的研究始于19世纪末期，从1890年以来，随着人们对神经网络的持续深入研究，国内外学者提出了多种神经网络模型，包括多层前向神经网络（BP）、Hopfield神经网络、自组织神经网络等。BP神经网络作为应用最为广泛的神经网络，具有很好的非线性映射能力、泛化能力以及容错能力，已经在信息处理领域、自动化领域、工程领域、经济领域等得到广泛的应用。

BP神经网络拓扑结构简图如图3所示[11]，主要是由输入层、输出层以及隐含层组成。隐含层可以有单层或多层神经元组成。网络的层与层之间的神经元采用全连接方式，同层内神经元之间无连接。以3层神经网络为例，设输入层有m个节点，输入向量为X=(x1,x2,…,xm)，xi表示其中的第i个输入信号；隐含层含有n个节点，yj表示其中的第j个神经元；输出层有p个节点，zk表示输出层的第k个神经元。

图3 BP神经网络拓扑结构简图

输入层与隐含层之间的连接权值用wij表示(i=1,2,…,m；j=1,2,…,n)，隐含层与输出层之间的连接权值用vjk表示(k=1,2,…,p)。首先是正向传播，通过将输入值与权值求积并求和来求解输出层的输出，随后将输出与期望输出作对比，利用梯度下降法来调整网络各层连接权值，最终使输出层的输出与期望输出的误差小于规定值。

2.3 建模策略

利用EEMD算法以及BP神经网络建模过程如下：

1)数据的采集与预处理。通过以上的实验系统及数据采集系统采集到不同给料量下的声发射信号用来建模，并删除这些数据中的畸变信号；

2)通过EEMD算法将原始信号进行分解，并计算分解后的信号与原始信号的相关性，选择具有一定相关性的信号作为BP神经网络的输入信号；

3)通过改变输入向量的长度、隐含层的层数、隐含层神经元的节点数来进行不同神经网络的训练，确定合适的模型；

4)利用随机选取的声发射信号作为验证信号来验证模型的测量精度。

3 结果与讨论

本文将两相流流速保持在23 m/s，通过调节给料机电压来调节给料量。本文采用的颗粒相质量流量为6 g/s～16 g/s，间隔为2 g/s。在测量过程中，对于两相流之间的相对滑移可以忽略不计。在每个工况下重复采集四次数据，共采集200组数据，每组数据长度为16 384，采样频率为1 000 kHz。并从中随机选取20组数据，其中17组作为训练数据，剩余3组作为验证数据。

3.1 EEMD分解

利用EEMD方法对各个信号进行10层分解，其原始信号及分解后的各IMF重建信号如图4所示。从时域来看，各分量的幅值均小于原始信号。

图4 原始信号及各IMF分量时域图

然后对其信号进行了频谱分析。由图5的频谱分析结果可以看出，信号的频率主要分布在100 kHz～500 kHz之间，根据奈奎斯特采样定律，采样频率至少为信号频率的2倍。因此，上文提到的1 000 kHz采样频率能够满足信号的采样要求。同时，每个IMF分量所对应的中心频率均有明显区分且逐渐降低，说明各IMF分量均保存了原始信号某个频段的部分信息。与此同时，对不同IMF分量的能量进行求解。

为确定神经网络的输入层神经元节点数，本文将不同IMF分量与原始信号进行了相关性求解，其结果如图6所示，从图中可以看出，各IMF分量与原始信号的相关性随着分量序号的增加而逐渐减小。从IMF6开始，其相关性已接近于0，可以忽略不计。由此可得，可以从前五个分量中选取全部或者部分分量作为输入向量。

图5 各IMF分量频谱图

图6 各分量与原始信号相关性图

3.2 BP神经网络的影响因素

BP神经网络隐藏神经元节点数的确定是个非常复杂的问题，通常是根据经验和多次验证来确定。节点过少，神经网络的获取能力较差；节点过多，会增加训练时间，还有可能过度学习，出现过度拟合的现象，降低其泛化能力。对于隐藏节点数目的确定，可以参考经验公式[11]

其中k为样本个数，ni为隐含层单元数，n为输入层单元数。当i＞ni时，

其中m为输出层神经元节点数，n为输入层神经元节点数，a为[1，10]之间的常数

其中n为输入层神经元节点数。

通过以上公式计算出隐含层神经元节点数的估计值作为节点的初始数值，逐步增加网络隐含层节点的数目，用同一样本集进行网络训练，从中确定网络误差最小时对应的节点数作为相应的隐含层神经元数的最佳数目。训练首先选用经典3层BP神经网络，误差值设为0.01，训练次数设为20 000次。依次以3/4/5三种IMF分量个数对其进行训练，训练结果三层网络都是因达到最大训练次数而结束训练，输入层节点数的改变对其训练结果并未有实质性的影响。增加最大训练次数以及增加隐含层神经元节点数仍然无法达到训练要求。Lippmann[12]和Cyberko[13]曾指出，两个隐含层可以解决任何形式的分类问题。因此通过增加隐含层层数来解决。表1为隐含层为两层时的训练结果。由表可知，在增加层数的情况下，部分神经网络模型收敛，并得到其网络性能参数。考虑到输入层神经元节点数，可以得知，在输入层为IMF1－IMF4为输入，隐含层为两层，隐含层每层神经元的节点数为13时，其网络性能参数达到最小。

图7和图8是EEMD联合神经网络测量模型的学习和测试的结果。

图7中试验标定值为试验过程中的实际给料量，而模型估计值是利用训练好的联合模型计算所得到的给料量。从质量流量误差估计曲线上来看，可以看出其模型的误差在15%以内，与试验结果吻合度较好，反映了该测量模型具有良好的测试能力。通过改变网络结构，神经元个数以及相关算法，能够进一步增强神经网络对数据的识别能力和容错能力，从而进一步提高该联合模型的精度。

图7 试验标定值与模型估计值对比

图8 联合模型固相质量流量估计误差曲线

表1 联合模型训练结果

4 结语

针对气力输送颗粒相质量流量测量问题，采用网状结构探针采集其声发射信号，首先用EEMD算法对信号进行分解，并对分解后的信号与原信号进行相关性计算，选取前4个与原始信号相关性较大的IMF分量作为BP神经网络的输入变量，将颗粒相质量流量作为输出变量建立测量模型，并用验证数据验证了模型的效果。结果表明，神经网络预测值与实际测量结果具有较高的吻合度，也显示了神经网络的广泛适用性。因此，在大量实验数据基础上，可以通过基于EEMD联合神经网络的测量模型来实现两相流颗粒相质量流量声发射方法测量过程，为气力输送颗粒相质量流量的在线测量提供了一种可供选择的有效手段。

[1]贾志海，范学良，李俊峰，等.锅炉煤粉气力输送状态在线监测系统研究[J].仪器仪表学报，2009(8)：1651-1655.

[2]倪志波，董凤忠，杨阳，等.烟气流速及颗粒物浓度的光学测量方法研究[J].中国激光，2014，41(1)：162-169.

[3]吴新，袁竹林.基于神经网络的传热法测量气固两相流中固体流量的研究[J].锅炉技术，2001(12)：8-10+7.

[4]王泽璞，刘乾，曹丽平，等.应用电容层析成像对气固颗粒浓度分布的研究[J].重庆理工大学学报(自然科学版)，2012，26(3)：68-74.

[5]李永明，苏明旭，袁安利，等.基于超声的管道内粉体体积分数的测量[J].中国科学院大学学报，2016(2)：277-282.

[6]乔榛.超声法一次风流速和煤粉浓度在线测量研究[D].南京：南京理工大学，2013.

[7]杨祥良，安连锁，孙鑫强，等.基于人工神经网络的电站锅炉积灰实时监测系统[J].动力工程学报，2010(3)：206-209.

[8]易子馗，谭建平，闫涛.基于BP神经网络的电机噪声在线评价系统[J].噪声与振动控制，2017，37(1)：142-148.

[9]WUZ,HUANG NE.Ensembleempiricalmode decomposition:A noise-assisted data analysis method[J].Advances inAdaptive DataAnalysis,2011,1(1):1-41.

[10]安连锁，冯强，沈国清，等.炉膛压力管道微弱泄漏信号检测方法研究[J].动力工程学报，2015，35(05)：354-360+372.

[11]黄庆斌.BP算法的改进及其应用研究[D].成都：西南交通大学，2010.

[12]LIPPMANN R.An introduction to computing with neural nets[J].IEEEASSPMagazine,1987,4(2):4-22.

[13]CYBENKO G.Approximation by superpositions of a sigmoidal function[J].Mathematics of Control,Signals and Systems,1989,2(4):303-314.