生珂wWwsSJgS.com.cnProduction基于神經(jīng)網(wǎng)絡(luò)的氣化爐高溫測(cè)量方法研究華東理工大學(xué)董志占旺兵梁欽鋒劉海峰摘要:氣流床氣化爐在氣化工業(yè)中得到了廣泛應(yīng)用，爐內(nèi)溫度對(duì)于生產(chǎn)操作尤為重要。文章基于神經(jīng)網(wǎng)絡(luò)，運(yùn)用自制的灰污熱流計(jì)對(duì)爐壁溫度進(jìn)行了預(yù)測(cè)，取得了準(zhǔn)確的結(jié)果。關(guān)鍵詞:灰污熱流計(jì)溫度預(yù)測(cè)神經(jīng)網(wǎng)絡(luò)煤氣化是煤的高效潔凈利用的重要途徑之-一,度，不能反映某一點(diǎn)的實(shí)際溫度水平。氣流床氣化技術(shù)具有加壓、單爐容量大、煤種適應(yīng)本文運(yùn)用改進(jìn)的灰污熱流計(jì)，并借助BP神經(jīng)性強(qiáng)、碳轉(zhuǎn)化率高、負(fù)荷變化能力強(qiáng)等特點(diǎn)而得到網(wǎng)絡(luò)，對(duì)水冷壁向火面溫度進(jìn)行了模擬計(jì)算。了廣泛的應(yīng)用。氣化爐內(nèi)溫度是控制氣化. [藝指標(biāo)和維持系統(tǒng)安全運(yùn)行的重要參數(shù)。目前，生產(chǎn)中普1實(shí)驗(yàn)部分遍采用熱電偶測(cè)氧爐膛溫度.熱電偶在高溫下受氣流沖刷及熔渣腐蝕，其工作壽命只有幾天。而且往.1 原料性質(zhì)往由于熱電偶放置的位置不合適，導(dǎo)致溫度測(cè)量值實(shí)驗(yàn)選用煤渣的熔點(diǎn)溫度見(jiàn)表1,其流動(dòng)溫度不能真實(shí)地反映爐膛溫度,也就達(dá)不到控制工藝的為1186C.目的。因此，- -些化肥廠(chǎng)并沒(méi)有對(duì)水煤漿氣化爐的表1灰渣組成及熔點(diǎn)溫度爐溫進(jìn)行在線(xiàn)測(cè)量，而是利用氣化爐的甲烷含量對(duì)主要成分%熔點(diǎn)溫度/心C爐溫進(jìn)行間接地估計(jì)。但是，由于甲烷分析精度對(duì)SiO, AlO, L Ca0Fe:O3 TB__爐溫估計(jì)值的影響很大，實(shí)際效果并不理想。因此，43.91 30.45 12.83 7.63 1134 」1183 」1185 1186 。采用更加有效的方法來(lái)提高氣化爐溫度的測(cè)量精1.2 試驗(yàn)裝置度，提高操作水平，對(duì)于提高企業(yè)的經(jīng)濟(jì)效益和社1.2.1水冷壁氣化爐會(huì)效益具有重要的意義。當(dāng)今世界上先進(jìn)的爐膛溫度場(chǎng)的測(cè)量方法主實(shí)驗(yàn)所用的小型氣化爐見(jiàn)圖I,噴嘴置于爐頂，要有基于圖像處理的溫度場(chǎng)測(cè)量法和聲學(xué)高溫測(cè)下方是排渣口,爐淹在爐膛內(nèi)壁上沉積，爐壁上灰量法。潘宏俠等設(shè)計(jì)了一套測(cè)溫系統(tǒng)，以彩色面陣污熱流計(jì)的上端安置一根熱電偶用來(lái)來(lái)檢測(cè)向火CCD像機(jī)作為測(cè)溫傳感器,運(yùn)用數(shù)字圖像及處理技面爐壁溫度。術(shù)和動(dòng)態(tài)溫度標(biāo)定技術(shù)對(duì)焦?fàn)t溫度場(chǎng)進(jìn)行了描述，證明用煉焦?fàn)t內(nèi)焦炭火焰的溫度來(lái)反映整個(gè)窯爐口熱電偶.內(nèi)的溫度是一種較為有效的窯爐溫度測(cè)量方法，但I(xiàn) 灰污熱流計(jì)是CCD攝像頭在高溫粉塵和熔渣等惡劣環(huán)境下難以長(zhǎng)期工作，因此只適用于對(duì)溫度參數(shù)要求不很?chē)?yán)格的冶煉過(guò)程。賈莉娜等認(rèn)為聲學(xué)測(cè)溫儀表作為一種新型的非接觸儀表具有測(cè)量精度高、測(cè)量范圍中國(guó)煤化工廣、測(cè)量空間大、實(shí)時(shí)連續(xù)測(cè)量以及維護(hù)方便等優(yōu)點(diǎn),但是該系統(tǒng)直接測(cè)得的是某一路徑上的平均溫MHCNMH G圖1實(shí)驗(yàn)氣化爐及 其研究部位上海堞氣20090年第2期<《< 1生己Rroduction1.2.2灰污 熱流計(jì)實(shí)際工程問(wèn)題。測(cè)溫裝置使用灰污熱流計(jì)進(jìn)行間接測(cè)溫，熱流密度計(jì)由兩根插入不同深度的熱電偶組成。根據(jù)傅2.1 BP神經(jīng)網(wǎng)絡(luò)模型立葉定律，對(duì)于-維穩(wěn)態(tài)導(dǎo)熱，已知材料的導(dǎo)熱系BP網(wǎng)絡(luò)屬于映射型網(wǎng)絡(luò)，是月前應(yīng)用最廣泛數(shù)h,則測(cè)出導(dǎo)熱方向上任兩點(diǎn)間的溫差，即可求的模型，經(jīng)典的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示，它出熱流密度q，即:由輸入層、隱含層和輸出層構(gòu)成。層與層之間采用全互連方式，同一層神經(jīng)元之間不存在相互連接。q=2(.-12)18(1)神經(jīng)元是神經(jīng)網(wǎng)絡(luò)的最基本的組成部分，每個(gè)節(jié)點(diǎn)其中h為不銹鋼導(dǎo)熱系數(shù)(W/(m:K)), 8為兩根為單個(gè)神經(jīng)元，單個(gè)神經(jīng)元的功能是有限的，而由熱電偶之間的距離，1是近端熱電偶測(cè)得的溫度,大量神經(jīng)元通過(guò)互連構(gòu)造而成的神經(jīng)網(wǎng)絡(luò)才具有口是遠(yuǎn)端熱電偶測(cè)得的溫度:再根據(jù)熱流密度q可強(qiáng)大的集團(tuán)計(jì)算能力。以反推出灰污熱流計(jì)端部的溫度，即q.δ1,=+12(2)其中5為灰污熱流計(jì)端部的溫度，即氣化爐向火面爐壁溫度。考慮到水冷壁氣化爐爐壁上會(huì)覆蓋熔渣，熔渣的低導(dǎo)熱率會(huì)在很大程度上影響測(cè)量的準(zhǔn)確性，所以考慮在灰污熱流計(jì)環(huán)隙添加吹掃氮?dú)?減少端部值隱屈單元權(quán)值"嶼的掛渣，最終的灰污熱流計(jì)結(jié)構(gòu)如圖2所示。圖3三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)出由BP算法的基本思想可知，網(wǎng)絡(luò)模型的學(xué)習(xí)不銹鋼過(guò)程就是網(wǎng)絡(luò)權(quán)值不斷調(diào)整的過(guò)程，其基本算法如時(shí)向湖材料日。 IF:對(duì)于三層BP網(wǎng)絡(luò)模型，輸入向量為X=(x,x2隱層輸出向量為\進(jìn)輸出層輸出向量為0=(0.,0..,0...,0)'期望輸出向量為圖2熱流密度計(jì)d=(d,,..d....,d)"輸入層到隱層之間的權(quán)值矩陣用v表示，v(2v,,1v,".) ，1.3 操作條件其中列向量yj為隱層第j個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)向量:柴油預(yù)熱到1200 C后，投入油渣漿并穩(wěn)定燃.隱層到輸出層之間的權(quán)值矩陣用w表示，燒2 h,使?fàn)t壁掛渣達(dá)到平衡。油渣漿由煤渣與柴w=(w...,y ,其中列向量wk為輸出層第油混合制成，渣油比為3:2。k個(gè)神經(jīng)元對(duì)應(yīng)的權(quán)向量。各層信號(hào)之間的數(shù)序關(guān)系如下:2計(jì)算方法對(duì)于輸出層，有:鑒于氣化爐內(nèi)傳熱的復(fù)雜性以及熔渣的物理0= f(ne1)-=2,-,(3)參數(shù)多變性，要從實(shí)際傳熱機(jī)理出發(fā)建立溫度分布中國(guó)煤化工的數(shù)學(xué)模型十分困難。與之相比，神經(jīng)網(wǎng)絡(luò)方法更(4)CNMHG適合于復(fù)雜、非線(xiàn)性、多變量、動(dòng)態(tài)且難于建模的2)) 2009年第2期上海煤氣www.Shgas.com.cnProduction2.3.1網(wǎng)絡(luò) 模型的建立y,= f(net,)1-1.,.m(5)基于實(shí)驗(yàn)室水冷壁氣化爐熱模試驗(yàn)，測(cè)得溫度數(shù)據(jù)，將爐壁溫度、灰污熱流計(jì)內(nèi)遠(yuǎn)近兩處溫度作ne1,=二vyx,1.,2,",m .(6)為輸入層單元，灰污熱流計(jì)端部，即爐壁溫度作為以上兩式中，變換函數(shù)f(x)均為單極性輸出層單元，組成三輸入一輸出的三層BP網(wǎng)絡(luò)，Sigmoid 函數(shù)。通過(guò)已有的實(shí)驗(yàn)數(shù)據(jù)對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到數(shù)學(xué)模型。f(x) =(7)2.3.2 數(shù)據(jù)預(yù)處理當(dāng)網(wǎng)絡(luò)輸出與期望輸出不等時(shí)，存在輸出誤差在訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)之前，往往將輸入和輸出E,定義如下:變量作歸一化處理，即將網(wǎng)絡(luò)的輸入、輸出數(shù)據(jù)限E=號(hào)(d-0)*=之Z(4-38制在[-1,1]之間，防止數(shù)據(jù)之間差距過(guò)大，同時(shí)防止(8)部分神經(jīng)元出現(xiàn)過(guò)飽和狀態(tài)而影響訓(xùn)練過(guò)程。本文將以上誤差定義式展開(kāi)至隱層，有:計(jì)算模型中采用以下變換式對(duì)數(shù)據(jù)進(jìn)行歸一化處理:E=zZ(d-(ne,) -z2ld-1(Swny)(9)xmu= Xmar+Xmin(13)進(jìn)一步展開(kāi)至輸入層，有:x一Xmid_(14)0.5x(xma -xmn)式中: x為輸入或者輸出數(shù)據(jù); xmin 為數(shù)據(jù)變(10)化范圍的最小值; Xxmax 為數(shù)據(jù)變化范圍的最大值。由上式可見(jiàn)，網(wǎng)絡(luò)輸入誤差是各層權(quán)值wer vy2.3.3中間層節(jié)點(diǎn)數(shù)的選取的函數(shù)，因此調(diào)整權(quán)值可以改變誤差E.而權(quán)值調(diào)BP神經(jīng)網(wǎng)絡(luò)中間層節(jié)點(diǎn)數(shù)的確定尚無(wú)-一個(gè)通整的原則是使誤差不斷地減小，因此應(yīng)使權(quán)值的調(diào)用的公式。- -般來(lái)說(shuō)，波動(dòng)次數(shù)多、幅度變化大的整量與誤差的梯度下降正成比，即:復(fù)雜非線(xiàn)性函數(shù)要求網(wǎng)絡(luò)具有較多的隱節(jié)點(diǎn)來(lái)增強(qiáng)其映射能力。Ow/p =-η0w-01,-.; -1,-.. (11)試湊法是確定最佳隱含層節(jié)點(diǎn)數(shù)的一-種常用E方法，即先設(shè)置較少的中間層節(jié)點(diǎn)數(shù)訓(xùn)練網(wǎng)絡(luò)，然△vy =-η=0.1,2..;. j1.2,.m (12)后逐漸增加中間層節(jié)點(diǎn)數(shù)，從中確定網(wǎng)絡(luò)誤差最小.式中負(fù)號(hào)表示梯度下降，常數(shù)η∈(0,1)表示比的對(duì)應(yīng)的節(jié)點(diǎn)數(shù)。對(duì)于上述所建立的三輸入一輸出例系數(shù)，在訓(xùn)練中反映了學(xué)習(xí)速率。的3層BP網(wǎng)絡(luò)，通過(guò)選取不同中間層節(jié)點(diǎn)數(shù)進(jìn)行訓(xùn)練。圖4為以灰污熱流計(jì)遠(yuǎn)端、近端溫度和3-12.2訓(xùn)練樣本集的選取熱電偶所測(cè)溫度數(shù)據(jù)為訓(xùn)練樣本時(shí)不同中間層節(jié)BP神經(jīng)網(wǎng)絡(luò)在使用前，必須將它訓(xùn)練(即學(xué)點(diǎn)個(gè)數(shù)500次訓(xùn)練的平均誤差，可見(jiàn)隨著節(jié)點(diǎn)數(shù)目習(xí)。訓(xùn)練就是利用一-種 學(xué)習(xí)的方法按照有序的方式增加，神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差持續(xù)減小且有所起伏，但修改權(quán)值的過(guò)程，從應(yīng)用環(huán)境里得到的一些訓(xùn)練數(shù)是在達(dá)到一-定節(jié)點(diǎn)數(shù)后，基本趨于平緩。當(dāng)中間層據(jù)，不斷調(diào)整神經(jīng)網(wǎng)絡(luò)中的權(quán)矩陣，直到合適為止。節(jié)點(diǎn)個(gè)數(shù)為64時(shí)，網(wǎng)絡(luò)訓(xùn)練誤差處于較低水平，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)是根據(jù)實(shí)例重復(fù)訓(xùn)練，需要大量實(shí)同時(shí)考慮到過(guò)大的節(jié)點(diǎn)個(gè)數(shù)會(huì)增加運(yùn)算復(fù)雜度和例樣本的數(shù)據(jù)。訓(xùn)練樣本集不僅應(yīng)涵蓋有故障模式運(yùn)算時(shí)[中國(guó)煤化工間層節(jié)點(diǎn)數(shù)選數(shù)據(jù)，還應(yīng)有代表性，必須保證學(xué)習(xí)有效性。為64TYHCNMHG2.3 建立神經(jīng)網(wǎng)絡(luò)及參數(shù)設(shè)定上海煤氣2009年第2期<《< 8Production練平均誤差如圖5。15用訓(xùn)練好的網(wǎng)絡(luò)模型對(duì)20組預(yù)測(cè)樣本進(jìn)行預(yù)測(cè)計(jì)算，預(yù)測(cè)結(jié)果見(jiàn)表3.200 I0“八.....p0° 1⑥2030050607080中間層節(jié)點(diǎn)數(shù)圖4不同中間層節(jié)點(diǎn)數(shù)的訓(xùn)練誤差變化402.3.4其它參數(shù)的確定0200”40000100120初始權(quán)值和學(xué)習(xí)率的設(shè)定對(duì)BP網(wǎng)絡(luò)計(jì)算有不實(shí)驗(yàn)值C同程度的影響。若學(xué)習(xí)率設(shè)置過(guò)小，網(wǎng)絡(luò)訓(xùn)練收斂圖5訓(xùn)練平均誤差速度變慢，計(jì)算時(shí)間變長(zhǎng):反之，網(wǎng)絡(luò)訓(xùn)練收斂速表3灰污熱流 計(jì)測(cè)溫裝置的預(yù)測(cè)結(jié)果比較度加快，但是容易引起網(wǎng)絡(luò)不穩(wěn)定從而影響計(jì)算精編號(hào)試驗(yàn)值/C預(yù)測(cè)值/心 溫度誤差/C誤差度。而這些參數(shù)的設(shè)定日前沒(méi)有嚴(yán)格的理論指導(dǎo)來(lái)3433391.63%40914-1.14%參考,因此其它參數(shù)的設(shè)定都采用Matlab神經(jīng)網(wǎng)絡(luò)48084_-0.75% .工具箱中的默認(rèn)值。神經(jīng)網(wǎng)絡(luò)主要參數(shù)的設(shè)定見(jiàn)表6227-0.83%32。6976960.10%表2主要網(wǎng)絡(luò) 參數(shù)的設(shè)定67481-1.04%77參數(shù)直9889771.09%輸入變量值10791080輸出變量值1198。11821.21%54由以上對(duì)10 組數(shù)據(jù)的預(yù)測(cè)結(jié)果可以看到，經(jīng)訓(xùn)練響數(shù)TRAINLM算法白配偕紫函數(shù)均方誤差過(guò)訓(xùn)練以后的BP網(wǎng)絡(luò)模型對(duì)實(shí)際工況的預(yù)測(cè)結(jié)果坡大訓(xùn)練次數(shù)600非常理想，最大誤差為1.21%， 可以很好的預(yù)測(cè)爐膛溫度。3計(jì)算結(jié)果與分析4結(jié)論在實(shí)驗(yàn)室水冷壁氣化爐進(jìn)行水冷壁掛渣實(shí)驗(yàn)，用灰污熱流計(jì)得到5種工況下的50組實(shí)驗(yàn)數(shù)據(jù)，氣化爐內(nèi)溫度是控制氣化工藝指標(biāo)和維持系其中40組數(shù)據(jù)作為訓(xùn)練樣本,用來(lái)對(duì)建立的BP網(wǎng)統(tǒng)安全運(yùn)行的重要參數(shù)。本文基于實(shí)驗(yàn)室小型水冷絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練;另外10 組數(shù)據(jù)作為預(yù)測(cè)樣本，壁氣化爐進(jìn)行試驗(yàn)，采用自行設(shè)計(jì)的灰污熱流計(jì)測(cè)用來(lái)檢測(cè)網(wǎng)絡(luò)的預(yù)測(cè)能力。量，并結(jié)合神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)爐內(nèi)溫度進(jìn)行了預(yù)測(cè)。訓(xùn)練樣本的輸入和輸出參數(shù)都經(jīng)過(guò)歸一化預(yù)其結(jié)果與實(shí)驗(yàn)值吻合良好，說(shuō)明訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)處理后，用建立的3層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。訓(xùn)能夠?qū)饣癄t內(nèi)的溫度進(jìn)行準(zhǔn)確地預(yù)測(cè)。The Study of the Method for Pyrometry of Gasifier Based on Neural NetworkEast China University of Science and TechnologyDong Zhi Zhan Wangbin Liang Qinfeng Liu HaifengAbstract: Entraine-flow gasifier is widely used in the gasi中國(guó)煤化工ature in the fumaceis important for the operating. Based on Neural NetworkFrobe to prediot thetemperature distribution on the membrane wall, and achieved hi:MHCNMHGKeywords: heat fux probe, temperature detection, neural network4>> 2009年第2期 上海堞氣.