基于神經(jīng)網(wǎng)絡(luò )的氣化爐高溫測量方法研究

生珂wWwsSJgS.com.cnProduction基于神經(jīng)網(wǎng)絡(luò )的氣化爐高溫測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)中得到了廣泛應用，爐內溫度對于生產(chǎn)操作尤為重要。文章基于神經(jīng)網(wǎng)絡(luò )，運用自制的灰污熱流計對爐壁溫度進(jìn)行了預測，取得了準確的結果。關(guān)鍵詞:灰污熱流計溫度預測神經(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、煤種適應本文運用改進(jìn)的灰污熱流計，并借助BP神經(jīng)性強、碳轉化率高、負荷變化能力強等特點(diǎn)而得到網(wǎng)絡(luò )，對水冷壁向火面溫度進(jìn)行了模擬計算。了廣泛的應用。氣化爐內溫度是控制氣化. [藝指標和維持系統安全運行的重要參數。目前，生產(chǎn)中普1實(shí)驗部分遍采用熱電偶測氧爐膛溫度.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，導致溫度測量值實(shí)驗選用煤渣的熔點(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,也就達不到控制工藝的為1186C.目的。因此，- -些化肥廠(chǎng)并沒(méi)有對水煤漿氣化爐的表1灰渣組成及熔點(diǎn)溫度爐溫進(jìn)行在線(xiàn)測量，而是利用氣化爐的甲烷含量對主要成分%熔點(diǎn)溫度/心C爐溫進(jìn)行間接地估計。但是，由于甲烷分析精度對SiO, AlO, L Ca0Fe:O3 TB__爐溫估計值的影響很大，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量精1.2 試驗裝置度，提高操作水平，對于提高企業(yè)的經(jīng)濟效益和社1.2.1水冷壁氣化爐會(huì )效益具有重要的意義。當今世界上先進(jìn)的爐膛溫度場(chǎng)的測量方法主實(shí)驗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)測量法和聲學(xué)高溫測下方是排渣口,爐淹在爐膛內壁上沉積，爐壁上灰量法。潘宏俠等設計了一套測溫系統，以彩色面陣污熱流計的上端安置一根熱電偶用來(lái)來(lái)檢測向火CCD像機作為測溫傳感器,運用數字圖像及處理技面爐壁溫度。術(shù)和動(dòng)態(tài)溫度標定技術(shù)對焦爐溫度場(chǎng)進(jìn)行了描述，證明用煉焦爐內焦炭火焰的溫度來(lái)反映整個(gè)窯爐口熱電偶.內的溫度是一種較為有效的窯爐溫度測量方法，但I 灰污熱流計是CCD攝像頭在高溫粉塵和熔渣等惡劣環(huán)境下難以長(cháng)期工作，因此只適用于對溫度參數要求不很?chē)栏竦囊睙掃^(guò)程。賈莉娜等認為聲學(xué)測溫儀表作為一種新型的非接觸儀表具有測量精度高、測量范圍中國煤化工廣、測量空間大、實(shí)時(shí)連續測量以及維護方便等優(yōu)點(diǎn),但是該系統直接測得的是某一路徑上的平均溫MHCNMH G圖1實(shí)驗氣化爐及 其研究部位上海堞氣20090年第2期<《< 1生己Rroduction1.2.2灰污 熱流計實(shí)際工程問(wèn)題。測溫裝置使用灰污熱流計進(jìn)行間接測溫，熱流密度計由兩根插入不同深度的熱電偶組成。根據傅2.1 BP神經(jīng)網(wǎng)絡(luò )模型立葉定律，對于-維穩態(tài)導熱，已知材料的導熱系BP網(wǎng)絡(luò )屬于映射型網(wǎng)絡(luò )，是月前應用最廣泛數h,則測出導熱方向上任兩點(diǎn)間的溫差，即可求的模型，經(jīng)典的BP神經(jīng)網(wǎng)絡(luò )結構如圖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)節點(diǎn)其中h為不銹鋼導熱系數(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是近端熱電偶測得的溫度,大量神經(jīng)元通過(guò)互連構造而成的神經(jīng)網(wǎng)絡(luò )才具有口是遠端熱電偶測得的溫度:再根據熱流密度q可強大的集團計算能力。以反推出灰污熱流計端部的溫度，即q.δ1,=+12(2)其中5為灰污熱流計端部的溫度，即氣化爐向火面爐壁溫度?？紤]到水冷壁氣化爐爐壁上會(huì )覆蓋熔渣，熔渣的低導熱率會(huì )在很大程度上影響測量的準確性，所以考慮在灰污熱流計環(huán)隙添加吹掃氮氣,減少端部值隱屈單元權值"嶼的掛渣，最終的灰污熱流計結構如圖2所示。圖3三層BP神經(jīng)網(wǎng)絡(luò )結構出由BP算法的基本思想可知，網(wǎng)絡(luò )模型的學(xué)習不銹鋼過(guò)程就是網(wǎng)絡(luò )權值不斷調整的過(guò)程，其基本算法如時(shí)向湖材料日。 IF:對于三層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d=(d,,..d....,d)"輸入層到隱層之間的權值矩陣用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)元對應的權向量:柴油預熱到1200 C后，投入油渣漿并穩定燃.隱層到輸出層之間的權值矩陣用w表示，燒2 h,使爐壁掛渣達到平衡。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)元對應的權向量。各層信號之間的數序關(guān)系如下:2計算方法對于輸出層，有:鑒于氣化爐內傳熱的復雜性以及熔渣的物理0= f(ne1)-=2,-,(3)參數多變性，要從實(shí)際傳熱機理出發(fā)建立溫度分布中國煤化工的數學(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)驗室水冷壁氣化爐熱模試驗，測得溫度數據，將爐壁溫度、灰污熱流計內遠近兩處溫度作ne1,=二vyx,1.,2,",m .(6)為輸入層單元，灰污熱流計端部，即爐壁溫度作為以上兩式中，變換函數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。通過(guò)已有的實(shí)驗數據對網(wǎng)絡(luò )模型進(jìn)行訓練，得到數學(xué)模型。f(x) =(7)2.3.2 數據預處理當網(wǎng)絡(luò )輸出與期望輸出不等時(shí)，存在輸出誤差在訓練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、輸出數據限E=號(d-0)*=之Z(4-38制在[-1,1]之間，防止數據之間差距過(guò)大，同時(shí)防止(8)部分神經(jīng)元出現過(guò)飽和狀態(tài)而影響訓練過(guò)程。本文將以上誤差定義式展開(kāi)至隱層，有:計算模型中采用以下變換式對數據進(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為輸入或者輸出數據; xmin 為數據變(10)化范圍的最小值; Xxmax 為數據變化范圍的最大值。由上式可見(jiàn)，網(wǎng)絡(luò )輸入誤差是各層權值wer vy2.3.3中間層節點(diǎn)數的選取的函數，因此調整權值可以改變誤差E.而權值調BP神經(jīng)網(wǎng)絡(luò )中間層節點(diǎn)數的確定尚無(wú)-一個(gè)通整的原則是使誤差不斷地減小，因此應使權值的調用的公式。- -般來(lái)說(shuō)，波動(dòng)次數多、幅度變化大的整量與誤差的梯度下降正成比，即:復雜非線(xiàn)性函數要求網(wǎng)絡(luò )具有較多的隱節點(diǎn)來(lái)增強其映射能力。Ow/p =-η0w-01,-.; -1,-.. (11)試湊法是確定最佳隱含層節點(diǎn)數的一-種常用E方法，即先設置較少的中間層節點(diǎn)數訓練網(wǎng)絡(luò )，然△vy =-η=0.1,2..;. j1.2,.m (12)后逐漸增加中間層節點(diǎn)數，從中確定網(wǎng)絡(luò )誤差最小.式中負號表示梯度下降，常數η∈(0,1)表示比的對應的節點(diǎn)數。對于上述所建立的三輸入一輸出例系數，在訓練中反映了學(xué)習速率。的3層BP網(wǎng)絡(luò )，通過(guò)選取不同中間層節點(diǎn)數進(jìn)行訓練。圖4為以灰污熱流計遠端、近端溫度和3-12.2訓練樣本集的選取熱電偶所測溫度數據為訓練樣本時(shí)不同中間層節BP神經(jīng)網(wǎng)絡(luò )在使用前，必須將它訓練(即學(xué)點(diǎn)個(gè)數500次訓練的平均誤差，可見(jiàn)隨著(zhù)節點(diǎn)數目習。訓練就是利用一-種 學(xué)習的方法按照有序的方式增加，神經(jīng)網(wǎng)絡(luò )訓練誤差持續減小且有所起伏，但修改權值的過(guò)程，從應用環(huán)境里得到的一些訓練數是在達到一-定節點(diǎn)數后，基本趨于平緩。當中間層據，不斷調整神經(jīng)網(wǎng)絡(luò )中的權矩陣，直到合適為止。節點(diǎn)個(gè)數為64時(shí)，網(wǎng)絡(luò )訓練誤差處于較低水平，神經(jīng)網(wǎng)絡(luò )的學(xué)習是根據實(shí)例重復訓練，需要大量實(shí)同時(shí)考慮到過(guò)大的節點(diǎn)個(gè)數會(huì )增加運算復雜度和例樣本的數據。訓練樣本集不僅應涵蓋有故障模式運算時(shí)[中國煤化工間層節點(diǎn)數選數據，還應有代表性，必須保證學(xué)習有效性。為64TYHCNMHG2.3 建立神經(jīng)網(wǎng)絡(luò )及參數設定上海煤氣2009年第2期<《< 8Production練平均誤差如圖5。15用訓練好的網(wǎng)絡(luò )模型對20組預測樣本進(jìn)行預測計算，預測結果見(jiàn)表3.200 I0“八.....p0° 1⑥2030050607080中間層節點(diǎn)數圖4不同中間層節點(diǎn)數的訓練誤差變化402.3.4其它參數的確定0200”40000100120初始權值和學(xué)習率的設定對BP網(wǎng)絡(luò )計算有不實(shí)驗值C同程度的影響。若學(xué)習率設置過(guò)小，網(wǎng)絡(luò )訓練收斂圖5訓練平均誤差速度變慢，計算時(shí)間變長(cháng):反之，網(wǎng)絡(luò )訓練收斂速表3灰污熱流 計測溫裝置的預測結果比較度加快，但是容易引起網(wǎng)絡(luò )不穩定從而影響計算精編號試驗值/C預測值/心 溫度誤差/C誤差度。而這些參數的設定日前沒(méi)有嚴格的理論指導來(lái)3433391.63%40914-1.14%參考,因此其它參數的設定都采用Matlab神經(jīng)網(wǎng)絡(luò )48084_-0.75% .工具箱中的默認值。神經(jīng)網(wǎng)絡(luò )主要參數的設定見(jiàn)表6227-0.83%32。6976960.10%表2主要網(wǎng)絡(luò ) 參數的設定67481-1.04%77參數直9889771.09%輸入變量值10791080輸出變量值1198。11821.21%54由以上對10 組數據的預測結果可以看到，經(jīng)訓練響數TRAINLM算法白配偕紫函數均方誤差過(guò)訓練以后的BP網(wǎng)絡(luò )模型對實(shí)際工況的預測結果坡大訓練次數600非常理想，最大誤差為1.21%， 可以很好的預測爐膛溫度。3計算結果與分析4結論在實(shí)驗室水冷壁氣化爐進(jìn)行水冷壁掛渣實(shí)驗，用灰污熱流計得到5種工況下的50組實(shí)驗數據，氣化爐內溫度是控制氣化工藝指標和維持系其中40組數據作為訓練樣本,用來(lái)對建立的BP網(wǎng)統安全運行的重要參數。本文基于實(shí)驗室小型水冷絡(luò )進(jìn)行學(xué)習訓練;另外10 組數據作為預測樣本，壁氣化爐進(jìn)行試驗，采用自行設計的灰污熱流計測用來(lái)檢測網(wǎng)絡(luò )的預測能力。量，并結合神經(jīng)網(wǎng)絡(luò )技術(shù)對爐內溫度進(jìn)行了預測。訓練樣本的輸入和輸出參數都經(jīng)過(guò)歸一化預其結果與實(shí)驗值吻合良好，說(shuō)明訓練好的神經(jīng)網(wǎng)絡(luò )處理后，用建立的3層BP神經(jīng)網(wǎng)絡(luò )進(jìn)行訓練。訓能夠對氣化爐內的溫度進(jìn)行準確地預測。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.