生珂wWwsSJgS.com.cnProduction基于神經網絡的氣化爐高溫測量方法研究華東理工大學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，爐內溫度對于生產操作尤為重要。文章基于神經網絡，運用自制的灰污熱流計對爐壁溫度進行了預測，取得了準確的結果。關鍵詞:灰污熱流計溫度預測神經網絡煤氣化是煤的高效潔凈利用的重要途徑之-一,度，不能反映某一點的實際溫度水平。氣流床氣化技術具有加壓、單爐容量大、煤種適應本文運用改進的灰污熱流計，并借助BP神經性強、碳轉化率高、負荷變化能力強等特點而得到網絡，對水冷壁向火面溫度進行了模擬計算。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(tǒng)安全運行的重要參數(shù)。目前，生產中普1實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 原料性質往由于熱電偶放置的位置不合適，導致溫度測量值實驗選用煤渣的熔點溫度見表1,其流動溫度不能真實地反映爐膛溫度,也就達不到控制工藝的為1186C.目的。因此，- -些化肥廠并沒有對水煤漿氣化爐的表1灰渣組成及熔點溫度爐溫進行在線測量，而是利用氣化爐的甲烷含量對主要成分%熔點溫度/心C爐溫進行間接地估計。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)的經濟效益和社1.2.1水冷壁氣化爐會效益具有重要的意義。當今世界上先進的爐膛溫度場的測量方法主實驗所用的小型氣化爐見圖I,噴嘴置于爐頂，要有基于圖像處理的溫度場測量法和聲學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(tǒng)，以彩色面陣污熱流計的上端安置一根熱電偶用來來檢測向火CCD像機作為測溫傳感器,運用數(shù)字圖像及處理技面爐壁溫度。術和動態(tài)溫度標定技術對焦爐溫度場進行了描述，證明用煉焦爐內焦炭火焰的溫度來反映整個窯爐口熱電偶.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)境下難以長期工作，因此只適用于對溫度參數(shù)要求不很嚴格的冶煉過程。賈莉娜等認為聲學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、實時連續(xù)測量以及維護方便等優(yōu)點,但是該系統(tǒng)直接測得的是某一路徑上的平均溫MHCNMH G圖1實驗氣化爐及 其研究部位上海堞氣20090年第2期<《< 1生己Rroduction1.2.2灰污 熱流計實際工程問題。測溫裝置使用灰污熱流計進行間接測溫，熱流密度計由兩根插入不同深度的熱電偶組成。根據(jù)傅2.1 BP神經網絡模型立葉定律，對于-維穩(wěn)態(tài)導熱，已知材料的導熱系BP網絡屬于映射型網絡，是月前應用最廣泛數(shù)h,則測出導熱方向上任兩點間的溫差，即可求的模型，經典的BP神經網絡結構如圖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，同一層神經元之間不存在相互連接。q=2(.-12)18(1)神經元是神經網絡的最基本的組成部分，每個節(jié)點其中h為不銹鋼導熱系數(shù)(W/(m:K)), 8為兩根為單個神經元，單個神經元的功能是有限的，而由熱電偶之間的距離，1是近端熱電偶測得的溫度,大量神經元通過互連構造而成的神經網絡才具有口是遠端熱電偶測得的溫度:再根據(jù)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覆蓋熔渣，熔渣的低導熱率會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神經網絡結構出由BP算法的基本思想可知，網絡模型的學習不銹鋼過程就是網絡權值不斷調整的過程，其基本算法如時向湖材料日。 IF:對于三層BP網絡模型，輸入向量為X=(x,x2隱層輸出向量為\進輸出層輸出向量為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個神經元對應的權向量:柴油預熱到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個神經元對應的權向量。各層信號之間的數(shù)序關系如下: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(shù)多變性，要從實際傳熱機理出發(fā)建立溫度分布中國煤化工的數(shù)學模型十分困難。與之相比，神經網絡方法更(4)CNMHG適合于復雜、非線性、多變量、動態(tài)且難于建模的2)) 2009年第2期上海煤氣www.Shgas.com.cnProduction2.3.1網絡 模型的建立y,= f(net,)1-1.,.m(5)基于實驗室水冷壁氣化爐熱模試驗，測得溫度數(shù)據(jù)，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(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網絡，Sigmoid 函數(shù)。通過已有的實驗數(shù)據(jù)對網絡模型進行訓練，得到數(shù)學模型。f(x) =(7)2.3.2 數(shù)據(jù)預處理當網絡輸出與期望輸出不等時，存在輸出誤差在訓練BP神經網絡之前，往往將輸入和輸出E,定義如下:變量作歸一化處理，即將網絡的輸入、輸出數(shù)據(jù)限E=號(d-0)*=之Z(4-38制在[-1,1]之間，防止數(shù)據(jù)之間差距過大，同時防止(8)部分神經元出現(xiàn)過飽和狀態(tài)而影響訓練過程。本文將以上誤差定義式展開至隱層，有:計算模型中采用以下變換式對數(shù)據(jù)進行歸一化處理:E=zZ(d-(ne,) -z2ld-1(Swny)(9)xmu= Xmar+Xmin(13)進一步展開至輸入層，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，網絡輸入誤差是各層權值wer vy2.3.3中間層節(jié)點數(shù)的選取的函數(shù)，因此調整權值可以改變誤差E.而權值調BP神經網絡中間層節(jié)點數(shù)的確定尚無-一個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。- -般來說，波動次數(shù)多、幅度變化大的整量與誤差的梯度下降正成比，即:復雜非線性函數(shù)要求網絡具有較多的隱節(jié)點來增強其映射能力。Ow/p =-η0w-01,-.; -1,-.. (11)試湊法是確定最佳隱含層節(jié)點數(shù)的一-種常用E方法，即先設置較少的中間層節(jié)點數(shù)訓練網絡，然△vy =-η=0.1,2..;. j1.2,.m (12)后逐漸增加中間層節(jié)點數(shù)，從中確定網絡誤差最小.式中負號表示梯度下降，常數(shù)η∈(0,1)表示比的對應的節(jié)點數(shù)。對于上述所建立的三輸入一輸出例系數(shù)，在訓練中反映了學習速率。的3層BP網絡，通過選取不同中間層節(jié)點數(shù)進行訓練。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(shù)據(jù)為訓練樣本時不同中間層節(jié)BP神經網絡在使用前，必須將它訓練(即學點個數(shù)500次訓練的平均誤差，可見隨著節(jié)點數(shù)目習。訓練就是利用一-種 學習的方法按照有序的方式增加，神經網絡訓練誤差持續(xù)減小且有所起伏，但修改權值的過程，從應用環(huán)境里得到的一些訓練數(shù)是在達到一-定節(jié)點數(shù)后，基本趨于平緩。當中間層據(jù)，不斷調整神經網絡中的權矩陣，直到合適為止。節(jié)點個數(shù)為64時，網絡訓練誤差處于較低水平，神經網絡的學習是根據(jù)實例重復訓練，需要大量實同時考慮到過大的節(jié)點個數(shù)會增加運算復雜度和例樣本的數(shù)據(jù)。訓練樣本集不僅應涵蓋有故障模式運算時[中國煤化工間層節(jié)點數(shù)選數(shù)據(jù)，還應有代表性，必須保證學習有效性。為64TYHCNMHG2.3 建立神經網絡及參數(shù)設定上海煤氣2009年第2期<《< 8Production練平均誤差如圖5。15用訓練好的網絡模型對20組預測樣本進行預測計算，預測結果見表3.200 I0“八.....p0° 1⑥2030050607080中間層節(jié)點數(shù)圖4不同中間層節(jié)點數(shù)的訓練誤差變化402.3.4其它參數(shù)的確定0200”40000100120初始權值和學習率的設定對BP網絡計算有不實驗值C同程度的影響。若學習率設置過小，網絡訓練收斂圖5訓練平均誤差速度變慢，計算時間變長:反之，網絡訓練收斂速表3灰污熱流 計測溫裝置的預測結果比較度加快，但是容易引起網絡不穩(wěn)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(shù)的設定日前沒有嚴格的理論指導來3433391.63%40914-1.14%參考,因此其它參數(shù)的設定都采用Matlab神經網絡48084_-0.75% .工具箱中的默認值。神經網絡主要參數(shù)的設定見表6227-0.83%32。6976960.10%表2主要網絡 參數(shù)的設定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10 組數(shù)據(jù)的預測結果可以看到，經訓練響數(shù)TRAINLM算法白配偕紫函數(shù)均方誤差過訓練以后的BP網絡模型對實際工況的預測結果坡大訓練次數(shù)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結論在實驗室水冷壁氣化爐進行水冷壁掛渣實驗，用灰污熱流計得到5種工況下的50組實驗數(shù)據(jù)，氣化爐內溫度是控制氣化工藝指標和維持系其中40組數(shù)據(jù)作為訓練樣本,用來對建立的BP網統(tǒng)安全運行的重要參數(shù)。本文基于實驗室小型水冷絡進行學習訓練;另外10 組數(shù)據(jù)作為預測樣本，壁氣化爐進行試驗，采用自行設計的灰污熱流計測用來檢測網絡的預測能力。量，并結合神經網絡技術對爐內溫度進行了預測。訓練樣本的輸入和輸出參數(shù)都經過歸一化預其結果與實驗值吻合良好，說明訓練好的神經網絡處理后，用建立的3層BP神經網絡進行訓練。訓能夠對氣化爐內的溫度進行準確地預測。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.