基于人工神经网络的离心压缩机建模

压缩机网

在离心压缩机的设计、实验和运行中，常需要了解其变工况性能。性能曲线就是刻画离心压缩机变工况性能的一类曲线，通常只能通过实验或换算获得其中最重要的几条。实验测量是对机器性能进行实测的直接方法，得到的曲线虽真实可靠，但实验费用昂贵。而通过已有数据为基础的性能换算，过分依赖于相似性假设的准确性及被满足的程度，只能保证已知数据附件的准确预测，远离该数据点的预测则往往与实际差别较大。

人工神经网络技术是一种全新的模拟人脑功能的信息处理系统，主要借鉴了人脑神经系统处理信息的过程，以数学网络拓扑为理论基础，以大规模并行性、高度的容错能力以及自适应、自学习、自组织等功能为特征，集信息、加工与存储一体化，具有广泛的应用前景。

应用神经网络进行离心压缩机性能预测，是利用其函数逼近特性，在众多具有函数逼近特性的神经网络结构模型中，反向传播网（BP网）模型因其良好的函数逼近特性而被誉为“万能逼近器”，因此，选用该网络模型进行离心压缩机的性能预测。BP法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经过各隐含层逐层处理后，传向输出层。若输出层的实际输出与期望的输出不相等，则转到误差的反向传播阶段。误差反向传播是将输出误差以某种形式通过隐含层逐层反传，并将误差分摊给各层的所有神经元，从而获得各层神经元的误差信号，这种信号正向传播与误差反向传播的各层权值调整过程是周而复始地进行的。

BP神经网络的基本原理是梯度下降法，也就是调整权值使网络总误差最小。在离心压缩机建模，主要是对工况数据的预处理和出口参数的预测，当确定了BP神经网络的结构，就能对神经网络进行训练，经过神经网络的优化计算，利用其模型来拟合实际输出与机理输出的误差值，这样补偿模型的输出与机理模型的输出相加就能够更准确地接近实际值。

RBF神经网络是在人工神经网络设计中提出径向基函数的概念，以此理论为基础而构造的一类前向网络，这类网络的学习等阶于多维空间中寻找训练。数据的最佳拟合平面，每一个隐含层神经元传递函数都构成了拟合平面的一个基函数，能以任意精度逼近任意连续函数，具有结构自适应确定、算法简便以及独特的网络映射能力，在自动控制中的辨识、建模及控制器的设计等的工程应用中获得了良好的效果。

利用RBF神经网络建立对离心压缩机性能预测的神经网络模型，从而能够精确地预测出离心压缩机性能的大小，能够分析离心压缩机的流量、叶片出口安装角、压力比和效率之间的神经网络与预测关系。一个典型的RBF神经网络结构由一个输出层，一个隐含层和一个输出层组成，基于RBF神经网络的离心压缩机建模方法，可以隐含层的输出矩阵信息入手，用偏最小二乘法解析确定冗余而可剪去的隐含点数，并找出优化的隐节点，以加速简约后网络的训练过程，利用RPF网络神经对压缩机进行性能预测，进行数据采集，获得训练神经网络的样本值。实际运行中，压缩机的叶片由于受到气体的腐蚀，其性能不断下降，加上工况的不断变化，其特性逐渐发生漂移。为了使所建立的性能预测模型能够描述压缩机的这种动态时的变特性，实际应用中采用在线监测和离线校正相结合的方法提高模型的预测精度，根据经验和实际应用要求设置一个误差上限，在线监测模型的预测精度，当模型误差大于上限时，重新从数据库中选取最新一段时间的历史运行数据，对RBF神经网络进行更新，提高模型的预测精度和适用性。

OS-ELM（在线序列极限学习机）算法是一种快速的单隐藏层神经网络训练算法。在网络参数的确定过程中，隐藏层节点的参数会随机选取，通过最小化平方损失函数得到的最小二乘解来确定网络权值，可以在很大程度上降低网络参数的调整时间。

利用基于OS-ELM神经网络的离心压缩机性能预测模型预测输出压比和温比的偏差，为了避免噪声等因素导致模型更新频繁，算法实时性下降，可采用在线滑动窗口技术指导预测模型在线更新。

在实际运行中，压缩机流量、压力和温度等波动较大，常常处于变工况运行状态，随着运行时间的推移，系统特性还会出现漂移现象。根据经验或生产要求要对模型设定一个误差上限值，并对模型的预测输出进行实时监测，当偏差大于所设定上限临界值时，则需要采用系统最新运行时段的数据对OS-ELM进行训练，从而快速地修正模型的预测偏差。为了体现模型中主要参数的在线更新过程，要分别选取不同时期的历史数据用于OS-ELM神经网络训练，并对数据样本用于模型验证，使性能预测模型效果更佳，与系统的实际输出值更加吻合，并能够在一定程度上解决机理模型所存在的预测误差问题。

您有什么不同的看法，欢迎留言进行交流！