基于神经网络的气化炉高温测量方法研究

生珂wWwsSJgS.com.cnProduction基于神经网络的气化炉高温测量方法研究华东理工大学董志占旺兵梁钦锋刘海峰摘要:气流床气化炉在气化工业中得到了广泛应用，炉内温度对于生产操作尤为重要。文章基于神经网络，运用自制的灰污热流计对炉壁温度进行了预测，取得了准确的结果。关键词:灰污热流计温度预测神经网络煤气化是煤的高效洁净利用的重要途径之-一,度，不能反映某一点的实际温度水平。气流床气化技术具有加压、单炉容量大、煤种适应本文运用改进的灰污热流计，并借助BP神经性强、碳转化率高、负荷变化能力强等特点而得到网络，对水冷壁向火面温度进行了模拟计算。了广泛的应用。气化炉内温度是控制气化. [艺指标和维持系统安全运行的重要参数。目前，生产中普1实验部分遍采用热电偶测氧炉膛温度.热电偶在高温下受气流冲刷及熔渣腐蚀，其工作寿命只有几天。而且往.1 原料性质往由于热电偶放置的位置不合适，导致温度测量值实验选用煤渣的熔点温度见表1,其流动温度不能真实地反映炉膛温度,也就达不到控制工艺的为1186C.目的。因此，- -些化肥厂并没有对水煤浆气化炉的表1灰渣组成及熔点温度炉温进行在线测量，而是利用气化炉的甲烷含量对主要成分%熔点温度/心C炉温进行间接地估计。但是，由于甲烷分析精度对SiO, AlO, L Ca0Fe:O3 TB__炉温估计值的影响很大，实际效果并不理想。因此，43.91 30.45 12.83 7.63 1134 」1183 」1185 1186 。采用更加有效的方法来提高气化炉温度的测量精1.2 试验装置度，提高操作水平，对于提高企业的经济效益和社1.2.1水冷壁气化炉会效益具有重要的意义。当今世界上先进的炉膛温度场的测量方法主实验所用的小型气化炉见图I,喷嘴置于炉顶，要有基于图像处理的温度场测量法和声学高温测下方是排渣口,炉淹在炉膛内壁上沉积，炉壁上灰量法。潘宏侠等设计了一套测温系统，以彩色面阵污热流计的上端安置一根热电偶用来来检测向火CCD像机作为测温传感器,运用数字图像及处理技面炉壁温度。术和动态温度标定技术对焦炉温度场进行了描述，证明用炼焦炉内焦炭火焰的温度来反映整个窑炉口热电偶.内的温度是一种较为有效的窑炉温度测量方法，但I 灰污热流计是CCD摄像头在高温粉尘和熔渣等恶劣环境下难以长期工作，因此只适用于对温度参数要求不很严格的冶炼过程。贾莉娜等认为声学测温仪表作为一种新型的非接触仪表具有测量精度高、测量范围中国煤化工广、测量空间大、实时连续测量以及维护方便等优点,但是该系统直接测得的是某一路径上的平均温MHCNMH G图1实验气化炉及 其研究部位上海堞气20090年第2期<《< 1生己Rroduction1.2.2灰污 热流计实际工程问题。测温装置使用灰污热流计进行间接测温，热流密度计由两根插入不同深度的热电偶组成。根据傅2.1 BP神经网络模型立叶定律，对于-维稳态导热，已知材料的导热系BP网络属于映射型网络，是月前应用最广泛数h,则测出导热方向上任两点间的温差，即可求的模型，经典的BP神经网络结构如图3所示，它出热流密度q，即:由输入层、隐含层和输出层构成。层与层之间采用全互连方式，同一层神经元之间不存在相互连接。q=2(.-12)18(1)神经元是神经网络的最基本的组成部分，每个节点其中h为不锈钢导热系数(W/(m:K)), 8为两根为单个神经元，单个神经元的功能是有限的，而由热电偶之间的距离，1是近端热电偶测得的温度,大量神经元通过互连构造而成的神经网络才具有口是远端热电偶测得的温度:再根据热流密度q可强大的集团计算能力。以反推出灰污热流计端部的温度，即q.δ1,=+12(2)其中5为灰污热流计端部的温度，即气化炉向火面炉壁温度。考虑到水冷壁气化炉炉壁上会覆盖熔渣，熔渣的低导热率会在很大程度上影响测量的准确性，所以考虑在灰污热流计环隙添加吹扫氮气,减少端部值隐屈单元权值"屿的挂渣，最终的灰污热流计结构如图2所示。图3三层BP神经网络结构出由BP算法的基本思想可知，网络模型的学习不锈钢过程就是网络权值不断调整的过程，其基本算法如时向湖材料日。 IF:对于三层BP网络模型，输入向量为X=(x,x2隐层输出向量为\进输出层输出向量为0=(0.,0..,0...,0)'期望输出向量为图2热流密度计d=(d,,..d....,d)"输入层到隐层之间的权值矩阵用v表示，v(2v,,1v,".) ，1.3 操作条件其中列向量yj为隐层第j个神经元对应的权向量:柴油预热到1200 C后，投入油渣浆并稳定燃.隐层到输出层之间的权值矩阵用w表示，烧2 h,使炉壁挂渣达到平衡。油渣浆由煤渣与柴w=(w...,y ,其中列向量wk为输出层第油混合制成，渣油比为3:2。k个神经元对应的权向量。各层信号之间的数序关系如下:2计算方法对于输出层，有:鉴于气化炉内传热的复杂性以及熔渣的物理0= f(ne1)-=2,-,(3)参数多变性，要从实际传热机理出发建立温度分布中国煤化工的数学模型十分困难。与之相比，神经网络方法更(4)CNMHG适合于复杂、非线性、多变量、动态且难于建模的2)) 2009年第2期上海煤气www.Shgas.com.cnProduction2.3.1网络 模型的建立y,= f(net,)1-1.,.m(5)基于实验室水冷壁气化炉热模试验，测得温度数据，将炉壁温度、灰污热流计内远近两处温度作ne1,=二vyx,1.,2,",m .(6)为输入层单元，灰污热流计端部，即炉壁温度作为以上两式中，变换函数f(x)均为单极性输出层单元，组成三输入一输出的三层BP网络，Sigmoid 函数。通过已有的实验数据对网络模型进行训练，得到数学模型。f(x) =(7)2.3.2 数据预处理当网络输出与期望输出不等时，存在输出误差在训练BP神经网络之前，往往将输入和输出E,定义如下:变量作归一化处理，即将网络的输入、输出数据限E=号(d-0)*=之Z(4-38制在[-1,1]之间，防止数据之间差距过大，同时防止(8)部分神经元出现过饱和状态而影响训练过程。本文将以上误差定义式展开至隐层，有:计算模型中采用以下变换式对数据进行归一化处理:E=zZ(d-(ne,) -z2ld-1(Swny)(9)xmu= Xmar+Xmin(13)进一步展开至输入层，有:x一Xmid_(14)0.5x(xma -xmn)式中: x为输入或者输出数据; xmin 为数据变(10)化范围的最小值; Xxmax 为数据变化范围的最大值。由上式可见，网络输入误差是各层权值wer vy2.3.3中间层节点数的选取的函数，因此调整权值可以改变误差E.而权值调BP神经网络中间层节点数的确定尚无-一个通整的原则是使误差不断地减小，因此应使权值的调用的公式。- -般来说，波动次数多、幅度变化大的整量与误差的梯度下降正成比，即:复杂非线性函数要求网络具有较多的隐节点来增强其映射能力。Ow/p =-η0w-01,-.; -1,-.. (11)试凑法是确定最佳隐含层节点数的一-种常用E方法，即先设置较少的中间层节点数训练网络，然△vy =-η=0.1,2..;. j1.2,.m (12)后逐渐增加中间层节点数，从中确定网络误差最小.式中负号表示梯度下降，常数η∈(0,1)表示比的对应的节点数。对于上述所建立的三输入一输出例系数，在训练中反映了学习速率。的3层BP网络，通过选取不同中间层节点数进行训练。图4为以灰污热流计远端、近端温度和3-12.2训练样本集的选取热电偶所测温度数据为训练样本时不同中间层节BP神经网络在使用前，必须将它训练(即学点个数500次训练的平均误差，可见随着节点数目习。训练就是利用一-种 学习的方法按照有序的方式增加，神经网络训练误差持续减小且有所起伏，但修改权值的过程，从应用环境里得到的一些训练数是在达到一-定节点数后，基本趋于平缓。当中间层据，不断调整神经网络中的权矩阵，直到合适为止。节点个数为64时，网络训练误差处于较低水平，神经网络的学习是根据实例重复训练，需要大量实同时考虑到过大的节点个数会增加运算复杂度和例样本的数据。训练样本集不仅应涵盖有故障模式运算时[中国煤化工间层节点数选数据，还应有代表性，必须保证学习有效性。为64TYHCNMHG2.3 建立神经网络及参数设定上海煤气2009年第2期<《< 8Production练平均误差如图5。15用训练好的网络模型对20组预测样本进行预测计算，预测结果见表3.200 I0“八.....p0° 1⑥2030050607080中间层节点数图4不同中间层节点数的训练误差变化402.3.4其它参数的确定0200”40000100120初始权值和学习率的设定对BP网络计算有不实验值C同程度的影响。若学习率设置过小，网络训练收敛图5训练平均误差速度变慢，计算时间变长:反之，网络训练收敛速表3灰污热流 计测温装置的预测结果比较度加快，但是容易引起网络不稳定从而影响计算精编号试验值/C预测值/心 温度误差/C误差度。而这些参数的设定日前没有严格的理论指导来3433391.63%40914-1.14%参考,因此其它参数的设定都采用Matlab神经网络48084_-0.75% .工具箱中的默认值。神经网络主要参数的设定见表6227-0.83%32。6976960.10%表2主要网络 参数的设定67481-1.04%77参数直9889771.09%输入变量值10791080输出变量值1198。11821.21%54由以上对10 组数据的预测结果可以看到，经训练响数TRAINLM算法白配偕紫函数均方误差过训练以后的BP网络模型对实际工况的预测结果坡大训练次数600非常理想，最大误差为1.21%， 可以很好的预测炉膛温度。3计算结果与分析4结论在实验室水冷壁气化炉进行水冷壁挂渣实验，用灰污热流计得到5种工况下的50组实验数据，气化炉内温度是控制气化工艺指标和维持系其中40组数据作为训练样本,用来对建立的BP网统安全运行的重要参数。本文基于实验室小型水冷络进行学习训练;另外10 组数据作为预测样本，壁气化炉进行试验，采用自行设计的灰污热流计测用来检测网络的预测能力。量，并结合神经网络技术对炉内温度进行了预测。训练样本的输入和输出参数都经过归一化预其结果与实验值吻合良好，说明训练好的神经网络处理后，用建立的3层BP神经网络进行训练。训能够对气化炉内的温度进行准确地预测。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中国煤化工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 上海堞气.