RBF-BP網(wǎng)絡(luò)在火電廠氮氧化物濃度檢測(cè)的應(yīng)用*

嚴(yán) 玥, 嚴(yán) 實(shí), 江 赟

(1.重慶工商大學(xué) 檢測(cè)控制集成系統(tǒng)重慶市市級(jí)工程實(shí)驗(yàn)室,重慶 400067;2.重慶川儀分析儀器有限公司，重慶 400060)

?

應(yīng)用技術(shù)

RBF-BP網(wǎng)絡(luò)在火電廠氮氧化物濃度檢測(cè)的應(yīng)用*

嚴(yán) 玥1, 嚴(yán) 實(shí)2, 江 赟1

(1.重慶工商大學(xué) 檢測(cè)控制集成系統(tǒng)重慶市市級(jí)工程實(shí)驗(yàn)室,重慶 400067;2.重慶川儀分析儀器有限公司，重慶 400060)

在分析影響火電廠氮氧化物濃度檢測(cè)精度的多種原因基礎(chǔ)上，提出建立RBF-BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行改進(jìn)的方法，并詳細(xì)說明了樣本數(shù)據(jù)、神經(jīng)網(wǎng)絡(luò)構(gòu)成、訓(xùn)練函數(shù)、回歸因子、動(dòng)量因子等關(guān)鍵技術(shù)。以2015年實(shí)際火電廠檢測(cè)數(shù)據(jù)為依據(jù)，對(duì)建立的RBF-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了仿真實(shí)驗(yàn)，并與單一RBF仿真實(shí)驗(yàn)進(jìn)行對(duì)比分析，實(shí)驗(yàn)表明平均相對(duì)誤差為0.3 %～1 %，證明了該方法的有效性。

干擾; 濃度檢測(cè); 徑向基函數(shù); 反向傳播; 氮氧化物

0 引 言

目前火電廠尾氣排放在線監(jiān)測(cè)儀通常采用紅外線吸收法以及傅里葉吸收法原理。由于存在大氣溫度、樣氣溫度、燃煤質(zhì)量、電器干擾以及樣氣交叉等干擾因素的影響，表現(xiàn)出干擾因素多樣化、形成因素不穩(wěn)定的特點(diǎn)。采用硬件補(bǔ)償存在硬件漂移和調(diào)試?yán)щy等問題，且也無(wú)法做到全額補(bǔ)償；而采用信息融合技術(shù)的軟件補(bǔ)償方式不需要調(diào)試，避免對(duì)各種因素的定性定量評(píng)估以及數(shù)學(xué)模型，補(bǔ)償效果好，因而逐漸興起，并在相關(guān)領(lǐng)域展現(xiàn)了較好的研究和應(yīng)用價(jià)值[1～3]。

從實(shí)際工程角度上，目前國(guó)內(nèi)大型火力發(fā)電廠通常使用單一傳感器，測(cè)量經(jīng)轉(zhuǎn)換后的NO濃度作為氮氧化物濃度測(cè)量值。一般監(jiān)測(cè)精度只能控制在1 %以內(nèi)。通常分析儀器整重約200 kg，體積約0.96 m3,安裝周期需要大約一周。受到施工安置難度、成本以及實(shí)際工作環(huán)境相對(duì)惡劣等(排放煙囪高度為180～210 m,樣氣采集高度90 m)原因約束，很難再通過增加儀器硬件或者使用高精度儀器的方式提高實(shí)際測(cè)量精度。

本文不再以硬件方式改進(jìn)儀器最小量程，而是在現(xiàn)有氣體分析儀器元件敏感范圍內(nèi)，根據(jù)信息融合技術(shù)，采用反向傳播(back propagation,BP)和徑向基函數(shù)(radial-basis-function,RBF)神經(jīng)網(wǎng)絡(luò)結(jié)合的方法，以實(shí)際火電廠工業(yè)排放數(shù)據(jù)為訓(xùn)練樣本，設(shè)計(jì)出合理的神經(jīng)網(wǎng)絡(luò)，完成網(wǎng)絡(luò)訓(xùn)練，并模擬儀器實(shí)際工作環(huán)境設(shè)置測(cè)試數(shù)據(jù)進(jìn)行計(jì)算機(jī)仿真，將單一RBF網(wǎng)絡(luò)和RBF-BP網(wǎng)絡(luò)以相對(duì)誤差、殘差、迭代耗時(shí)等對(duì)比以分析其有效性。

1 干擾因素分析和解決方案提出

由于火電實(shí)際工藝流程中無(wú)法做到相對(duì)穩(wěn)定，對(duì)氮氧化物濃度檢測(cè)的干擾主要表現(xiàn)在其濃度輸出值(p)不僅只決定于一個(gè)目標(biāo)參量(吸收的紅外線能量e)，而是與非目標(biāo)參量如樣氣流量fr，粉塵含量d，溫度t，含水量w以及電器噪音f，各種有機(jī)物o(如：焦油、苯萘)等有關(guān)的多元函數(shù)，即

P=f(fr,d,t,w,n,o,…)

(1)

在非線性映射的研究過程中，充分利用傳感器在不同時(shí)間或者空間上的冗余互補(bǔ)信息，依據(jù)某種準(zhǔn)則來進(jìn)行分析、支配和使用，以獲得比當(dāng)前單一數(shù)據(jù)更為充分的信息是基于傳感數(shù)據(jù)融合的核心[4]。在神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、遺傳算法和模糊系統(tǒng)等數(shù)據(jù)融合的研究領(lǐng)域中，神經(jīng)網(wǎng)絡(luò)的一致性逼近原則認(rèn)為：如果能夠確保足夠多的淺層網(wǎng)絡(luò)的隱層神經(jīng)元個(gè)數(shù)或者足夠深的深度網(wǎng)絡(luò)，就一定能找到一個(gè)淺層網(wǎng)絡(luò)和一個(gè)深層網(wǎng)絡(luò)已任意精度逼近任意一個(gè)非線性映射[5]。

由于地理環(huán)境及煤炭質(zhì)量等多種干擾因素并不具有橫向可比性，因此可以引入“時(shí)間參數(shù)”，使用同一火電廠的實(shí)時(shí)檢測(cè)數(shù)據(jù)為訓(xùn)練數(shù)據(jù)，尋找合適的網(wǎng)絡(luò)結(jié)構(gòu)并解決訓(xùn)練函數(shù)，動(dòng)量因子、隱藏層設(shè)計(jì)等關(guān)鍵問題，以得到合理的神經(jīng)網(wǎng)絡(luò)，并用模擬現(xiàn)實(shí)環(huán)境的測(cè)試樣本進(jìn)行分析和評(píng)估。

2 關(guān)鍵設(shè)計(jì)說明

2.1 氣體分析儀器說明

以川儀P200—UV為分析檢測(cè)單元，分析單元結(jié)構(gòu)如圖1所示。儀器(FS,滿量程)情況下誤差相關(guān)指標(biāo)為：線性誤差不超過±2 %，零點(diǎn)、量程漂移不超過5 %，輸出波動(dòng)不大于1 %。

圖1 P200—UV儀器結(jié)構(gòu)圖Fig 1 Structure of P200—UV

2.2 訓(xùn)練過程

BP神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力強(qiáng)，實(shí)現(xiàn)相對(duì)容易，已經(jīng)在識(shí)別與去噪、回歸、分類等領(lǐng)域得到了相當(dāng)廣泛的運(yùn)用[6～8]。但其學(xué)習(xí)算法容易陷入“局部最優(yōu)”，且網(wǎng)絡(luò)初始值的選取、隱藏層層數(shù)的選取很大程序上依賴于經(jīng)驗(yàn)。而RBF具有較高的收斂速度并在儀器儀表的很多領(lǐng)域中都有很廣泛的應(yīng)用價(jià)值[9,10]。因此采用BP與RBF相結(jié)合的方法，以提高其泛化性能、克服非標(biāo)準(zhǔn)訓(xùn)練樣本集的錯(cuò)誤引導(dǎo)。

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程可簡(jiǎn)述為：訓(xùn)練樣本進(jìn)行RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練，得到一個(gè)相對(duì)穩(wěn)定合理的網(wǎng)絡(luò)結(jié)構(gòu)，并用測(cè)試數(shù)據(jù)進(jìn)行預(yù)估。再將同樣的訓(xùn)練樣本經(jīng)由已經(jīng)訓(xùn)練好的RBF網(wǎng)絡(luò)的結(jié)果作為BP網(wǎng)絡(luò)的輸入并對(duì)其進(jìn)行訓(xùn)練，最后以同樣的測(cè)試數(shù)據(jù)進(jìn)行仿真并進(jìn)行分析。

2.3 相關(guān)數(shù)據(jù)說明

1)訓(xùn)練樣本

神經(jīng)網(wǎng)絡(luò)樣本輸入向量包括樣氣溫度、流量、含水量、粉塵顆粒以及儀器輸出電壓組成。以火電廠現(xiàn)場(chǎng)得到的80組真實(shí)數(shù)據(jù)作為訓(xùn)練樣本。在現(xiàn)場(chǎng)環(huán)境中經(jīng)由預(yù)處理裝置[11]能夠保證樣氣在進(jìn)入分析儀器前能夠達(dá)到的相關(guān)性能指標(biāo)為：溫度：3～5 ℃；粉塵顆粒：0～0.5 μm；流量40～60 L/H；水分含量<0.8(現(xiàn)場(chǎng)工藝環(huán)境無(wú)法做到零水分)。但由于現(xiàn)場(chǎng)未安裝相應(yīng)傳感器，并不能確定其精確值，故采用二維插值方法生成相關(guān)區(qū)域中的值，其Mathlab相關(guān)代碼如下

N=size(x,2);

[xx0,yy0]=meshgrid(1∶N,1∶6);

[xx1,yy1]=meshgrid(linspace(1,N,100),1∶6);

XX=interp2(xx0,yy0,x,xx1,yy1,’cubic’)

式中 x為輸入向量與對(duì)應(yīng)的目標(biāo)輸出合并而成的6×80的矩陣，XX為經(jīng)過插值得到的訓(xùn)練樣本。

2)測(cè)試樣本

在同等環(huán)境下20組標(biāo)準(zhǔn)濃度氣體，其中溫度、流量、含水量、粉塵顆粒仍然以二維插值方法在同等范圍內(nèi)生成作為測(cè)試用例。

3)神經(jīng)網(wǎng)絡(luò)輸出

輸出結(jié)果為濃度標(biāo)量，即網(wǎng)絡(luò)輸出層神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)為1。

2.4 神經(jīng)網(wǎng)絡(luò)各層設(shè)計(jì)

1)樣本數(shù)據(jù)：由前所述，輸入向量定義為5×80的矩陣，目標(biāo)輸出值為1×80行向量。

2)RBF網(wǎng)絡(luò)設(shè)計(jì)

第一層為輸入層，兩個(gè)隱含層，以及一個(gè)輸出層，其中回歸因子的選擇遵循以下算法：

對(duì)于i≠j,m和wj正交，y(t)的能量為

(2)

移去其均值后，y為期望輸出的矢量，則y(t)的方差為

(3)

(4)

對(duì)于可選擇的若干個(gè)回歸因子，每個(gè)回歸因子對(duì)對(duì)應(yīng)一個(gè)誤差壓縮比，從誤差壓縮比中選擇最大的一個(gè)，這個(gè)誤差壓縮比對(duì)應(yīng)的回歸因子就是最終選擇的回歸因子。

不進(jìn)行閥值自適應(yīng)調(diào)整，使用均方誤差(mean square error，MSE)為誤差容限單位，當(dāng)訓(xùn)練誤差仍大于目標(biāo)誤差時(shí)，RBF將以逐漸增加神經(jīng)元使訓(xùn)練誤差減小，若達(dá)到最大神經(jīng)元個(gè)數(shù)極限仍為達(dá)到目標(biāo)誤差時(shí)，網(wǎng)絡(luò)不收斂；

3)BP網(wǎng)絡(luò)設(shè)計(jì)

增加隱含層可以明顯減少網(wǎng)絡(luò)規(guī)模，因此設(shè)定BP網(wǎng)絡(luò)隱含層為10，隱含層使用Sigmoid函數(shù)，在傳統(tǒng)LMS(Least Mean Square Algorithm，最小均方誤差算法)[12]的權(quán)值更新階段引入動(dòng)量因子α(0<α<1)，即

(5)

節(jié)點(diǎn)間傳遞函數(shù)為硬限幅傳遞函數(shù)hardlim；訓(xùn)練函數(shù)為動(dòng)量反傳和動(dòng)態(tài)自適應(yīng)學(xué)習(xí)率的梯度下降traingdx。使用MSE作為誤差容限單位。BP網(wǎng)絡(luò)將以增加迭代次數(shù)使訓(xùn)練誤差減小，若達(dá)到指定迭代次數(shù)極限還未達(dá)到指定誤差，則網(wǎng)絡(luò)不收斂，實(shí)驗(yàn)失敗。

3 實(shí) 驗(yàn)

用前述訓(xùn)練樣本輸入單一RBF網(wǎng)絡(luò)，設(shè)置誤差容限為1×10-8，最大神經(jīng)元個(gè)數(shù)極限為100，其訓(xùn)練過程及結(jié)果如圖2所示。此時(shí)RBF網(wǎng)絡(luò)誤差率呈不斷下降趨勢(shì)，迭代至72次后低于指定誤差訓(xùn)練結(jié)束，表現(xiàn)出了較好的收斂速度，此時(shí)RBF平均相對(duì)誤差為4.14 %，但最大相對(duì)誤差為19.8 %。由此可見單一RBF對(duì)訓(xùn)練樣本數(shù)據(jù)表現(xiàn)出了極不穩(wěn)定的性能。

圖2 誤差性能曲線Fig 2 Error performance curve

將上述 RBF網(wǎng)絡(luò)得到輸出作為BP網(wǎng)絡(luò)輸入，采用feedforwardnet函數(shù)創(chuàng)建BP網(wǎng)絡(luò)，設(shè)置誤差容限同樣為1×10-8，隱含層設(shè)置為10，迭代次數(shù)極限為1 000，進(jìn)行訓(xùn)練，RBF-BP網(wǎng)絡(luò)的迭代次數(shù)為13次，遠(yuǎn)低于指定迭代次數(shù)，達(dá)到訓(xùn)練目的完成訓(xùn)練。為了更加直觀反應(yīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)測(cè)試數(shù)據(jù)的準(zhǔn)確性，圖4給出給出了單一RBF，RBF-BP組合神經(jīng)網(wǎng)絡(luò)的20組組測(cè)試數(shù)據(jù)的測(cè)試結(jié)果以及真實(shí)值。由圖3可知，單一RBF輸出對(duì)于部分測(cè)試樣本沒有明顯誤差，但在部分樣本上表現(xiàn)出了明顯差異，且該差異與氣體濃度值大小無(wú)明顯關(guān)系，很難加以優(yōu)化，預(yù)測(cè)精度不如RBF-BP。

圖3 RBF和RBF-BP測(cè)試結(jié)果比較Fig 3 Comparison of the results of the RBF and RBF-BP

同時(shí)RBF-BP組合神經(jīng)預(yù)測(cè)結(jié)果的輸出向量與目標(biāo)向量的誤差區(qū)間相對(duì)較窄，表現(xiàn)出了較好的穩(wěn)定性，該特性可以通過RBF,RBF-BP的殘差對(duì)比得到，如圖4所示。此時(shí)，RBF-BP的平均相對(duì)誤差為0.265 7 %，最大相對(duì)誤差僅為1.00 %。優(yōu)于現(xiàn)有儀器精度要求。

圖4 RBF和RBF-BP測(cè)試殘差比較Fig 4 Comparison of the residual of the RBF and RBF-BP

4 結(jié) 論

本文從影響氮氧化物濃度測(cè)試精度的多種不確定因素出發(fā)，設(shè)計(jì)RBF-BP組合神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)結(jié)合單一RBF和BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，采用實(shí)際工程環(huán)境數(shù)據(jù)對(duì)其進(jìn)行網(wǎng)絡(luò)訓(xùn)練和仿真，以較快的速度和較高的精度提升氮氧化物濃度測(cè)試精度，測(cè)試數(shù)據(jù)顯示了其有效性。對(duì)該網(wǎng)絡(luò)的硬件化可用于改進(jìn)現(xiàn)有氮氧化物濃度分析儀的檢測(cè)精度以及實(shí)際工作環(huán)境中的分析儀器自動(dòng)校準(zhǔn)。

[1] 李玉軍,湯曉君,劉君華.粒子群優(yōu)化算法在改善傳感器穩(wěn)定性中的應(yīng)用[J].儀器儀表學(xué)報(bào)，2010，31(8):1756-1761.

[2] 嚴(yán)文娟,張 晶,胡廣芹,等.BP神經(jīng)網(wǎng)絡(luò)用于肝炎患者舌診近紅外光譜的研究[J].光譜學(xué)與光譜分析，2010,30(10):2628-2630.

[3] 陳曉峰,龍長(zhǎng)江,牛智有,等.基于潛在語(yǔ)義分析與NIR的中藥材分類研究[J].光學(xué)學(xué)報(bào)，2014，34(9):288-293.[4] 周觀民,李榮會(huì).基于神經(jīng)網(wǎng)絡(luò)的傳感器網(wǎng)絡(luò)數(shù)據(jù)融合技術(shù)研究[J].計(jì)算機(jī)仿真,2011,28(10):118-120.

[5] 張 蕾,章 毅.大數(shù)據(jù)分析的無(wú)線神經(jīng)網(wǎng)絡(luò)方法[J].計(jì)算機(jī)研究與發(fā)展,2016,53(1):68-79.

[6]LarochelleH，LaulyS.Aneuralautoregressivetopicmodel[C]∥AdvancesinNeuralInformationProcessingSystems.Nevada，UnitedStates:MITPress，2012:2717-2725.

[7]TangY,SalakhutdinovR,HintonG.RobustBoltzmannMachinesforRecognitionandDenoising[C]∥ComputerVisionandPatternRecognition(CVPR),2012IEEEConferenceon.USA:IEEE,2012:2264-2271.

[8] 洪 磊,龔雪飛,孫壽通,等.Adaboost集成BP神經(jīng)網(wǎng)絡(luò)在傳感器陣列檢測(cè)系統(tǒng)中的應(yīng)用,傳感器與微系統(tǒng),2015,34(4):148-154.

[9]KevinHoAuthorVitae.TrainingRBFnetworktotoleratesinglenodefault[J].Neurocomputing,2011,74(6):1046-1052.

[10] 李德霞,黃廷磊,林 科,等.基于RBF神經(jīng)網(wǎng)絡(luò)算法在重金屬濃度測(cè)量中的應(yīng)用[J].儀器技術(shù)與傳感器,2015(10):85-87.

[11] 嚴(yán) 玥,嚴(yán) 實(shí),楊永斌,等.Adaboost集成BP神經(jīng)網(wǎng)絡(luò)在火電廠SO2濃度檢測(cè)中的應(yīng)用[J].傳感器與微系統(tǒng),2016,35(9):148-151.

[12] 陳 明.Mathlab神經(jīng)網(wǎng)絡(luò)原理與實(shí)例精解[M].北京:清華大學(xué)出版社,2013:156-172.

Application of RBF-BP neural network in the detection of nitrogen oxide concentration in thermal power plant*

YAN Yue1, YAN Shi2, JIANG Yun1

(1.Chongqing Engineering Laboratory for Detection,Control and Integrated System,Chongqing Technology and Business University,Chongqing 400067,China;2.Chongqing Chuanyi Analyzer Co Ltd,Chongqing 400060,China)

Aiming at detection accuracy of nitrogen oxide concentration may interfered by all kinds of factors,the method of establishing the RBF-BP network is proposed，and then the sample data,Neural network structure, training function,regression factor,momentum factor are described.According from A Large thermal power plant’s real numbers in 2015,the computer simulation and analysis show that this method can effectively improve the accuracy.The overall-average deviation was 0.3 %～1 %.

interferes; concentration detection; RBF;BP; nitrogen oxides

10.13873/J.1000—9787(2016)12—0149—03

TP 212.2； TN 911.72

B

1000—9787(2016)12—0149—03

嚴(yán) 玥(1976-)，女，滿，重慶人，碩士，講師，主要從事信號(hào)處理及運(yùn)用、傳感器技術(shù)及軟件方向研究工作。