基于聲發(fā)射的氣力輸送顆粒相質(zhì)量流量監(jiān)測

安連鎖，劉偉龍，魏 萌，沈國清，張世平

（華北電力大學(xué) 國家火力發(fā)電工程技術(shù)研究中心，北京 102206）

氣力輸送廣泛存在于電力、制藥、食品、水泥等多個工業(yè)過程當(dāng)中，氣力輸送內(nèi)顆粒相質(zhì)量流量對安全高效的生產(chǎn)具有重要影響。在工業(yè)過程中對顆粒相質(zhì)量流量的監(jiān)測具有重要的意義。雖然有光學(xué)法[1–2]、傳熱法[3]、電容法[4]、超聲法[5–6]等方法的研究論文持續(xù)發(fā)表，但是這些方法仍然存在著諸多的局限性，在實(shí)際生產(chǎn)過程當(dāng)中尚未得到廣泛的推廣使用。聲發(fā)射作為一種由兩相流自身產(chǎn)生的聲信號，其與兩相流的自身性質(zhì)的變化有著直接的關(guān)系。由于其測量方法簡單，可以作為一種研究對象來對氣力輸送的參數(shù)進(jìn)行研究。EEMD方法作為一種對原始信號進(jìn)行分解的方法，由于其分解的基礎(chǔ)是原始信號本身而使得其適應(yīng)性更強(qiáng)。由于氣力輸送本身流動的復(fù)雜性以及環(huán)境參數(shù)的變化，導(dǎo)致分解后的信號之間存在著復(fù)雜的非線性關(guān)系。人工神經(jīng)網(wǎng)絡(luò)作為一種基于現(xiàn)代神經(jīng)科學(xué)的抽象數(shù)學(xué)模型，在各個方面得到了一定的應(yīng)用[7–8]。

本文利用EEMD分解聯(lián)合誤差逆?zhèn)鞑ゾW(wǎng)絡(luò)（Back Propagation，以下簡稱BP網(wǎng)絡(luò)）對聲發(fā)射信號進(jìn)行研究，在兩相流系統(tǒng)中獲得大量實(shí)驗(yàn)數(shù)據(jù)基礎(chǔ)上，通過改變神經(jīng)網(wǎng)絡(luò)層數(shù)以及各層神經(jīng)元節(jié)點(diǎn)數(shù)，選取IMF1－IMF4作為神經(jīng)網(wǎng)絡(luò)輸入，對4層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)，實(shí)現(xiàn)對一定范圍內(nèi)的顆粒相質(zhì)量流量的在線測量，為工業(yè)應(yīng)用提供了一種切實(shí)可行的測量方法。

1 實(shí)驗(yàn)部分

氣固兩相流系統(tǒng)簡圖如圖1所示，振動給料機(jī)與漏斗配合保證持續(xù)均勻給料。整個管道由不銹鋼鋼管與有機(jī)玻璃管段通過法蘭連接。

圖1 氣固兩相流測量系統(tǒng)

由位于管道系統(tǒng)尾部的引風(fēng)機(jī)提供動力，將空氣引入整個流動系統(tǒng)中，與垂直下落的玻璃微珠混合形成氣固兩相流。整個信號采集系統(tǒng)采用聲華興業(yè)公司生產(chǎn)的SAEU2S聲發(fā)射系統(tǒng)，采用SR150M型傳感器，其頻率響應(yīng)范圍為：60 kHz～400 kHz。采用可調(diào)式前置放大器對采集到的信號進(jìn)行放大。在測量前，要根據(jù)環(huán)境進(jìn)行門限設(shè)置，降低噪聲信號的影響。在增益的選擇上，將放大器增益設(shè)定在40 dB，可以保持信號放大后的峰值在1 V～10 V范圍內(nèi)。本實(shí)驗(yàn)采用玻璃微珠作為研究對象，為了減少濕度對玻璃微珠造成的影響，在實(shí)驗(yàn)前對玻璃微珠在一定溫度下進(jìn)行干燥處理，干燥冷卻后封存以備實(shí)驗(yàn)。其平均顆粒粒徑為250 μm，其密度為2 700 kg/m3。

實(shí)驗(yàn)過程中，用S型皮托管在給料前進(jìn)行風(fēng)速測量，通過調(diào)節(jié)引風(fēng)機(jī)變頻器將風(fēng)速保持在中心風(fēng)速為23 m/s的實(shí)驗(yàn)工況。采用網(wǎng)狀聲信號采集器如圖2所示。

圖中網(wǎng)狀結(jié)構(gòu)間距為2 mm，為顆粒平均直徑的8倍，能夠保證顆粒順利通過不沉積。將采集器探頭通過法蘭方式與流通管道相連接，聲發(fā)射傳感器固定在網(wǎng)狀聲信號采集器上端。在實(shí)驗(yàn)過程中，兩相流中的顆粒會對其產(chǎn)生撞擊而產(chǎn)生聲發(fā)射信號，傳感器由此收集聲發(fā)射信號并通過系統(tǒng)傳輸?shù)焦た貦C(jī)當(dāng)中。

2 分析方法

2.1 EEMD分解

EEMD方法[9]是在經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）的基礎(chǔ)上，針對 EMD所具有的端點(diǎn)效應(yīng)以及模態(tài)混疊的情況，通過在原始信號上加入高斯白噪聲，不同尺度的信號區(qū)域內(nèi)的噪聲將會被消除，最后全體均值被視為原始信號的理想分解結(jié)果。

圖2 網(wǎng)狀聲信號采集器

EEMD算法的具體步驟如下[10]：

1)通過給原始信號x(t)疊加一組高斯白噪聲信號ω(t)獲得一個總體信號

2)對X(t)進(jìn)行EMD分解，得到各階IMF分量

3)給原始信號加入不同的白噪聲ωi(t)，重復(fù)步驟1)和步驟2)

4)對以上獲得的IMF分量cn(t)可表示為

EEMD中所加高斯白噪聲的次數(shù)服從式的統(tǒng)計(jì)規(guī)律

式中M為加入白噪聲的個數(shù)；ε為高斯白噪聲的幅度。一般情況下，取0.2，M取100。為保證算法快速收斂并有效檢測，不應(yīng)取得太小。

最后，原始信號x(t)可分解為

2.2 BP神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)的研究始于19世紀(jì)末期，從1890年以來，隨著人們對神經(jīng)網(wǎng)絡(luò)的持續(xù)深入研究，國內(nèi)外學(xué)者提出了多種神經(jīng)網(wǎng)絡(luò)模型，包括多層前向神經(jīng)網(wǎng)絡(luò)（BP）、Hopfield神經(jīng)網(wǎng)絡(luò)、自組織神經(jīng)網(wǎng)絡(luò)等。BP神經(jīng)網(wǎng)絡(luò)作為應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)，具有很好的非線性映射能力、泛化能力以及容錯能力，已經(jīng)在信息處理領(lǐng)域、自動化領(lǐng)域、工程領(lǐng)域、經(jīng)濟(jì)領(lǐng)域等得到廣泛的應(yīng)用。

BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)簡圖如圖3所示[11]，主要是由輸入層、輸出層以及隱含層組成。隱含層可以有單層或多層神經(jīng)元組成。網(wǎng)絡(luò)的層與層之間的神經(jīng)元采用全連接方式，同層內(nèi)神經(jīng)元之間無連接。以3層神經(jīng)網(wǎng)絡(luò)為例，設(shè)輸入層有m個節(jié)點(diǎn)，輸入向量為X=(x1,x2,…,xm)，xi表示其中的第i個輸入信號；隱含層含有n個節(jié)點(diǎn)，yj表示其中的第j個神經(jīng)元；輸出層有p個節(jié)點(diǎn)，zk表示輸出層的第k個神經(jīng)元。

圖3 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)簡圖

輸入層與隱含層之間的連接權(quán)值用wij表示(i=1,2,…,m；j=1,2,…,n)，隱含層與輸出層之間的連接權(quán)值用vjk表示(k=1,2,…,p)。首先是正向傳播，通過將輸入值與權(quán)值求積并求和來求解輸出層的輸出，隨后將輸出與期望輸出作對比，利用梯度下降法來調(diào)整網(wǎng)絡(luò)各層連接權(quán)值，最終使輸出層的輸出與期望輸出的誤差小于規(guī)定值。

2.3 建模策略

利用EEMD算法以及BP神經(jīng)網(wǎng)絡(luò)建模過程如下：

1)數(shù)據(jù)的采集與預(yù)處理。通過以上的實(shí)驗(yàn)系統(tǒng)及數(shù)據(jù)采集系統(tǒng)采集到不同給料量下的聲發(fā)射信號用來建模，并刪除這些數(shù)據(jù)中的畸變信號；

2)通過EEMD算法將原始信號進(jìn)行分解，并計(jì)算分解后的信號與原始信號的相關(guān)性，選擇具有一定相關(guān)性的信號作為BP神經(jīng)網(wǎng)絡(luò)的輸入信號；

3)通過改變輸入向量的長度、隱含層的層數(shù)、隱含層神經(jīng)元的節(jié)點(diǎn)數(shù)來進(jìn)行不同神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，確定合適的模型；

4)利用隨機(jī)選取的聲發(fā)射信號作為驗(yàn)證信號來驗(yàn)證模型的測量精度。

3 結(jié)果與討論

本文將兩相流流速保持在23 m/s，通過調(diào)節(jié)給料機(jī)電壓來調(diào)節(jié)給料量。本文采用的顆粒相質(zhì)量流量為6 g/s～16 g/s，間隔為2 g/s。在測量過程中，對于兩相流之間的相對滑移可以忽略不計(jì)。在每個工況下重復(fù)采集四次數(shù)據(jù)，共采集200組數(shù)據(jù)，每組數(shù)據(jù)長度為16 384，采樣頻率為1 000 kHz。并從中隨機(jī)選取20組數(shù)據(jù)，其中17組作為訓(xùn)練數(shù)據(jù)，剩余3組作為驗(yàn)證數(shù)據(jù)。

3.1 EEMD分解

利用EEMD方法對各個信號進(jìn)行10層分解，其原始信號及分解后的各IMF重建信號如圖4所示。從時域來看，各分量的幅值均小于原始信號。

圖4 原始信號及各IMF分量時域圖

然后對其信號進(jìn)行了頻譜分析。由圖5的頻譜分析結(jié)果可以看出，信號的頻率主要分布在100 kHz～500 kHz之間，根據(jù)奈奎斯特采樣定律，采樣頻率至少為信號頻率的2倍。因此，上文提到的1 000 kHz采樣頻率能夠滿足信號的采樣要求。同時，每個IMF分量所對應(yīng)的中心頻率均有明顯區(qū)分且逐漸降低，說明各IMF分量均保存了原始信號某個頻段的部分信息。與此同時，對不同IMF分量的能量進(jìn)行求解。

為確定神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元節(jié)點(diǎn)數(shù)，本文將不同IMF分量與原始信號進(jìn)行了相關(guān)性求解，其結(jié)果如圖6所示，從圖中可以看出，各IMF分量與原始信號的相關(guān)性隨著分量序號的增加而逐漸減小。從IMF6開始，其相關(guān)性已接近于0，可以忽略不計(jì)。由此可得，可以從前五個分量中選取全部或者部分分量作為輸入向量。

圖5 各IMF分量頻譜圖

圖6 各分量與原始信號相關(guān)性圖

3.2 BP神經(jīng)網(wǎng)絡(luò)的影響因素

BP神經(jīng)網(wǎng)絡(luò)隱藏神經(jīng)元節(jié)點(diǎn)數(shù)的確定是個非常復(fù)雜的問題，通常是根據(jù)經(jīng)驗(yàn)和多次驗(yàn)證來確定。節(jié)點(diǎn)過少，神經(jīng)網(wǎng)絡(luò)的獲取能力較差；節(jié)點(diǎn)過多，會增加訓(xùn)練時間，還有可能過度學(xué)習(xí)，出現(xiàn)過度擬合的現(xiàn)象，降低其泛化能力。對于隱藏節(jié)點(diǎn)數(shù)目的確定，可以參考經(jīng)驗(yàn)公式[11]

其中k為樣本個數(shù)，ni為隱含層單元數(shù)，n為輸入層單元數(shù)。當(dāng)i＞ni時，

其中m為輸出層神經(jīng)元節(jié)點(diǎn)數(shù)，n為輸入層神經(jīng)元節(jié)點(diǎn)數(shù)，a為[1，10]之間的常數(shù)

其中n為輸入層神經(jīng)元節(jié)點(diǎn)數(shù)。

通過以上公式計(jì)算出隱含層神經(jīng)元節(jié)點(diǎn)數(shù)的估計(jì)值作為節(jié)點(diǎn)的初始數(shù)值，逐步增加網(wǎng)絡(luò)隱含層節(jié)點(diǎn)的數(shù)目，用同一樣本集進(jìn)行網(wǎng)絡(luò)訓(xùn)練，從中確定網(wǎng)絡(luò)誤差最小時對應(yīng)的節(jié)點(diǎn)數(shù)作為相應(yīng)的隱含層神經(jīng)元數(shù)的最佳數(shù)目。訓(xùn)練首先選用經(jīng)典3層BP神經(jīng)網(wǎng)絡(luò)，誤差值設(shè)為0.01，訓(xùn)練次數(shù)設(shè)為20 000次。依次以3/4/5三種IMF分量個數(shù)對其進(jìn)行訓(xùn)練，訓(xùn)練結(jié)果三層網(wǎng)絡(luò)都是因達(dá)到最大訓(xùn)練次數(shù)而結(jié)束訓(xùn)練，輸入層節(jié)點(diǎn)數(shù)的改變對其訓(xùn)練結(jié)果并未有實(shí)質(zhì)性的影響。增加最大訓(xùn)練次數(shù)以及增加隱含層神經(jīng)元節(jié)點(diǎn)數(shù)仍然無法達(dá)到訓(xùn)練要求。Lippmann[12]和Cyberko[13]曾指出，兩個隱含層可以解決任何形式的分類問題。因此通過增加隱含層層數(shù)來解決。表1為隱含層為兩層時的訓(xùn)練結(jié)果。由表可知，在增加層數(shù)的情況下，部分神經(jīng)網(wǎng)絡(luò)模型收斂，并得到其網(wǎng)絡(luò)性能參數(shù)?？紤]到輸入層神經(jīng)元節(jié)點(diǎn)數(shù)，可以得知，在輸入層為IMF1－IMF4為輸入，隱含層為兩層，隱含層每層神經(jīng)元的節(jié)點(diǎn)數(shù)為13時，其網(wǎng)絡(luò)性能參數(shù)達(dá)到最小。

圖7和圖8是EEMD聯(lián)合神經(jīng)網(wǎng)絡(luò)測量模型的學(xué)習(xí)和測試的結(jié)果。

圖7中試驗(yàn)標(biāo)定值為試驗(yàn)過程中的實(shí)際給料量，而模型估計(jì)值是利用訓(xùn)練好的聯(lián)合模型計(jì)算所得到的給料量。從質(zhì)量流量誤差估計(jì)曲線上來看，可以看出其模型的誤差在15%以內(nèi)，與試驗(yàn)結(jié)果吻合度較好，反映了該測量模型具有良好的測試能力。通過改變網(wǎng)絡(luò)結(jié)構(gòu)，神經(jīng)元個數(shù)以及相關(guān)算法，能夠進(jìn)一步增強(qiáng)神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)的識別能力和容錯能力，從而進(jìn)一步提高該聯(lián)合模型的精度。

圖7 試驗(yàn)標(biāo)定值與模型估計(jì)值對比

圖8 聯(lián)合模型固相質(zhì)量流量估計(jì)誤差曲線

表1 聯(lián)合模型訓(xùn)練結(jié)果

4 結(jié)語

針對氣力輸送顆粒相質(zhì)量流量測量問題，采用網(wǎng)狀結(jié)構(gòu)探針采集其聲發(fā)射信號，首先用EEMD算法對信號進(jìn)行分解，并對分解后的信號與原信號進(jìn)行相關(guān)性計(jì)算，選取前4個與原始信號相關(guān)性較大的IMF分量作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量，將顆粒相質(zhì)量流量作為輸出變量建立測量模型，并用驗(yàn)證數(shù)據(jù)驗(yàn)證了模型的效果。結(jié)果表明，神經(jīng)網(wǎng)絡(luò)預(yù)測值與實(shí)際測量結(jié)果具有較高的吻合度，也顯示了神經(jīng)網(wǎng)絡(luò)的廣泛適用性。因此，在大量實(shí)驗(yàn)數(shù)據(jù)基礎(chǔ)上，可以通過基于EEMD聯(lián)合神經(jīng)網(wǎng)絡(luò)的測量模型來實(shí)現(xiàn)兩相流顆粒相質(zhì)量流量聲發(fā)射方法測量過程，為氣力輸送顆粒相質(zhì)量流量的在線測量提供了一種可供選擇的有效手段。

[1]賈志海，范學(xué)良，李俊峰，等.鍋爐煤粉氣力輸送狀態(tài)在線監(jiān)測系統(tǒng)研究[J].儀器儀表學(xué)報(bào)，2009(8)：1651-1655.

[2]倪志波，董鳳忠，楊陽，等.煙氣流速及顆粒物濃度的光學(xué)測量方法研究[J].中國激光，2014，41(1)：162-169.

[3]吳新，袁竹林.基于神經(jīng)網(wǎng)絡(luò)的傳熱法測量氣固兩相流中固體流量的研究[J].鍋爐技術(shù)，2001(12)：8-10+7.

[4]王澤璞，劉乾，曹麗平，等.應(yīng)用電容層析成像對氣固顆粒濃度分布的研究[J].重慶理工大學(xué)學(xué)報(bào)(自然科學(xué)版)，2012，26(3)：68-74.

[5]李永明，蘇明旭，袁安利，等.基于超聲的管道內(nèi)粉體體積分?jǐn)?shù)的測量[J].中國科學(xué)院大學(xué)學(xué)報(bào)，2016(2)：277-282.

[6]喬榛.超聲法一次風(fēng)流速和煤粉濃度在線測量研究[D].南京：南京理工大學(xué)，2013.

[7]楊祥良，安連鎖，孫鑫強(qiáng)，等.基于人工神經(jīng)網(wǎng)絡(luò)的電站鍋爐積灰實(shí)時監(jiān)測系統(tǒng)[J].動力工程學(xué)報(bào)，2010(3)：206-209.

[8]易子馗，譚建平，閆濤.基于BP神經(jīng)網(wǎng)絡(luò)的電機(jī)噪聲在線評價(jià)系統(tǒng)[J].噪聲與振動控制，2017，37(1)：142-148.

[9]WUZ,HUANG NE.Ensembleempiricalmode decomposition:A noise-assisted data analysis method[J].Advances inAdaptive DataAnalysis,2011,1(1):1-41.

[10]安連鎖，馮強(qiáng)，沈國清，等.爐膛壓力管道微弱泄漏信號檢測方法研究[J].動力工程學(xué)報(bào)，2015，35(05)：354-360+372.

[11]黃慶斌.BP算法的改進(jìn)及其應(yīng)用研究[D].成都：西南交通大學(xué)，2010.

[12]LIPPMANN R.An introduction to computing with neural nets[J].IEEEASSPMagazine,1987,4(2):4-22.

[13]CYBENKO G.Approximation by superpositions of a sigmoidal function[J].Mathematics of Control,Signals and Systems,1989,2(4):303-314.