ANN模型對自熱式固定床氣化的動態(tài)過程預(yù)測

黃元晨， 沈元興， 沈 英

(福州大學(xué)機械工程及自動化學(xué)院， 福建 福州 350108)

0 引言

固定床生物質(zhì)氣化是一個不穩(wěn)定的非線性過程， 對其建模的方法主要包括動力學(xué)模型、 平衡模型以及神經(jīng)網(wǎng)絡(luò)模型. 動力學(xué)模型利用數(shù)學(xué)動力學(xué)方式描述氣化過程的動力學(xué)機制， 考慮各種化學(xué)反應(yīng)以及反應(yīng)中的相變， 一定程度上提升了對氣化機理的認(rèn)知[1]. 但是氣化反應(yīng)過程復(fù)雜， 動力學(xué)模型無法全面考慮所有可能的化學(xué)反應(yīng)， 同時對反應(yīng)系數(shù)和動力學(xué)常數(shù)計算未必準(zhǔn)確， 不適合氣化爐在線過程控制[1]. 依據(jù)氣化過程的質(zhì)量和熱平衡構(gòu)成的模型稱為平衡模型， 平衡模型基于化學(xué)反應(yīng)， 綜合考慮氣化過程的吉布斯自由能最小化和熱力學(xué)第二定律[2]. 其優(yōu)點在于不受氣化爐的類型和結(jié)構(gòu)的影響， 適用于特定運行參數(shù)下氣化爐性能的預(yù)測， 同時模型易于實現(xiàn)快速收斂. 但是只能預(yù)測特定的氣化過程， 無法解決實際生產(chǎn)過程中合成氣動態(tài)變化的滯后性， 對氣化過程實時預(yù)測不夠準(zhǔn)確. 人工神經(jīng)網(wǎng)絡(luò)(artificial neural network,ANN)能夠解決氣化預(yù)測滯后問題， 以及提升建模的效率. 近些年， ANN建模方法被廣泛用于工業(yè)過程參數(shù)的預(yù)測和復(fù)雜條件下的過程控制[3].

綜合考慮氣化爐頂部、 中部、 底部溫度， 空氣流速、 蒸氣流速、 反應(yīng)時間以及催化劑(生物炭)添加量為模型的輸入， 通過大量實時采集的數(shù)據(jù)， 實現(xiàn)更加精準(zhǔn)的合成氣濃度動態(tài)過程預(yù)測. 目前大部分研究以氣化的靜態(tài)預(yù)測模型為主， 且預(yù)測效果欠佳. 本文在考慮多參數(shù)的情況下， 建立自熱式固定床氣化過程合成氣動態(tài)神經(jīng)網(wǎng)絡(luò)模型來實現(xiàn)對氣化過程更精準(zhǔn)的預(yù)測， 從而對氣化的操作參數(shù)進行優(yōu)化和過程控制.

1 ANN模型與方法

隨著人工智能技術(shù)的發(fā)展， 有超過100種神經(jīng)網(wǎng)絡(luò)模型， 常見的有BP神經(jīng)網(wǎng)絡(luò)、 RBF神經(jīng)網(wǎng)絡(luò)、 Hopfield神經(jīng)網(wǎng)絡(luò)以及Elman 神經(jīng)網(wǎng)絡(luò). BP神經(jīng)網(wǎng)絡(luò)的計算過程包括正向傳播和反向傳播. 正向傳播過程， 輸入模式從輸入層經(jīng)隱藏層逐層處理， 并轉(zhuǎn)向輸出層， 每層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)[10]. 如果在輸出層不能得到期望的輸出， 則轉(zhuǎn)入反向傳播， 將誤差信號沿原來的連接通路返回， 通過修改各神經(jīng)元的權(quán)值， 使得誤差信號最小. BP神經(jīng)網(wǎng)絡(luò)比其他網(wǎng)絡(luò)結(jié)構(gòu)簡單、 計算量小、 適用性廣， 適合工業(yè)農(nóng)業(yè)生產(chǎn)模型的建立[11].

2 生物質(zhì)氣化BP神經(jīng)網(wǎng)絡(luò)模型建立

2.1 建模數(shù)據(jù)的篩選

建立氣化過程的神經(jīng)網(wǎng)絡(luò)模型， 必須獲得大量的原始試驗數(shù)據(jù). 氣體傳感器每分鐘實時采集H2、 CO、 CH4和CO2四種氣體的實時濃度， 同時氣化爐頂部溫度TC1、 中部溫度TC2、 底部溫度TC3三個溫度傳感器分別記錄氣化爐上、 中、 下三個位置的溫度變化， 1 599組實驗數(shù)據(jù)為建立模型提供了數(shù)據(jù)保障. 此外實驗數(shù)據(jù)中被添加300組誤差不超過5%的人工隨機噪聲， 以避免訓(xùn)練極小值. 為保證模型的準(zhǔn)確性和泛化能力， 本次研究隨機選擇8批數(shù)據(jù)進行人工神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練， 剩余的兩批數(shù)據(jù)(試驗組3和8)用于可預(yù)測性驗證[12]. 每組氣化條件對應(yīng)的設(shè)置如表1所示.

表1 氣化試驗條件設(shè)置

注： 上標(biāo)“a”表示為該實驗條件下的的峰值溫度.

2.2 兩種結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)模型的建立

模型的輸入包括7個變量， 分別為TC1、 TC2、 TC3、 空氣流速、 蒸氣流速、 反應(yīng)時間以及生物炭添加量. 在這些輸入的參數(shù)中， 空氣流速、 蒸氣流速和生物炭添加量在試驗過程中是可控制的關(guān)鍵參數(shù)， 除此之外， TC1、 TC2、 TC3也是被實時采集的. 傳統(tǒng)意義上氣化爐溫度都被當(dāng)做模型的輸出， 實際操作中發(fā)現(xiàn)氣化爐的溫度檢測是比較容易實現(xiàn)的， 然而對氣體成分實時檢測和動態(tài)預(yù)測不僅難度大而且成本高， 此外溫度是反映氣化反應(yīng)強度的重要指標(biāo)， 因此也被作為模型的輸入. 較少有文獻提及ANN模型的最優(yōu)隱藏層層數(shù)和最優(yōu)隱藏層神經(jīng)元個數(shù)， 因此本文分別對氣化過程建立了兩類神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)： 一個是單隱藏層， 另一個是雙隱藏層， 如圖1所示， 并對其預(yù)測效果進行測試.

圖1 兩種結(jié)構(gòu)BPANN模型結(jié)構(gòu)示意圖Fig.1 Schematic diagram of the two kinds of structured BP ANN model

為了優(yōu)化隱藏層和輸出層激活函數(shù)， 在隱藏層中使用Sigmoid函數(shù)(Tansig)與Logarithmic Sigmoid函數(shù)(Logsig)， 輸出層的激活函數(shù)選用線性函數(shù)(Purelin)進行訓(xùn)練和測試. 神經(jīng)網(wǎng)絡(luò)模型輸出層傳遞函數(shù)輸出范圍設(shè)置在-1到1之間， 其中β為常數(shù).

(1)

2.3 神經(jīng)網(wǎng)絡(luò)模型的評價

用均方根誤差(RMSE)、 相關(guān)系數(shù)(R2)和平均絕對百分誤差(MAPE)分析方法來確定網(wǎng)絡(luò)的訓(xùn)練和測試性能. 其中，N是樣本數(shù)，Ti是目標(biāo)(實際)值，Oi是輸出(預(yù)測)值. RMSE值越小和R2值越大時， 說明ANN的預(yù)測結(jié)果具有很好的回歸性. 在本研究中， ANN模型使用神經(jīng)網(wǎng)絡(luò)工具箱在MATLAB(R2014a， MathWorks)環(huán)境中進行訓(xùn)練(nntool).

(2)

3 生物質(zhì)氣化BP神經(jīng)網(wǎng)絡(luò)模型修正與預(yù)測

3.1 模型結(jié)構(gòu)與參數(shù)的修正

如圖2所示， 增加訓(xùn)練步數(shù)與神經(jīng)元個數(shù)， 可有效減少訓(xùn)練誤差MSE， 在兩層隱藏層結(jié)構(gòu)中尤為顯著. 雖然一定程度的增加神經(jīng)元個數(shù)和訓(xùn)練步數(shù)可以提高預(yù)測的準(zhǔn)確性， 但是會帶來計算時間上的增加. Del等[13]提出的“掣肘規(guī)則”可用來解釋這一問題： 神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)設(shè)計， 應(yīng)當(dāng)和其對應(yīng)的作用與適用場合相吻合， 如果可以滿足預(yù)測要求， 簡單的結(jié)構(gòu)和適當(dāng)?shù)牡螖?shù)可以減少訓(xùn)練時間.

圖2 兩種ANN結(jié)構(gòu)掣肘規(guī)則Fig.2 Ebow rule of the two kinds of ANN model

不同的隱藏層數(shù)與不同的神經(jīng)元個數(shù)分別對合成氣預(yù)測的BP神經(jīng)網(wǎng)絡(luò)模型如表2所示， 模型的總迭代次數(shù)為1 000次， 收斂誤差為10-7. 隱藏層中采用Tansig函數(shù)的預(yù)測效果比Logsig函數(shù)的預(yù)測效果好， H2與CO適合采用單隱藏層的Tansig函數(shù)預(yù)測， CH4與CO2適合采用雙隱藏層的Tansig函數(shù)預(yù)測.

表2 四種氣體的ANN的預(yù)測結(jié)果

注： 上標(biāo)“a”表示對應(yīng)用于預(yù)測氣化性能的較優(yōu)BP神經(jīng)網(wǎng)絡(luò)模型.

3.2 實驗結(jié)果與預(yù)測結(jié)果的比較

由表2可知， Tansig函數(shù)作為激活函數(shù)的隱藏層對H2的預(yù)測效果較好， 相對于單隱藏層結(jié)構(gòu)的預(yù)測結(jié)果， 雙隱藏層結(jié)構(gòu)的預(yù)測結(jié)果并沒有明顯的優(yōu)勢， 即便增加模型的隱藏層層數(shù)可能會提高模型的擬合度， 但是同樣可能會導(dǎo)致模型出現(xiàn)“過度適應(yīng)”， 從而惡化模型的預(yù)測能力. 神經(jīng)元個數(shù)為5個的單隱藏層結(jié)構(gòu)對H2的動態(tài)預(yù)測表現(xiàn)最好，R2可達到0.864 6， RMSE和MAPE值分別為2.173 5和4.64×10-4. 該模型對試驗組3和8的預(yù)測結(jié)果如圖3所示， 由圖可以看出預(yù)測結(jié)果與實驗結(jié)果的吻合度說明本方法對氣化爐生成H2的動態(tài)建模是準(zhǔn)確的. Pandey等[14]利用ANN模型對氣化合成氣熱值預(yù)測時， 同樣發(fā)現(xiàn)單隱藏層結(jié)構(gòu)比雙隱藏層表現(xiàn)更加優(yōu)異.

圖3 BP神經(jīng)網(wǎng)絡(luò)模型對氣化合成氣中H2濃度的預(yù)測結(jié)果Fig.3 Prediction of H2 concentration in syngas by BP ANN model

Tansig函數(shù)作為激活函數(shù)的隱藏層對CO的預(yù)測效果較好， 單隱藏層4個神經(jīng)元的模型對CO的進行預(yù)測， 得到的R2為0.723 4， RMSE與MAPE值分別為2.485 5和6.63×10-4. 利用該模型對試驗組3和8的預(yù)測結(jié)果如圖4所示， 預(yù)測結(jié)果與實際結(jié)果較為吻合.

圖4 BP神經(jīng)網(wǎng)絡(luò)模型對氣化合成氣中CO濃度的預(yù)測結(jié)果Fig.4 Prediction of CO concentration in syngas by BP ANN model

由表2加黑部分可知， Tansig函數(shù)作為激活函數(shù)的隱藏層對CH4和CO2的預(yù)測效果較好， 且相對于單隱藏層結(jié)構(gòu)的預(yù)測結(jié)果而言， 采用雙隱藏層結(jié)構(gòu)的預(yù)測結(jié)果明顯更優(yōu). 該模型對試驗組3和8的預(yù)測結(jié)果如圖5～6所示， 預(yù)測結(jié)果與實際結(jié)果較為吻合.

圖5 BP神經(jīng)網(wǎng)絡(luò)模型對氣化合成氣中CH4濃度的預(yù)測結(jié)果Fig.5 Prediction of CH4 concentration in syngas by BP ANN model

圖6 BP神經(jīng)網(wǎng)絡(luò)模型對氣化合成氣中CO2濃度的預(yù)測結(jié)果Fig.6 Prediction of CO2 concentration in syngas by BP ANN model

4 結(jié)語

1) 構(gòu)建生物質(zhì)氣化的動態(tài)過程BP神經(jīng)網(wǎng)絡(luò)模型， 可以實現(xiàn)對生物質(zhì)氣化全過程的動態(tài)實時預(yù)測， 相較于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型的靜態(tài)平均值預(yù)測， 動態(tài)預(yù)測模型更加具有連續(xù)性和實際運用價值.

2) 本模型考慮的輸入量包括氣化爐的頂部溫度、 中部溫度、 底部溫度、 空氣流速、 蒸氣流速、 反應(yīng)時間以及生物炭添加量， 模型綜合考慮的氣化影響因素較為全面； 同時1 599組氣化數(shù)據(jù)用來訓(xùn)練模型， 保證了四種主要氣體濃度預(yù)測模型的準(zhǔn)確性和泛化能力， 其中氫氣的預(yù)測R2可達到0.864 6.

3) 綜合考慮“掣肘規(guī)則”， 優(yōu)化模型的最佳迭代步數(shù)、 隱藏層層數(shù)以及隱藏層神經(jīng)元個數(shù)， 在滿足模型訓(xùn)練收斂要求的情況下減少了模型的復(fù)雜程度與訓(xùn)練時間.