基于RBF网络的固相质量流量检测*

赵延军， 程守光， 高承彬， 马翠红

(河北联合大学 电气工程学院，河北 唐山 063009)

0 引 言

气力输送煤粉系统广泛应用于工业生产中，如锅炉系统中煤粉燃烧、高炉煤粉喷吹技术等[1]。对管道内煤粉的流量、流速、浓度等参数进行在线监测是提高燃烧效率、降低污染排放的关键。

多相流固相质量流量的测量已有许多非接触式的测量方法，如差压法、力学法、声学法、光学法、热学法等[2]，弯管法流量计具有无附加压力损失、安装方便、适应性强、测量精度高等优点，广泛应用于差压法固相质量流量的检测[3]。

由于多相流流体性质、流动状态的复杂性，目前还没有某一理论模型能够准确地描述其流动规律，给固相质量流量在线检测带来诸多不便。人工神经网络能够有效解决非线性映射、多参数动态变化的复杂模型，为解决固相质量流量的测量提供了一种途径。

在双弯管法测量原理的基础上，介绍了一种基于径向基函数(RBF)网络的气固两相流固相质量流量软测量模型，将固相质量流量测量中难于确定的影响因素反映到网络的连接权值中,实现了气力输送系统中固相质量流量的在线估算,为工业应用提供了一种切实可行的方法。

1 双弯管法测量原理

双弯管法测量固相质量流量流程如图1所示。其测量原理是选取弯径比相同(保证2个弯管在管道中气体的流动特性近似相同的情况下，其流量系数α相同)的2个弯管串联，其中一个弯管流量计安装在气固混合点之前来测量空气流量，另一个安装在气固混合点之后来测量两相流流经弯管时产生的差压，通过计算可得混合物中的固相质量流量[4]。

根据强制旋流理论[5]的计算公式气固两相流流过弯管的两相混合物的质量流量qm为

(1)

图1 双弯管法流程图

式中qms为两相流中固相质量流量；qmg为两相流中气相质量流量；A为管道的流通截面积；ρ为两相混合物的密度；α为流量系数；R为弯管的曲率半径；D为弯管的半径；Δp2为气固混合点后的弯管内外壁的压差。

气体的流量为

(2)

式中ρg为气体的密度；Δp1为气固混合点前的弯管的内外壁的差压。

假设固相不占空间，因此

(3)

式中qvg为气固两相流体积流量；ρg为气体密度。

由式(1)，式(2)，式(3)整理可得

(4)

由于两相流体流动的复杂性和多样性，理论模型计算 出的质量流量与实际流量之间必然存在一定的误差，为了减小测量误差，引入了一个修正系数β即系统的综合流量系数，即

qmr=βqms,

(5)

式中qmr为实际固相质量流量；β为系统的综合流量系数。

综合流量系数β主要与实验中的固气质量混合比、速度比、气相流体的特性、固相流体的特性等有关[6]。

实验装置中弯管采用90°标准弯管，弯径比为1.5，内孔直径80 mm，曲率半径120 mm，取压孔位于45°方向上，弯管流量计采用精度等级0.2 %的电容式(1151)4E型差压变送器，量程为0～6 000 Pa。

2 基于RBF网络的软测量模型

软测量技术是利用一组容易在线测量且与主变量密切相关的辅助过程参量，通过离线分析构造某种数学模型实现对主变量进行估算的方法[7,8]。测量模型是软测量技术的关键。人工神经网络是对生物神经网络的一种模拟和近似，对非线性函数具有任意逼近和自学习能力，为非线性系统的辨识提供了一种简单而有效的一般性方法[9,10]。通过对双弯管法检测固相质量流量原理的分析，可以确定固相质量流量qmr与气固混合点前的弯管的内外壁的差压Δp1、气固混合点后的弯管内外壁的压差Δp2存在某种复杂的非线性关系。本文以Δp1,Δp2为输入,建立一种RBF网络软测量模型；以实验数据为样本对该模型进行训练、学习，实现对固相质量流量qmr的在线估算。网络结构示意图如图2所示。

图2 网络结构示意图

用RBF展开式可以清楚的描述网络的输入输出关系为

(6)

其中，X=[X1,X2,…,XP]T∈Rn为网络的n个输入，N为网络中心个数，wi(0≤i≤N)为网络权值，φ(·)为映射函数。

对输入数据进行归一化处理，归一化处理方法如下

(7)

其中，xi为采集的原始数据中第i个元素；xmin为原始数据中的最小值；xmax为原始数据中的最大值。

基于RBF网络输出端监督信号与实际输出的某种目标函数准则，通过不断地调整网络的连接权值，使网络输出端的输出与监督信号的误差逐渐减小到预定的要求。

定义目标函数

(8)

ej=yj-F(Xj)

(9)

寻求网络参数wi,Ci，使目标函数ζ达到极小，采用梯度下降法，可得网络参数优化计算公式:

1)线性权值wi

(10)

2)RBF中心Ci(隐含层)

(11)

式中η1,η2为学习速率，一般不相同。

3 模型训练与仿真结果

利用气力输送粉料系统的实验装置进行实验，共获取了30组实验数据，随机选取其中23组数据作为网络的训练样本，而将另外7组数据作为网络的测试样本，来测试该RBF网络的泛化能力。

图3是该软测量模型经样本训练后，对23组数据插值拟合的结果，从图中可以看出:该测量模型拟合效果很好。

图3 软测量模型训练结果

图4是RBF网络软测量模型的仿真估算结果与实验数据的对比，从图中可以看出:仿真结果与实验数据一致性较好，说明该测量模型就有很好的逼近能力。

图5是仿真结果的相对误差，从图5可以看出:RBF神经网络经训练学习后，仿真估算结果的相对误差都在3%以内，反映了该RBF神经网络软测量模型较好的测试能力。

图4 实验结果与仿真估算对比

图5 仿真结果相对误差

4 结 论

本文在双弯管法测量气固两相流固相质量流量原理的基础上，建立了一种基于RBF函数的神经网络软测量模型，经大量实验数据的学习训练后，进行仿真，仿真结果表明：估算值和实验结果一致性很好，相对误差在3 %以内，充分显示了该RBF网络软测量模型的良好逼近能力，为气固两相流固相质量流量的在线测量提供了一种有效方法。

参考文献:

[1] 郭仁宁,杨 柳,王 建.气固两相流在可调煤粉燃烧器中流动的数值模拟[J].节能技术,2008,26(5):408-410.

[2] 滕汜颖,李永光,周伟国,等.气固两相流动测量技术的现状与展望[J].上海电力学院学报,2002,18(4):39-43.

[3] 李国辉.弯管流量计在石化行业中的应用与节能分析[J].中国化工贸易,2013,5(1):200-200.

[4] 赵延军,李国光,王式民.双弯管法测量气固两相流质量流量的研究[J].计量学报,2005,26(2):146-148.

[5] Armitage A.Neural networks in measurement and control[J].Measurement Control,1995,28(7):208-215.

[6] 董 群,王 丽,任东海,等.固体质量流量测量技术进展[J].化工进展,2010,29:1-4.

[7] 俞金寿.软测量技术及其应用[J].自动化仪表,2008,29(1):1-7.

[8] 李 勇,邵 诚.软测量技术及其应用与发展[J].工业仪表与自动化装置,2005(5):6-8.

[9] 董 群,王 丽,任东海,等.固体质量流量测量技术进展[J].化工进展,2010,29:1-4.

[10] 张徳丰.Matlab神经网络仿真与应用[M].北京：电子工业出版社，2009.