基于RBF神经网络区域划分-分块补偿的储油罐用温度传感器非线性补偿

魏立新，罗 舜 , 郭林琼

基于RBF神经网络区域划分-分块补偿的储油罐用温度传感器非线性补偿

魏立新，罗 舜 , 郭林琼

（东北石油大学， 黑龙江 大庆 163318）

由于储油罐温度场分布规律复杂，因此采用温度传感器进行储油罐温度数据测量时需要进行误差补偿，提出了一种基于RBF神经网络区域划分-分块补偿方法。根据储油罐温度场分布规律及温度传感器安装布置，将罐内空间划分为若干个区域。利用RBF神经网络对各个区域内的温度传感器分别构建相互独立的补偿模型进行非线性补偿。实验表明，与多种补偿方法相比，该种方法模型结构简单，补偿后的储油罐用温度传感器误差大幅减少。

基于RBF神经网络区域划分-分块补偿；储油罐用温度传感器；非线性补偿

大型储油罐对于国家原油的商业和战略储备具有非常重要的意义，研究储油罐温度场分布规律，能为生产中制定经济、合理的储存方案提供基础数据。

现阶段，储油罐多采用温度传感器进行温度数据测量，该种方法测量性能稳定、示值复现性高，但测量结果存在一定的非线性误差，为提高测量精度，有必要对储油罐用温度传感器进行非线性补偿。传统的补偿方法有查表法、数学公式法、插值法等，但均存在补偿精度不高，补偿模型结构复杂等缺点。

近年来，神经网络作为一种非常有效的工程化计算方法，已广泛地应用于工业工程控制、非线性建模等各个领域。文献[1-2]分别利用BP和RBF神经网络对温度传感器进行非线性补偿，取得了一定的积极效果，为温度传感器的非线性补偿提供了一种新思路。但是，储油罐内温度场分布复杂，罐内不同位置的传热特性与温度变化规律差别很大[3-7]。导致相应罐内多数温度传感器的误差特征差别很大，采取文献[1-2]的方法达不到很好的补偿效果，因此，本文提出了一种基于RBF神经网络区域划分-分块补偿的储油罐用温度传感器非线性补偿方法。

1 基于RBF神经网络区域划分-分块补偿的储油罐用温度传感器非线性补偿原理

1.1 补偿流程

针对储油罐用温度传感器进行非线性补偿时存在误差特征差别大、补偿模型结构复杂等问题。为减少测量误差，简化补偿模型结构，采用一种基于RBF神经网络区域划分-分块补偿的储油罐用温度传感器非线性补偿方法：首先根据储油罐温度场分布规律、储油罐用温度传感器测量值安装布置，提取储油罐内部空间边界特征阀值，将罐内空间划分为若干个区域；利用RBF神经网络对各个区域内的温度传感器分别构建相互独立的 RBF神经网络补偿模型，优选学习算法训练补偿模型，完成各区域内温度传感器的非线性补偿，最终集成各个补偿模型的输出，完成储油罐用温度传感器非线性补偿。

1.2 储罐内部空间区域边界特征阀值提取

根据文献[5-7]，由于储罐不同部位的传热特性不尽相同，导致相应部位的温度场分布规律差别很大。罐顶部位受日照影响温度变化较快，罐底、罐壁部位分别受基座和保温层影响温度变化较慢，轴向温度分布呈现“两头低，中间高”的特点，且存在较大梯度，横向温度场分布呈现离罐壁越近温度越低的趋势。综合上述规律及考虑温度传感器在储罐内均为纵向安放，拟将储罐内部空间划分为罐顶、中心和罐底三个区域。

如图1所示，以储罐底面中心点为原点，储罐底面为X-Y面，储罐中心轴线为Z轴建立三维直角坐标系。通过边界特征阀值构建得出的S罐顶面和S罐底面将储罐内部空间分割为三个近似圆柱形的区域。其中，边界特征阀值为构建得出S罐顶面和S罐底面的各个位置坐标 (x,y,z)。

图1 储罐内部空间区域划分示意图Fig.1 Divided tank internal area schematic diagram

1.2.1 罐顶区域边界特征阀值提取

将具有相同X轴、Y轴坐标的温度传感器进行编组，并将z坐标值按由大到小的顺序依次编号z1～zN，以此作为研究对象。以一组X轴、Y轴坐标为(x1,y1)的温度传感器为例，若在(x1,y1,zi)点的温度传感器的测量值T(x1,y1,zi,j)满足以下条件（公式（1）～（4））：

1）在任意相同采集时刻j：

2）在任意相邻采集时刻j与j+1：

且z值小于zi的温度传感器也均满足该条件

其中T阀1、T阀2、T阀3、T阀4均为温度阀值，T高温为人工测得的罐内高温区温度；

则认为T(x1,y1,zi,j)对应的位置坐标(x1,y1,zi)为罐顶区域(x1,y1)位置的边界特征阀值。依照上述条件遍历 X-Y面，提取各个位置的罐顶区域边界特征阀值，并结合储油罐温度场分布规律构建S罐顶面，完成罐顶区域划分。

1.2.2 罐底区域边界特征阀值提取

同理，若在(x1,y1,zw)点的温度传感器的测量值T(x1,y1,zw,j)满足以下条件（公式（5）-（8））：

1）在任意相同采集时刻j：

2）在任意相邻采集时刻j与j+1：

且z值大于zw的温度传感器也均满足该条件

则认为T(x1,y1,zw,j)对应的位置坐标(x1,y1,zw)为罐底区域(x1,y1)位置的边界特征阀值。依照上述条件遍历X-Y面，提取各个位置的罐底区域边界特征阀值，并结合储油罐温度场分布规律构建S罐底面，完成罐底区域划分。

罐内空间除去罐顶区域和罐底区域后的剩余空间划分为中心区域。

1.3 RBF神经网络补偿模型构建

图2 RBF神经网络补偿模型Fig.2 RBF neural network compensation model

由于安装在不同位置的温度传感器误差特性区别很大，且温度传感器的误差曲线具有高度的非线性，因此利用RBF神经网络模型结构简易、逼近非线性函数能力强等优势，建立三个相互独立的 RBF神经网络补偿模型，分别逼近位于罐顶、中心及罐底区域的温度传感器的误差曲线，从而完成储油罐用温度传感器的非线性补偿，其网络模型如图2所示。图中，

式中：隐藏层神经元的个数N根据该区域内温度传感器个数及采集参数确定；为第j个RBF神经网络补偿模型的权值矢量，为径向基函数矢量，其中：为输出层偏置值本文涉及的 RBF神经网络均采用高斯函数作为网络的基函数：

2 储油罐用温度传感器非线性补偿实验

2.1 基于RBF神经网络区域划分-分块补偿实验

以某15万立储油罐在罐内液位17.2 m（满罐）时的温度传感器测量数据为非线性补偿对象。首先，对储油罐温度场分布规律、储油罐用温度传感器测量值、采集参数及安装布置进行分析，设定温度阀值分别为3.2、4.8、8.1、0.5、9.6、1 ℃，人工测得的罐内高温区温度为47.3℃。根据上文1.2所述，提取储罐内部空间区域边界特征阀值，见表1。

根据表1中的边界特征阀值，构建S罐顶和S罐底面，将罐内空间划分为罐顶、中心和罐底区域。依照区域划分结果在三个区域内分别随机抽取X个温度传感器（X为该区域内温度传感器总数的1/3），利用恒温槽在-15～50 ℃范围内进行误差测量，测量间隔设为0.25 ℃，共取得三份，每份261组样本数据(T,T`)，(T,T`)表示在恒温槽中设定温度为T`时，抽取的温度传感器输出平均值为T。取得的样本数据分别作为相应区域的 RBF神经网络补偿模型的训练和测试数据（其中234组用于训练，27组用于测试）。

表1 储罐内部空间边界特征阀值Table 1 the characteristic threshold values of tank’s internal area

2.2 基于BP神经网络方法、基于RBF神经网络方法和基于RBF神经网络区域划分-分块补偿方法对比实验

图3 储油罐用温度传感器补偿前、后测量误差比较Fig.3 Comparison of the measuring errors of oil tank before and after using compensation

对基于RBF神经网络区域划分-分块补偿方法补偿前、后温度传感器测量误差进行比较，其中，图3（a）～（c）分别为罐顶区域、中心区域、罐底区域内温度传感器输出误差比较结果，温度传感器测量误差为区域内全部温度传感器测量结果的平均误差。由图3（a）～（c）可以看出，采用基于RBF神经网络区域划分-分块补偿方法能够很好地实现储油罐用温度传感器的非线性补偿，补偿后的测量误差大大减少。

图4为基于BP神经网络方法（应用单个BP神经网络进行非线性补偿），基于RBF神经网络方法（利用单个RBF神经网络进行非线性补偿）和基于RBF神经网络区域划分-分块补偿方法对储油罐用温度传感器进行非线性补偿后测量误差的比较。由图4可以得出，采用基于RBF神经网络区域划分-分块补偿方法后储油罐用温度传感器测量误差最小，补偿效果最好。

图4 基于BP神经网络方法、基于RBF神经网络方法和基于RBF神经网络区域划分-分块补偿方法输出误差比较Fig.4 The output error comparison of BP neural network compensation,RBF neural network compensation and RBF neural network area division-separate compensation

表2为基于BP神经网络方法、基于RBF神经网络方法和基于RBF神经网络区域划分-分块补偿方法的性能比较。由表2可以得出，基于RBF神经网络区域划分-分块补偿方法最大误差小于 0.091℃，远小于补偿前的最大误差（1.4 ℃），且在三种补偿方法中误差最小；同时基于RBF神经网络区域划分-分块补偿方法的各个RBF补偿模型的隐藏层神经元数目均为N=20，三种补偿方法中模型结构最简易，因此基于RBF神经网络区域划分-分块补偿方法具有最佳性能。

表2 基于BP神经网络方法、基于RBF神经网络方法和基于RBF神经网络区域划分-分块补偿方法性能比较Table 2 The performance comparison of BP neural network compensation、RBF neural network compensation and RBF neural network area division-separate compensation

3 结束语

为解决储油罐用温度传感器进行温度数据测量时存在的非线性问题。根据储油罐温度场分布规律及罐内温度传感器的安装分布，考虑了罐内温度传感器误差特征的差异性，提出了一种基于RBF神经网络区域划分-分块补偿方法。实验表明，采用此种方法补偿模型简单，补偿后的储油罐用温度传感器测量测量减少了两个数量级。

［1］ 刘天健, 王劭伯, 朱善安. 基于神经网络的铂电阻温度传感器非线性校正方法[J]. 仪器仪表学报, 2002, 23(5): 518-521.

［2］ 赵阳, 田社平, 韦红雨. 基于RBF神经网络模型的传感器非线性补偿方法[J]. 计量技术, 2007 (2): 3-7.

［3］ 朱作京, 于达, 宫敬. 储油罐温度场模拟过程中传热相似理论[J].油气储运, 2003, 26(12): 37-42.

［4］ 王明吉, 张勇, 曹文. 原油储罐温降规律的实验研究[J]. 油田地面工程, 2003, 22(11): 58-61.

［5］ 于达, 方徐应, 李东风. 大型浮顶储油罐油温降特点[J]. 油气储运, 2003, 22(9): 47-49.

［6］ 朱绣峰, 黄绣杰, 朱绣莲. 储油罐温度分布规律初探[J]. 油田地面工程, 2002 (21): 51-53.

［7］ Humphrey, Colin. Computational Fluid Dynamics Study of Flow Around Floating Roof Oil Storage Tanks[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2000 (86): 37-54.

［8］ 孙慧卿, 郭志友. 压力传感器及误差补偿[J]. 传感器世界, 2002, 8(3): 14-16.

［9］ 李德胜, 赵新民. 一种传感器非线性反函数校正方法[J]. 仪器仪表学报, 1991, 12(2): 215-218.

［10］俞阿龙, 吴达华. 热电偶传感器的一种非线性补偿方法[J]. 计量技术, 2001 (8): 16-18.

［11］ 黄席樾, 刘菡萏, 石为人. 基于遗传算法的RBF神经网络设计[J].重庆大学学报, 1998, 21(2): 62-68.

［12］ 徐丽娜. 神经网络控制[M]. 哈尔滨:哈尔滨工业大学出版社, 1999.

［13］ 王雪萍, 林康红. 一种利用RBF神经网络的传感器建模新方法[J].新疆大学学报, 2002, 19(3): 368-371.

［14］ Musavi, M, T, Ahmed, W, Chan, K, H. On the Training of Radial Basis Function Classifiers[J]. Neural Networks, 1992, 5(4): 595-603

Error Compensation for Oil Tank Temperature Sensors Based on RBF Neural Network Area Division-separate Compensation

WEI Li-xin，LUO Shun，GUO Lin-qiong
（Northeast Petroleum University, Heilongjiang Daqing 163318, China）

The distribution of oil tank’s temperature is complicated, so nonlinear compensation for oil tank temperature sensor is needed. In this paper, an error compensation method based on RBF neural network area division-separate compensation was proposed. According to the distribution of oil tank’s temperature and the layout of oil tank temperature sensors, the tank’s internal space was divided into several areas; in each area, independent nonlinear compensation model for separate compensation was built by using RBF neural network. The experiments show that the structure of this method is simple, the measuring errors of oil tank temperature sensor decreases largely.

RBF neural network area division-separate compensation; Oil tank use temperature sensor; Nonlinear error compensation

TE 821

： A

： 1671-0460（2015）04-0729-04

中国石油科技创新基金项目（2014D-5006-0607）。

2014-11-14

魏立新（1973-），男，河北定州人，教授，博士，2005年毕业于东北石油大学油气储运专业，研究方向：从事油田地面工程优化与节能降耗方面的研究。E-mail：weilixin73@163.com。