基于小波神经网络的循环冷却水腐蚀预测研究

董 超 王冠兰 李晨光 罗 丹 赵牧元

(1.天津理工大学天津市复杂系统控制理论及应用重点实验室，天津 300384； 2.中国石油化工股份有限公司天津分公司，天津 300271)

基于小波神经网络的循环冷却水腐蚀预测研究

董 超1王冠兰1李晨光2罗 丹1赵牧元1

(1.天津理工大学天津市复杂系统控制理论及应用重点实验室，天津 300384； 2.中国石油化工股份有限公司天津分公司，天津 300271)

利用某石化企业40个月的循环冷却水实际生产数据，基于小神经网络进行了腐蚀预测研究。经过对比分析，得出了小波神经网络预测精度最高的网络模型为6-7-1结构。在相同输入参数向量下，对含有相同隐层节点个数的小波神经网络和BP神经网络进行腐蚀预测对比，小波神经网络比BP神经网络预测精度高。

小波神经网络 循环冷却水 腐蚀预测

随着循环冷却水的不断重复利用，受到水源、工艺条件及工艺介质等的影响，循环冷却水水质会不断恶化，容易导致设备形成水垢、产生腐蚀，进而影响设备寿命、安全生产和经济运行[1,2]。循环冷却水系统的腐蚀预测一直是研究领域的热点问题。循环冷却水腐蚀预测的参数复杂，其腐蚀情况受几十余种因素的影响[3]，是一个典型的非线性系统。小波神经网络模型对解决不能用显性公式表示的、具有复杂非线性关系的系统优势显著，并且具有较强的学习适应能力[4]。笔者采用该模型对循环冷却水腐蚀预测进行了研究，通过对比分析，取得了相应的结论。

神经网络和小波的联合方式一般有两种：一种是“嵌套式联合”，另一种是“辅助式联合”。笔者所选用的是“嵌套式联合”，即通过内嵌的方式将小波分析运算融入神经网络，有效地综合应用了小波变换良好的时频局域化特性和神经网络的自学习能力[5]。首先，小波神经网络的基元和整个结构是依据小波分析理论确定的，可以避免BP、RBF等神经网络结构设计上的盲目性[6，7]；其次，由于小波神经网络学习时调整参数少，再加之小波基函数具有紧支性，神经元之间的相互影响小，因此学习速度快[8]；再次，由于小波神经网络的学习过程是对一个凸问题的优化逼近过程，所以能够最终找到一个全局最优解，不存在局部最小点，因此在非线性函数逼近等方面得到了广泛的应用[9]。

小波神经网络以BP神经网络拓扑结构为基础，引入小波理论，其隐含层节点的传播函数为小波基函数，通过连续不断地在相对于误差函数梯度下降的方向上计算网络权值和偏差的变化，不断修正网络权值和小波基函数参数，从而不断逼近训练目标[10]。笔者也分别对小波神经网络和BP神经网络进行了预测分析，并进行了对比研究。

2 小波神经网络腐蚀预测结构的确定

笔者的预测数据来源于某石化企业循环冷却水系统某一观测点40个月的生产运行数据，前20个月的影响因素和腐蚀速率数据作为训练数据(表1)，后20个月的作为测试数据(表2)。输入参数为pH值、总磷、电导率、钙离子、氯离子、浊度和总碱的全部或部分顺序组合(这7个参数依据文献[11]选取)，输出参数为腐蚀速率。

表1 训练数据

表2 测试数据

首先对按顺序选取的7个输入向量、5个隐层节点的网络模型应用表1的数据进行训练，然后应用表2的测试数据预测腐蚀速率，并与测试数据中的实际腐蚀速率进行比较；再对按顺序选取的7个输入向量、6个隐层节点的网络模型应用表1的数据进行训练，然后应用表2的测试数据预测腐蚀速率，并与测试数据中的实际腐蚀速率比较。依此类推，得到不同的输入向量和不同的隐层节点数下的均方根误差(RMSE)和标准均方根误差(NRRMSE)(表3～9)。

表3 7个输入向量的输出均方根误差和标准均方根误差

表4 6个输入向量的输出均方根误差和标准均方根误差

表5 5个输入向量的输出均方根误差和标准均方根误差

表6 4个输入向量的输出均方根误差和标准均方根误差

表7 3个输入向量的输出均方根误差和标准均方根误差

表8 两个输入向量的输出均方根误差和标准均方根误差

表9 一个输入向量的输出均方根误差和标准均方根误差

由上述预测精度数据表可以得出：当选pH值、总磷、电导率、钙离子、氯离子和浊度这6个参数作为输入向量，隐层节点数为7时，表征预测准确性的均方根误差和标准均方根误差最小，预测精度最高。因此，在应用小波神经网络对循环冷却水系统进行腐蚀预测时，选定6-7-1的网络结构。

3 小波神经网络和BP神经网络腐蚀预测对比

基于6-7-1的网络结构，利用表1的数据分别对小波神经网络和BP神经网络进行训练，再利用表2的数据进行腐蚀预测，得到小波神经网络和BP神经网络的预测曲线(图1、2)。

图1 小波神经网络预测曲线

图2 BP神经网络预测曲线

小波神经网络和BP神经网络预测的均方根误差和标准均方根误差见表10。

表10 小波神经网络和BP神经网络预测精度对比

可以看出，小波神经网络的预测精度更高，优于BP神经网络。

4 结束语

采用真实的生产数据，基于小波神经网络对循环冷却水进行了腐蚀预测研究。通过在不同的输入向量和隐层节点数下的预测精度数据分析，得出了6-7-1结构为最优的小波神经网络腐蚀预测模型。并对小波神经网络和BP神经网络进行了预测精度对比，得出了小波神经网络预测精度更高的结论。笔者的研究成果为循环冷却水系统的腐蚀预测研究提供了科学依据，具有重要的工程应用价值。

[1] 张凌峰.工业循环冷却水智能辅助分析平台的关键技术研究[D].天津：天津理工大学,2012.

[2] 李东胜，张斌.航煤循环冷却器U形换热管断裂分析及对策[J].化工机械,2013,40(1):102～105.

[3] 董超,张凌峰,李荣，等.循环冷却水系统腐蚀速率的预测模型[J].化工自动化及仪表,2011,38(6):676～678.

[4] 施彦，韩力群，廉小亲.神经网络设计方法与实例分析[M].北京:北京邮电大学出版社,2009.

[5] 陈哲,冯天瑾.小波分析与神经网络结合的研究进展[J].电子科学学刊,2000,22(3):496～504.

[6] Lin C M,Tai C F,Chung C C.Intelligent Control System Design for UAV Using a Recurrent Wavelet Neural Network[J].Neural Computing and Applications,2014,24(2):487～496.

[7] 李伟，吴超群，王艳茹，等.基于小波神经网络的FRP复合材料损伤声发射信号识别[J].化工机械，2011,38(3):294～297.

[8] 付立华,王刚,魏林宏.采用遗传算法的小波神经网络在降雨量预测中的应用[J].河南工程学院学报(自然科学版),2015,27(1):53～57.

[9] Lin C H.Hybrid Recurrent Wavelet Neural Network Control of PMSM Servo-drive System for Electric Scooter[J].International Journal of Control,Automation and Systems,2014,12(1):177～187.

[10] 王堃，陈涛涛，李雪，等．基于Matlab的小波神经网络参考作物腾发量预测模型研究[J].沈阳农业大学学报,2013,44(4):457～460．

[11] 董超,王冠兰,李晨光,等.基于灰色加权关联分析法的循环冷却水腐蚀预测参数的选取[J].化工自动化及仪表，2016，43(3)：263～267.

StudyofCorrosionPredictionofCirculatingCoolingWaterBasedonWaveletNeuralNetwork

DONG Chao1, WANG Guan-lan1, LI Chen-guang2, LUO Dan1, ZHAO Mu-yuan1

(1.TianjinKeyLaboratoryofControlTheory&ApplicationinComplicatedSystems,TianjinUniversityofTechnology,Tianjin300384,China; 2.SinopecTianjinCorporation,Tianjin300271,China)

Basing on circulating cooling water’s production data of forty months in a petrochemical plant and the wavelet neural network, the corrosion prediction was investigated. The comparative analysis shows that a network model with 6-7-1 structure has the highest prediction accuracy; and under the same input parameters, having the wavelet neural network compared with BP neural network, both has same hidden layer nodes, shows that the wavelet neural network outperforms the BP neural network in corrosion prediction accuracy.

wavelet neural network, circulating cooling water, corrosion prediction

TH865

A

1000-3932(2016)06-0599-05

2016-04-25(修改稿)基金项目：天津市高等学校科技发展基金计划项目(20140702)