CN101319925A - 一种利用bp神经网络的煤气计量方法 - Google Patents

Abstract

本发明是一种利用BP神经网络(技术)的煤气流量计量方法。选用三层BP神经网络为原型，建立一个三层BP神经网络模型对煤气流量进行预测，主要分以下三个步骤：1)样本数据采集：选出历史准确的结算数据(包括温度、压力、差压和流量)为样本；2)BP网络训练：将步骤1)中的样本数据输入到三层BP网络中，对网络进行训练，将网络输入的煤气流量值与对应的样本值进行对比，直到网络训练的均方误差达到要求，确定网络的重要参数：权值和阈值；3)煤气流量计量：在生产预测时，将采集的煤气温度、压力和差压输入到步骤2)训练好的BP网络中，即可预测出煤气流量值。本发明将神经网络技术应用于煤气流量计量中，解决了流量补偿不确定性问题。

Description

一种利用BP神经网络的煤气计量方法

技术领域

本发明涉及煤气流量计量技术，具体地说是一种基于BP(Back Propagation)神经网络ANN(Artificial Neural Networks)的煤气计量方法。

背景技术

随着市场经济的发展和科学技术的进步，对于计量准确性的要求越来越高。不管采用哪种流量计，计量哪种流体，往往需要采用补偿措施，来提高测量的准确性。

所谓流量补偿，就是对流量计读数的系统误差的修正。流量检测装置的系统误差，多数是流体性质及条件(如温度、压力、成分及流量范围等)变化引起的，流量计输出信号与被测流量之间的刻度关系只能依据某一特定工艺状况来确定，如果流量计的实际刻度系数已经发生变化，这时仍按原刻度关系读取流量，就会产生误差。因此，在一些需要精确计量的场合，或者工况波动范围大而且波动频繁的场合，必须采用补偿系数。

然而，在煤气流量的实际测量中，由于流量的补偿参数比较多，而且没有一个具体的标准来衡量某个参数是否需要补偿，甚至在某些工业条件下，参数的补偿与人为的主观因素有很大的关系，靠经验来决定。煤气流量的主要影响因素有三个：温度、压力和差压。它们之间可以通过线性的煤气流量计算公式联系起来，但是由于补偿参数的不确定性，使得煤气流量也不能够按线性关系因上述三个因素而变化，传统的煤气流量线性公式计算转换成为非线性计算，从而影响煤气流量计量的精度。

人工神经网络是利用计算机模拟人脑的结构和功能的一门新学科，它具备优良的信息处理特性：应用ANN无需具备对象的先验知识，而根据对象的输入输出数据直接建模；独特的非传统的表达方式和固有的学习能力，使之在解决高度非线性和严重不确定性系统控制方面具有巨大的潜力。目前ANN已成功地用于复杂工业过程的动态建模、传统辨识和控制、数据分析、故障诊断等方面，显示出强大的生命力。

发明内容

本发明的目的在于克服上述缺点，提供一种利用神经网络(技术)的煤气流量计量方法，可以解决煤气流量计量过程中补偿不确定性的问题，提高煤气流量计量的精度。

本发明所采用的技术方案为：选用三层BP神经网络为原型，建立一个三层BP神经网络模型对煤气流量进行预测，主要分以下三个步骤：

1)样本数据采集：选出历史准确的结算数据(包括温度、压力、差压和流量)为样本；

2)BP网络训练：将步骤1)中的样本数据输入到三层BP网络中，对网络进行训练，将网络输入的煤气流量值与对应的样本值进行对比，直到网络训练的均方误差达到要求，确定网络的重要参数：权值和阈值；

3)煤气流量计量：在生产预测时，将采集的煤气温度、压力和差压输入到步骤2)训练好的BP网络中，即可预测出煤气流量值。

BP神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存储大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播不断调整网络的权值和阈值，使网络的误差平方和最小。对于煤气计量而言，由于煤气流量存在参数补偿的问题，而且补偿条件不能确定，使得煤气计量非线性化，按传统的计量方式，煤气温度、压力和差压与煤气流量之间很难用准确的数学方程进行描述，因此将神经网络应用于煤气计量中，可对系统的非线性、不确定性和复杂性进行预测。可以解决煤气流量计量过程中补偿不确定性的问题，提高煤气流量计量的精度。

附图说明

图1为三层BP网络示意图。

图2为本发明的利用神经网络计量煤气流量流程图。

具体实施方式

本发明基于BP神经网络的煤气流量计量方法，主要分以下三个步骤：

1.样本数据采集：选出历史准确的结算数据(包括温度、压力、差压和流量)为样本。

2.BP网络训练：因为对任何在闭区间内的连续函数，都可以用一个隐层的BP网络来逼近，因而一个三层的BP网络可以完成任意的N维到M维的映射。在本发明的煤气计量中所使用的BP神经网络的输入层节点数为3，隐层节点数为10，输出层节点数为1。

BP算法由数据流的前向计算(正向传播)和误差信号的反向传播两个过程构成。正向传播时为输入层→隐层→输出层，每层神经元的状态只影响下一层神经元。若在输出层得不到期望的输出，则转向误差信号的反响传播流程。通过这两个过程的交替进行，在权向量空间执行误差函数梯度下降策略，动态迭代搜索一组权向量，使网络误差函数达到最小值，从而完成信息提取和记忆过程。

正向传播：

设BP网络的输入层有n个节点，隐层有q个节点，输出层有m个节点，输入层与隐层之间的权值为v_ki，隐层与输出层之间的权值为w_kj，b_k隐层节点的阈值，x_i为输入值(样本数据)，隐层的传递函数为f₁(·)，输出层的传递函数为f₂(·)，则隐层节点的输出z_k为：

$z_k=f_1(\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{v}_{\mathrm{ki}}{x}_i+b_k)$

输出层节点的输出y_j为：

$y_j=f_2(\underset{k=0}{\overset{q}{\mathrm{\Σ}}}{w}_{\mathrm{kj}}{z}_k+b_j)$

BP神经网络就完成了n维空间向量对m维空间的近似映射。

反向传播：

输出层各神经元的权值调整公式为：

${\mathrm{\Δw}}_{\mathrm{kj}}=\underset{p=1}{\overset{p}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}\mathrm{\η}(t_j^p-y_j^p)f_2^{\′}\left(S_j\right)z_k$

式中：η为学习率，t_j ^p为期望输出，S_j为第j个神经元的净输入。

隐层各神经元的权值调整公式为：

${\mathrm{\Δv}}_{\mathrm{ki}}=\underset{p=1}{\overset{p}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}\mathrm{\η}(t_j^p-y_j^p)f_2^{\′}\left(S_j\right)w_{\mathrm{kj}}{f}_1^{\′}\left(S_k\right)x_i$

将BP神经网络应用于煤气流量计量之前，要对BP神经网络进行训练。在确定网络的结构后，将步骤1中的样本数据输入到神经网络中，对网络进行训练。训练时神经网络的学习速率为0.8，在网络迭代2000次后，网络的均方误差能达到规定的要求。网络训练完成后，可以得到网络的重要参数：隐层权值和阈值。

3.煤气流量计量：BP神经网络在步骤2中训练完成后，即可对煤气流量值进行计量。将传感器采集的煤气温度、压力和差压输入到训练好的BP神经网络中，神经网络就可以计算出煤气流量值。

所述的BP神经网络算法可以利用现有的C#.NET软件平台来实现，只要输入管道煤气中所采集到的温度、压力和差压3个参数，就能得到相对应的煤气流量值，实现煤气计量。

Claims (1)

1.一种利用BP神经网络的煤气流量计量方法，其特征在于：选用三层BP神经网络为原型，建立一个三层BP神经网络模型对煤气流量进行预测，主要分以下三个步骤：

1)样本数据采集：选出历史准确的结算数据，包括温度、压力、差压和流量为样本；

2)BP网络训练：将步骤1)中的样本数据输入到三层BP网络中，对网络进行训练，将网络输入的煤气流量值与对应的样本值进行对比，直到网络训练的均方误差达到要求，确定网络的重要参数：权值和阈值；

3)煤气流量计量：在生产预测时，将采集的煤气温度、压力和差压输入到步骤2)训练好的BP网络中，即可预测出煤气流量值。

Images