CN101319925A - 一种利用bp神经网络的煤气计量方法 - Google Patents
一种利用bp神经网络的煤气计量方法 Download PDFInfo
- Publication number
- CN101319925A CN101319925A CNA2008100586690A CN200810058669A CN101319925A CN 101319925 A CN101319925 A CN 101319925A CN A2008100586690 A CNA2008100586690 A CN A2008100586690A CN 200810058669 A CN200810058669 A CN 200810058669A CN 101319925 A CN101319925 A CN 101319925A
- Authority
- CN
- China
- Prior art keywords
- network
- gas flow
- coal gas
- neural network
- pressure
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 title claims description 26
- 239000003034 coal gas Substances 0.000 title abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims abstract description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000005259 measurement Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 108010022579 ATP dependent 26S protease Proteins 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
Images
Landscapes
- Measuring Volume Flow (AREA)
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
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vki,隐层与输出层之间的权值为wkj,bk隐层节点的阈值,xi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zk为:
输出层节点的输出yj为:
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:
式中:η为学习率,tj p为期望输出,Sj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:
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008100586690A CN101319925A (zh) | 2008-07-11 | 2008-07-11 | 一种利用bp神经网络的煤气计量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2008100586690A CN101319925A (zh) | 2008-07-11 | 2008-07-11 | 一种利用bp神经网络的煤气计量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101319925A true CN101319925A (zh) | 2008-12-10 |
Family
ID=40180101
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2008100586690A Pending CN101319925A (zh) | 2008-07-11 | 2008-07-11 | 一种利用bp神经网络的煤气计量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101319925A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101865710A (zh) * | 2010-05-26 | 2010-10-20 | 北京航空航天大学 | 一种负压气体的流量测量方法 |
CN101533483B (zh) * | 2009-04-14 | 2011-05-04 | 江苏大学 | 金属塑料复合自润滑材料塑料工作层成分优化方法 |
CN102288228A (zh) * | 2010-06-21 | 2011-12-21 | 中国石油化工股份有限公司 | 透平蒸汽流量的软测量方法 |
CN103334739A (zh) * | 2013-06-28 | 2013-10-02 | 山东科技大学 | 一种测定煤层瓦斯压力的方法及装置 |
CN103559543A (zh) * | 2013-11-13 | 2014-02-05 | 莱芜钢铁集团电子有限公司 | 一种高炉煤气发生量的预测方法及装置 |
CN104714409A (zh) * | 2014-12-31 | 2015-06-17 | 重庆科技学院 | 滞后校正器结构参数的获取方法及装置 |
CN104964719A (zh) * | 2015-06-30 | 2015-10-07 | 安徽工业大学 | 一种基于bp神经网络的户用电子水表流量计量方法 |
CN105865585A (zh) * | 2016-04-22 | 2016-08-17 | 湖南威铭能源科技有限公司 | 电子式水表的误差调校方法 |
CN108619597A (zh) * | 2017-03-17 | 2018-10-09 | 深圳市大雅医疗技术有限公司 | 一种呼吸机流道的压力补偿方法 |
CN109443456A (zh) * | 2018-10-31 | 2019-03-08 | 华北电力大学(保定) | 流量测量方法及装置 |
CN109681907A (zh) * | 2018-12-29 | 2019-04-26 | 浙江大学 | 一种燃煤电厂锅炉变负荷风煤匹配控制装置与方法 |
CN110487403A (zh) * | 2019-09-02 | 2019-11-22 | 常州市武进区半导体照明应用技术研究院 | 一种led光谱功率分布的预测方法 |
CN111351862A (zh) * | 2020-03-27 | 2020-06-30 | 中国海洋石油集团有限公司 | 一种超声测量较准方法及测厚方法 |
CN113551744A (zh) * | 2021-08-10 | 2021-10-26 | 中国石油大学(北京) | 一种超声流量计性能在线监测方法及系统 |
CN115628930A (zh) * | 2022-12-16 | 2023-01-20 | 太原理工大学 | 一种基于rbf神经网络的掘进机井下截割工况预测方法 |
-
2008
- 2008-07-11 CN CNA2008100586690A patent/CN101319925A/zh active Pending
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101533483B (zh) * | 2009-04-14 | 2011-05-04 | 江苏大学 | 金属塑料复合自润滑材料塑料工作层成分优化方法 |
CN101865710A (zh) * | 2010-05-26 | 2010-10-20 | 北京航空航天大学 | 一种负压气体的流量测量方法 |
CN102288228A (zh) * | 2010-06-21 | 2011-12-21 | 中国石油化工股份有限公司 | 透平蒸汽流量的软测量方法 |
CN103334739B (zh) * | 2013-06-28 | 2016-05-11 | 山东科技大学 | 一种测定煤层瓦斯压力的方法及装置 |
CN103334739A (zh) * | 2013-06-28 | 2013-10-02 | 山东科技大学 | 一种测定煤层瓦斯压力的方法及装置 |
CN103559543A (zh) * | 2013-11-13 | 2014-02-05 | 莱芜钢铁集团电子有限公司 | 一种高炉煤气发生量的预测方法及装置 |
CN103559543B (zh) * | 2013-11-13 | 2016-09-07 | 莱芜钢铁集团电子有限公司 | 一种高炉煤气发生量的预测方法及装置 |
CN104714409B (zh) * | 2014-12-31 | 2017-07-11 | 重庆科技学院 | 滞后校正器结构参数的获取方法及装置 |
CN104714409A (zh) * | 2014-12-31 | 2015-06-17 | 重庆科技学院 | 滞后校正器结构参数的获取方法及装置 |
CN104964719A (zh) * | 2015-06-30 | 2015-10-07 | 安徽工业大学 | 一种基于bp神经网络的户用电子水表流量计量方法 |
CN105865585A (zh) * | 2016-04-22 | 2016-08-17 | 湖南威铭能源科技有限公司 | 电子式水表的误差调校方法 |
CN108619597A (zh) * | 2017-03-17 | 2018-10-09 | 深圳市大雅医疗技术有限公司 | 一种呼吸机流道的压力补偿方法 |
CN109443456B (zh) * | 2018-10-31 | 2021-01-12 | 华北电力大学(保定) | 流量测量方法及装置 |
CN109443456A (zh) * | 2018-10-31 | 2019-03-08 | 华北电力大学(保定) | 流量测量方法及装置 |
CN109681907A (zh) * | 2018-12-29 | 2019-04-26 | 浙江大学 | 一种燃煤电厂锅炉变负荷风煤匹配控制装置与方法 |
CN109681907B (zh) * | 2018-12-29 | 2024-02-27 | 浙江大学 | 一种燃煤电厂锅炉变负荷风煤匹配控制装置与方法 |
CN110487403A (zh) * | 2019-09-02 | 2019-11-22 | 常州市武进区半导体照明应用技术研究院 | 一种led光谱功率分布的预测方法 |
CN111351862A (zh) * | 2020-03-27 | 2020-06-30 | 中国海洋石油集团有限公司 | 一种超声测量较准方法及测厚方法 |
CN113551744A (zh) * | 2021-08-10 | 2021-10-26 | 中国石油大学(北京) | 一种超声流量计性能在线监测方法及系统 |
CN115628930A (zh) * | 2022-12-16 | 2023-01-20 | 太原理工大学 | 一种基于rbf神经网络的掘进机井下截割工况预测方法 |
CN115628930B (zh) * | 2022-12-16 | 2023-03-10 | 太原理工大学 | 一种基于rbf神经网络的掘进机井下截割工况预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101319925A (zh) | 一种利用bp神经网络的煤气计量方法 | |
Sanikhani et al. | Estimation of daily pan evaporation using two different adaptive neuro-fuzzy computing techniques | |
Zendehboudi et al. | Robust predictive models for estimating frost deposition on horizontal and parallel surfaces | |
Kumar et al. | Extended Muskingum method for flood routing | |
CN110824914B (zh) | 一种基于pca-lstm网络的废水处理智能监控方法 | |
CN114036838B (zh) | 一种基于多层lstm神经网络的垂向水温模拟方法 | |
Li et al. | Improved neural network model and its application in hydrological simulation | |
CN107367334A (zh) | 一种用于铂电阻测量的非线性补偿方法 | |
Bal et al. | A comparison of different model selection criteria for forecasting EURO/USD exchange rates by feed forward neural network | |
Bouabaz et al. | A cost estimation model for repair bridges based on artificial neural network | |
CN115344019A (zh) | 一种基于复合智能算法的天然气计量流量调节工艺 | |
CN108648449A (zh) | 基于卡尔曼滤波和nar神经网络组合的车位预测方法 | |
Agarwal et al. | Flood forecasting and flood flow modeling in a river system using ANN | |
CN103279030B (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
Mercante et al. | Virtual flow predictor using deep neural networks | |
CN112836789A (zh) | 一种基于复合神经网络算法的地连墙变形动态预测方法 | |
CN111142494A (zh) | 一种胺液再生装置的智能控制方法及系统 | |
Rosli et al. | Neural network architecture selection for efficient prediction model of gas metering system | |
Kumarasiri et al. | Rainfall forecasting: an artificial neural network approach | |
CN113008440B (zh) | 基于遗传算法优化神经网络的柔性注液传感器检测方法 | |
CN110705187B (zh) | 通过最小二乘算法即时在线仪表校验和诊断方法 | |
CN110705186B (zh) | 通过rbf粒子群优化算法即时在线仪表校验和诊断方法 | |
CN113570165A (zh) | 基于粒子群算法优化的煤储层渗透率智能预测方法 | |
CN110750756B (zh) | 通过最优支持向量机算法即时在线仪表校验和诊断方法 | |
Kumar | Flow prediction in vegetative channel using hybrid artificial neural network approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20081210 |