CN113515043A - 一种基于bp神经网络的干熄焦烧损率实时计算方法 - Google Patents

Abstract

本发明提供一种基于BP神经网络的干熄焦烧损率实时计算方法，包括：步骤一、确定输入层和输出层的参数：输入层输入的参数是干熄焦系统的基本操作数据，包括：焦炭温度、干熄炉料位、空导阀门开度、预存段负压、循环风机转速、循环风CO含量、循环风CO₂含量、循环风H₂含量、锅炉入口风温、锅炉给水量、干熄炉排焦温度；输出层的输出参数只有一个——焦炭烧损率；步骤二、构造神经网络，根据前述内容构造干熄炉焦炭实时计算神经网络系统；步骤三、确定训练样本；步骤四、BP神经网络的学习训练。对于属于非线性模糊系统的干熄焦系统的焦炭烧损率的计算采用基于BP神经网络的计算方案，计算迅速、结果精确、影响因素少、针对性强。

Description

一种基于BP神经网络的干熄焦烧损率实时计算方法

技术领域

本发明涉及冶干熄焦烧损率计算技术领域，特别涉及一种基于BP神经网络的干熄焦烧损率实时计算方法。

背景技术

干熄焦的生产过程中，气体循环系统负压段不可避免地会吸入一定量的空气，空气中的O2在通过干熄炉红焦层时会与焦炭发生反应，生成CO和CO2；其次，空气中的水分与红焦发生反应生成H2；另外，红焦在干熄炉预存段进一步热解生成H2和CH4。因此，在干熄焦的循环气体中会存在H2、CH4、CO等可燃成分。循环气体在冷却焦炭的过程中，H2和CO等可燃成分的浓度升高一定程度时会形成爆炸性气体。这种爆炸性气体在气体循环系统负压段，与漏入的空气混合容易产生爆炸，因此需要调整干熄炉环形烟道处空气导入量，将干熄焦过程中产生的可燃成分烧掉。这个过程会使一部分焦粉燃烧进入循环风中形成焦炭烧损。另外，循环风中的H2O、H2、CO2等成分与炽热的红焦会发生CO2+C＝2CO、C+H2O＝CO+H2、C+2H2O＝CO2+2H2、C+2H2＝CH4等溶碳反应，也会造成焦炭的损失。由此可见干熄焦工艺本身不可避免地会造成焦炭的部分损失，只有优化操作参数，才能将这种损失降低到最小的程度。国内干熄焦系统设计时，取焦炭烧损率＜1％，但是大部分干熄焦系统实际运行的焦炭烧损率往往大于这个数值很多，造成大量损失。

从实际运行看，焦炭烧损应包括块焦烧(溶)损量与粉焦烧损量两部分，以烧损率表示对焦炭产量的影响。一般情况下大粒度焦炭的烧损多为干熄焦工艺中的冷却区上部分的高温区域内，而小粒度的粉焦烧损主要是发生在环型烟道、一次除尘器和锅炉的高温段。影响干熄炉焦炭烧损率的因素很多，过程也很复杂，主要的影响因素和相互关系见图1。由于涉及到众多的设备及各种传热传质过程，因此建立物理理论模型描述干熄炉的焦炭即时烧损率非常困难。

目前国内大部分焦化厂对干熄焦碳烧损率的计算都是采用间接统计的方法得到(包括质量守恒计算烧损率、以吨焦耗煤计算烧损率、以干熄焦收集焦粉含灰量计算烧损率等)数据精度不高、统计周期较长，对干熄焦的生产操作不具备指导意义。

干熄焦系统的焦炭烧损受到干熄炉工作状态、锅炉工作状态、焦炭运送状态、除尘系统工作状态等多个环节影响，从数学角度来看属于非线性模糊系统，理论上是没有完全精确的解析解的。对于这种非线性模糊系统，人们研究了很多求解的方法，其中在20世纪四十年代发展起来的神经网络方法在进入21世纪后对非线性模糊系统的求解得到了蓬勃的发展。

发明内容

为了解决背景技术提出的技术问题，本发明提供一种基于BP神经网络的干熄焦烧损率实时计算方法，对于属于非线性模糊系统的干熄焦系统的焦炭烧损率的计算采用基于BP神经网络的计算方案，计算迅速、结果精确、影响因素少、针对性强。

为了达到上述目的，本发明采用以下技术方案实现：

一种基于BP神经网络的干熄焦烧损率实时计算方法，包括如下步骤：

步骤一、确定输入层和输出层的参数

输入层输入的参数是干熄焦系统的基本操作数据，包括：焦炭温度、干熄炉料位、空导阀门开度、预存段负压、循环风机转速、循环风CO含量、循环风CO₂含量、循环风H₂含量、锅炉入口风温、锅炉给水量、干熄炉排焦温度；

输出层的输出参数只有一个——焦炭烧损率；

步骤二、构造神经网络

根据前述内容构造干熄炉焦炭实时计算神经网络系统，其中输入层有11个参数，包括：焦炭温度、干熄炉料位、空导阀门开度、预存段负压、循环风机转速、循环风CO含量、循环风CO₂含量、循环风H₂含量、锅炉入口风温、锅炉给水量、干熄炉排焦温度；对应11个神经元，中间层有n个神经元，输出层一个参数：焦炭烧损率，对应1个神经元；

步骤三、确定训练样本

选定一个月做为训练样本数据采集期，在进行样本数据采集之前，对相应的仪表进行校准，然后对11个输入层参数和1个输出层参数进行数据采集；

	编号	代号	内容	数据来源
					输入层参数
	1	a<sub>1</sub>	出焦炉号	生产记录
						2	a<sub>2</sub>	干熄炉料位	山控室PLC记录
	3	a<sub>3</sub>	空导阀门开度	中控室PLC记录
						4	a<sub>4</sub>	预存段负压	中控室PLC记录
	5	a<sub>5</sub>	循环风机转速	中控室PLC记录
						6	a<sub>6</sub>	循环风C0含量	中控室PLC记录
	7	a<sub>7</sub>	循环风C0<sub>2</sub>含量	中控室PLC记录
						8	a<sub>8</sub>	循环风H，含量	中控室PLC记录
	9	a<sub>9</sub>	锅炉入口风温	中控室PLC记录
						10	a<sub>10</sub>	锅炉给水量	中控室PLC记录
	11	a<sub>11</sub>	干熄炉排焦温度	中控室PLC记录
输出层参数
						1	y	焦炭烧损率	轨道秤和皮带秤生产记录

输入层样本用向量A表示，A_k＝(a₁，a₂，……a₁₁)；输出层样本用向量Y表示，Y_k＝(y)；其中k＝1，2，……30，为采集的样本对数量；

步骤四、BP神经网络的学习训练。

进一步地，所述的步骤四中，BP神经网络的学习训练由以下过程组成：

1)模式顺传播过程；该过程就是将已知模式即已知网络的输入和输出的输入值提供给网络的输入层神经元，网络按照神经的数学模型向输出层进行传播计算；输入层的11个神经元不做计算直接输出给中间层神经元，输入层神经元用i来表示，i＝1，2，……11中间层的神经元用j表示，其输入值为

j＝1，2，……11，其中w_ij是神经元i到j的突触连接系数或称权重值；T_j是神经元j的阈值；中间层神经元的输出转换函数为线性函数、斜面函数、阈值函数、单极S函数、双极S函数、TanH函数、ReLU函数或Swish函数其中的一种，这样中间层神经元的输出

中间层神经元的输出作为输出层神经元的输入信号，输出层神经元的输出转换函数采用单极S函数，这样输出层神经元的输入信号为σ＝ν_jo_j-γ，输出层神经元的输出信号

其中ν_j是是中间层j神经元到输出层神经元的连接权，γ是输出层神经元的阈值；

至此一个输入模式完成了一遍顺传播过程；

2)误差逆传播过程；误差的逆传播过程就是将网络顺向计算所得的输出值也就是网络响应值与我们希望输出之间的误差，再乘上一个修正因子之后，按反向网络传播，得到各神经元的校正误差；输出层的校正误差为Δ^k＝(Y^k-Φ^k)f′(σ^k)＝(Y^k-Φ^k)Φ^k(1-Φ^k)，中间层各神经元的校正误差为

3)训练过程；训练过程就是网络反复学习的过程，并在这个过程中，根据前面已经得到的校正误差，不断调整连接权及阈值；不断重复1)和2)，网络的输出值逐渐逼近希望输出值，也就是训练样本；在训练过程中，输出层的输入连接权变成

输出层输入的阈值变成γ＝γ-βΔ^k，中间层的输入连接权变成

中间层的输入阈值变成

α和β是学习系数，其值均大于0小于1，一般情况下学习系数取值范围为0.25～0.75之间；学习系数在整个训练过程中，可以取定常数不变，也可以不断修改；

4)网络的收敛过程；对于30对模式的学习训练过程，当所有的模式对都收敛时，网络才算收敛；这里选用误差平方和作为系统误差，其表示为

当系统误差E小于设定值时，认为网络收敛，训练结束，否则继续训练直到系统误差小于设定值时为止。

与现有技术相比，本发明的有益效果是：

本发明提供对于属于非线性模糊系统的干熄焦系统的焦炭烧损率的计算采用基于BP神经网络的计算方案，计算迅速、结果精确、影响因素少、针对性强。神经网络的特点决定了：使用哪个干熄炉的数据进行训练，其计算结果对该炉准确性就高，因此每套干熄焦系统都有自己独特的神经网络系统对应，适用干熄焦系统本身的实际状态。

附图说明

图1是背景技术中干熄焦烧损率的影响因素和相互关系图；

图2是本发明的BP神经网络的结构图；

图3是用于实现本发明方法的的软件和硬件结构图。

具体实施方式

以下结合附图对本发明提供的具体实施方式进行详细说明。

一种基于BP神经网络的干熄焦烧损率实时计算方法，包括如下步骤：

步骤一、确定输入层和输出层的参数

输入层输入的参数是干熄焦系统的基本操作数据，包括：焦炭温度、干熄炉料位、空导阀门开度、预存段负压、循环风机转速、循环风CO含量、循环风CO₂含量、循环风H₂含量、锅炉入口风温、锅炉给水量、干熄炉排焦温度；

输出层的输出参数只有一个——焦炭烧损率。

步骤二、构造神经网络

根据前述内容构造干熄炉焦炭实时计算神经网络系统，其中输入层有11个参数，包括：焦炭温度、干熄炉料位、空导阀门开度、预存段负压、循环风机转速、循环风CO含量、循环风CO₂含量、循环风H₂含量、锅炉入口风温、锅炉给水量、干熄炉排焦温度；对应11个神经元，中间层也有11个神经元，输出层一个参数：焦炭烧损率，对应1个神经元；拓扑结构如图2。

步骤三、确定训练样本

选定一个月做为训练样本数据采集期，在进行样本数据采集之前，对相应的仪表进行校准，然后对11个输入层参数和1个输出层参数进行数据采集；

	编号	代号	内容	数据来源
					输入层参数
	1	a<sub>1</sub>	出焦炉号	生产记录
						2	a<sub>2</sub>	干熄炉料位	山控室PLC记录
	3	a<sub>3</sub>	空导阀门开度	中控室PLC记录
						4	a<sub>4</sub>	预存段负压	中控室PLC记录
	5	a<sub>5</sub>	循环风机转速	中控室PLC记录
						6	a<sub>6</sub>	循环风C0含量	中控室PLC记录
	7	a<sub>7</sub>	循环风C0<sub>2</sub>含量	中控室PLC记录
						8	a<sub>8</sub>	循环风H，含量	中控室PLC记录
	9	a<sub>9</sub>	锅炉入口风温	中控室RLC记录
						10	a<sub>10</sub>	锅炉给水量	中控室PLC记录
	11	a<sub>11</sub>	干熄炉排焦温度	中控室RLC记录
输出层参数
						1	y	焦炭烧损率	轨道秤和皮带秤生产记录

输入层样本用向量A表示，A_k＝(a₁，a₂，……a₁₁)；输出层样本用向量Y表示，Y_k＝(y)；其中k＝1，2，……30，为采集的样本对数量。

步骤四、BP神经网络的学习训练。

所述的步骤四中，BP神经网络的学习训练由以下过程组成：

4)模式顺传播过程；该过程就是将已知模式即已知网络的输入和输出的输入值提供给网络的输入层神经元，网络按照神经的数学模型向输出层进行传播计算；输入层的11个神经元不做计算直接输出给中间层神经元，输入层神经元用i来表示，i＝1，2，……11中间层的神经元用j表示，其输入值为

j＝1，2，……11，其中w_ij是神经元i到j的突触连接系数或称权重值；T_j是神经元j的阈值；中间层神经元的输出转换函数为单极S函数，这样中间层神经元的输出

中间层神经元的输出作为输出层神经元的输入信号，输出层神经元的输出转换函数同样采用单极S函数，这样输出层神经元的输入信号为σ＝ν_jo_j-γ，输出层神经元的输出信号

其中ν_j是是中间层j神经元到输出层神经元的连接权，γ是输出层神经元的阈值；

至此一个输入模式完成了一遍顺传播过程；

5)误差逆传播过程；误差的逆传播过程就是将网络顺向计算所得的输出值也就是网络响应值与我们希望输出之间的误差，再乘上一个修正因子之后，按反向网络传播，得到各神经元的校正误差；输出层的校正误差为Δ^k＝(Y^k-Φ^k)f′(σ^k)＝(Y^k-Φ^k)Φ^k(1-Φ^k)，中间层各神经元的校正误差为

6)训练过程；训练过程就是网络反复学习的过程，并在这个过程中，根据前面已经得到的校正误差，不断调整连接权及阈值；不断重复1)和2)，网络的输出值逐渐逼近希望输出值，也就是训练样本；在训练过程中，输出层的输入连接权变成

输出层输入的阈值变成γ＝γ-βΔ^k，中间层的输入连接权变成

中间层的输入阈值变成

α和β是学习系数，其值均大于0小于1，一般情况下学习系数取值范围为0.25～0.75之间；学习系数在整个训练过程中，可以取定常数不变，也可以不断修改；

4)网络的收敛过程；对于30对模式的学习训练过程，当所有的模式对都收敛时，网络才算收敛；这里选用误差平方和作为系统误差，其表示为

当系统误差E小于0.001时，认为网络收敛，训练结束，否则继续训练直到系统误差小于0.001时为止。

如图3所示，用于实现本发明方法的硬件系统包括：数据运算服务器、系统数据平台、外部设备、通信网络、控制电缆等。

数据运算服务器是一台工控机，负责训练、存储和运行干熄炉焦碳烧损率计算的模型，实时计算出干熄焦碳烧损率；

系统数据平台的作用是实时采集并统一管理干熄焦装置运行过程中的生产数据，它可以是DCS或PLC，也可以是气体成分检测仪、流量检测二次仪表等数据采集装置；

外部设备可以是显示器或记录仪等设备，用于向用户实时显示干熄炉焦碳烧损率的计算结果，其可以与数据运算服务器在同一台计算机上，也可以单独配置；

通信网络可以是工业以太网或PROFIBUS等，其作用是将干熄炉焦碳烧损率实时计算系统的数据运算服务器与系统数据平台连接起来；

控制电缆可以是KVVP电缆，用于将干熄焦系统的现场设备和仪表连接到系统数据平台。

用于实现本发明方法的软件系统包括：干熄炉焦炭烧损实时计算系统主程序软件、BP神经网络工具软件、数据平台组态软件等。

干熄炉焦炭烧损实时计算系统主程序软件是整个系统的基础框架，包括界面设置、数据处理、结果输出等功能，采用C#或VB、E等高级编程语言编制；

BP神经网络工具软件是专门用于对神经网络进行构造、学习训练、测试、输出的软件包，同样也采用C#或VB、E等高级编程语言编制，或者购买商业软件包；

数据平台组态软件负责对干熄焦系统数据进行获取、处理、反馈、传输操作，需要购买与干熄焦PLC或DCS系统匹配的商业软件包。

本发明的方法采集足够数量的准确的原始数据，构造合适的神经网络计算系统，并对其用原始数据进行训练，使其对干熄炉焦炭烧损率计算误差≤1％。

以上实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于上述的实施例。上述实施例中所用方法如无特别说明均为常规方法。

Claims (2)

1.一种基于BP神经网络的干熄焦烧损率实时计算方法，其特征在于，包括如下步骤：

步骤一、确定输入层和输出层的参数

输入层输入的参数是干熄焦系统的基本操作数据，包括：焦炭温度、干熄炉料位、空导阀门开度、预存段负压、循环风机转速、循环风CO含量、循环风CO₂含量、循环风H₂含量、锅炉入口风温、锅炉给水量、干熄炉排焦温度；

输出层的输出参数只有一个——焦炭烧损率；

步骤二、构造神经网络

根据前述内容构造干熄炉焦炭实时计算神经网络系统，其中输入层有11个参数，包括：焦炭温度、干熄炉料位、空导阀门开度、预存段负压、循环风机转速、循环风CO含量、循环风CO₂含量、循环风H₂含量、锅炉入口风温、锅炉给水量、干熄炉排焦温度；对应11个神经元，中间层有n个神经元，输出层一个参数：焦炭烧损率，对应1个神经元；

步骤三、确定训练样本

选定一个月做为训练样本数据采集期，在进行样本数据采集之前，对相应的仪表进行校准，然后对11个输入层参数和1个输出层参数进行数据采集；

编号 代号 内容 数据来源 输入层参数 1 a₁ 出焦炉号 生产记录 2 a₂ 干熄炉料位 山控室PLC记录 3 a₃ 空导阀门开度 中控室PLC记录 4 a₄ 预存段负压 中控室PLC记录 5 a₅ 循环风机转速 中控室PLC记录 6 a₆ 循环风CO含量 中控室PLC记录 7 a₇ 循环风CO₂含量 中控室PLC记录 8 a₈ 循环风H₂含量 中控室PLC记录 9 a₉ 锅炉入口风温 中控室PLC记录 10 a₁₀ 锅炉给水量 中控室PLC记录 11 a₁₁ 干熄炉排焦温度 中控室PLC记录 输出层参数 1 y 焦炭烧损率 轨道秤和皮带秤生产记录

输入层样本用向量A表示，A_k＝(a₁，a₂，……a₁₁)；输出层样本用向量Y表示，Y_k＝(y)；其中k＝1，2，……30，为采集的样本对数量；

步骤四、BP神经网络的学习训练。

2.根据权利要求l所述的一种基于BP神经网络的干熄焦烧损率实时计算方法，其特征在于，所述的步骤四中，BP神经网络的学习训练由以下过程组成：

1)模式顺传播过程；该过程就是将已知模式即已知网络的输入和输出的输入值提供给网络的输入层神经元，网络按照神经的数学模型向输出层进行传播计算；输入层的11个神经元不做计算直接输出给中间层神经元，输入层神经元用i来表示，i＝1，2，……11中间层的神经元用j表示，其输入值为

其中w_ij是神经元i到j的突触连接系数或称权重值；T_j是神经元j的阈值；中间层神经元的输出转换函数为线性函数、斜面函数、阈值函数、单极S函数、双极S函数、TanH函数、ReLU函数或Swish函数其中的一种，这样中间层神经元的输出

中间层神经元的输出作为输出层神经元的输入信号，输出层神经元的输出转换函数采用单极S函数，这样输出层神经元的输入信号为σ＝ν_jo_j-γ，输出层神经元的输出信号

其中ν_j是是中间层j神经元到输出层神经元的连接权，γ是输出层神经元的阈值；

至此一个输入模式完成了一遍顺传播过程；

2)误差逆传播过程；误差的逆传播过程就是将网络顺向计算所得的输出值也就是网络响应值与我们希望输出之间的误差，再乘上一个修正因子之后，按反向网络传播，得到各神经元的校正误差；输出层的校正误差为Δ^k＝(Y^k-Φ^k)f′(σ^k)＝(Y^k-Φ^k)Φ^k(1-Φ^k)，中间层各神经元的校正误差为

3)训练过程；训练过程就是网络反复学习的过程，并在这个过程中，根据前面已经得到的校正误差，不断调整连接权及阈值；不断重复1)和2)，网络的输出值逐渐逼近希望输出值，也就是训练样本；在训练过程中，输出层的输入连接权变成

输出层输入的阈值变成γ＝γ-βΔ^k，中间层的输入连接权变成

中间层的输入阈值变成

α和β是学习系数，其值均大于0小于1，一般情况下学习系数取值范围为0.25～0.75之间；学习系数在整个训练过程中，可以取定常数不变，也可以不断修改；

4)网络的收敛过程；对于30对模式的学习训练过程，当所有的模式对都收敛时，网络才算收敛；这里选用误差平方和作为系统误差，其表示为

当系统误差E小于设定值时，认为网络收敛，训练结束，否则继续训练直到系统误差小于设定值时为止。

Images