基于人工神經網絡的柴油乳化機自動化制備研究

徐偉幸，施愛平，劉 超

（江蘇大學，鎮江 212013）

基于人工神經網絡的柴油乳化機自動化制備研究

徐偉幸，施愛平，劉 超

（江蘇大學，鎮江 212013）

0 引言

乳化柴油[1]是將水和柴油通過乳化劑和乳化設備形成的油包水(W/O)型乳液。和普通柴油比,乳化柴油具有燃燒性能好、能耗低、污染少等優點。燃油摻水不僅可以節能, 而且能達到環保要求, 因此受到世界各國科學家的重視。乳化技術目前已經滲透到石油化工、生物技術以及環境科學等領域，具有巨大的應用潛力。

1 柴油乳化機

柴油乳化機是一個具備多個控制參量（油、水、劑的配比，乳化泵的剪切磁化速率、勻化級數），對控制精度及反應時間要求較高的的自動化裝置。由于各個參量之間的相互影響，對多參量系統的控制是一個復雜的過程[2]。上述參量合理的選擇與控制對產品的品質起著決定性的作用，需要采用先進的控制技術對以上參量進行實時的檢測與控制，以保證能夠生產出滿足標準的乳化柴油。同時柴油乳化機的工作環境往往比較復雜：外界溫度、濕度的變化，需求量的調整等等，這些外在因素也會對最終產品的質量產生一定的影響。傳統的柴油乳化機經常采用的控制技術有PLC、現場總線、PID等控制技術，在應對多參量、高精度、快反應以及復雜多變的外部環境時，以上控制技術會出現控制反應時間較長，控制精度不夠高的問題，直接影響了乳化柴油產品的品質與質量。經過反復的試驗與對比，本項目最終選擇采用基于人工神經網絡的控制技術對柴油乳化機進行實時的檢測與控制。

2 人工神經網絡技術

“人工神經網絡”(ARTIFICIAL NEURAL NETWORK，簡稱ANN)是在對人腦組織結構和運行機制的認識理解基礎之上模擬其結構和智能行為的一種工程系統[3]。人工神經網絡在處理復雜系統的建模問題上表現出了較強的優越性，它通過對簡單的非線性函數進行復合來表達復雜的系統過程，具有自組織、自學習的特點，不需要預先對模型的形式及參數加以限制，只需根據訓練樣本的輸入、輸出數據來自動尋找其中的相關關系，給出過程對象的具體數學表達。同時，由于其信息具有分布存儲的特點，使建立的模型具有較強的抗干擾性。

基于誤差反向傳播算法的人工神經網絡（BP神經網絡）是目前最常用的神經網絡之一，由信息的正向傳播和誤差的反向傳播兩個過程組成[4,5]。對于具有n個輸入、m維輸出節點的BP神經網絡，輸入到輸出的關系可以看作是n維歐氏空間到m維歐氏空間的映射。層與層之間采用全連接方式，同層單元之間不存在相互連接。BP網絡每一層權值可通過學習來調節，其基本處理單元(除輸入層外)為非線性輸入—輸出關系，其傳遞函數一般選用S型作用函數：

網絡運行時，輸入數據首先通過加權值傳到隱含層節點，通過傳遞函數的作用再送到輸出節點。由于網絡中存在著大量的非線性節點，因此，網絡的輸入/輸出映射具有高度的非線性。對于BP神經網絡，只要有足夠多的隱含層節點，理論上可以實現任意多輸入到輸出的映射。BP神經網絡由兩部分構成：信息的正向傳遞和誤差的反向傳播。在正向傳遞中，輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間層各神經元；中間層是內部信息處理層，負責信息變換，根據信息變化能力的需求，中間層可以設計為單隱含層或者多隱含層結構；最后一個隱含層傳遞到輸出層各神經元的信息，經進一步處理后，完成一次學習的正向傳播處理過程，由輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不相符時，進入到誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱含層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播過程，是各層權值不斷調整的過程，也是神經網絡學習訓練的過程，此過程一直進行到網絡的輸出誤差減少到可以接受的程度，或者達到預先設定的學習次數為止。具有一個輸入層、一個隱含層、一個輸出層的三層BP神經網絡示意圖如圖1所示。

圖1 三層BP神經網絡模型

3 自動化制備研究

由Kolmogorov定理可知，三層BP網絡可以逼近任意連續的非線性映射，所以BP網絡建模的實質就是如何正確選定網絡的各層節點數。

3.1 輸入層節點數的確定

本課題中，判斷乳化柴油制備情況優劣的主要參數有乳化柴油的油水摩爾比、產品的粘度值與十六烷值三個方面，故輸入層節點數取3。

3.2 輸出層節點數的確定

網絡所要預測與控制的目標參數為配比量（油、水及高性能乳化劑三者間的配比）、乳化泵的剪切磁化速率以及勻化級數，故輸出層的節點數也取為3。

3.3 隱含層節點數的確定

隱含層節點數的確定目前還沒有很好的辦法，隱節點數與問題的要求、輸入輸出節點的多少有關。若隱節點數太少，網絡可能訓練不出來，或網絡不強壯，不能識別以前沒有看到的樣本，容錯性差；但隱節點數太多又會使學習時間過長，誤差不一定達到最佳，通常通過試差法來確定。取乳化柴油工藝實驗中典型實驗數據共100套，選取其中80個樣本組成訓練集，剩余20個樣本組成預測集。神經網絡算法利用公式（18）所示的S型作用函數作為傳遞函數，其輸入以及輸出均在[0，1]區間連續取值。因此在建立神經網絡模型時，先將乳化柴油實驗的油水摩爾比、粘度值、十六烷值3個參數共100套實驗數據分別進行標準歸一化，再對學習及預測結果進行反歸一化。

首先確定一個3個輸入節點、3個輸出節點的3-N-3初始拓撲結構，然后對含不同隱含節點的網絡拓撲結構進行訓練和預測，找到具有最佳輸出預測能力的網絡拓撲結構。其中網絡的學習速率為0.25，動量系數為0.20。實驗發現當隱含節點數為9、10、11、12、13時，網絡運行比較穩定。表1是采用不同網絡拓撲結構所得到的學習與預測誤差結果。

表1 不同隱含節點訓練與預測結果

比較表1的結果，我們可知采用拓撲結構為3-10-3的BP神經網絡，其預測集的實驗輸出與預測輸出平均相對誤差水平都優于其它網絡拓撲結構，網絡運行至5000次后仍未發生過擬合現象，網絡較穩定。因此選擇BP神經網絡模型的網絡拓撲結構為3-10-3型，即輸入層為3個節點（油水摩爾比、粘度值、十六烷值），隱含層包含10個節點，輸出層為3個節點（配比量、剪切磁化速率及勻化級數）。

4 結論

以上的計算結果表明，BP神經網絡模型能夠對配比量、剪切磁化速率及勻化級數進行較精確的預測，通過獲得的預測值，我們能夠對乳化機輸入端的油、水、劑配比量、乳化泵的剪切磁化速率及勻化級數進行實時而有效的設置與控制，從而保證乳化機能夠連續不間斷的生產出合乎標準的乳化柴油。

[1]李建彤,韓萍芳,呂效平.乳化柴油研究及其應用進展[J].化工進展,2004,23(4).

[2]劉蔚.乳化柴油及其實驗研究[D].大連理工大學,2003.

[3]賀戰兵.基于人工神經網絡預測控制的交通信號調度[J].計算技術與自動化,2010(3).

[4]朱大奇.人工神經網絡研究現狀及其展望[J].江南大學學報(自然科學版),2004,(2).

[5]邱東強.神經網絡控制的現狀與發展[J].自動化與儀器儀表,2001,(5).

Research on automatic preparation system of emulsifying machine of diesel oil based on artif i cial neural networks

XU Wei-xing, SHI Ai-ping, LIU Chao

乳化柴油和普通柴油比,乳化柴油具有燃燒性能好、能耗低、污染少等優點，而柴油乳化機則是一個具備多個控制參量，對控制精度及反應時間要求較高的的自動化裝置。采用基于人工神經網絡的控制技術對柴油乳化機進行實時的檢測與控制，從而保證乳化機能夠連續不間斷的生產出合乎標準的乳化柴油。

人工神經網絡；柴油乳化機；自動化制備

徐偉幸（1978 -），男，江蘇丹徒人，講師，主要從事流體機械設計及其自動控制研究。

TP391

B

1009-0134(2011)4(上)-0100-02

10.3969/j.issn.1009-0134.2011.4(上).31

2010-10-20