基于RBF神經網絡區域劃分-分塊補償的儲油罐用溫度傳感器非線性補償

魏立新，羅 舜 , 郭林瓊

基于RBF神經網絡區域劃分-分塊補償的儲油罐用溫度傳感器非線性補償

魏立新，羅 舜 , 郭林瓊

（東北石油大學， 黑龍江 大慶 163318）

由于儲油罐溫度場分布規律復雜，因此采用溫度傳感器進行儲油罐溫度數據測量時需要進行誤差補償，提出了一種基于RBF神經網絡區域劃分-分塊補償方法。根據儲油罐溫度場分布規律及溫度傳感器安裝布置，將罐內空間劃分為若干個區域。利用RBF神經網絡對各個區域內的溫度傳感器分別構建相互獨立的補償模型進行非線性補償。實驗表明，與多種補償方法相比，該種方法模型結構簡單，補償后的儲油罐用溫度傳感器誤差大幅減少。

基于RBF神經網絡區域劃分-分塊補償；儲油罐用溫度傳感器；非線性補償

大型儲油罐對于國家原油的商業和戰略儲備具有非常重要的意義，研究儲油罐溫度場分布規律，能為生產中制定經濟、合理的儲存方案提供基礎數據。

現階段，儲油罐多采用溫度傳感器進行溫度數據測量，該種方法測量性能穩定、示值復現性高，但測量結果存在一定的非線性誤差，為提高測量精度，有必要對儲油罐用溫度傳感器進行非線性補償。傳統的補償方法有查表法、數學公式法、插值法等，但均存在補償精度不高，補償模型結構復雜等缺點。

近年來，神經網絡作為一種非常有效的工程化計算方法，已廣泛地應用于工業工程控制、非線性建模等各個領域。文獻[1-2]分別利用BP和RBF神經網絡對溫度傳感器進行非線性補償，取得了一定的積極效果，為溫度傳感器的非線性補償提供了一種新思路。但是，儲油罐內溫度場分布復雜，罐內不同位置的傳熱特性與溫度變化規律差別很大[3-7]。導致相應罐內多數溫度傳感器的誤差特征差別很大，采取文獻[1-2]的方法達不到很好的補償效果，因此，本文提出了一種基于RBF神經網絡區域劃分-分塊補償的儲油罐用溫度傳感器非線性補償方法。

1 基于RBF神經網絡區域劃分-分塊補償的儲油罐用溫度傳感器非線性補償原理

1.1 補償流程

針對儲油罐用溫度傳感器進行非線性補償時存在誤差特征差別大、補償模型結構復雜等問題。為減少測量誤差，簡化補償模型結構，采用一種基于RBF神經網絡區域劃分-分塊補償的儲油罐用溫度傳感器非線性補償方法：首先根據儲油罐溫度場分布規律、儲油罐用溫度傳感器測量值安裝布置，提取儲油罐內部空間邊界特征閥值，將罐內空間劃分為若干個區域；利用RBF神經網絡對各個區域內的溫度傳感器分別構建相互獨立的 RBF神經網絡補償模型，優選學習算法訓練補償模型，完成各區域內溫度傳感器的非線性補償，最終集成各個補償模型的輸出，完成儲油罐用溫度傳感器非線性補償。

1.2 儲罐內部空間區域邊界特征閥值提取

根據文獻[5-7]，由于儲罐不同部位的傳熱特性不盡相同，導致相應部位的溫度場分布規律差別很大。罐頂部位受日照影響溫度變化較快，罐底、罐壁部位分別受基座和保溫層影響溫度變化較慢，軸向溫度分布呈現“兩頭低，中間高”的特點，且存在較大梯度，橫向溫度場分布呈現離罐壁越近溫度越低的趨勢。綜合上述規律及考慮溫度傳感器在儲罐內均為縱向安放，擬將儲罐內部空間劃分為罐頂、中心和罐底三個區域。

如圖1所示，以儲罐底面中心點為原點，儲罐底面為X-Y面，儲罐中心軸線為Z軸建立三維直角坐標系。通過邊界特征閥值構建得出的S罐頂面和S罐底面將儲罐內部空間分割為三個近似圓柱形的區域。其中，邊界特征閥值為構建得出S罐頂面和S罐底面的各個位置坐標 (x,y,z)。

圖1 儲罐內部空間區域劃分示意圖Fig.1 Divided tank internal area schematic diagram

1.2.1 罐頂區域邊界特征閥值提取

將具有相同X軸、Y軸坐標的溫度傳感器進行編組，并將z坐標值按由大到小的順序依次編號z1～zN，以此作為研究對象。以一組X軸、Y軸坐標為(x1,y1)的溫度傳感器為例，若在(x1,y1,zi)點的溫度傳感器的測量值T(x1,y1,zi,j)滿足以下條件（公式（1）～（4））：

1）在任意相同采集時刻j：

2）在任意相鄰采集時刻j與j+1：

且z值小于zi的溫度傳感器也均滿足該條件

其中T閥1、T閥2、T閥3、T閥4均為溫度閥值，T高溫為人工測得的罐內高溫區溫度；

則認為T(x1,y1,zi,j)對應的位置坐標(x1,y1,zi)為罐頂區域(x1,y1)位置的邊界特征閥值。依照上述條件遍歷 X-Y面，提取各個位置的罐頂區域邊界特征閥值，并結合儲油罐溫度場分布規律構建S罐頂面，完成罐頂區域劃分。

1.2.2 罐底區域邊界特征閥值提取

同理，若在(x1,y1,zw)點的溫度傳感器的測量值T(x1,y1,zw,j)滿足以下條件（公式（5）-（8））：

1）在任意相同采集時刻j：

2）在任意相鄰采集時刻j與j+1：

且z值大于zw的溫度傳感器也均滿足該條件

則認為T(x1,y1,zw,j)對應的位置坐標(x1,y1,zw)為罐底區域(x1,y1)位置的邊界特征閥值。依照上述條件遍歷X-Y面，提取各個位置的罐底區域邊界特征閥值，并結合儲油罐溫度場分布規律構建S罐底面，完成罐底區域劃分。

罐內空間除去罐頂區域和罐底區域后的剩余空間劃分為中心區域。

1.3 RBF神經網絡補償模型構建

圖2 RBF神經網絡補償模型Fig.2 RBF neural network compensation model

由于安裝在不同位置的溫度傳感器誤差特性區別很大，且溫度傳感器的誤差曲線具有高度的非線性，因此利用RBF神經網絡模型結構簡易、逼近非線性函數能力強等優勢，建立三個相互獨立的 RBF神經網絡補償模型，分別逼近位于罐頂、中心及罐底區域的溫度傳感器的誤差曲線，從而完成儲油罐用溫度傳感器的非線性補償，其網絡模型如圖2所示。圖中，

式中：隱藏層神經元的個數N根據該區域內溫度傳感器個數及采集參數確定；為第j個RBF神經網絡補償模型的權值矢量，為徑向基函數矢量，其中：為輸出層偏置值本文涉及的 RBF神經網絡均采用高斯函數作為網絡的基函數：

2 儲油罐用溫度傳感器非線性補償實驗

2.1 基于RBF神經網絡區域劃分-分塊補償實驗

以某15萬立儲油罐在罐內液位17.2 m（滿罐）時的溫度傳感器測量數據為非線性補償對象。首先，對儲油罐溫度場分布規律、儲油罐用溫度傳感器測量值、采集參數及安裝布置進行分析，設定溫度閥值分別為3.2、4.8、8.1、0.5、9.6、1 ℃，人工測得的罐內高溫區溫度為47.3℃。根據上文1.2所述，提取儲罐內部空間區域邊界特征閥值，見表1。

根據表1中的邊界特征閥值，構建S罐頂和S罐底面，將罐內空間劃分為罐頂、中心和罐底區域。依照區域劃分結果在三個區域內分別隨機抽取X個溫度傳感器（X為該區域內溫度傳感器總數的1/3），利用恒溫槽在-15～50 ℃范圍內進行誤差測量，測量間隔設為0.25 ℃，共取得三份，每份261組樣本數據(T,T`)，(T,T`)表示在恒溫槽中設定溫度為T`時，抽取的溫度傳感器輸出平均值為T。取得的樣本數據分別作為相應區域的 RBF神經網絡補償模型的訓練和測試數據（其中234組用于訓練，27組用于測試）。

表1 儲罐內部空間邊界特征閥值Table 1 the characteristic threshold values of tank’s internal area

2.2 基于BP神經網絡方法、基于RBF神經網絡方法和基于RBF神經網絡區域劃分-分塊補償方法對比實驗

圖3 儲油罐用溫度傳感器補償前、后測量誤差比較Fig.3 Comparison of the measuring errors of oil tank before and after using compensation

對基于RBF神經網絡區域劃分-分塊補償方法補償前、后溫度傳感器測量誤差進行比較，其中，圖3（a）～（c）分別為罐頂區域、中心區域、罐底區域內溫度傳感器輸出誤差比較結果，溫度傳感器測量誤差為區域內全部溫度傳感器測量結果的平均誤差。由圖3（a）～（c）可以看出，采用基于RBF神經網絡區域劃分-分塊補償方法能夠很好地實現儲油罐用溫度傳感器的非線性補償，補償后的測量誤差大大減少。

圖4為基于BP神經網絡方法（應用單個BP神經網絡進行非線性補償），基于RBF神經網絡方法（利用單個RBF神經網絡進行非線性補償）和基于RBF神經網絡區域劃分-分塊補償方法對儲油罐用溫度傳感器進行非線性補償后測量誤差的比較。由圖4可以得出，采用基于RBF神經網絡區域劃分-分塊補償方法后儲油罐用溫度傳感器測量誤差最小，補償效果最好。

圖4 基于BP神經網絡方法、基于RBF神經網絡方法和基于RBF神經網絡區域劃分-分塊補償方法輸出誤差比較Fig.4 The output error comparison of BP neural network compensation,RBF neural network compensation and RBF neural network area division-separate compensation

表2為基于BP神經網絡方法、基于RBF神經網絡方法和基于RBF神經網絡區域劃分-分塊補償方法的性能比較。由表2可以得出，基于RBF神經網絡區域劃分-分塊補償方法最大誤差小于 0.091℃，遠小于補償前的最大誤差（1.4 ℃），且在三種補償方法中誤差最小；同時基于RBF神經網絡區域劃分-分塊補償方法的各個RBF補償模型的隱藏層神經元數目均為N=20，三種補償方法中模型結構最簡易，因此基于RBF神經網絡區域劃分-分塊補償方法具有最佳性能。

表2 基于BP神經網絡方法、基于RBF神經網絡方法和基于RBF神經網絡區域劃分-分塊補償方法性能比較Table 2 The performance comparison of BP neural network compensation、RBF neural network compensation and RBF neural network area division-separate compensation

3 結束語

為解決儲油罐用溫度傳感器進行溫度數據測量時存在的非線性問題。根據儲油罐溫度場分布規律及罐內溫度傳感器的安裝分布，考慮了罐內溫度傳感器誤差特征的差異性，提出了一種基于RBF神經網絡區域劃分-分塊補償方法。實驗表明，采用此種方法補償模型簡單，補償后的儲油罐用溫度傳感器測量測量減少了兩個數量級。

［1］ 劉天健, 王劭伯, 朱善安. 基于神經網絡的鉑電阻溫度傳感器非線性校正方法[J]. 儀器儀表學報, 2002, 23(5): 518-521.

［2］ 趙陽, 田社平, 韋紅雨. 基于RBF神經網絡模型的傳感器非線性補償方法[J]. 計量技術, 2007 (2): 3-7.

［3］ 朱作京, 于達, 宮敬. 儲油罐溫度場模擬過程中傳熱相似理論[J].油氣儲運, 2003, 26(12): 37-42.

［4］ 王明吉, 張勇, 曹文. 原油儲罐溫降規律的實驗研究[J]. 油田地面工程, 2003, 22(11): 58-61.

［5］ 于達, 方徐應, 李東風. 大型浮頂儲油罐油溫降特點[J]. 油氣儲運, 2003, 22(9): 47-49.

［6］ 朱繡峰, 黃繡杰, 朱繡蓮. 儲油罐溫度分布規律初探[J]. 油田地面工程, 2002 (21): 51-53.

［7］ Humphrey, Colin. Computational Fluid Dynamics Study of Flow Around Floating Roof Oil Storage Tanks[J]. Journal of Wind Engineering and Industrial Aerodynamics, 2000 (86): 37-54.

［8］ 孫慧卿, 郭志友. 壓力傳感器及誤差補償[J]. 傳感器世界, 2002, 8(3): 14-16.

［9］ 李德勝, 趙新民. 一種傳感器非線性反函數校正方法[J]. 儀器儀表學報, 1991, 12(2): 215-218.

［10］俞阿龍, 吳達華. 熱電偶傳感器的一種非線性補償方法[J]. 計量技術, 2001 (8): 16-18.

［11］ 黃席樾, 劉菡萏, 石為人. 基于遺傳算法的RBF神經網絡設計[J].重慶大學學報, 1998, 21(2): 62-68.

［12］ 徐麗娜. 神經網絡控制[M]. 哈爾濱:哈爾濱工業大學出版社, 1999.

［13］ 王雪萍, 林康紅. 一種利用RBF神經網絡的傳感器建模新方法[J].新疆大學學報, 2002, 19(3): 368-371.

［14］ Musavi, M, T, Ahmed, W, Chan, K, H. On the Training of Radial Basis Function Classifiers[J]. Neural Networks, 1992, 5(4): 595-603

Error Compensation for Oil Tank Temperature Sensors Based on RBF Neural Network Area Division-separate Compensation

WEI Li-xin，LUO Shun，GUO Lin-qiong
（Northeast Petroleum University, Heilongjiang Daqing 163318, China）

The distribution of oil tank’s temperature is complicated, so nonlinear compensation for oil tank temperature sensor is needed. In this paper, an error compensation method based on RBF neural network area division-separate compensation was proposed. According to the distribution of oil tank’s temperature and the layout of oil tank temperature sensors, the tank’s internal space was divided into several areas; in each area, independent nonlinear compensation model for separate compensation was built by using RBF neural network. The experiments show that the structure of this method is simple, the measuring errors of oil tank temperature sensor decreases largely.

RBF neural network area division-separate compensation; Oil tank use temperature sensor; Nonlinear error compensation

TE 821

： A

： 1671-0460（2015）04-0729-04

中國石油科技創新基金項目（2014D-5006-0607）。

2014-11-14

魏立新（1973-），男，河北定州人，教授，博士，2005年畢業于東北石油大學油氣儲運專業，研究方向：從事油田地面工程優化與節能降耗方面的研究。E-mail：weilixin73@163.com。