基于RBF神經(jīng)網(wǎng)絡(luò)區(qū)域劃分-分塊補償?shù)膬τ凸抻脺囟葌鞲衅鞣蔷€性補償

魏立新，羅 舜 , 郭林瓊

基于RBF神經(jīng)網(wǎng)絡(luò)區(qū)域劃分-分塊補償?shù)膬τ凸抻脺囟葌鞲衅鞣蔷€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(guī)律復(fù)雜，因此采用溫度傳感器進行儲油罐溫度數(shù)據(jù)測量時需要進行誤差補償，提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)區(qū)域劃分-分塊補償方法。根據(jù)儲油罐溫度場分布規(guī)律及溫度傳感器安裝布置，將罐內(nèi)空間劃分為若干個區(qū)域。利用RBF神經(jīng)網(wǎng)絡(luò)對各個區(qū)域內(nèi)的溫度傳感器分別構(gòu)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(jié)構(gòu)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(jīng)網(wǎng)絡(luò)區(qū)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(yè)和戰(zhàn)略儲備具有非常重要的意義，研究儲油罐溫度場分布規(guī)律，能為生產(chǎn)中制定經(jīng)濟、合理的儲存方案提供基礎(chǔ)數(shù)據(jù)。

現(xiàn)階段，儲油罐多采用溫度傳感器進行溫度數(shù)據(jù)測量，該種方法測量性能穩(wěn)定、示值復(fù)現(xiàn)性高，但測量結(jié)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(tǒng)的補償方法有查表法、數(shù)學公式法、插值法等，但均存在補償精度不高，補償模型結(jié)構(gòu)復(fù)雜等缺點。

近年來，神經(jīng)網(wǎng)絡(luò)作為一種非常有效的工程化計算方法，已廣泛地應(yīng)用于工業(yè)工程控制、非線性建模等各個領(lǐng)域。文獻[1-2]分別利用BP和RBF神經(jīng)網(wǎng)絡(luò)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(nèi)溫度場分布復(fù)雜，罐內(nèi)不同位置的傳熱特性與溫度變化規(guī)律差別很大[3-7]。導(dǎo)致相應(yīng)罐內(nèi)多數(shù)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(jīng)網(wǎng)絡(luò)區(qū)域劃分-分塊補償?shù)膬τ凸抻脺囟葌鞲衅鞣蔷€性補償方法。

1 基于RBF神經(jīng)網(wǎng)絡(luò)區(qū)域劃分-分塊補償?shù)膬τ凸抻脺囟葌鞲衅鞣蔷€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(jié)構(gòu)復(fù)雜等問題。為減少測量誤差，簡化補償模型結(jié)構(gòu)，采用一種基于RBF神經(jīng)網(wǎng)絡(luò)區(qū)域劃分-分塊補償?shù)膬τ凸抻脺囟葌鞲衅鞣蔷€性補償方法：首先根據(jù)儲油罐溫度場分布規(guī)律、儲油罐用溫度傳感器測量值安裝布置，提取儲油罐內(nèi)部空間邊界特征閥值，將罐內(nèi)空間劃分為若干個區(qū)域；利用RBF神經(jīng)網(wǎng)絡(luò)對各個區(qū)域內(nèi)的溫度傳感器分別構(gòu)建相互獨立的 RBF神經(jīng)網(wǎng)絡(luò)補償模型，優(yōu)選學習算法訓練補償模型，完成各區(qū)域內(nèi)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(nèi)部空間區(qū)域邊界特征閥值提取

根據(jù)文獻[5-7]，由于儲罐不同部位的傳熱特性不盡相同，導(dǎo)致相應(yīng)部位的溫度場分布規(guī)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(xiàn)“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(xiàn)離罐壁越近溫度越低的趨勢。綜合上述規(guī)律及考慮溫度傳感器在儲罐內(nèi)均為縱向安放，擬將儲罐內(nèi)部空間劃分為罐頂、中心和罐底三個區(qū)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(gòu)建得出的S罐頂面和S罐底面將儲罐內(nèi)部空間分割為三個近似圓柱形的區(qū)域。其中，邊界特征閥值為構(gòu)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(nèi)部空間區(qū)域劃分示意圖Fig.1 Divided tank internal area schematic diagram

1.2.1 罐頂區(qū)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(nèi)高溫區(qū)溫度；

則認為T(x1,y1,zi,j)對應(yīng)的位置坐標(x1,y1,zi)為罐頂區(qū)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(qū)域邊界特征閥值，并結(jié)合儲油罐溫度場分布規(guī)律構(gòu)建S罐頂面，完成罐頂區(qū)域劃分。

1.2.2 罐底區(qū)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(yīng)的位置坐標(x1,y1,zw)為罐底區(qū)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(qū)域邊界特征閥值，并結(jié)合儲油罐溫度場分布規(guī)律構(gòu)建S罐底面，完成罐底區(qū)域劃分。

罐內(nèi)空間除去罐頂區(qū)域和罐底區(qū)域后的剩余空間劃分為中心區(qū)域。

1.3 RBF神經(jīng)網(wǎng)絡(luò)補償模型構(gòu)建

圖2 RBF神經(jīng)網(wǎng)絡(luò)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(qū)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(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)簡易、逼近非線性函數(shù)能力強等優(yōu)勢，建立三個相互獨立的 RBF神經(jīng)網(wǎng)絡(luò)補償模型，分別逼近位于罐頂、中心及罐底區(qū)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(wǎng)絡(luò)模型如圖2所示。圖中，

式中：隱藏層神經(jīng)元的個數(shù)N根據(jù)該區(qū)域內(nèi)溫度傳感器個數(shù)及采集參數(shù)確定；為第j個RBF神經(jīng)網(wǎng)絡(luò)補償模型的權(quán)值矢量，為徑向基函數(shù)矢量，其中：為輸出層偏置值本文涉及的 RBF神經(jīng)網(wǎng)絡(luò)均采用高斯函數(shù)作為網(wǎng)絡(luò)的基函數(shù)：

2 儲油罐用溫度傳感器非線性補償實驗

2.1 基于RBF神經(jīng)網(wǎng)絡(luò)區(qū)域劃分-分塊補償實驗

以某15萬立儲油罐在罐內(nèi)液位17.2 m（滿罐）時的溫度傳感器測量數(shù)據(jù)為非線性補償對象。首先，對儲油罐溫度場分布規(guī)律、儲油罐用溫度傳感器測量值、采集參數(shù)及安裝布置進行分析，設(shè)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(nèi)高溫區(qū)溫度為47.3℃。根據(jù)上文1.2所述，提取儲罐內(nèi)部空間區(qū)域邊界特征閥值，見表1。

根據(jù)表1中的邊界特征閥值，構(gòu)建S罐頂和S罐底面，將罐內(nèi)空間劃分為罐頂、中心和罐底區(qū)域。依照區(qū)域劃分結(jié)果在三個區(qū)域內(nèi)分別隨機抽取X個溫度傳感器（X為該區(qū)域內(nèi)溫度傳感器總數(shù)的1/3），利用恒溫槽在-15～50 ℃范圍內(nèi)進行誤差測量，測量間隔設(shè)為0.25 ℃，共取得三份，每份261組樣本數(shù)據(jù)(T,T`)，(T,T`)表示在恒溫槽中設(shè)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(shù)據(jù)分別作為相應(yīng)區(qū)域的 RBF神經(jīng)網(wǎng)絡(luò)補償模型的訓練和測試數(shù)據(jù)（其中234組用于訓練，27組用于測試）。

表1 儲罐內(nèi)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(jīng)網(wǎng)絡(luò)方法、基于RBF神經(jīng)網(wǎng)絡(luò)方法和基于RBF神經(jīng)網(wǎng)絡(luò)區(qū)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(jīng)網(wǎng)絡(luò)區(qū)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(qū)域、中心區(qū)域、罐底區(qū)域內(nèi)溫度傳感器輸出誤差比較結(jié)果，溫度傳感器測量誤差為區(qū)域內(nèi)全部溫度傳感器測量結(jié)果的平均誤差。由圖3（a）～（c）可以看出，采用基于RBF神經(jīng)網(wǎng)絡(luò)區(qū)域劃分-分塊補償方法能夠很好地實現(xiàn)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(jīng)網(wǎng)絡(luò)方法（應(yīng)用單個BP神經(jīng)網(wǎng)絡(luò)進行非線性補償），基于RBF神經(jīng)網(wǎng)絡(luò)方法（利用單個RBF神經(jīng)網(wǎng)絡(luò)進行非線性補償）和基于RBF神經(jīng)網(wǎng)絡(luò)區(qū)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(jīng)網(wǎng)絡(luò)區(qū)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(jīng)網(wǎng)絡(luò)方法、基于RBF神經(jīng)網(wǎng)絡(luò)方法和基于RBF神經(jīng)網(wǎng)絡(luò)區(qū)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(jīng)網(wǎng)絡(luò)方法、基于RBF神經(jīng)網(wǎng)絡(luò)方法和基于RBF神經(jīng)網(wǎng)絡(luò)區(qū)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(jīng)網(wǎng)絡(luò)區(qū)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??；同時基于RBF神經(jīng)網(wǎng)絡(luò)區(qū)域劃分-分塊補償方法的各個RBF補償模型的隱藏層神經(jīng)元數(shù)目均為N=20，三種補償方法中模型結(jié)構(gòu)最簡易，因此基于RBF神經(jīng)網(wǎng)絡(luò)區(qū)域劃分-分塊補償方法具有最佳性能。

表2 基于BP神經(jīng)網(wǎng)絡(luò)方法、基于RBF神經(jīng)網(wǎng)絡(luò)方法和基于RBF神經(jīng)網(wǎng)絡(luò)區(qū)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(jié)束語

為解決儲油罐用溫度傳感器進行溫度數(shù)據(jù)測量時存在的非線性問題。根據(jù)儲油罐溫度場分布規(guī)律及罐內(nèi)溫度傳感器的安裝分布，考慮了罐內(nèi)溫度傳感器誤差特征的差異性，提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)區(qū)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(shù)量級。

［1］ 劉天健, 王劭伯, 朱善安. 基于神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)模型的傳感器非線性補償方法[J]. 計量技術(shù), 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(guī)律的實驗研究[J]. 油田地面工程, 2003, 22(11): 58-61.

［5］ 于達, 方徐應(yīng), 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(guī)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(shù)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(shù), 2001 (8): 16-18.

［11］ 黃席樾, 劉菡萏, 石為人. 基于遺傳算法的RBF神經(jīng)網(wǎng)絡(luò)設(shè)計[J].重慶大學學報, 1998, 21(2): 62-68.

［12］ 徐麗娜. 神經(jīng)網(wǎng)絡(luò)控制[M]. 哈爾濱:哈爾濱工業(yè)大學出版社, 1999.

［13］ 王雪萍, 林康紅. 一種利用RBF神經(jīng)網(wǎng)絡(luò)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(chuàng)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(yè)于東北石油大學油氣儲運專業(yè)，研究方向：從事油田地面工程優(yōu)化與節(jié)能降耗方面的研究。E-mail：weilixin73@163.com。