雙彎管法煤粉質量流量檢測*

趙延軍，程守光，王 鵬，馬翠紅

(河北聯合大學 電氣工程學院，河北 唐山063009)

0 引 言

在鋼鐵廠、發電廠的氣力輸送煤粉系統中，有效控制燃爐入口處風煤比例和煤粉在管道中的流量是提高燃燒效率，降低污染排放的關鍵。因此，需要對管道內煤粉的流量、流速、濃度等參數進行在線監測［1］。

多相流固相質量流量測量的非接觸式測量方法有很多種，如差壓法、力學法、聲學法、光學法、熱學法等［2］，但由于氣固兩相流流動的復雜性和多樣性，嚴重影響了煤粉質量流量在工業生產中在線、連續、準確的測量［3］。

本文研究了雙彎管法測量氣固兩相流固相質量流量測量原理［4］，在此基礎上建立了一種帶有附加動量項的BP神經網絡軟測量模型，將固相質量流量測量中難于確定的影響因素反映到網絡的連接權值中。該方法簡便、快捷，能夠有效檢測煤粉質量流量的測量精度。

1 雙彎管法測量原理

圖1 是雙彎管法測量流程圖。雙彎管法測量氣固兩相流固相質量流量的原理是:兩個彎管流量計串聯，其中一個彎管流量計安裝在氣固混合點之前來測量空氣流量，另一個安裝在氣固混合點之后來測量兩相流流經彎管時產生的差壓，通過計算可得混合物中的固相質量流量［5］。

圖1 雙彎管法流程圖Fig 1 Double-elbow method flow chart

氣固兩相流流過彎管的兩相混合物的質量流量qm為

式中 qms為兩相流中固相質量流量;qmg為兩相流中氣相質量流量;A 為管道的流通截面積;ρ 為兩相混合物的密度;α為流量系數;R為彎管的曲率半徑;D為彎管的半徑;Δp2為氣固混合點后的彎管內外壁的壓差。

混合物流經彎管時的速度vm(m/s)為

由式(1)、式(2)可得管道中混合物的密度ρ(kg/m3)

由式(1)、式(2)、式(3)式可得

同理，可推導出氣相質量流量qmg

故固相質量流量

從上述原理可以看出:煤粉質量流量的測量精度與Δp1氣固混合點前的彎管的內外壁的差壓、Δp2氣固混合點后的彎管內外壁的壓差呈非線性關系。

2 基于BPNN 的軟測量模型的建立與仿真

2.1 神經網絡的軟測量模型

軟測量技術是利用一組容易在線測量且與主變量密切相關的輔助過程參量，通過離線分析構造某種數學模型實現對主變量進行估算的方法［6，7］。人工神經網絡對非線性函數具有任意逼近和自學習能力，為非線性系統的辨識提供了一種簡單而有效的方法［8］。通過分析雙彎管法檢測原理可知，固相質量流量qms與氣固混合點前的彎管的內外壁的差壓Δp1、氣固混合點后的彎管內外壁的壓差Δp2存在某種復雜的非線性關系。以雙彎管法測量固相質量流量原理為基礎，Δp1，Δp2為BP 神經網絡的輸入，建立了一種檢測煤粉質量流量qms的軟測量模型，在氣固兩相流實驗平臺上進行實驗研究、獲取數據，以部分實驗數據為樣本對測量模型進行訓練學習，最后測試該模型泛化能力。網絡結構示意圖如圖2 所示。

圖2 網絡結構示意圖Fig 2 Network structure diagram

BP 網絡中輸出層的激勵函數通常采用純線性(Pureline)函數，隱含層的激勵函數采用S(Sigmoid)型函數

為了提高訓練速度和靈敏性及有效避開Sigmoid 函數的飽和區一般要求輸入數據的值在0～1 之間，因此，要對輸入數據進行歸一化處理［9］，歸一化處理方法如下

其中，xi為采集的原始數據中第i 個元素;xmin為原始數據中的最小值;xmax為原始數據中的最大值。

傳統BP 神經網絡采用梯度下降算法，雖然具有很強的非線性映射能力，靈活性較大，但收斂速度慢、存在局部極小點、訓練新樣本時有遺忘舊樣本的趨勢等不足，為克服上述不足，采用帶有附加動量項的BP 神經網絡，該算法學習訓練過程可分為4 步［10］:

1)計算輸出響應:計算中間層各單元的輸出bj和輸出層各單元的響應Ct

2)計算誤差:計算輸出層各單元誤差dkt 和中間層各單元誤差

3)修正連接權值:利用各層個單元的誤差對連接權值進行修正

其中，pk=［a1，a2，…，an］為網絡輸入向量;Tk=［y1，y2，…，yq］為網絡目標向量;Sk=［s1，s2，…，sp］為中間層單元輸入向量;Bk=［b1，b2，…，bp］為中間層單元輸出向量;Lk=［l1，l2，…，lq］為輸出層單元輸入向量;Ck=［c1，c2，…，c3］為輸出層輸出向量;wij為輸入層至中間層的連接權值;vjt為中間層至輸出層的連接權值;θj為中間層個單元的輸出閾值;rj為輸出層的輸出閾值;i=1，2，…，n;j=1，2，…，p;α，β 為動量因子;η1，η2為學習速率。

4)判斷學習是否結束:選取下一個學習樣本，執行上述計算，直到所有的樣本訓練完畢。當網絡的全局誤差小于預先設定值或學習次數達到了預先設定的學習次數上限，則學習結束。

2.2 模型訓練與仿真結果

在氣固兩相流測量平臺上對煤粉質量流量進行實驗檢測，共獲取了25 組有效實驗數據，隨機選取其中20 組作為BP 網絡的訓練樣本，并將訓練樣本和其余5 組數據作為網絡的測試樣本來測試該BP 網絡的泛化能力，測試該BP 網絡的泛化能力。在Matlab 上編程上述算法，對4 層BP 神經網絡隨機初始化后，進行學習訓練，經過3543 次訓練之后，其平均誤差達到了0.5%后，停止學習。

圖3 是BP 神經網絡的訓練結果，經過3000 多次的訓練后，平均誤差已低于0.5%，同時趨向穩定。

圖3 BP 神經網絡訓練結果Fig 3 BP neural network training results

圖4 是在實驗平臺上通過實驗測得的煤粉質量流量和BP 神經網絡軟測量模型仿真結果的對比。從圖中可以看出:仿真結果在實驗數據上下小范圍內浮動，與實驗數據一致性較好，反映了該軟測量模型良好的泛化能力。

圖4 實驗數據與仿真估算對比Fig 4 Comparison between experimental data and simulation estimation

圖5 是該軟測量模型仿真結果的相對誤差，從圖中可以看出:仿真結果的相對誤差在可接受范圍內，最大誤差也小于6%，反映出該模型具有較好的逼近能力。

圖5 仿真結果相對誤差Fig 5 Relative error of simulation results

3 誤差分析

基于BP 神經網絡的雙彎管法固相質量流量軟測量模型雖然提高了煤粉流量測量精度，但仍存在一定誤差，其誤差大小在可接受范圍內。誤差的主要來源是由于氣固兩相流流體性質、流動狀態以及流動條件的復雜性和多樣性造成的彎管流量計對差壓測量精度不高，如氣固兩相流流速不穩定、混合不均勻等因素。

4 結 論

本文在雙彎管法測量氣固兩相流固相質量流量原理的基礎上，建立了帶有附加動量項的4 層BP 神經網絡軟測量模型，經大量實驗數據的學習訓練后，進行仿真，仿真結果表明:估算值和實驗結果一致性較好，充分顯示了神經網絡軟測量模型的良好逼近性能，其相對誤差在可接受范圍內。該模型為氣固兩相流煤粉質量流量在線測量提供了一種有效方法。

［1］ 常 麗，金喜平，李書平，等.煤粉質量流量實時監測系統［J］.沈陽工業大學學報，2004，26(3):300－301.

［2］ 李國輝.彎管流量計在石化行業中的應用與節能分析［J］.中國化工貿易，2013，5(1):200－200.

［3］ Gajewski J B.Accuracy of cross correlation velocity measurements in two-phase gas-solid flows［J］.Flow Measurement and Instrumentation，2013，30:133－137.

［4］ 趙延軍，李國光，王式民.雙彎管法測量氣固兩相流質量流量的研究［J］.計量學報，2005，26(2):146－148.

［5］ 趙延軍.雙彎管法氣固兩相流固相質量流量測量方法的研究［D］.北京:華北電力大學，2001.

［6］ 俞金壽.軟測量技術及其應用［J］.自動化儀表，2008，29(1):1－7.

［7］ 南曉明.軟測量技術及其在過程檢測中的應用研究［J］.山東化工，2013，42(4):100－101.

［8］ 張徳豐.Matlab 神經網絡仿真與應［M］.北京:電子工業出版社，2009.

［9］ 周開利，康耀紅.神經網絡模型及其Matlab 仿真程序設計［M］.北京:清華大學出版社，2005.

［10］神經網絡設計方法與實例分析［M］.北京:北京郵電大學出版社，2009.