基于BP神經網絡的回轉空氣預熱器火災報警系統

吳德君

(陜西國防工業職業技術學院,陜西 西安 710300)

鍋爐空氣預熱器是利用排煙余熱來加熱鍋爐燃燒和制粉系統所需要的空氣，冷空氣經過預熱后被送進爐膛參加燃燒。通過空氣預熱系統降低了排煙溫度，減少了熱能損失，提高了燃燒效率。國內200 MW以上的鍋爐通常使用回轉式空氣預熱器。回轉式空氣預熱器由于結構原因，存在積灰、低溫腐蝕和漏風等缺點。由于空氣流通空間狹窄，不完全燃燒的可燃物很容易在緊湊安置的儲熱元件上面沉積。當沉積物(即積灰)過多且空氣預熱器內散熱條件變差時，這些沉積物就會氧化升溫。當溫度達到月350 ℃時，沉積物就會開始自燃，若燃燒溫度升高到700 ℃時，鋼制蓄熱元件很可能被點燃，火勢一旦蔓延開，就足以使整個空氣預熱器發生火災。而燃燒點一般需要幾個小時才能從一個波紋箱擴散到周圍其他波紋箱，只要能在這段時間及時地檢測出火情并采取滅火措施，就能將火災造成的損失控制在很小范圍；因此，非常有必要研究出及時準確的火災檢測系統，來進行火災報警工作[1-2]。

1 多傳感器的數據融合

1.1 紅外陣列的使用

設計采用固定式紅外列陣結構，紅外列陣共使用7個紅外傳感器，沿空氣預熱器半徑方向并排安裝在其空氣側。隨著空氣預熱器的旋轉， 便可以檢測出空氣預熱器在每個周期的內部溫度。紅外傳感器采用TPS434熱電堆紅外傳感器，它具有較高的靈敏度和多重復性，適合作為測溫儀使用。通過采用現代微電子技術，在一個很小的半導體材質上將多個熱電偶集中串聯起來，制作成熱電堆紅外傳感器；同時，傳感器內集成了一個用于溫度補償的熱敏電阻，使其具有較高的靈敏度。封裝時，在封裝結構頂部安裝了有很好紅外線透過性的鍺玻璃光窗。TPS434傳感器外部有2對引腳，分別連接熱電堆和熱敏電阻，其等效電路圖如圖1所示。

圖1 TPS434傳感器等效電路圖

1.2 人工神經網絡數據融合方法

本文采用3層BP神經網絡融合算法，首先對多傳感器采集到的現場溫度數據進行熱點特征提取，然后將提取到的熱點特征數據輸入到訓練好的神經網絡中進行數據融合，從而得到現場火情的發生概率。數據融合是針對多傳感器的一種信息處理方式，它用特定的算法對采集到的信息進行合成，充分利用多傳感器聯合操作的優勢，從而獲得對外部環境或被測對象的某一種特征表達方式。數據融合過程可以看作從傳感器采集到的空間信息M到所要得到的結果空間信息N的一種非線性推理過程。從這一方面看，神經網絡是一個能實現多輸入信號高度非線性變換，具有超大規模并行處理信息功能的一種融合系統[3]。在運用神經網絡進行數據融合時，首先要選擇符合系統的要求以及傳感器特點的神經網絡模型，設定網絡結構和各種初始參數，選取合適的樣本數據，對建立的神經網絡模型依據信息融合原理采用適當的學習方法進行離線訓練，在學習過程中逐步確定神經網絡的權值與結構，最后在實際的系統信息融合中應用訓練好的神經網絡。

2 BP神經網絡

本文采用BP神經網絡的結構和算法[4]，通過BP神經網絡實現對采集到的溫度數據進行融合算法，完成報警工作。BP神經網絡是一種多層前饋網絡，采用誤差的梯度下降算法作為其學習規則，是使用最廣泛的網絡，可用于自動化、醫學和經濟等各個領域。前饋性神經網絡結構如圖2所示。

圖2 前饋性神經網絡結構

BP神經網絡算法的核心思想是根據網絡真實輸出與期望輸出之間的均方誤差來調整各個神經元之間的權值。BP神經網絡算法[5-6]的學習過程是不斷修改網絡連接權值的過程，在這個過程中輸入信號由輸入層傳入，依次向隱含層、輸出層傳遞，并在傳遞過程中，經網絡權值和傳輸函數的作用，最后在輸出層輸出網絡的計算結果。若輸出結果與期望之間的誤差沒有達到網絡的最小誤差，則進入誤差信號的逆向傳播過程。

標準BP神經網絡在訓練過程中有以下特點：1)容易形成局部極小，而無法得到全局最優；2)訓練時存在遺忘舊樣本趨勢；3)學習率的不合理設置，會降低收斂速度等。因此，本文采用了增加動量項和自適應調節學習率的方法，來改進標準BP神經網絡。

2.1 增加動量項以改進BP神經算法

在標準BP網絡學習過程中，調整權值時只是按t時刻誤差的梯度下降方向調整，而沒有包含到t時刻之前的梯度方向，這樣常常導致訓練過程產生振蕩，并降低了收斂速度。為了提高神經網絡的訓練速度，在調整網絡各層之間連接權值時，可以在調整權值公式中增加1個動量項，其本質是從前1次的權值調整中提取出一些調整量疊加到當前的權值調整量中。這些添加的動量項因為具有以前的調整經驗，所以它們的添加對于t時刻的權值調整起到了阻尼作用。當出現誤差曲面劇烈波動的情況時，可以減小誤差的振蕩趨勢，從而提高訓練速度。本文在BP算法進行各層之間的權值調整過程中，通過增加動量項的方法來提高網絡學習效率和自適應能力。

2.2 增加動量項對算法的影響

在BP算法學習中步長η的設置較大時能提高網絡的收斂速度，但同時也會引起網絡的不穩定。較小的η雖然可以增加網絡的穩定性，但網絡的收斂速度也會隨著降低。在BP算法中加入動量項的具體關系式為：

Δωji(t)=αΔωji(t-1)+ηδj(t)Oi(t)

(1)

式中，α為某一整數，被稱為遺忘因子，通常在(0，1)中選值；第1項為動量項，它通過在權值更新中引進穩定性來提高標準反向傳播的收斂速度；第2項為常規BP算法的修正量。

觀察式1，如果權值更新的方向與前一步相同，則變化率增加；反之，則變化率降低。1)如果訓練模式包含一些不確定性因素，例如噪聲，則增加動量項的算法能在更新過程中阻止該權值更新方向的迅速變化來提供一類低通濾波；2)這種行為使訓練對出格點(outlier)或錯誤訓練對的出現具有免疫能力；3)如果網絡在誤差曲面的平坦區域運行，則增加動量項能提高權值的變化率，且收斂速度將增加。如果網絡在誤差曲面的平坦區域運行，每一步的梯度值將不會顯著變化，因此式1可以近似為：

Δωji(t) =αΔωji(t-1)+ηδj(t)Oi(t)≈

(2)

當系統進入到誤差函數面的平坦區，這時誤差的變化將會變得很小，于是Δω(t+1)近似于Δω(t)，而平均的Δω將變為：

(3)

遺忘因子α總是比單位值小，因此，增加動量項的更新將有效學習率提高為(-η)/(1-α)，使權值調節盡快脫離平坦區。

綜合所述，經過在各層基礎調整連接權值的方法上進行改進，添加動量項的改進型算法的各連接權值的調整公式如下：

(4)

2.3 BP算法流程圖

BP神經網絡確定后，先初始化網絡的權值閾值等參數，然后從網絡輸入層輸入選取的樣本數據，計算網絡的總誤差。根據網絡總誤差計算各層的誤差信號，根據設計好的BP神經網絡學習規則進行網絡結構權值和閾值的修改，直到網絡的輸出達到最小誤差，或達到設定的最大學習次數。本文采用C語言對課題進行編程仿真，其算法流程圖如圖3所示。

圖3 BP神經網絡算法流程圖

3 基于BP神經網絡的數據融合

3.1 神經網絡的結構設計

3.1.1 輸入層和輸出層的設計

在本設計中，BP神經網絡數據融合的結果，只要給出判定的空氣預熱器的火災概率大小，故只需要設定為1個輸出就可以了。本文選擇的神經網絡輸入層包含6個節點，分別對應采集數據提取的6個熱點特征。

3.1.2 隱含層的設計

神經網絡隱含層節點數的數目對神經網絡的學習收斂性以及精度有直接的影響，其數目的確定也具有很大的人為因素。理論上，節點數越多，所能表達的精度就越高，但太多會導致學習時間過長；而太少時網絡的容錯性差，識別未學習的樣本能力低。在實際訓練過程中發現，當隱含層節點數取到一定值時，再增加隱含層節點數目并不能提高網絡的精度，反而會增加網絡的訓練時間。為了確定最佳的網絡隱含層節點數目，本文采用對比計算結果的方法，從中選取最優的隱含層節點數。

3.1.3 網絡傳輸函數的確定

除了受網絡的結構影響外，神經網絡解決實際問題的能力與效率，很大程度上取決于網絡選擇的傳輸函數，神經網絡的傳輸函數有3種模型：閾值函數、分段性函數和Sigmoid函數。本文選擇S型傳輸函數，即Sigmoid函數。S型傳輸函數的一個重要特點是它是連續可微的，因此它可以嚴格利用梯度法進行推算。S型傳輸函數具有較好的非線性關系，其函數本身及其導數也都是連續的，并且它也有比較簡單的輸入輸出映射關系，S型傳輸函數的使用能將網絡的輸出限制在一個較小的范圍內(0～1之間的連續量)，這樣很符合本文的輸出要求。

3.2 熱點特征提取

本文中選取火災發生時最能表現火情特征點，即熱點處的數據特征分布。選取熱點溫度最高的傳感器以及其相鄰的2個傳感器，在同周期上，以其熱點處的溫度與周期內平均溫度差值作為樣本數據的特征值。在歷史周期上，計算出上述傳感器在同周期點上，溫度值的平均值作為火情的另外特征。基于BP神經網絡的數據融合過程示意圖如圖4所示。

圖4 基于BP神經網絡的數據融合過程示意圖

3.3 神經網絡的訓練

本文采用3層BP神經網絡，包括6個輸入和1個輸出，將提取出的熱點特征數據(包括橫向特征和縱向特征)作為神經網絡的輸入值，計算出的相對期望火災概率值作為網絡的輸出，計算網絡的輸出誤差，利用誤差的反向傳播，調整網絡的權值和閾值參數，從而完成BP神經網絡的訓練過程。部分訓練數據見表1。

表1 部分訓練數據

BP神經網絡仿真測試結果見表2。

表2 仿真測試結果

從表2可以看出，仿真結果中誤差最大的為0.035 617，最小的為0.001 358，BP神經網絡模型的輸出值與期望值的偏差均<5%，網絡精度達到了設計要求。說明利用BP神經網絡進行鍋爐空氣預熱器的火災報警工作具有較高的準確性和可行性。

4 結語

本文確定了神經網絡的結構，并提出了具體的樣本數據特征提取方法。BP神經網絡經過訓練后，確定出了最佳的隱含層神經元數，最終確定了網絡的結構與參數，并通過測試數據對訓練好的網絡進行了測試，達到了預期的效果。

[1] 劉涵，李琦，施衛，等. 電站鍋爐空氣預熱器火災報警系統的研究[J]. 電子技術應用, 1998(6)：34-35，39.

[2] 殷國東.回轉式空氣預熱器的熱點探測系統[J]. 汽輪機技術,2003(3)：134-138.

[3] 吳昂.大直徑多傳感器數據融合方法研究[D]. 合肥：合肥工業大學,2005.

[4] 王彩霞，李洪聲.基于BP神經網絡的加工誤差動態監測研究[J].新技術新工藝，2013(12)：66-68.

[5] 權太范.信息融合：神經網絡——模糊推理理論與應用[M].北京：國防工業出版社，2002.

[6] 鐘珞，饒文碧，皺承明.人工神經網絡及其融合應用技術[M].北京：科學出版社，2007.