計算機在鍋爐溫度測量中的應用

趙旭

[摘要]隨著計算機技術的發(fā)展，通過系統(tǒng)建模在鍋爐溫度測量系統(tǒng)中的應用已十分廣泛。人工神經網絡具有良好的并行性、魯棒性、非線性逼近能力、自適應性和容錯能力，應用在鍋爐溫度測量系統(tǒng)中使鍋爐溫度測量的結果的精確性得以極大的提高。論文主要介紹了眾多模型中的兩種模型：BP神經網絡模型及RBF神經網絡模型，并分析了這兩種模型的原理，建立了數(shù)學模型，在鍋爐溫度測量方面具有較好的應用前景。

[關鍵詞]鍋爐溫度測量；計算機；BP神經網絡模型；RBF神經網絡模型 [中圖分類號]TP183

1 引言

近年來，隨著計算機技術的發(fā)展與進步，基于數(shù)字圖像處理的測溫技術得到了迅速發(fā)展。例如葡萄牙的Correia等將火焰輻射的吸收度與傳統(tǒng)的CT算法結合，使測量的準確性得到了極大提高。英國格林尼治大學的閻勇教授通過與中科院工程熱物理所合作，研究出了采用CCD攝像頭基于雙色法火焰監(jiān)測系統(tǒng)可實時定量測量火焰溫度場分布。清華大學吳占松教授，建立了火焰溫度與亮度之間的關系，提出了一種適應非對稱火焰三維溫度分布測量的重構算法。上海交通大學徐偉勇教授將圖像處理技術和光纖傳像技術應用于鍋爐火焰檢測當中，試制了國內第一臺智能型鍋爐燃燒器火焰檢測裝置。浙江大學岑可法院士領導的課題組，提出了采用雙色法從彩色火焰圖像中計算火焰溫度圖像的方法，其后采用基于區(qū)域重建的方法，利用CCD攝像頭進行了火焰三維溫度場和濃度場的同時重建研究，探討了溫度場和濃度場對火焰輻射圖像的影響，同時研究了火焰輻射吸收系數(shù)與粒子濃度的關系，給出了溫度場和濃度場同時重建的控制方程，完成了在不穩(wěn)定火焰中排煙溫度與體積分布的同時估計。

2 BP神經網絡在鍋爐溫度測量中的應用

2.1 BP神經網絡模型簡介

人工神經網絡具有良好的并行性、魯棒性、非線性逼近能力、自適應性和容錯能力。人工神經網絡分為前饋型神經網絡和反饋型神經網絡。BP神經網絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W絡，目前應用十分廣泛。BP神經網絡模型的學習規(guī)則是在正向傳播過程中，輸入信息從輸入層傳向隱含層，再傳至輸出層，如果輸出層得不到理想的輸出結果則反向傳播，使誤差信號沿原來路徑返回，來不斷調整網絡的權值和閾值，使均方差達到最小。但是，BP算法的學習速度并不快，網絡訓練失敗的可能性也較大。

該方法的主要過程為首先構造BP神經網絡模型。然后輸入圖像樣本，即可得到溫度樣本，再通過篩選樣本，用有用的樣本訓練網絡模型，便可得到鍋爐溫度的測量結果。

2.2 基于BP神經網絡的鍋爐溫度測量建模

CCD攝像機輸出的數(shù)字圖像某點的RGB分量的灰度值R_R，R_G，R_B和該點的溫度存在非線性關系：

T=f（R_R，R_G，R_B） （1）

如果只考慮RGB分量中的2個灰度值。函數(shù)解析式應為：

該式中，λ表示輻射電磁波波長，γ，K，V，C₂表示輻射常數(shù)，ε為輻射體的黑度系數(shù)，T表示溫度。

BP神經網絡具有逼近任意有界非線性函數(shù)和自學習的優(yōu)勢，因此，利用BP神經網絡可以來構造一個“黑箱”，并通過神經網絡的自學習以逼近式（1）函數(shù)關系，可選用含有2個隱含層的4層BP神經網絡來逼近溫度與灰度值R_R，R_G，R_B的函數(shù)關系，其網絡輸入為RGB分量的灰度值，輸出層為一個神經元，表示測量溫度。學習好的網絡可代替式（1）用于計算溫度。

BP神經網絡的結構包括1個輸入層、2個隱含層和1個輸出層。輸入層有3個神經元，分別代表CCD攝像機輸出的數(shù)字圖像某點的RGB分量的灰度值R_R，R_G，R_B，如果將輸出圖像的R、G、B3通道的灰度值直接作為神經網絡的輸入，研究表明這樣在實際應用中測溫誤差較大。這是因為當在工業(yè)現(xiàn)場測量時，CCD攝像機的光路上一般存在著灰塵、煙霧或火焰脈動等各種影響因素，如果直接利用3個灰度值計算溫度，就不能消除上述這些因素的影響，不能得到理想的結果。從比色測溫公式中得到啟發(fā)，如果將灰度值的比值作為神經網絡的輸入就可以體現(xiàn)比色測溫的思想。考慮到三色法測溫公式的形式，將神經網絡的輸入改成如下3個比色項R_G*R_B/R_R²，R_R*R_B/R_G²，R_R*R_G/R_B²，這樣提高了測量的準確性。

隱含層的傳遞函數(shù)選擇雙曲正切函數(shù)，這是由于雙曲正切函數(shù)可以使神經網絡具有較好的收斂性能。一般情況下只需要選擇1個隱含層，然后改變隱含層節(jié)點的個數(shù)即可，但如果對于較復雜的問題，可能需要大量的隱含節(jié)點和較長的訓練時間，并且精度不夠高，因此選擇了2個隱含層的結構。對于具有2個隱含層的神經網絡，在選取隱含層節(jié)點數(shù)目時，一般的原則是：對靠近輸入層或輸出層的隱含層，其神經元個數(shù)應等于輸入神經元個數(shù)或著輸出神經元個數(shù)的2-4倍，但須注意這只是一個理論上的指導原則，最終還是要通過實驗來選擇，也就是在滿足學習精度的前提下改變各隱含層的神經元個數(shù)以盡量減少神經網絡學習次數(shù)，通過比較后選擇最佳個數(shù)。因為BP神經網絡的收斂與初始權值的選擇有關，需要通過多次實驗比較以選擇合適的隱含層的神經元個數(shù)。輸出層僅有1個神經元，轉移函數(shù)為一簡單線性函數(shù)，這樣神經元輸出值就能直接表示測量溫度。

神經網絡的訓練受初始權值的影響很大。一般初始權值選取在（-1，1）之間的隨機數(shù)，也可以按如下策略選擇：選擇權值的量級為？，其中S1表示第一層神經元數(shù)，r表示樣本個數(shù)。每一次循環(huán)訓練中所產生的權值變化量由學習速率決定。大的學習速率可能導致系統(tǒng)的不穩(wěn)定，但小的學習速率又導致較長的訓練時間，可能收斂很慢，不過能保證網絡的誤差值不跳出誤差表而的低谷而最終趨于誤差最小值。所以一般情況下傾向于選取較小的學習速率以保證系統(tǒng)的穩(wěn)定性。學習速率的選取范圍是0.01-0.8。

在設計網絡的訓練過程中，期望誤差值也應當通過對比訓練后確定一個合適的值，學習誤差的定義：

式中p為學習樣本個數(shù)，y為網絡輸出溫度值，T為實測溫度。

3 RBF神經網絡的鍋爐溫度測量模型

3.1 RBF神經網絡

RBF網絡能夠逼近任意的非線性函數(shù)，可以處理系統(tǒng)內的難以解析的規(guī)律性，具有良好的泛化能力，并有很快的學習收斂速度。

RBF網絡模型過程的數(shù)學描述如下：

y（k）=N（X（k），w）

這里面，y（k）代表的是網絡輸出，X（k）代表的是網絡輸入，N（）代表的是RBF神經網絡非線性函數(shù)，w代表的是RBF神經網絡中第二層與第三層之間的連接權值，h代表的是第二層中節(jié)點數(shù)量。用此網絡對非線性系統(tǒng)進行辨識的主要工作是對隱層節(jié)點數(shù)的確定，徑向基函數(shù)的中心，連接權值的選取，寬度的確定，使得模型的輸出能在性能符合的要求下不斷逼近原來的系統(tǒng)輸出。利用徑向基函數(shù)神經網絡進行系統(tǒng)辨識時，常見的有并聯(lián)模型和串并聯(lián)模型兩種結構。

（1）串-并聯(lián)模型辨識結構

串并聯(lián)模型辨識的神經網絡可表示為：u（k-n_u），w），這種結構學習收斂性好而且算法具有全局穩(wěn)定性。下面對RBF神經網絡模型在鍋爐溫度測量中的應用就采用的此類結構。

（2）并聯(lián)模型辨識結構

確定并聯(lián)模型辨識的神經網絡可表示為：

在這個結構中，神經網絡是一個動態(tài)網絡，對非線性特性具有良好的逼近效果，但這種結構不能保證所辨識出的模型的穩(wěn)定性。

RBF神經網絡用于非線性系統(tǒng)建模的五個過程。

（1）選擇合適的學習樣本。樣本的好壞對系統(tǒng)進行辨識所建立的模型具有很重要的影響，這是由于好的樣本能代表整個系統(tǒng)的特性，不好的樣本會使建立的模型不能反應系統(tǒng)的特性。

（2）對樣本數(shù)據(jù)進行處理。一方面為了使數(shù)據(jù)在計算過程中有相同的權重會使用歸一化方法進行處理；另一方面要對噪聲的數(shù)據(jù)進行濾波處理。

（3）確定模型的階次和時延。

（4）選取合適的學習算法。

（5）模型辨識以及檢測其泛化能力。把所選取的樣本數(shù)據(jù)分成兩部分，第一部分對RBF網絡進行學習，確定出各參數(shù)值的實際值，第二部分檢測所確定的RBF網絡模型的泛化能力。

3.2 基于RBF神經網絡的鍋爐溫度測量模型

RBF神經網絡中徑向基函數(shù)的中心值、隱層節(jié)點的個數(shù)、寬度以及隱層和輸出層之間的連接權值這些數(shù)值的確定是影響RBF神經網絡性能關鍵因素。所以在對非線性系統(tǒng)進行建模的過程中。需要對所選取的模型辨識結構中隱層節(jié)點的個數(shù)進行確定，對徑向基函數(shù)的中心值的選取和寬度以及對隱層到輸出層的連接權值的確定。一體式學習方式是通過對某一單一學習方法進行改進，來同時確定這些RBF神經網絡性能值的。

減聚類算法作為一種簡單、有效的聚類算法，與別的聚類算法相比，該方法的優(yōu)勢在于事先不用確定出聚類個數(shù)，因為該算法是將每個數(shù)據(jù)樣本都當作潛在的聚類中心，通過樣本數(shù)據(jù)的密度指標來對聚類中心進行確定，這樣便可以簡單有效的反映數(shù)據(jù)的分布情況。

現(xiàn)在工業(yè)應用當中所選取的聚類算法是J.B-MacQueen提出的K-means算法。其基本原理是：先從已給出的樣本中隨機選取K個值作為初始類聚中心，隨后再將聚類中心不斷移動從而進一步選取合適的聚類中心值。

RBF神經網絡模型在鍋爐溫度系統(tǒng)建模中的步驟：

首先，根據(jù)惰性區(qū)的性能指標選取RBF神經網絡模型為下列串-并行結構：

y（l）=f[u（k-1），u（k-2），y（k-1），y（k-2）]

其中，u（k）代表系統(tǒng)的輸入，y（k）代表系統(tǒng)輸出，f（x）為系統(tǒng)選擇的徑向基函數(shù)。系統(tǒng)樣本的輸入數(shù)據(jù)為隨機生成的一組偽信號，輸出數(shù)據(jù)為經過系統(tǒng)100%負荷后得到的數(shù)據(jù)。

4 結束語

在鍋爐溫度測量系統(tǒng)中，應用不同的模型參數(shù)導致不同的測量精確度。

本文主要闡述了BP神經網絡模型及RBF神經網絡模型在溫度測量系統(tǒng)中的應用。但對于復雜的鍋爐溫度測量系統(tǒng)。其性能影響因素是多方面的，這些模型是將計算機應用在鍋爐溫度測量系統(tǒng)中一小部分，還有更廣闊的空間等待人們去探索研究。