基于小波神經網絡的循環冷卻水腐蝕預測研究

董 超 王冠蘭 李晨光 羅 丹 趙牧元

(1.天津理工大學天津市復雜系統控制理論及應用重點實驗室，天津 300384； 2.中國石油化工股份有限公司天津分公司，天津 300271)

基于小波神經網絡的循環冷卻水腐蝕預測研究

董 超1王冠蘭1李晨光2羅 丹1趙牧元1

(1.天津理工大學天津市復雜系統控制理論及應用重點實驗室，天津 300384； 2.中國石油化工股份有限公司天津分公司，天津 300271)

利用某石化企業40個月的循環冷卻水實際生產數據，基于小神經網絡進行了腐蝕預測研究。經過對比分析，得出了小波神經網絡預測精度最高的網絡模型為6-7-1結構。在相同輸入參數向量下，對含有相同隱層節點個數的小波神經網絡和BP神經網絡進行腐蝕預測對比，小波神經網絡比BP神經網絡預測精度高。

小波神經網絡 循環冷卻水 腐蝕預測

隨著循環冷卻水的不斷重復利用，受到水源、工藝條件及工藝介質等的影響，循環冷卻水水質會不斷惡化，容易導致設備形成水垢、產生腐蝕，進而影響設備壽命、安全生產和經濟運行[1,2]。循環冷卻水系統的腐蝕預測一直是研究領域的熱點問題。循環冷卻水腐蝕預測的參數復雜，其腐蝕情況受幾十余種因素的影響[3]，是一個典型的非線性系統。小波神經網絡模型對解決不能用顯性公式表示的、具有復雜非線性關系的系統優勢顯著，并且具有較強的學習適應能力[4]。筆者采用該模型對循環冷卻水腐蝕預測進行了研究，通過對比分析，取得了相應的結論。

神經網絡和小波的聯合方式一般有兩種：一種是“嵌套式聯合”，另一種是“輔助式聯合”。筆者所選用的是“嵌套式聯合”，即通過內嵌的方式將小波分析運算融入神經網絡，有效地綜合應用了小波變換良好的時頻局域化特性和神經網絡的自學習能力[5]。首先，小波神經網絡的基元和整個結構是依據小波分析理論確定的，可以避免BP、RBF等神經網絡結構設計上的盲目性[6，7]；其次，由于小波神經網絡學習時調整參數少，再加之小波基函數具有緊支性，神經元之間的相互影響小，因此學習速度快[8]；再次，由于小波神經網絡的學習過程是對一個凸問題的優化逼近過程，所以能夠最終找到一個全局最優解，不存在局部最小點，因此在非線性函數逼近等方面得到了廣泛的應用[9]。

小波神經網絡以BP神經網絡拓撲結構為基礎，引入小波理論，其隱含層節點的傳播函數為小波基函數，通過連續不斷地在相對于誤差函數梯度下降的方向上計算網絡權值和偏差的變化，不斷修正網絡權值和小波基函數參數，從而不斷逼近訓練目標[10]。筆者也分別對小波神經網絡和BP神經網絡進行了預測分析，并進行了對比研究。

2 小波神經網絡腐蝕預測結構的確定

筆者的預測數據來源于某石化企業循環冷卻水系統某一觀測點40個月的生產運行數據，前20個月的影響因素和腐蝕速率數據作為訓練數據(表1)，后20個月的作為測試數據(表2)。輸入參數為pH值、總磷、電導率、鈣離子、氯離子、濁度和總堿的全部或部分順序組合(這7個參數依據文獻[11]選取)，輸出參數為腐蝕速率。

表1 訓練數據

表2 測試數據

首先對按順序選取的7個輸入向量、5個隱層節點的網絡模型應用表1的數據進行訓練，然后應用表2的測試數據預測腐蝕速率，并與測試數據中的實際腐蝕速率進行比較；再對按順序選取的7個輸入向量、6個隱層節點的網絡模型應用表1的數據進行訓練，然后應用表2的測試數據預測腐蝕速率，并與測試數據中的實際腐蝕速率比較。依此類推，得到不同的輸入向量和不同的隱層節點數下的均方根誤差(RMSE)和標準均方根誤差(NRRMSE)(表3～9)。

表3 7個輸入向量的輸出均方根誤差和標準均方根誤差

表4 6個輸入向量的輸出均方根誤差和標準均方根誤差

表5 5個輸入向量的輸出均方根誤差和標準均方根誤差

表6 4個輸入向量的輸出均方根誤差和標準均方根誤差

表7 3個輸入向量的輸出均方根誤差和標準均方根誤差

表8 兩個輸入向量的輸出均方根誤差和標準均方根誤差

表9 一個輸入向量的輸出均方根誤差和標準均方根誤差

由上述預測精度數據表可以得出：當選pH值、總磷、電導率、鈣離子、氯離子和濁度這6個參數作為輸入向量，隱層節點數為7時，表征預測準確性的均方根誤差和標準均方根誤差最小，預測精度最高。因此，在應用小波神經網絡對循環冷卻水系統進行腐蝕預測時，選定6-7-1的網絡結構。

3 小波神經網絡和BP神經網絡腐蝕預測對比

基于6-7-1的網絡結構，利用表1的數據分別對小波神經網絡和BP神經網絡進行訓練，再利用表2的數據進行腐蝕預測，得到小波神經網絡和BP神經網絡的預測曲線(圖1、2)。

圖1 小波神經網絡預測曲線

圖2 BP神經網絡預測曲線

小波神經網絡和BP神經網絡預測的均方根誤差和標準均方根誤差見表10。

表10 小波神經網絡和BP神經網絡預測精度對比

可以看出，小波神經網絡的預測精度更高，優于BP神經網絡。

4 結束語

采用真實的生產數據，基于小波神經網絡對循環冷卻水進行了腐蝕預測研究。通過在不同的輸入向量和隱層節點數下的預測精度數據分析，得出了6-7-1結構為最優的小波神經網絡腐蝕預測模型。并對小波神經網絡和BP神經網絡進行了預測精度對比，得出了小波神經網絡預測精度更高的結論。筆者的研究成果為循環冷卻水系統的腐蝕預測研究提供了科學依據，具有重要的工程應用價值。

[1] 張凌峰.工業循環冷卻水智能輔助分析平臺的關鍵技術研究[D].天津：天津理工大學,2012.

[2] 李東勝，張斌.航煤循環冷卻器U形換熱管斷裂分析及對策[J].化工機械,2013,40(1):102～105.

[3] 董超,張凌峰,李榮，等.循環冷卻水系統腐蝕速率的預測模型[J].化工自動化及儀表,2011,38(6):676～678.

[4] 施彥，韓力群，廉小親.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.

[5] 陳哲,馮天瑾.小波分析與神經網絡結合的研究進展[J].電子科學學刊,2000,22(3):496～504.

[6] Lin C M,Tai C F,Chung C C.Intelligent Control System Design for UAV Using a Recurrent Wavelet Neural Network[J].Neural Computing and Applications,2014,24(2):487～496.

[7] 李偉，吳超群，王艷茹，等.基于小波神經網絡的FRP復合材料損傷聲發射信號識別[J].化工機械，2011,38(3):294～297.

[8] 付立華,王剛,魏林宏.采用遺傳算法的小波神經網絡在降雨量預測中的應用[J].河南工程學院學報(自然科學版),2015,27(1):53～57.

[9] Lin C H.Hybrid Recurrent Wavelet Neural Network Control of PMSM Servo-drive System for Electric Scooter[J].International Journal of Control,Automation and Systems,2014,12(1):177～187.

[10] 王堃，陳濤濤，李雪，等．基于Matlab的小波神經網絡參考作物騰發量預測模型研究[J].沈陽農業大學學報,2013,44(4):457～460．

[11] 董超,王冠蘭,李晨光,等.基于灰色加權關聯分析法的循環冷卻水腐蝕預測參數的選取[J].化工自動化及儀表，2016，43(3)：263～267.

StudyofCorrosionPredictionofCirculatingCoolingWaterBasedonWaveletNeuralNetwork

DONG Chao1, WANG Guan-lan1, LI Chen-guang2, LUO Dan1, ZHAO Mu-yuan1

(1.TianjinKeyLaboratoryofControlTheory&ApplicationinComplicatedSystems,TianjinUniversityofTechnology,Tianjin300384,China; 2.SinopecTianjinCorporation,Tianjin300271,China)

Basing on circulating cooling water’s production data of forty months in a petrochemical plant and the wavelet neural network, the corrosion prediction was investigated. The comparative analysis shows that a network model with 6-7-1 structure has the highest prediction accuracy; and under the same input parameters, having the wavelet neural network compared with BP neural network, both has same hidden layer nodes, shows that the wavelet neural network outperforms the BP neural network in corrosion prediction accuracy.

wavelet neural network, circulating cooling water, corrosion prediction

TH865

A

1000-3932(2016)06-0599-05

2016-04-25(修改稿)基金項目：天津市高等學校科技發展基金計劃項目(20140702)