RBF-BP網絡在火電廠氮氧化物濃度檢測的應用*

嚴 玥, 嚴 實, 江 赟

(1.重慶工商大學 檢測控制集成系統重慶市市級工程實驗室,重慶 400067;2.重慶川儀分析儀器有限公司，重慶 400060)

?

應用技術

RBF-BP網絡在火電廠氮氧化物濃度檢測的應用*

嚴 玥1, 嚴 實2, 江 赟1

(1.重慶工商大學 檢測控制集成系統重慶市市級工程實驗室,重慶 400067;2.重慶川儀分析儀器有限公司，重慶 400060)

在分析影響火電廠氮氧化物濃度檢測精度的多種原因基礎上，提出建立RBF-BP神經網絡模型進行改進的方法，并詳細說明了樣本數據、神經網絡構成、訓練函數、回歸因子、動量因子等關鍵技術。以2015年實際火電廠檢測數據為依據，對建立的RBF-BP神經網絡進行了仿真實驗，并與單一RBF仿真實驗進行對比分析，實驗表明平均相對誤差為0.3 %～1 %，證明了該方法的有效性。

干擾; 濃度檢測; 徑向基函數; 反向傳播; 氮氧化物

0 引 言

目前火電廠尾氣排放在線監測儀通常采用紅外線吸收法以及傅里葉吸收法原理。由于存在大氣溫度、樣氣溫度、燃煤質量、電器干擾以及樣氣交叉等干擾因素的影響，表現出干擾因素多樣化、形成因素不穩定的特點。采用硬件補償存在硬件漂移和調試困難等問題，且也無法做到全額補償；而采用信息融合技術的軟件補償方式不需要調試，避免對各種因素的定性定量評估以及數學模型，補償效果好，因而逐漸興起，并在相關領域展現了較好的研究和應用價值[1～3]。

從實際工程角度上，目前國內大型火力發電廠通常使用單一傳感器，測量經轉換后的NO濃度作為氮氧化物濃度測量值。一般監測精度只能控制在1 %以內。通常分析儀器整重約200 kg，體積約0.96 m3,安裝周期需要大約一周。受到施工安置難度、成本以及實際工作環境相對惡劣等(排放煙囪高度為180～210 m,樣氣采集高度90 m)原因約束，很難再通過增加儀器硬件或者使用高精度儀器的方式提高實際測量精度。

本文不再以硬件方式改進儀器最小量程，而是在現有氣體分析儀器元件敏感范圍內，根據信息融合技術，采用反向傳播(back propagation,BP)和徑向基函數(radial-basis-function,RBF)神經網絡結合的方法，以實際火電廠工業排放數據為訓練樣本，設計出合理的神經網絡，完成網絡訓練，并模擬儀器實際工作環境設置測試數據進行計算機仿真，將單一RBF網絡和RBF-BP網絡以相對誤差、殘差、迭代耗時等對比以分析其有效性。

1 干擾因素分析和解決方案提出

由于火電實際工藝流程中無法做到相對穩定，對氮氧化物濃度檢測的干擾主要表現在其濃度輸出值(p)不僅只決定于一個目標參量(吸收的紅外線能量e)，而是與非目標參量如樣氣流量fr，粉塵含量d，溫度t，含水量w以及電器噪音f，各種有機物o(如：焦油、苯萘)等有關的多元函數，即

P=f(fr,d,t,w,n,o,…)

(1)

在非線性映射的研究過程中，充分利用傳感器在不同時間或者空間上的冗余互補信息，依據某種準則來進行分析、支配和使用，以獲得比當前單一數據更為充分的信息是基于傳感數據融合的核心[4]。在神經網絡、專家系統、遺傳算法和模糊系統等數據融合的研究領域中，神經網絡的一致性逼近原則認為：如果能夠確保足夠多的淺層網絡的隱層神經元個數或者足夠深的深度網絡，就一定能找到一個淺層網絡和一個深層網絡已任意精度逼近任意一個非線性映射[5]。

由于地理環境及煤炭質量等多種干擾因素并不具有橫向可比性，因此可以引入“時間參數”，使用同一火電廠的實時檢測數據為訓練數據，尋找合適的網絡結構并解決訓練函數，動量因子、隱藏層設計等關鍵問題，以得到合理的神經網絡，并用模擬現實環境的測試樣本進行分析和評估。

2 關鍵設計說明

2.1 氣體分析儀器說明

以川儀P200—UV為分析檢測單元，分析單元結構如圖1所示。儀器(FS,滿量程)情況下誤差相關指標為：線性誤差不超過±2 %，零點、量程漂移不超過5 %，輸出波動不大于1 %。

圖1 P200—UV儀器結構圖Fig 1 Structure of P200—UV

2.2 訓練過程

BP神經網絡的自學習能力強，實現相對容易，已經在識別與去噪、回歸、分類等領域得到了相當廣泛的運用[6～8]。但其學習算法容易陷入“局部最優”，且網絡初始值的選取、隱藏層層數的選取很大程序上依賴于經驗。而RBF具有較高的收斂速度并在儀器儀表的很多領域中都有很廣泛的應用價值[9,10]。因此采用BP與RBF相結合的方法，以提高其泛化性能、克服非標準訓練樣本集的錯誤引導。

神經網絡的訓練過程可簡述為：訓練樣本進行RBF神經網絡訓練，得到一個相對穩定合理的網絡結構，并用測試數據進行預估。再將同樣的訓練樣本經由已經訓練好的RBF網絡的結果作為BP網絡的輸入并對其進行訓練，最后以同樣的測試數據進行仿真并進行分析。

2.3 相關數據說明

1)訓練樣本

神經網絡樣本輸入向量包括樣氣溫度、流量、含水量、粉塵顆粒以及儀器輸出電壓組成。以火電廠現場得到的80組真實數據作為訓練樣本。在現場環境中經由預處理裝置[11]能夠保證樣氣在進入分析儀器前能夠達到的相關性能指標為：溫度：3～5 ℃；粉塵顆粒：0～0.5 μm；流量40～60 L/H；水分含量<0.8(現場工藝環境無法做到零水分)。但由于現場未安裝相應傳感器，并不能確定其精確值，故采用二維插值方法生成相關區域中的值，其Mathlab相關代碼如下

N=size(x,2);

[xx0,yy0]=meshgrid(1∶N,1∶6);

[xx1,yy1]=meshgrid(linspace(1,N,100),1∶6);

XX=interp2(xx0,yy0,x,xx1,yy1,’cubic’)

式中 x為輸入向量與對應的目標輸出合并而成的6×80的矩陣，XX為經過插值得到的訓練樣本。

2)測試樣本

在同等環境下20組標準濃度氣體，其中溫度、流量、含水量、粉塵顆粒仍然以二維插值方法在同等范圍內生成作為測試用例。

3)神經網絡輸出

輸出結果為濃度標量，即網絡輸出層神經元節點個數為1。

2.4 神經網絡各層設計

1)樣本數據：由前所述，輸入向量定義為5×80的矩陣，目標輸出值為1×80行向量。

2)RBF網絡設計

第一層為輸入層，兩個隱含層，以及一個輸出層，其中回歸因子的選擇遵循以下算法：

對于i≠j,m和wj正交，y(t)的能量為

(2)

移去其均值后，y為期望輸出的矢量，則y(t)的方差為

(3)

(4)

對于可選擇的若干個回歸因子，每個回歸因子對對應一個誤差壓縮比，從誤差壓縮比中選擇最大的一個，這個誤差壓縮比對應的回歸因子就是最終選擇的回歸因子。

不進行閥值自適應調整，使用均方誤差(mean square error，MSE)為誤差容限單位，當訓練誤差仍大于目標誤差時，RBF將以逐漸增加神經元使訓練誤差減小，若達到最大神經元個數極限仍為達到目標誤差時，網絡不收斂；

3)BP網絡設計

增加隱含層可以明顯減少網絡規模，因此設定BP網絡隱含層為10，隱含層使用Sigmoid函數，在傳統LMS(Least Mean Square Algorithm，最小均方誤差算法)[12]的權值更新階段引入動量因子α(0<α<1)，即

(5)

節點間傳遞函數為硬限幅傳遞函數hardlim；訓練函數為動量反傳和動態自適應學習率的梯度下降traingdx。使用MSE作為誤差容限單位。BP網絡將以增加迭代次數使訓練誤差減小，若達到指定迭代次數極限還未達到指定誤差，則網絡不收斂，實驗失敗。

3 實 驗

用前述訓練樣本輸入單一RBF網絡，設置誤差容限為1×10-8，最大神經元個數極限為100，其訓練過程及結果如圖2所示。此時RBF網絡誤差率呈不斷下降趨勢，迭代至72次后低于指定誤差訓練結束，表現出了較好的收斂速度，此時RBF平均相對誤差為4.14 %，但最大相對誤差為19.8 %。由此可見單一RBF對訓練樣本數據表現出了極不穩定的性能。

圖2 誤差性能曲線Fig 2 Error performance curve

將上述 RBF網絡得到輸出作為BP網絡輸入，采用feedforwardnet函數創建BP網絡，設置誤差容限同樣為1×10-8，隱含層設置為10，迭代次數極限為1 000，進行訓練，RBF-BP網絡的迭代次數為13次，遠低于指定迭代次數，達到訓練目的完成訓練。為了更加直觀反應訓練好的神經網絡測試數據的準確性，圖4給出給出了單一RBF，RBF-BP組合神經網絡的20組組測試數據的測試結果以及真實值。由圖3可知，單一RBF輸出對于部分測試樣本沒有明顯誤差，但在部分樣本上表現出了明顯差異，且該差異與氣體濃度值大小無明顯關系，很難加以優化，預測精度不如RBF-BP。

圖3 RBF和RBF-BP測試結果比較Fig 3 Comparison of the results of the RBF and RBF-BP

同時RBF-BP組合神經預測結果的輸出向量與目標向量的誤差區間相對較窄，表現出了較好的穩定性，該特性可以通過RBF,RBF-BP的殘差對比得到，如圖4所示。此時，RBF-BP的平均相對誤差為0.265 7 %，最大相對誤差僅為1.00 %。優于現有儀器精度要求。

圖4 RBF和RBF-BP測試殘差比較Fig 4 Comparison of the residual of the RBF and RBF-BP

4 結 論

本文從影響氮氧化物濃度測試精度的多種不確定因素出發，設計RBF-BP組合神經網絡，該網絡結合單一RBF和BP神經網絡的優點，采用實際工程環境數據對其進行網絡訓練和仿真，以較快的速度和較高的精度提升氮氧化物濃度測試精度，測試數據顯示了其有效性。對該網絡的硬件化可用于改進現有氮氧化物濃度分析儀的檢測精度以及實際工作環境中的分析儀器自動校準。

[1] 李玉軍,湯曉君,劉君華.粒子群優化算法在改善傳感器穩定性中的應用[J].儀器儀表學報，2010，31(8):1756-1761.

[2] 嚴文娟,張 晶,胡廣芹,等.BP神經網絡用于肝炎患者舌診近紅外光譜的研究[J].光譜學與光譜分析，2010,30(10):2628-2630.

[3] 陳曉峰,龍長江,牛智有,等.基于潛在語義分析與NIR的中藥材分類研究[J].光學學報，2014，34(9):288-293.[4] 周觀民,李榮會.基于神經網絡的傳感器網絡數據融合技術研究[J].計算機仿真,2011,28(10):118-120.

[5] 張 蕾,章 毅.大數據分析的無線神經網絡方法[J].計算機研究與發展,2016,53(1):68-79.

[6]LarochelleH，LaulyS.Aneuralautoregressivetopicmodel[C]∥AdvancesinNeuralInformationProcessingSystems.Nevada，UnitedStates:MITPress，2012:2717-2725.

[7]TangY,SalakhutdinovR,HintonG.RobustBoltzmannMachinesforRecognitionandDenoising[C]∥ComputerVisionandPatternRecognition(CVPR),2012IEEEConferenceon.USA:IEEE,2012:2264-2271.

[8] 洪 磊,龔雪飛,孫壽通,等.Adaboost集成BP神經網絡在傳感器陣列檢測系統中的應用,傳感器與微系統,2015,34(4):148-154.

[9]KevinHoAuthorVitae.TrainingRBFnetworktotoleratesinglenodefault[J].Neurocomputing,2011,74(6):1046-1052.

[10] 李德霞,黃廷磊,林 科,等.基于RBF神經網絡算法在重金屬濃度測量中的應用[J].儀器技術與傳感器,2015(10):85-87.

[11] 嚴 玥,嚴 實,楊永斌,等.Adaboost集成BP神經網絡在火電廠SO2濃度檢測中的應用[J].傳感器與微系統,2016,35(9):148-151.

[12] 陳 明.Mathlab神經網絡原理與實例精解[M].北京:清華大學出版社,2013:156-172.

Application of RBF-BP neural network in the detection of nitrogen oxide concentration in thermal power plant*

YAN Yue1, YAN Shi2, JIANG Yun1

(1.Chongqing Engineering Laboratory for Detection,Control and Integrated System,Chongqing Technology and Business University,Chongqing 400067,China;2.Chongqing Chuanyi Analyzer Co Ltd,Chongqing 400060,China)

Aiming at detection accuracy of nitrogen oxide concentration may interfered by all kinds of factors,the method of establishing the RBF-BP network is proposed，and then the sample data,Neural network structure, training function,regression factor,momentum factor are described.According from A Large thermal power plant’s real numbers in 2015,the computer simulation and analysis show that this method can effectively improve the accuracy.The overall-average deviation was 0.3 %～1 %.

interferes; concentration detection; RBF;BP; nitrogen oxides

10.13873/J.1000—9787(2016)12—0149—03

TP 212.2； TN 911.72

B

1000—9787(2016)12—0149—03

嚴 玥(1976-)，女，滿，重慶人，碩士，講師，主要從事信號處理及運用、傳感器技術及軟件方向研究工作。