基于BP神经网络的熔融锌液流量检测.pdf

第5 5 卷第3 期 20 03 年8 月 有色金属 N O N F E R R O U SM E T A L S v o l5 5 ．H o3 A u g u s t 2003 基于B P 神经网络的熔融锌液流量检测 胡燕瑜，桂卫华，李勇刚，胡志坤 中南大学信息科学与工程学院，长沙4 1 0 0 8 3 摘要用神经腭络算{ 击建立质量与流量荧系数学模型，研究称量锌撼藤量问接铡量锌液魂量的方法，实现锌液流量的在线 检测。结果表明，平均流量5 1 4 4 m L ／m J n 的情况下，测量平均绝对误差为7 3 m i 。／r a i n ，相对误差为1 ．4 2 ％，满足实际生产要求的精 度要求。研究成果巳成功应用于某冶炼厂。 关键词冶金技术；锌；流量植测；神经阿络；金属熔体 中国分粪号T F S l 3 ；T P l 8 3 ；T F 0 6 82 3 文献标识码A文章编号1 0 0 l 一0 2 1 1 2 0 0 3 0 3 0 1 4 3 0 4 在锌精馏过程中，锌液流量是重要参数。液态 粗锌从熔炼炉流入精馏塔时流量是否稳定，不仅影 响精馏塔的寿命。而且将对精锌的纯度及有价金属 的回收率影响很大。因此，稳定锌液流量是锌精馏 中需解决的重要问题。由于锌液的温度非常高，一 般在6 0 0 ～6 5 0 ℃之间，而且具有较强的腐蚀性，不 能使用一般的流量计。目前，绝大多数锌冶炼厂是 通过操作人员目测熔炼炉中锌液的液位高度，估计 流量大小，调节锌液出流的阀门来实现对锌液流量 的控制。人工估计方法存在很大的误差，不能保证 锌液流量的稳定，直接影响精馏锌的质量和产量。 软测量技术通过软件手段，实现对那些重要而 又难以直接检测的变量进行在线检测。基本原理是 根据某些最优准则，选择一组在工业上窖易检测而 且与主导变量 P r i m a r yV a r l a h [ e 有密切关系的辅助 变量 S e c o n d a r yV a r i a b I e ，通过构造某种数学关系， 用计算机软件实现对主导变量进行在线估计。目 前，软测量技术研究取得了较多的成果“。J 。 利用软测量技术，提出一种间接检测流量的方 法一称重法。以流体力学中孔口出流基本原理为依 据，分析影响流量的主要因素，通过孔口出流试验， 获得不同质量下的流量值，然后利用B P 神经网络， 建立流量与质量之间的数学模型，最后通过称重传 感器检测质量值来计算实际的流量。 1高温锌液的软测量技术 为了检测从熔炼炉流入精馏塔的锌液流量，在 熔炼炉与精馏塔之间增加了一个过渡的方形流槽。 收稿日期2 0 1 2 0 3 2 9 作者简介胡燕瑜 1 9 6 8 一 ，男，湖南安化 ．工程师，博士生 锌液从熔炼炉流人流槽，然后从流槽靠底部侧壁的 一个圆孔流人精馏塔中。单位时问内从圆孔流出的 锌液质量就是所要检测的锌液流量。锌液从流槽圆 孔中流出，就是流体力学孔口出流问题。 1 ．1 孔口出流理论 液体孔口出流是一个应用广泛的实际问题，如 图1 所示。由能量平衡伯努利方程““式 1 得托里 拆利公式 2 。 P o p g h P o ∥2 ／2 1 口 2 9 h ” 2 式中P o 一大气压；P 一流体密度；g 一重力加速度； 。一流体的流速；h 一液位高度。 图1 孔口出流示意 F i g ．1 F I u xt h e o r yo fO s t i o l e 容器中的液体在重力作用下，从其侧壁的小孔 流出。由于液体流经孔口时，会发生缩流现象，设d 为阻尼系数，s 表示小孔的面积，则单位时间流体的 体积流量Q 。可以用式 3 表示。 Q 。 d S 2 9 h ”2 3 1 ．2 称重法原理 由式 3 可知，单位时间液体的体积流量Q 。取 决于阻尼系数d 、孔口面积s 及液位高度h 。而影响 a 的主要因素是孔口雷诺数尺e 、孔口形状及孔口面 积，而雷诺数肫又是孔口形状、面积、液位高度及液 体的运动黏度7 的函数。对于已为圆孔的孔口，影响 Q 。的主要因素就是液位高度h 、孔口直径D 和运动 万方数据 一查垦叁璺～～ 塑翌堂一 黏度y ，可用式 4 表示。 Q 。 r h ，D ，7 4 j 然而，在锌的精馏过程中，锌液表面浮有～层厚 度不均匀的氧化锌固体，不便于直接测量流槽中锌液 的液位高度h ，但是氧化锌的质量较轻，对于流槽中 的锌液总量来说，可以忽略，而流槽中锌液的质量比 较容易测量。在流槽的尺寸已知情况下，锌液的液位 高度h 就与锌液的质量G 和锌液密度pz 【l 的比值成正 比 圆孔位于侧面底部 。因此式 4 可改为式 5 。 Q G f [ G ／ S p z 。 ，D ，y ] - P z 。 5 其中Q 。一锌液的质量流量；S 一流槽的底面积。 实际生产中，锌液的运动黏度y 和密度P z 。都是 锌液温度丁的已知函数，因此，锌液的质量流量模 型可以表示为式 6 。如果知道了函数，，就可以通 过检测G 和T 来实时检测锌液的流量。 Q c f 【h ，D ，yJ P z n ；h G ／ P z 。S ； y 7 T ；P z 。 P 2 。 T 6 锌液温度变化范围是6 0 0 ～6 5 0 ℃，密度变化范 围为6 ．8 1 ～6 ．7 7 9 ／m L ，运动黏度变化范围为 0 ．3 5 6 8 ～0 ．3 2 6 1 “m 2 ／s 。密度的变化很小，影响可 以忽略。这样，流量就只与锌液质量、黏度和流槽出 口圆孔直径有关。 1 ．3 孔口出流试验 为了找出流槽中锌液的流量与质量之间的关 系，做孔口出流试验。先在流槽中装满锌液，然后打 开圆孔，让锌液自由流出。在锌液流出过程中，不停 地测量流槽中锌液的质量。试验中，每隔一秒钟测 量一次，直到流槽中锌液与孔口持平。设锌液的质 量用G f 表示，流量Q G f 则可由式 7 表示。 Q n t d G t ／d ￡ 7 由于试验中，采样间隔为1 s ，所以，锌液流量可 以近似地表示为式 8 ，其中G t 和G t 十1 分尉 表示t 和t l 时刻的锌液质量。这样，就可以得出在 t 时刻，锌液质量为G t 时锌液的流量值。 Q G t G t 一G t 1 8 2 神经网络建模 神经网络可产生任意非线性映射，训练好的控 制神经网络可以把输入信号映射成复杂动态系统的 控制，神经网络的辨识建模的应用也很 多【4 - 7 , 9 - 1 0 ] 。由前面的分析可知，，是一个非常复 杂的非线性函数，可利用B P 神经网络对非线性函 数的逼近能力，建立流量的数学模型，选取误差函数 式 9 。式中，Q P 和Q P 分别表示第户个实际 流量及与其对应的神经网络输出，_ v 表示祥本数。 E ≥[ Q P 一Q P ] 2P 1 ～N 9 按模型的准确性要求，N 的选取不宜太大或太 小，根据试验结果，选2 0 较为合适，隐含层节点选8 们十，对目标函数的逼近可以达到要求。系统参数 N 和隐含节点数可采用交叉确定方式。先选取隐含 层节点数为4 ，再分别取系统参数N 2 ，8 ，1 5 ，2 0 ， 2 5 ，3 0 ，迭代多次后，根据系统误差最小，确定最佳系 统参数N 2 0 。再在N 2 0 的情况下，分别取隐古 节点数为3 ，5 ，8 ，1 0 ，1 3 ，当系统误差不再有明显减 少时，选取其为隐含节点数。这样神经网络的组成 为，3 个输入结点，8 个隐含层节点，1 个输出节点。 2 ．1 神经网络结构 M o r i m o t o 已证明，用三层神经网络和四层神经 网络对预测模型的准确性上几乎没有什么本质区 别，故选用三层前向神经传播网络，用误差反向传播 方法进行学习，建立体积流量Q 与液体液位高度h 、 孔口直径D 及运动黏度y 之间关系的数学模型。神 经网络的结构如图2 所示，输入层包括三个神经元， 分别表示G ，D 和y ，隐含层包括8 个神经元，输出为 一个层神经元，表示体积流量Q 。 妗 输入组隐古层输出崖 图2 神经网络结构 F i g ．2 N e u r a ln e t w o r ks t r u c t u r e 设神经网络的三个输人分别用P i ，P j 和P 5 表 示，则隐含层神经元输入用式 1 0 表示。 p ∑w 黝 6 7i 1 ，⋯，8 ；j 1 ～3 1 0 其中”H i 一隐含层的第i 个神经元与输入层的第j 个神经元之间的连接权值；6 7 一隐含层的第i 个神 经元的闭值；p 一隐含层第i 个神经元的输入。 隐含层的激励函数取t a n s i g 函数，因此，隐含层 的第i 个神经元的输出为式 1 1 。输出层的激励函 数取线性函数，因此输出层神经元的输入、输出分别 为式 1 2 和式 1 3 。式中w 和b o 分别表示输出层 神经元与隐含层第j 个神经元之间的连接权值及输 万方数据 第3 期胡燕瑜等基于B P 神经网络的熔融锌液流量检测 1 4 5 出层神经元的阈值。 y t a n s l g p i 1 ，⋯，8 1 1 P o ∑Ⅶ鲥 6 。j 1 ～8 1 2 O P o 1 3 2 ．2 改进的B P 神经网络算法 权值的计算可采用文献[ 8 ] 所述的变步长方式， 若连续两次迭代误差梯度符号相反，则表示该方向 下降过多，减小步长，若误差梯度相同，则增加步长， 从而加快收敛的速度，如式 1 4 ～式 1 8 所示。 ”Ⅱ E 1 ”口 十A v a i k 1 4 △”。 女 一7 1 0 k 8 E ／a w 目 口△”d 女一1 0a1 1 5 ％ 毛 1 ％ k △和 k 1 6 △％ k 酿△_ i k 一1 1 7 s g t l [ O E ／a w o k O E l o w 0 一1 ] 1 8 ， 目 己 掘 蜒 } l d 咖 蝗 } 基 ⋯艇⋯ ，l 、 魁⋯。广⋯一 样本数 预嘲样本数 W i 权值修改时，在每个权值调节量上加上一 项正比于前次加权变化的量的值，使调节进程向凸 点方法变化。 3 仿真结果 通过改变流体的运动黏度y 、圆孔直径D ，在 不同液位高度下做小孔口出流试验，获得2 2 0 组试 验数据，取试验数据中的1 6 0 组用于训练B P 神经 网络，另外6 0 组用于检验神经网络的精度。仿真结 果如袭1 和图3 所示。 表1 改进B P 算法结果 T a b l e1 R e s u l to fi m p r o v e dB Pa l g o r i t h m 蛹i | j | ； 样本数 图3 神经网络训练及预测结果 F i g ．3 R e s u l t so fn e u r a ln e t w o r kt r a i n i n ga n dp r e d i c t i o n 图3 上两图为神经网络训练结果。- 左图为实际的 流量值和神经网络的输出值，右边表示误差值。下两 图为神经网络预测结果，其中实际流量的平均值为 5 1 4 4 m L ／r n i n ，误差的平均绝对值为7 3 m L ／m i n ，相对误 差为1 ．4 2 ％，满足实际生产要求的精度要求。 4结语 利用B P 神经网络，建立锌液流量的数学模型， 实现对锌液流量的在线检测，结果表明该方法测量 锌液流量的平均相对误差小于l ，5 ％，满足实际生 蛳 m 。 瑚 哪 l_口目J量～帐{5}竹吒唧 一。E目J里、懈塔智划 万方数据 1 4 6有色 金属第5 5 卷 产的要求。该方法能实现对冶炼行业高温流体的流 量检测和在线估计，从而精确控制流体流量。 参考文献 [ 1 ] L e h t o k a n g a sMM o d e l l i n gw i t hc o n s t r u c t i v eb a c k p r o p a g a t i o n [ J ] ．I E E ET r a n sN e u r a lN e t w o r k s ．1 9 9 9 ，1 2 7 0 7 [ 2 ] S a m o s R e y e sJ ，D u r o RJ ．I n f l u e n c eo fn o i s eo nd i s c r e t e t i m eb a c k p r o p a g a t i o n t r a i n e dn e t w o r k s [ J ] ．N e u r a lC o m p u t ．2 0 0 1 ，4 I 6 7 [ 3 ] 王正欧．林晨．一种前向神经网络快速学习算法及其在系统辨识中的应用[ J ] ．自动化学报，1 9 9 7 ，2 3 6 7 2 8 [ 4 ] 谭皓，李立源，陈维南．基于B P 网络的锅炉炉膛火焰燃烧状态自动识别[ J ] ．自动化学报，1 9 9 8 ，2 4 5 6 6 7 【5 ] 郭创新，景雷．粱年生，等一种鲁棒B P 算法及其在非线性动态系统辨识中的应用[ J ] 信息与控制，1 9 9 6 ，2 5 6 3 5 4 [ 6 ] 赖晓平，周鸿媸自学习神经元及自学习B P 网络[ J ] 信息与控制，1 9 9 9 ，2 8 6 4 0 7 【7 ] 李国钧．湛柏琼工程流体力学【M ] 武汉武汉华中理工大学出版社，1 9 9 1 [ 8 ] 刘丁．万百五空气预热供风系统的模型辨识与稳态优化控制[ J ] 自动化学报．1 9 9 9 ，2 5 6 3 2 1 [ 9 ] 汪朝军，刘艳明．遗传算法和神经网络融合型最优控制器及其在铣削加工参数控制中的应用[ J ] 控制理论与应用， 1 9 9 9 ，1 6 4 6 0 7 [ 1 0 ] W a n gY i n ．R o n gG a n g As e l ／- o r g a n i z i n gn e u r a l n e t w o r k b a s e df u z z ys y s t e m [ J ] ．C o n t r o lT h e o r ya n dA p p l i c a t i o n ，1 9 9 9 ，1 6 6 4 5 5 [ 1 1 ] 嘉纳秀明现代控制工程学[ M ] 曹广益，刘国亭译上海上海交通大学出版社，1 9 9 1 1 3 F l u x - m e a s u r i n gA p p r o a c ho fM o l t e nZ i n cb yM e a n so fN e u r a lN e t w o r k H UY a n y u ，G U l W e i h u a ．L IY o n g g a n g ．H U 新i k u n tC o l l e g eo fl n f 。r m a t i o nS c i e n c ea n dE n 豇n 船r i n g ．C e n t r a lS o u t hU n i v e r s i t y ，C h a n g s h a4 1 0 0 8 3 ．C h i n a 、 A B S T R A C T I no r d e rt om e a s u r et h ef l o w a g eo fm o l t e nz i n ci ns m e l t i n gp r o c e s s ，t h ei n d i r e c tm e t h o ds u b s t i t u t i n gn l a s s d e t e r m i n a t i o nf o rf l o w a g em e a s t t r e m e n ta r ei n v e s t i g a t e db yu s eo fr e l a t i o n s h i pm o d e lo fm a s sa n df l o w a g ee s t a b l i s h e dw i t hi l e u r a In e t w o r ka l g o r i t h m ．T h er e s u l t ss h o Wt h a tt h ea v e r a g ed e v i a t i o ni S7 3 m L ／I n i n ，a n dt h er e l a t i v ee r r o ri s1 ．4 2 ％u n d e rt h ea v e r a g ef l o w a g eo f5 1 4 4 m L ／m i n ．I tc a nb ec o n s o n a n tw i t ht h ep r o d u c t i o nr e q u i r e m e n t s ．T h i st e c h n o l o g yh a sb e e na p p l i e dt o2 K m ez i n cs m e l t e r K E YW O R D S m e t a l l u r g i c a lt e c h n o l o g y ；z i n c ；f l u x m e a s u r i n g ；n e u r a ln e t w o r k ；m o l t e nm e t a l 万方数据