基于小波神經(jīng)網(wǎng)絡(luò)的循環(huán)冷卻水腐蝕預(yù)測(cè)研究

董 超 王冠蘭 李晨光 羅 丹 趙牧元

(1.天津理工大學(xué)天津市復(fù)雜系統(tǒng)控制理論及應(yīng)用重點(diǎn)實(shí)驗(yàn)室，天津 300384； 2.中國(guó)石油化工股份有限公司天津分公司，天津 300271)

基于小波神經(jīng)網(wǎng)絡(luò)的循環(huán)冷卻水腐蝕預(yù)測(cè)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(xué)天津市復(fù)雜系統(tǒng)控制理論及應(yīng)用重點(diǎn)實(shí)驗(yàn)室，天津 300384； 2.中國(guó)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(yè)40個(gè)月的循環(huán)冷卻水實(shí)際生產(chǎn)數(shù)據(jù)，基于小神經(jīng)網(wǎng)絡(luò)進(jìn)行了腐蝕預(yù)測(cè)研究。經(jīng)過(guò)對(duì)比分析，得出了小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度最高的網(wǎng)絡(luò)模型為6-7-1結(jié)構(gòu)。在相同輸入?yún)?shù)向量下，對(duì)含有相同隱層節(jié)點(diǎn)個(gè)數(shù)的小波神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行腐蝕預(yù)測(cè)對(duì)比，小波神經(jīng)網(wǎng)絡(luò)比BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度高。

小波神經(jīng)網(wǎng)絡(luò) 循環(huán)冷卻水 腐蝕預(yù)測(cè)

隨著循環(huán)冷卻水的不斷重復(fù)利用，受到水源、工藝條件及工藝介質(zhì)等的影響，循環(huán)冷卻水水質(zhì)會(huì)不斷惡化，容易導(dǎo)致設(shè)備形成水垢、產(chǎn)生腐蝕，進(jìn)而影響設(shè)備壽命、安全生產(chǎn)和經(jīng)濟(jì)運(yùn)行[1,2]。循環(huán)冷卻水系統(tǒng)的腐蝕預(yù)測(cè)一直是研究領(lǐng)域的熱點(diǎn)問(wèn)題。循環(huán)冷卻水腐蝕預(yù)測(cè)的參數(shù)復(fù)雜，其腐蝕情況受幾十余種因素的影響[3]，是一個(gè)典型的非線性系統(tǒng)。小波神經(jīng)網(wǎng)絡(luò)模型對(duì)解決不能用顯性公式表示的、具有復(fù)雜非線性關(guān)系的系統(tǒng)優(yōu)勢(shì)顯著，并且具有較強(qiáng)的學(xué)習(xí)適應(yīng)能力[4]。筆者采用該模型對(duì)循環(huán)冷卻水腐蝕預(yù)測(cè)進(jìn)行了研究，通過(guò)對(duì)比分析，取得了相應(yīng)的結(jié)論。

神經(jīng)網(wǎng)絡(luò)和小波的聯(lián)合方式一般有兩種：一種是“嵌套式聯(lián)合”，另一種是“輔助式聯(lián)合”。筆者所選用的是“嵌套式聯(lián)合”，即通過(guò)內(nèi)嵌的方式將小波分析運(yùn)算融入神經(jīng)網(wǎng)絡(luò)，有效地綜合應(yīng)用了小波變換良好的時(shí)頻局域化特性和神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)能力[5]。首先，小波神經(jīng)網(wǎng)絡(luò)的基元和整個(gè)結(jié)構(gòu)是依據(jù)小波分析理論確定的，可以避免BP、RBF等神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)上的盲目性[6，7]；其次，由于小波神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)時(shí)調(diào)整參數(shù)少，再加之小波基函數(shù)具有緊支性，神經(jīng)元之間的相互影響小，因此學(xué)習(xí)速度快[8]；再次，由于小波神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程是對(duì)一個(gè)凸問(wèn)題的優(yōu)化逼近過(guò)程，所以能夠最終找到一個(gè)全局最優(yōu)解，不存在局部最小點(diǎn)，因此在非線性函數(shù)逼近等方面得到了廣泛的應(yīng)用[9]。

小波神經(jīng)網(wǎng)絡(luò)以BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為基礎(chǔ)，引入小波理論，其隱含層節(jié)點(diǎn)的傳播函數(shù)為小波基函數(shù)，通過(guò)連續(xù)不斷地在相對(duì)于誤差函數(shù)梯度下降的方向上計(jì)算網(wǎng)絡(luò)權(quán)值和偏差的變化，不斷修正網(wǎng)絡(luò)權(quán)值和小波基函數(shù)參數(shù)，從而不斷逼近訓(xùn)練目標(biāo)[10]。筆者也分別對(duì)小波神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了預(yù)測(cè)分析，并進(jìn)行了對(duì)比研究。

2 小波神經(jīng)網(wǎng)絡(luò)腐蝕預(yù)測(cè)結(jié)構(gòu)的確定

筆者的預(yù)測(cè)數(shù)據(jù)來(lái)源于某石化企業(yè)循環(huán)冷卻水系統(tǒng)某一觀測(cè)點(diǎn)40個(gè)月的生產(chǎn)運(yùn)行數(shù)據(jù)，前20個(gè)月的影響因素和腐蝕速率數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)(表1)，后20個(gè)月的作為測(cè)試數(shù)據(jù)(表2)。輸入?yún)?shù)為pH值、總磷、電導(dǎo)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(gè)參數(shù)依據(jù)文獻(xiàn)[11]選取)，輸出參數(shù)為腐蝕速率。

表1 訓(xùn)練數(shù)據(jù)

表2 測(cè)試數(shù)據(jù)

首先對(duì)按順序選取的7個(gè)輸入向量、5個(gè)隱層節(jié)點(diǎn)的網(wǎng)絡(luò)模型應(yīng)用表1的數(shù)據(jù)進(jìn)行訓(xùn)練，然后應(yīng)用表2的測(cè)試數(shù)據(jù)預(yù)測(cè)腐蝕速率，并與測(cè)試數(shù)據(jù)中的實(shí)際腐蝕速率進(jìn)行比較；再對(duì)按順序選取的7個(gè)輸入向量、6個(gè)隱層節(jié)點(diǎn)的網(wǎng)絡(luò)模型應(yīng)用表1的數(shù)據(jù)進(jìn)行訓(xùn)練，然后應(yīng)用表2的測(cè)試數(shù)據(jù)預(yù)測(cè)腐蝕速率，并與測(cè)試數(shù)據(jù)中的實(shí)際腐蝕速率比較。依此類(lèi)推，得到不同的輸入向量和不同的隱層節(jié)點(diǎn)數(shù)下的均方根誤差(RMSE)和標(biāo)準(zhǔn)均方根誤差(NRRMSE)(表3～9)。

表3 7個(gè)輸入向量的輸出均方根誤差和標(biāo)準(zhǔn)均方根誤差

表4 6個(gè)輸入向量的輸出均方根誤差和標(biāo)準(zhǔn)均方根誤差

表5 5個(gè)輸入向量的輸出均方根誤差和標(biāo)準(zhǔn)均方根誤差

表6 4個(gè)輸入向量的輸出均方根誤差和標(biāo)準(zhǔn)均方根誤差

表7 3個(gè)輸入向量的輸出均方根誤差和標(biāo)準(zhǔn)均方根誤差

表8 兩個(gè)輸入向量的輸出均方根誤差和標(biāo)準(zhǔn)均方根誤差

表9 一個(gè)輸入向量的輸出均方根誤差和標(biāo)準(zhǔn)均方根誤差

由上述預(yù)測(cè)精度數(shù)據(jù)表可以得出：當(dāng)選pH值、總磷、電導(dǎo)率、鈣離子、氯離子和濁度這6個(gè)參數(shù)作為輸入向量，隱層節(jié)點(diǎn)數(shù)為7時(shí)，表征預(yù)測(cè)準(zhǔn)確性的均方根誤差和標(biāo)準(zhǔn)均方根誤差最小，預(yù)測(cè)精度最高。因此，在應(yīng)用小波神經(jīng)網(wǎng)絡(luò)對(duì)循環(huán)冷卻水系統(tǒng)進(jìn)行腐蝕預(yù)測(cè)時(shí)，選定6-7-1的網(wǎng)絡(luò)結(jié)構(gòu)。

3 小波神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)腐蝕預(yù)測(cè)對(duì)比

基于6-7-1的網(wǎng)絡(luò)結(jié)構(gòu)，利用表1的數(shù)據(jù)分別對(duì)小波神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，再利用表2的數(shù)據(jù)進(jìn)行腐蝕預(yù)測(cè)，得到小波神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)曲線(圖1、2)。

圖1 小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)曲線

圖2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)曲線

小波神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的均方根誤差和標(biāo)準(zhǔn)均方根誤差見(jiàn)表10。

表10 小波神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度對(duì)比

可以看出，小波神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度更高，優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。

4 結(jié)束語(yǔ)

采用真實(shí)的生產(chǎn)數(shù)據(jù)，基于小波神經(jīng)網(wǎng)絡(luò)對(duì)循環(huán)冷卻水進(jìn)行了腐蝕預(yù)測(cè)研究。通過(guò)在不同的輸入向量和隱層節(jié)點(diǎn)數(shù)下的預(yù)測(cè)精度數(shù)據(jù)分析，得出了6-7-1結(jié)構(gòu)為最優(yōu)的小波神經(jīng)網(wǎng)絡(luò)腐蝕預(yù)測(cè)模型。并對(duì)小波神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行了預(yù)測(cè)精度對(duì)比，得出了小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度更高的結(jié)論。筆者的研究成果為循環(huán)冷卻水系統(tǒng)的腐蝕預(yù)測(cè)研究提供了科學(xué)依據(jù)，具有重要的工程應(yīng)用價(jià)值。

[1] 張凌峰.工業(yè)循環(huán)冷卻水智能輔助分析平臺(tái)的關(guān)鍵技術(shù)研究[D].天津：天津理工大學(xué),2012.

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

[3] 董超,張凌峰,李榮，等.循環(huán)冷卻水系統(tǒng)腐蝕速率的預(yù)測(cè)模型[J].化工自動(dòng)化及儀表,2011,38(6):676～678.

[4] 施彥，韓力群，廉小親.神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)方法與實(shí)例分析[M].北京:北京郵電大學(xué)出版社,2009.

[5] 陳哲,馮天瑾.小波分析與神經(jīng)網(wǎng)絡(luò)結(jié)合的研究進(jìn)展[J].電子科學(xué)學(xué)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(jīng)網(wǎng)絡(luò)的FRP復(fù)合材料損傷聲發(fā)射信號(hào)識(shí)別[J].化工機(jī)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(jīng)網(wǎng)絡(luò)在降雨量預(yù)測(cè)中的應(yīng)用[J].河南工程學(xué)院學(xué)報(bào)(自然科學(xué)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(jīng)網(wǎng)絡(luò)參考作物騰發(fā)量預(yù)測(cè)模型研究[J].沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào),2013,44(4):457～460．

[11] 董超,王冠蘭,李晨光,等.基于灰色加權(quán)關(guān)聯(lián)分析法的循環(huán)冷卻水腐蝕預(yù)測(cè)參數(shù)的選取[J].化工自動(dòng)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(xiàng)目：天津市高等學(xué)校科技發(fā)展基金計(jì)劃項(xiàng)目(20140702)