基于聲發射的氣力輸送顆粒相質量流量監測

安連鎖，劉偉龍，魏 萌，沈國清，張世平

（華北電力大學 國家火力發電工程技術研究中心，北京 102206）

氣力輸送廣泛存在于電力、制藥、食品、水泥等多個工業過程當中，氣力輸送內顆粒相質量流量對安全高效的生產具有重要影響。在工業過程中對顆粒相質量流量的監測具有重要的意義。雖然有光學法[1–2]、傳熱法[3]、電容法[4]、超聲法[5–6]等方法的研究論文持續發表，但是這些方法仍然存在著諸多的局限性，在實際生產過程當中尚未得到廣泛的推廣使用。聲發射作為一種由兩相流自身產生的聲信號，其與兩相流的自身性質的變化有著直接的關系。由于其測量方法簡單，可以作為一種研究對象來對氣力輸送的參數進行研究。EEMD方法作為一種對原始信號進行分解的方法，由于其分解的基礎是原始信號本身而使得其適應性更強。由于氣力輸送本身流動的復雜性以及環境參數的變化，導致分解后的信號之間存在著復雜的非線性關系。人工神經網絡作為一種基于現代神經科學的抽象數學模型，在各個方面得到了一定的應用[7–8]。

本文利用EEMD分解聯合誤差逆傳播網絡（Back Propagation，以下簡稱BP網絡）對聲發射信號進行研究，在兩相流系統中獲得大量實驗數據基礎上，通過改變神經網絡層數以及各層神經元節點數，選取IMF1－IMF4作為神經網絡輸入，對4層BP神經網絡進行訓練學習，實現對一定范圍內的顆粒相質量流量的在線測量，為工業應用提供了一種切實可行的測量方法。

1 實驗部分

氣固兩相流系統簡圖如圖1所示，振動給料機與漏斗配合保證持續均勻給料。整個管道由不銹鋼鋼管與有機玻璃管段通過法蘭連接。

圖1 氣固兩相流測量系統

由位于管道系統尾部的引風機提供動力，將空氣引入整個流動系統中，與垂直下落的玻璃微珠混合形成氣固兩相流。整個信號采集系統采用聲華興業公司生產的SAEU2S聲發射系統，采用SR150M型傳感器，其頻率響應范圍為：60 kHz～400 kHz。采用可調式前置放大器對采集到的信號進行放大。在測量前，要根據環境進行門限設置，降低噪聲信號的影響。在增益的選擇上，將放大器增益設定在40 dB，可以保持信號放大后的峰值在1 V～10 V范圍內。本實驗采用玻璃微珠作為研究對象，為了減少濕度對玻璃微珠造成的影響，在實驗前對玻璃微珠在一定溫度下進行干燥處理，干燥冷卻后封存以備實驗。其平均顆粒粒徑為250 μm，其密度為2 700 kg/m3。

實驗過程中，用S型皮托管在給料前進行風速測量，通過調節引風機變頻器將風速保持在中心風速為23 m/s的實驗工況。采用網狀聲信號采集器如圖2所示。

圖中網狀結構間距為2 mm，為顆粒平均直徑的8倍，能夠保證顆粒順利通過不沉積。將采集器探頭通過法蘭方式與流通管道相連接，聲發射傳感器固定在網狀聲信號采集器上端。在實驗過程中，兩相流中的顆粒會對其產生撞擊而產生聲發射信號，傳感器由此收集聲發射信號并通過系統傳輸到工控機當中。

2 分析方法

2.1 EEMD分解

EEMD方法[9]是在經驗模態分解（Empirical Mode Decomposition，EMD）的基礎上，針對 EMD所具有的端點效應以及模態混疊的情況，通過在原始信號上加入高斯白噪聲，不同尺度的信號區域內的噪聲將會被消除，最后全體均值被視為原始信號的理想分解結果。

圖2 網狀聲信號采集器

EEMD算法的具體步驟如下[10]：

1)通過給原始信號x(t)疊加一組高斯白噪聲信號ω(t)獲得一個總體信號

2)對X(t)進行EMD分解，得到各階IMF分量

3)給原始信號加入不同的白噪聲ωi(t)，重復步驟1)和步驟2)

4)對以上獲得的IMF分量cn(t)可表示為

EEMD中所加高斯白噪聲的次數服從式的統計規律

式中M為加入白噪聲的個數；ε為高斯白噪聲的幅度。一般情況下，取0.2，M取100。為保證算法快速收斂并有效檢測，不應取得太小。

最后，原始信號x(t)可分解為

2.2 BP神經網絡

人工神經網絡的研究始于19世紀末期，從1890年以來，隨著人們對神經網絡的持續深入研究，國內外學者提出了多種神經網絡模型，包括多層前向神經網絡（BP）、Hopfield神經網絡、自組織神經網絡等。BP神經網絡作為應用最為廣泛的神經網絡，具有很好的非線性映射能力、泛化能力以及容錯能力，已經在信息處理領域、自動化領域、工程領域、經濟領域等得到廣泛的應用。

BP神經網絡拓撲結構簡圖如圖3所示[11]，主要是由輸入層、輸出層以及隱含層組成。隱含層可以有單層或多層神經元組成。網絡的層與層之間的神經元采用全連接方式，同層內神經元之間無連接。以3層神經網絡為例，設輸入層有m個節點，輸入向量為X=(x1,x2,…,xm)，xi表示其中的第i個輸入信號；隱含層含有n個節點，yj表示其中的第j個神經元；輸出層有p個節點，zk表示輸出層的第k個神經元。

圖3 BP神經網絡拓撲結構簡圖

輸入層與隱含層之間的連接權值用wij表示(i=1,2,…,m；j=1,2,…,n)，隱含層與輸出層之間的連接權值用vjk表示(k=1,2,…,p)。首先是正向傳播，通過將輸入值與權值求積并求和來求解輸出層的輸出，隨后將輸出與期望輸出作對比，利用梯度下降法來調整網絡各層連接權值，最終使輸出層的輸出與期望輸出的誤差小于規定值。

2.3 建模策略

利用EEMD算法以及BP神經網絡建模過程如下：

1)數據的采集與預處理。通過以上的實驗系統及數據采集系統采集到不同給料量下的聲發射信號用來建模，并刪除這些數據中的畸變信號；

2)通過EEMD算法將原始信號進行分解，并計算分解后的信號與原始信號的相關性，選擇具有一定相關性的信號作為BP神經網絡的輸入信號；

3)通過改變輸入向量的長度、隱含層的層數、隱含層神經元的節點數來進行不同神經網絡的訓練，確定合適的模型；

4)利用隨機選取的聲發射信號作為驗證信號來驗證模型的測量精度。

3 結果與討論

本文將兩相流流速保持在23 m/s，通過調節給料機電壓來調節給料量。本文采用的顆粒相質量流量為6 g/s～16 g/s，間隔為2 g/s。在測量過程中，對于兩相流之間的相對滑移可以忽略不計。在每個工況下重復采集四次數據，共采集200組數據，每組數據長度為16 384，采樣頻率為1 000 kHz。并從中隨機選取20組數據，其中17組作為訓練數據，剩余3組作為驗證數據。

3.1 EEMD分解

利用EEMD方法對各個信號進行10層分解，其原始信號及分解后的各IMF重建信號如圖4所示。從時域來看，各分量的幅值均小于原始信號。

圖4 原始信號及各IMF分量時域圖

然后對其信號進行了頻譜分析。由圖5的頻譜分析結果可以看出，信號的頻率主要分布在100 kHz～500 kHz之間，根據奈奎斯特采樣定律，采樣頻率至少為信號頻率的2倍。因此，上文提到的1 000 kHz采樣頻率能夠滿足信號的采樣要求。同時，每個IMF分量所對應的中心頻率均有明顯區分且逐漸降低，說明各IMF分量均保存了原始信號某個頻段的部分信息。與此同時，對不同IMF分量的能量進行求解。

為確定神經網絡的輸入層神經元節點數，本文將不同IMF分量與原始信號進行了相關性求解，其結果如圖6所示，從圖中可以看出，各IMF分量與原始信號的相關性隨著分量序號的增加而逐漸減小。從IMF6開始，其相關性已接近于0，可以忽略不計。由此可得，可以從前五個分量中選取全部或者部分分量作為輸入向量。

圖5 各IMF分量頻譜圖

圖6 各分量與原始信號相關性圖

3.2 BP神經網絡的影響因素

BP神經網絡隱藏神經元節點數的確定是個非常復雜的問題，通常是根據經驗和多次驗證來確定。節點過少，神經網絡的獲取能力較差；節點過多，會增加訓練時間，還有可能過度學習，出現過度擬合的現象，降低其泛化能力。對于隱藏節點數目的確定，可以參考經驗公式[11]

其中k為樣本個數，ni為隱含層單元數，n為輸入層單元數。當i＞ni時，

其中m為輸出層神經元節點數，n為輸入層神經元節點數，a為[1，10]之間的常數

其中n為輸入層神經元節點數。

通過以上公式計算出隱含層神經元節點數的估計值作為節點的初始數值，逐步增加網絡隱含層節點的數目，用同一樣本集進行網絡訓練，從中確定網絡誤差最小時對應的節點數作為相應的隱含層神經元數的最佳數目。訓練首先選用經典3層BP神經網絡，誤差值設為0.01，訓練次數設為20 000次。依次以3/4/5三種IMF分量個數對其進行訓練，訓練結果三層網絡都是因達到最大訓練次數而結束訓練，輸入層節點數的改變對其訓練結果并未有實質性的影響。增加最大訓練次數以及增加隱含層神經元節點數仍然無法達到訓練要求。Lippmann[12]和Cyberko[13]曾指出，兩個隱含層可以解決任何形式的分類問題。因此通過增加隱含層層數來解決。表1為隱含層為兩層時的訓練結果。由表可知，在增加層數的情況下，部分神經網絡模型收斂，并得到其網絡性能參數。考慮到輸入層神經元節點數，可以得知，在輸入層為IMF1－IMF4為輸入，隱含層為兩層，隱含層每層神經元的節點數為13時，其網絡性能參數達到最小。

圖7和圖8是EEMD聯合神經網絡測量模型的學習和測試的結果。

圖7中試驗標定值為試驗過程中的實際給料量，而模型估計值是利用訓練好的聯合模型計算所得到的給料量。從質量流量誤差估計曲線上來看，可以看出其模型的誤差在15%以內，與試驗結果吻合度較好，反映了該測量模型具有良好的測試能力。通過改變網絡結構，神經元個數以及相關算法，能夠進一步增強神經網絡對數據的識別能力和容錯能力，從而進一步提高該聯合模型的精度。

圖7 試驗標定值與模型估計值對比

圖8 聯合模型固相質量流量估計誤差曲線

表1 聯合模型訓練結果

4 結語

針對氣力輸送顆粒相質量流量測量問題，采用網狀結構探針采集其聲發射信號，首先用EEMD算法對信號進行分解，并對分解后的信號與原信號進行相關性計算，選取前4個與原始信號相關性較大的IMF分量作為BP神經網絡的輸入變量，將顆粒相質量流量作為輸出變量建立測量模型，并用驗證數據驗證了模型的效果。結果表明，神經網絡預測值與實際測量結果具有較高的吻合度，也顯示了神經網絡的廣泛適用性。因此，在大量實驗數據基礎上，可以通過基于EEMD聯合神經網絡的測量模型來實現兩相流顆粒相質量流量聲發射方法測量過程，為氣力輸送顆粒相質量流量的在線測量提供了一種可供選擇的有效手段。

[1]賈志海，范學良，李俊峰，等.鍋爐煤粉氣力輸送狀態在線監測系統研究[J].儀器儀表學報，2009(8)：1651-1655.

[2]倪志波，董鳳忠，楊陽，等.煙氣流速及顆粒物濃度的光學測量方法研究[J].中國激光，2014，41(1)：162-169.

[3]吳新，袁竹林.基于神經網絡的傳熱法測量氣固兩相流中固體流量的研究[J].鍋爐技術，2001(12)：8-10+7.

[4]王澤璞，劉乾，曹麗平，等.應用電容層析成像對氣固顆粒濃度分布的研究[J].重慶理工大學學報(自然科學版)，2012，26(3)：68-74.

[5]李永明，蘇明旭，袁安利，等.基于超聲的管道內粉體體積分數的測量[J].中國科學院大學學報，2016(2)：277-282.

[6]喬榛.超聲法一次風流速和煤粉濃度在線測量研究[D].南京：南京理工大學，2013.

[7]楊祥良，安連鎖，孫鑫強，等.基于人工神經網絡的電站鍋爐積灰實時監測系統[J].動力工程學報，2010(3)：206-209.

[8]易子馗，譚建平，閆濤.基于BP神經網絡的電機噪聲在線評價系統[J].噪聲與振動控制，2017，37(1)：142-148.

[9]WUZ,HUANG NE.Ensembleempiricalmode decomposition:A noise-assisted data analysis method[J].Advances inAdaptive DataAnalysis,2011,1(1):1-41.

[10]安連鎖，馮強，沈國清，等.爐膛壓力管道微弱泄漏信號檢測方法研究[J].動力工程學報，2015，35(05)：354-360+372.

[11]黃慶斌.BP算法的改進及其應用研究[D].成都：西南交通大學，2010.

[12]LIPPMANN R.An introduction to computing with neural nets[J].IEEEASSPMagazine,1987,4(2):4-22.

[13]CYBENKO G.Approximation by superpositions of a sigmoidal function[J].Mathematics of Control,Signals and Systems,1989,2(4):303-314.