基于神经网络及机理分析的气力输送粉料质量流量软测量

　　1　引　　言

　　粉料气力输送系统广泛应用于化工、冶金、动力、纺织和食品等部门,在线检测出粉料质量流量对于生产过程的运行和控制具有重要意义。由于气力输送粉料属于气固两相流,流动特性复杂多变〔1〕。常规的传感器和测量方法难以对两相流动中的粉料质量流量进行有效的在线测量。

　　软测量(Soft Sensor)是一种用于估计过程系统中难以在线测量变量的技术。概括地说,软测量是指根据某种最优准则,选择一组既与主变量密切联系,又容易测量的辅助变量,通过构造某种数学模型(即软测量模型),实现对主变量的估计〔2〕。

　　软测量模型是软测量技术的核心。一般而言,建立软测量模型有两种基本方法:机理建模(“白箱”问题)和辨识建模(“黑箱”问题)。此外,包括机理建模与辨识建模结合的方法(“灰箱”问题),即对机理已知的系统部分采用机理建模方法,对机理未知的系统部分采用辨识建模方法〔3〕。基于神经网络的建模方法属于辨识建模,其主要特点是辨识模型易于实现(辨识模型即为神经网络本身)和对非线性映射的逼近性能良好。

　　文献[4]通过机理分析推导出气力输送粉料质量流量在线测量的模型。为了试图建立更适合的软测量模型,本文以文献[4]的实验研究为基础,分别采用基于神经网络的建模方法以及神经网络与机理分析结合的建模方法重新研究了粉料质量流量的在线测量模型,并对由三种方法所获得的测量模型的精度和适用性进行了比较分析。

　　2　基于标准神经网络的粉料流量软测量方法

　　对于气力输送系统,由机理分析推出的压损比(Δpt/Δpg)和混合比(ms/mg)的关系式为粉料质量流量的软测量建模提供了基本依据,即[5～7]:

　　通过基于差压测量的实验研究,式(1)中的Δpt可以直接测得,由此在可以估计出ms之前,尚需确定Δpg,mg和k。文献[4]根据由转子流量计测得的输送空气速度对这些未知变量进行了推导,并着重研究了经验关系式(7)模型中参数的确定,即[4～8]:

　　以上各式中,vg为输送空气的速度;λg为空气摩擦系数;λz为固相颗粒群摩擦系数;Re为雷诺准数;Fr为弗劳德准数;被测管段的长度L,管径D,管截面积A,空气密度ρg,空气粘度μ和重力加速度g分别为由具体实验决定的常数。

　　通过以上讨论,可以明确粉料质量流量ms软测量所涉及的辅助变量为气固两相管程总压降Δpt和输送空气速度vg。从避免两相流动过程中复杂机理分析的角度,我们首先考虑采用标准的神经网络方法直接利用Δpt和vg实现对ms的估计,神经网络的结构为典型的三层前向网络[9],如图1。输出层神经元的激励函数设为线性,隐层神经元的激励函数设为双曲正切函数,