基于遗传算法神经网络流量测量

　　在高炉煤粉喷吹系统中,煤粉的流动特性非常复杂,影响流量准确测量的因素很多,迄今为止还没有得到一个满意的测量模型[1~3]·目前,在工业现场,国内普遍采用电子秤来估计煤粉喷吹量,即测量一段时间内的累积流量,无法给出瞬时流量值·为此,利用一种浓度和速度组合式电容传感器分别测量煤粉的浓度和速度,结合阀门开度、喷吹罐压力、输送空气量、温度等参数构造BP神经网络流量测量模型,用改进的遗传算法来优化神经网络测量模型的参数,以提高测量系统的精度,具有工程应用价值·

　　1　工艺过程及测量方法

　　高炉炼铁工艺中,煤粉质量流量的准确测量至关重要·通常,操作者根据电子称来估计喷吹量,然而,存在的倒罐过程、电子称长期使用所造成压头不对称,中间罐和喷吹罐的压力变化都会引起很大测量误差·因而,有必要采用一种新的检测手段来实时测量煤粉流量以减少误差,使操作者得到真实的煤粉质量流量,从而合理控制煤粉的喷吹,使高炉顺利运行·在这里,利用一种浓度和速度组合式电容传感器分别测量煤粉的浓度和速度,在浓度传感器结构上采用交错式表面极板,并用有限元方法对其进行优化设计[4,5]·采用“过时间差法”[6]测得流速·经过长时间观察,发现喷吹系统内部结构特性随时间变化,煤粉中的一些杂物会粘附在过滤塞上,造成阀门堵塞,另外不同类型煤粉特性(湿度、粒度等)不同,导致喷吹能力下降,相应地喷吹系统内部结构特性随时间变化,导致煤粉流量较大的误差产生·实际上,煤粉质量流量M是一个多输入的函数,给料器阀门开度K、喷吹罐压力p1、测量管道的压力p2、压缩空气质量流量Q、测量管道内的温度T等参数均对煤粉质量流量精度产生影响,系统结构特性的变化产生的综合效应在煤粉流量测量值M中得到了反映,对这些分别参数进行测量以便对煤粉质量流量结果进行校正,M可用下式表示

　　其中,c煤粉浓度;v煤粉的速度;Q压缩空气流量;K给料器阀门开度;p1喷吹罐压力;p2管道压力;T煤粉温度·

　　鉴于神经网络可实现良好的函数逼近,具有很强的自适应和学习能力、鲁棒性和容错能力·为此建立三层前向BP神经网络(图1)来逼近函数

式(1)[7,8]·前向三层BP神经网络第一层为输入层输入参数为c,v,Q,K,p1;p2;T;第三层为输出层为煤粉质量流量M·隐层输出层各神经元特性用下面S型(Sigmoid)传递函数来描述·

　　BP网络的学习算法具有较好的泛化能力·但缺点是收敛速度慢以及在某些情况下还会遇到“局部极小值”问题·为了克服上述问题,将遗传算法与BP算法相结合而得的遗传BP算法成为一种有效的网络学习方法·GA的基本思想是将要辨识的参数编码成串,多个串构成个体,多个个体构成种群·种群之间采用复制、交叉、变异三种算子,一代代寻优,最后获得参数的最优解·GA求解问题时,要对问题的解进行编码,构造出相应的适应函数,并适当地选取GA的各控制参数:交叉概率P、变异概率及种群大小N等·通常要将辨识的参数编码成二进制串,每个参数所占据位数可根据取值范围及精度要求灵活设置[8~10]·