基于BP神经网络的含氧油气浓度预测模型研究.pdf

收稿日期:;修回日期:基金项目:北京市教委科研计划资助项目(KM ).作者简介:弓海凌(),男,硕士研究生,研究方向为工业清洗机器人技术,E m a i:b i p t e d u c n;代峰燕(),男,博士,高级工程师,研究方向为工业清洗机器人技术,通信联系人,E m a i l:d a i f e n g y a n b i p t e d u c n.第 卷第期 年月北京石油化工学院学报J o u r n a l o fB e i j i n gI n s t i t u t eo fP e t r o c h e m i c a lT e c h n o l o g yV o l N o M a r 文章编号:()基于B P神经网络的含氧油气浓度预测模型研究弓海凌,李淘,邹冰玉,代峰燕(北京石油化工学院机械工程学院,北京 )摘要:针对储罐清洗中油气遇到明火、静电等可能会引发火灾、爆炸等现象,提出一种基于B P神经网络的含氧油气浓度预测模型,通过预测油罐内含氧油气浓度以确保储罐清洗工作环境的安全.利用M a t l a b软件和仿真数据建立了基于B P神经网络的油气浓度预测模型,通过L a b V I EW软件中M a t l a bs c r i p t节点调用预测模型,自主完成储油罐内油气浓度的预测并进行误差分析.结果表明,基于B P神经网络建立的含氧油气浓度预测模型,当隐藏层节点数为时,均方根误差(RMS E)为 ,回归系数(R)为 ,能够准确地预测储罐内含氧油气浓度.关键词:B P神经网络;含氧油气;预测模型;仿真中图分类号:T P 文献标志码:AD O I:/j c n k i i s s n 开放科学(资源服务)标识码:R e s e a r c ho nt h eP r e d i c t i o nM o d e l o fO x y g e n b e a r i n gO i l a n dG a sC o n c e n t r a t i o nB a s e do nB PN e u r a lN e t w o r kGONG H a i l i n g,L IT a o,Z OUB i n g y u,D A IF e n g y a n(B e i j i n gI n s t i t u t eo fP e t r o c h e m i c a lT e c h n o l o g y,M e c h a n i c a lC o l l e g e,B e i j i n g ,C h i n a)A b s t r a c t:I no r d e rt oe n s u r et h es a f e t yo f t h et a n kc l e a n i n gw o r ke n v i r o n m e n tb yp r e d i c t i n gt h ec o n c e n t r a t i o no fo x y g e n a t e do i l a n dg a s i nt h e t a n k,aB Pn e u r a l n e t w o r k b a s e dp r e d i c t i o nm o d e li sp r o p o s e df o r t h e f i r ea n de x p l o s i o nt h a tm a yb ec a u s e db yo i l a n dg a se n c o u n t e r i n go p e nf l a m ea n ds t a t i ce l e c t r i c i t y i nt a n kc l e a n i n g T h ep r e d i c t i o nm o d e l o f o i l a n dg a s c o n c e n t r a t i o nb a s e do nB Pn e u r a ln e t w o r ki se s t a b l i s h e db yu s i n gM a t l a bs o f t w a r ea n ds i m u l a t i o nd a t a T h ep r e d i c t i o nm o d e l i sc a l l e db y M a t l a bs c r i p tn o d ei nL a b V I EW s o f t w a r e,a n dt h ep r e d i c t i o no fo i la n dg a sc o n c e n t r a t i o n i n t h e s t o r a g e t a n k i s c o m p l e t e d i n d e p e n d e n t l yw i t he r r o r a n a l y s i sb e i n gp e r f o r m e d R e s u l t ss h o wt h a t t h eo x y g e n a t e do i l a n dg a sc o n c e n t r a t i o n i nt h es t o r a g et a n kc a nb ea c c u r a t e l yp r e d i c t e db yt h eo x y g e n a t e do i la n dg a sc o n c e n t r a t i o np r e d i c t i o nm o d e lb a s e do nB Pn e u r a ln e t w o r k,w i t ht h en u m b e ro fh i d d e nl a y e rn o d e so f,ar o o t m e a ns q u a r ee r r o r(RM S E)o f ,a n dar e g r e s s i o nc o e f f i c i e n t(R)o f K e yw o r d s:B Pn e u r a ln e t w o r k;o x y g e n b e a r i n go i l a n dg a s;p r e d i c t i o nm o d e l;s i m u l a t i o n石油战略储备是国家应对经济危机和全球石油价格大幅度波动的一种能源战略,石油储备依赖于大型储油罐,在长期存储后需要对储油罐中油泥进行清洗.油品本身具有易燃易爆性,在储运的过程中极易挥发成油气.储油罐清洗是保证油品质量、减轻油罐腐蚀的重要措施.在进行机械清洗时,泵的叶轮与介质、空压机的带轮与皮带轮、喷枪喷头处的介质与空气、清洗介质与罐的壁面、介质流经过滤网、介质在管段中流过,经常会出现接触、分开和高速摩擦,很可能产生大量的静电,油气遇到足够能量的火源容易造成着火、爆炸等重大事故.为了保证清洗过程的安全性,在清洗的过程中需要对储油罐内外的油气浓度进行实时监测.油气是可燃气体、甲烷、氧气和硫化氢等气体的混合物,储油罐机械清洗过程中,必须保证储油罐内部的氧气体积分数在以内,可燃气体(其中异丙苯爆炸极限最低)安全体积分数须在 以下,当油气的体积分数不在安全界限时,应立即停止清洗工作,避免发生安全事故.因此,对储罐清洗过程中含氧油气体积分数预测模型的研发具有重要的现实意义.工业发展中储油罐经常发生爆炸事故,使得可燃气体检测技术得以快速发展.在 世纪 年代末,美国标油公司研制出一种手持可燃气体传感装置,该装置利用涂有催化剂的铂丝催化燃烧的原理进行气体浓度检测.年日本F i g a r o公司生产出了半导体传感器,并且运用到了实际检测中.年,韩国通过支持向量机和配对绘图方法对可燃气体检测系统进行研究,可以实现声音、光感、震动多重报警的检测效果.年美国B l a c k l i n e基于GO L DG 可燃气体泄露检测仪,提出多地区可燃气体检测系统,主要由传感器和L E D警示灯组成,内部配有可供电电池和存储器.我国对可燃气体检测方面的研究起步较晚,最初检测设备需要从国外进口,后来逐渐建立起了属于自己的检测仪制造厂.由于我国工业的快速发展及化工类企业逐渐增加,国内的可燃气体检测得到迅速发展,出现了探头式、管道式、调压式可燃气体检测系统.医疗健康、工业生产、汽车电子、室内空气检测和环境研究都涉及了对氧含量的检测 .随着计算机技术的崛起,许多学者开始利用深度学习的方式来预测在未来时间段内会出现的一些危害性问题.毛倩等 提出采用神经网络对机舱中油气浓度控制的方法,其控制精度比传统控制提高了;上海交大孙佳帅等 结合S h a h F o c k e关联式和B P神经网络的油冷器的预测模型,比未结合的在换热量和压降方面的预测精度提高;东北电力大学李少华等 采用软测量方法,通过输入相关参数,对一氧化碳含量进行B P神经网络建模,使锅炉始终运行在最佳过量空气系数之下;黄建清等 通过减少自适应学习步长和增加动量项改进B P算法,实现对养殖场废气浓度的预测.目前针对储罐中可燃气体及氧气实时监测、储油罐中油气浓度预测、保障储罐清洗的安全性等问题,笔者设计了基于B P神经网络搭建预测模型,使用M a t l a b软件和仿真数据建立油气浓度预测模型,并将含氧油气浓度预测模型结合到基于L a b V I EW软件设计的在线监测系统中,设计并实现储油罐含氧油气在线监测系统预警功能.数据收集和建模 B P神经网络模型B P神经网络(B P NN)是人工神经计算的典型示例之一,由输入层、不定数量的隐含层和输出层组成.B P NN通常被视为“通用逼近器”,只要保证足够的隐含层数量,具有两层权重和S形激活函数的B P NN能够以任意精度逼近任意非规映射.信号的正向传播如图所示,其中XXN i分别为输入数据,当Xi进入神经网络后,在Ii神经元上得到XXN i的所有输入数据,通过I与H之间的连接权重Wi h将计算结果传递到隐含层的神经元上,通过激活函数会得到新的数值Y值,并且将Y值作为输入值通过与O层之间的连接权重Wh j传递到O神经元上得到输出结果ZZN i.此时输出层正向传播就结束了.根据期望值进行反向传播来调整Wh j和Wi h的大小,以此来不断地优化神经网络.图信号的正向传播F i g F o r w a r dp r o p a g a t i o no f t h es i g n a l 数据收集B P神经网络预测模型建立中,可燃气体(其中异丙 苯 爆 炸 极 限 最 低)安 全 体 积 分 数 最 大 值 为 ,根据油罐清洗含氧油气体积分数分布规律研究时的仿真模拟,可以得到储油罐内采样点处的油气体积分数的仿真数据作为本次神经网络训练中北京石油化工学院学报 年第 卷的数据来源.对采样点处的油气体积分数进行了监测,得到了 s内的油气体积分数,共 个点作为数据样本.数据统计结果如表所示,在 组数据集中,选取前 个数据作为含氧油气体积分数预测模型网络的训练集,选取后 的数据作为含氧油气体积分数预测模型的测试集.AA为该点油气体积分数,MAX为最大油气体积分数.表数据统计结果T a b l eS t a t i s t i c a l r e s u l t s组数AAAMAX 预测模型的建立 含氧油气体积分数预测模型参数的选择在储油罐清洗含氧油气在线监测时,储油罐内部建立有个采样探头,系统中通过传感器对气体进行监测.经过分析,要实现储油罐内部可燃气体体积分数的预测,储油罐内部任何一处位置的体积分数超过安全范围,都要提前进行警报提醒.因此,在构建储油罐内油气体积分数的预测模型时,考虑选择储油罐内不同采样点处的体积分数作为模型的输入参数,采样点处的油气体积分数的最大值作为模型的结果参数.预测模型输入参数如表所示.表油气体积