循环冷却水系统结垢处理技术

Posted 2023-01-14 神经网络

篇首语：亦余心之所善兮，虽九死其犹未悔。本文由小常识网(cha138.com)小编为大家整理，主要介绍了循环冷却水系统结垢处理技术相关的知识，希望对你有一定的参考价值。

　　腐蚀、结垢和生物黏泥是循环冷却水系统中主要的水质故障。金属腐蚀主要是金属表面和水接触产生的电化学腐蚀; 生物黏泥主要是微生物的活动、生长和繁殖的结果;结垢是溶解固体由于浓缩和化学变化在热交换器表面析出并紧附着在金属表面上形成的，结垢现象大大降低了冷却水热交换器的换热效率，严重时会堵塞换热器，影响生产的正常运行。黏附速率表征换热器单位传热面上一定时间内的污垢增长质量。影响结垢的因素很多，如冷却水的水质、水温、流速及换热设备的热负荷强度等等，其中水质是影响黏附速率最主要的因素。影响因素与黏附速率之间的关系属于多元高次的非线性关系，利用常规的方法难以建立其精确的数学模型。

　　人工神经网络具有非线性映射、泛化及容错能力〔1〕。BP 人工神经网络是神经网络中最常用、最成熟的神经网络之一。利用BP 神经网络建立循环冷却水系统黏附速率的预测模型，避开了寻找各种因素对黏附速率的影响规律的难题，可以方便准确地预测黏附速率。针对标准BP 神经网络具有易形成局部极小而得不到全局最优、训练次数多、收敛速度慢等缺点，笔者采用改进的BP 算法即增加动量项建立循环冷却水系统黏附速率的预测模型。经实际数据的预测结果表明，此方法可行。

　　1 BP 神经网络结构设计

　　1.1 BP 学习算法

　　BP 神经网络也称多层前馈网络，有研究证明仅含有一个隐层的BP 网络能以任意精度逼近任意的非线性连续系统〔2〕。BP 网络由输入层、隐层和输出层组成，层与层之间采用全互联方式。标准BP 算法在调整权值时，只按某一时刻误差的梯度下降方向调整，而没有考虑该时刻以前的梯度方向，容易陷入局部极小且收敛缓慢，为了提高网络的训练速度，笔者采用增加动量项的BP 算法，即在权值调整时增加一动量项，增加动量项即从前一次权值调整量中取出一部分迭加到本次权值调整量中，动量项反映了以前积累的调整经验，对于某时刻的调整起阻尼作用，当误差曲面出现骤然起伏时，可减小振荡趋势，提高训练速度。

　　1.2 网络输入输出的确定

　　目前国内循环水系统主要监测的水质项目见表 1。由于循环水中的结垢成分主要是CaCO3，因此在这些监测项目中，碱度、钙硬、pH 是影响结垢的主要指标。以某石化公司2010 年3—10 月的数据为依据，选取碱度、钙硬、pH 作为输入，输出为黏附速率，根据循环冷却水节水控制规范，黏附速率控制指标为不大于15 mcm。首先选取满足水质控制指标的数据，对输入数据进行预处理即数据的归一化处理〔3, 4〕。输入数据的频率为每天1 次，输出数据的频率为每月1 次，对输入数据进行均值化处理，处理后的部分数据见表 2。

　　1.3 隐层数及隐节点数的设计

　　理论分析证明，具有单隐层的网络就可以映射出所有的连续函数，只有当映射的函数不连续时才会考虑到设计两个隐层，因此，BP 网络最多只需要设计两个隐层即可〔5〕。本研究中设计了单隐层的网络结构，从仿真结果可以得出结论，单隐层结构的 BP 网络就可以很好地满足设计要求。

　　BP 神经网络中，隐节点数太少，网络学习能力差，难以体现样本规律;隐节点数太多，可能出现过度吻合，降低了泛化能力。隐含层节点数的设计一般采用试凑法〔6〕。本研究选择7～12 为节点数，通过仿真选取最佳隐节点数。

　　2 BP 神经网络仿真

　　2.1 BP 神经网络模型建立

　　创建BP 神经网络，利用最快梯度下降的BP 算法训练数据。将表 1 中前7 组数据作为网络训练样本，1-8 组数据作为网络测试样本。输入层节点为 3，隐层节点为7～12，输出层节点为1。利用mapminmax 函数对数据样本进行区间化，使整个数据无量纲，隐层采用tansig 激活函数，输出层采用线性激活函数。学习因子设置为0.05，训练步长为5 000，网络目标误差设为0.001。当隐层节点数为10 时，网络模型见图 1。。

　　图 1 BP 神经网络模型

　　2.2 预测结果分析

　　分别将隐节点设为7～12，进行网络训练，综合训练步长、训练时间和误差的情况，最终确定隐节点数为10。不同隐节点数下网络训练情况如表 3 所示。

　　通过神经网络仿真，预测5 月份的黏附速率为 13.326 2，实测数据为13.360 0，3—10 月的数据测试误差均在1%以内，网络仿真结果与仿真误差曲线见图 2 与图 3。

　　图 2 BP 神经网络仿真结果

　　图 3 BP 神经网络仿真误差

　　3 结论

　　(1)基于改进的BP 神经网络建立的黏附速率预测模型，可以准确地反映出循环冷却水系统水质与黏附速率的关系。通过仿真表明预测值与实际值基本一致，此方法可行。

　　(2)BP 神经网络在初始连接权以及网络结构的选择具有一定的随机性，影响了网络的性能，随着测试样本数据的增加，可对黏附速率预测模型的泛化能力做进一步的验证和测试。

　　(3)BP 算法收敛缓慢，容易陷入局部最优，可以结合遗传算法等改进和优化黏附速率预测模型，这将是下一步的重点研究工作。