循環(huán)冷卻水系統結垢處理技術(shù)

　　腐蝕、結垢和生物黏泥是循環(huán)冷卻水系統中主要的水質(zhì)故障。金屬腐蝕主要是金屬表面和水接觸產(chǎn)生的電化學(xué)腐蝕; 生物黏泥主要是微生物的活動(dòng)、生長(cháng)和繁殖的結果;結垢是溶解固體由于濃縮和化學(xué)變化在熱交換器表面析出并緊附著(zhù)在金屬表面上形成的，結垢現象大大降低了冷卻水熱交換器的換熱效率，嚴重時(shí)會(huì )堵塞換熱器，影響生產(chǎn)的正常運行。黏附速率表征換熱器單位傳熱面上一定時(shí)間內的污垢增長(cháng)質(zhì)量。影響結垢的因素很多，如冷卻水的水質(zhì)、水溫、流速及換熱設備的熱負荷強度等等，其中水質(zhì)是影響黏附速率最主要的因素。影響因素與黏附速率之間的關(guān)系屬于多元高次的非線(xiàn)性關(guān)系，利用常規的方法難以建立其精確的數學(xué)模型。

　　人工神經(jīng)網(wǎng)絡(luò )具有非線(xiàn)性映射、泛化及容錯能力〔1〕。BP 人工神經(jīng)網(wǎng)絡(luò )是神經(jīng)網(wǎng)絡(luò )中最常用、最成熟的神經(jīng)網(wǎng)絡(luò )之一。利用BP 神經(jīng)網(wǎng)絡(luò )建立循環(huán)冷卻水系統黏附速率的預測模型，避開(kāi)了尋找各種因素對黏附速率的影響規律的難題，可以方便準確地預測黏附速率。針對標準BP 神經(jīng)網(wǎng)絡(luò )具有易形成局部極小而得不到全局最優(yōu)、訓練次數多、收斂速度慢等缺點(diǎn)，筆者采用改進(jìn)的BP 算法即增加動(dòng)量項建立循環(huán)冷卻水系統黏附速率的預測模型。經(jīng)實(shí)際數據的預測結果表明，此方法可行。

　　1 BP 神經(jīng)網(wǎng)絡(luò )結構設計

　　1.1 BP 學(xué)習算法

　　BP 神經(jīng)網(wǎng)絡(luò )也稱(chēng)多層前饋網(wǎng)絡(luò )，有研究證明僅含有一個(gè)隱層的BP 網(wǎng)絡(luò )能以任意精度逼近任意的非線(xiàn)性連續系統〔2〕。BP 網(wǎng)絡(luò )由輸入層、隱層和輸出層組成，層與層之間采用全互聯(lián)方式。標準BP 算法在調整權值時(shí)，只按某一時(shí)刻誤差的梯度下降方向調整，而沒(méi)有考慮該時(shí)刻以前的梯度方向，容易陷入局部極小且收斂緩慢，為了提高網(wǎng)絡(luò )的訓練速度，筆者采用增加動(dòng)量項的BP 算法，即在權值調整時(shí)增加一動(dòng)量項，增加動(dòng)量項即從前一次權值調整量中取出一部分迭加到本次權值調整量中，動(dòng)量項反映了以前積累的調整經(jīng)驗，對于某時(shí)刻的調整起阻尼作用，當誤差曲面出現驟然起伏時(shí)，可減小振蕩趨勢，提高訓練速度。

　　1.2 網(wǎng)絡(luò )輸入輸出的確定

　　目前國內循環(huán)水系統主要監測的水質(zhì)項目見(jiàn)表 1。由于循環(huán)水中的結垢成分主要是CaCO3，因此在這些監測項目中，堿度、鈣硬、pH 是影響結垢的主要指標。以某石化公司2010 年3—10 月的數據為依據，選取堿度、鈣硬、pH 作為輸入，輸出為黏附速率，根據循環(huán)冷卻水節水控制規范，黏附速率控制指標為不大于15 mcm。首先選取滿(mǎn)足水質(zhì)控制指標的數據，對輸入數據進(jìn)行預處理即數據的歸一化處理〔3, 4〕。輸入數據的頻率為每天1 次，輸出數據的頻率為每月1 次，對輸入數據進(jìn)行均值化處理，處理后的部分數據見(jiàn)表 2。

　　1.3 隱層數及隱節點(diǎn)數的設計

　　理論分析證明，具有單隱層的網(wǎng)絡(luò )就可以映射出所有的連續函數，只有當映射的函數不連續時(shí)才會(huì )考慮到設計兩個(gè)隱層，因此，BP 網(wǎng)絡(luò )最多只需要設計兩個(gè)隱層即可〔5〕。本研究中設計了單隱層的網(wǎng)絡(luò )結構，從仿真結果可以得出結論，單隱層結構的 BP 網(wǎng)絡(luò )就可以很好地滿(mǎn)足設計要求。

　　BP 神經(jīng)網(wǎng)絡(luò )中，隱節點(diǎn)數太少，網(wǎng)絡(luò )學(xué)習能力差，難以體現樣本規律;隱節點(diǎn)數太多，可能出現過(guò)度吻合，降低了泛化能力。隱含層節點(diǎn)數的設計一般采用試湊法〔6〕。本研究選擇7~12 為節點(diǎn)數，通過(guò)仿真選取最佳隱節點(diǎn)數。

　　2 BP 神經(jīng)網(wǎng)絡(luò )仿真

　　2.1 BP 神經(jīng)網(wǎng)絡(luò )模型建立

　　創(chuàng )建BP 神經(jīng)網(wǎng)絡(luò )，利用最快梯度下降的BP 算法訓練數據。將表 1 中前7 組數據作為網(wǎng)絡(luò )訓練樣本，1-8 組數據作為網(wǎng)絡(luò )測試樣本。輸入層節點(diǎn)為 3，隱層節點(diǎn)為7~12，輸出層節點(diǎn)為1。利用mapminmax 函數對數據樣本進(jìn)行區間化，使整個(gè)數據無(wú)量綱，隱層采用tansig 激活函數，輸出層采用線(xiàn)性激活函數。學(xué)習因子設置為0.05，訓練步長(cháng)為5 000，網(wǎng)絡(luò )目標誤差設為0.001。當隱層節點(diǎn)數為10 時(shí)，網(wǎng)絡(luò )模型見(jiàn)圖 1。具體參見(jiàn)http://www.sharpedgetext.com更多相關(guān)技術(shù)文檔。

　　圖 1 BP 神經(jīng)網(wǎng)絡(luò )模型

　　2.2 預測結果分析

　　分別將隱節點(diǎn)設為7~12，進(jìn)行網(wǎng)絡(luò )訓練，綜合訓練步長(cháng)、訓練時(shí)間和誤差的情況，最終確定隱節點(diǎn)數為10。不同隱節點(diǎn)數下網(wǎng)絡(luò )訓練情況如表 3 所示。

　　通過(guò)神經(jīng)網(wǎng)絡(luò )仿真，預測5 月份的黏附速率為 13.326 2，實(shí)測數據為13.360 0，3—10 月的數據測試誤差均在1%以?xún)�，網(wǎng)絡(luò )仿真結果與仿真誤差曲線(xiàn)見(jiàn)圖 2 與圖 3。

　　圖 2 BP 神經(jīng)網(wǎng)絡(luò )仿真結果

　　圖 3 BP 神經(jīng)網(wǎng)絡(luò )仿真誤差

　　3 結論

　　(1)基于改進(jìn)的BP 神經(jīng)網(wǎng)絡(luò )建立的黏附速率預測模型，可以準確地反映出循環(huán)冷卻水系統水質(zhì)與黏附速率的關(guān)系。通過(guò)仿真表明預測值與實(shí)際值基本一致，此方法可行。

　　(2)BP 神經(jīng)網(wǎng)絡(luò )在初始連接權以及網(wǎng)絡(luò )結構的選擇具有一定的隨機性，影響了網(wǎng)絡(luò )的性能，隨著(zhù)測試樣本數據的增加，可對黏附速率預測模型的泛化能力做進(jìn)一步的驗證和測試。

　　(3)BP 算法收斂緩慢，容易陷入局部最優(yōu)，可以結合遺傳算法等改進(jìn)和優(yōu)化黏附速率預測模型，這將是下一步的重點(diǎn)研究工作。