怎樣防止循環(huán)冷卻水系統腐蝕

 　　隨著(zhù)國民經(jīng)濟的發(fā)展，工業(yè)化程度的加速，工業(yè)用水量逐漸上升。在工業(yè)企業(yè)中，冷卻用水的比例很大，冷卻水基本占總用水量的90%～95%.幾十年前，我國工業(yè)冷卻水多采用直流冷卻水，水資源浪費很大〔1〕。近年來(lái)，循環(huán)冷卻水系統在各行各業(yè)中被廣泛使用，其帶來(lái)的節水效果明顯，一般補充水率可降至循環(huán)水量的5%以下。與此同時(shí)，循環(huán)冷卻水系統換熱器中的腐蝕現象成為一個(gè)重要的水質(zhì)故障。

　　腐蝕現象是循環(huán)冷卻水系統中經(jīng)常出現的水質(zhì)故障，可嚴重影響生產(chǎn)裝置的正常運行，造成嚴重的經(jīng)濟損失以及水資源的浪費。冷卻水的水質(zhì)、溶解氧、溫度、流動(dòng)狀態(tài)、濁度等對腐蝕均有影響。由于多種影響因素與腐蝕速率之間屬多元高次的非線(xiàn)性關(guān)系，利用常規的方法難以建立精確的數學(xué)模型。

　　人工神經(jīng)網(wǎng)絡(luò )具有自學(xué)習、非線(xiàn)性模式識別、聯(lián)想存儲以及高速尋找優(yōu)化解的特點(diǎn)，在很多領(lǐng)域得到了應用，并取得了良好的效果。NARX(nonlinear autoregressive models with exogenous inputs，非線(xiàn)性自回歸模型)是由靜態(tài)神經(jīng)元和網(wǎng)絡(luò )輸出反饋構成的動(dòng)態(tài)網(wǎng)絡(luò )，具備良好的動(dòng)態(tài)特性和較高的抗干擾能力，使得NARX模型能夠用來(lái)逼近任意的非線(xiàn)性動(dòng)態(tài)系統〔2, 3, 4, 5〕。

　　本研究采用NARX帶外部輸入的非線(xiàn)性自回歸神經(jīng)網(wǎng)絡(luò )建立了腐蝕速率的預測模型，實(shí)驗結果表明，該方法在預測腐蝕速率上是可行的。

　　1 非線(xiàn)性自回歸神經(jīng)網(wǎng)絡(luò )(NARX)

　　一個(gè)典型的NARX神經(jīng)網(wǎng)絡(luò )主要由輸入層、隱含層、輸出層以及輸入和輸出延時(shí)構成〔6, 7〕。NARX神經(jīng)網(wǎng)絡(luò )的模型表達式： y(t)=f〔y(t-1),y(t-2),…,y(t-ny),x(t-1),(t-2),…,x(t-nu)〕可以看出，下一個(gè)y(t)值大小取決于上一個(gè)y(t)和上一個(gè)x(t).NARX神經(jīng)網(wǎng)絡(luò )詳細結構如圖 1 所示。

 圖 1 NARX神經(jīng)網(wǎng)絡(luò )詳細結構

　　圖 1中，TDL表示時(shí)延;IW1，1表示網(wǎng)絡(luò )輸入向量連接隱含層的權值;b1表示網(wǎng)絡(luò )隱含層的閾值;b2表示網(wǎng)絡(luò )輸出層的閾值;LW1，3表示網(wǎng)絡(luò )輸出層連接隱含層的權值;f1表示神經(jīng)網(wǎng)絡(luò )隱含層激活函數;LW2，1表示網(wǎng)絡(luò )隱含層連接輸出層的權值;f2表示神經(jīng)網(wǎng)絡(luò )輸出層激活函數。

　　2 腐蝕速率預測模型的建立

　　2.1 模型建立的研究思路與方法

　　選取影響腐蝕的水質(zhì)因素，通過(guò)構造選擇相應的NARX神經(jīng)網(wǎng)絡(luò )模型，建立NARX腐蝕速率預測模型，預測腐蝕速率的變化〔8, 9, 10〕。建模設計思路如圖 2所示。

 圖 2 模型流程

　　2.2 NARX神經(jīng)網(wǎng)絡(luò )結構的選取

　　Parallel模式(閉環(huán)模式)如圖 3所示。

　　由圖 3可知，NARX神經(jīng)網(wǎng)絡(luò )的輸出被反饋到輸入端。由于所建立模型中腐蝕速率的輸出是已知的，所以采用如圖 4所示的NARX神經(jīng)網(wǎng)絡(luò )結構，即Series-Parallel神經(jīng)網(wǎng)絡(luò )模式(開(kāi)環(huán)模式)，將腐蝕速率的期望輸出反饋到輸入端〔10, 11〕。

  圖 3 閉環(huán)模式

 圖 4 開(kāi)環(huán)模式

　　采用Series-Parallel神經(jīng)網(wǎng)絡(luò )模式(開(kāi)環(huán)模式)能使NARX神經(jīng)網(wǎng)絡(luò )預測效果更加準確，同時(shí)將NARX神經(jīng)網(wǎng)絡(luò )變?yōu)閱渭兊那跋蛏窠?jīng)網(wǎng)絡(luò )，可直接使用靜態(tài)神經(jīng)網(wǎng)絡(luò )的建模函數。

　　2.3 網(wǎng)絡(luò )輸入、輸出的確定

　　以某石化公司水質(zhì)監測數據為依據〔8, 9〕，選取 Cl-、電導率、溫度、pH、堿度、鈣硬6種主要因素作為輸入，腐蝕速率作為輸出。為了更好地預測數據，需對數據進(jìn)行預處理，即數據的歸一化處理。輸入數據的頻率為每天1次，輸出數據的頻率為每月1次。對采取的數據進(jìn)行均值化處理，處理后的數據如表 1所示。

　　2.4 模型的建立

　　創(chuàng )建NARX神經(jīng)網(wǎng)絡(luò )，將表 1中的數據分為訓練樣本、驗證樣本和測試樣本3個(gè)部分。輸入層節點(diǎn)為6，輸出層節點(diǎn)為1，訓練函數選用“trainlm”，經(jīng)過(guò)反復調試和修改神經(jīng)網(wǎng)絡(luò )參數，最終確定網(wǎng)絡(luò )隱藏節點(diǎn)為24，延遲階數為1∶2時(shí)，訓練結果較好。網(wǎng)絡(luò )模型如圖 5所示。

 圖 5 網(wǎng)絡(luò )模型

　　2.5 預測數據分析

　　通過(guò)神經(jīng)網(wǎng)絡(luò )仿真，得到的NARX神經(jīng)網(wǎng)絡(luò )訓練效果如圖 6所示。由圖 6可知，NARX神經(jīng)網(wǎng)絡(luò )在訓練步長(cháng)為1時(shí)，驗證集誤差上升，證明訓練可以結束，整個(gè)數據集的誤差此時(shí)為0.000 117 72.數據的相關(guān)性達到87.915%，如圖 7所示。NARX神經(jīng)網(wǎng)絡(luò )預測效果通過(guò)圖 8、圖 9進(jìn)行了可視化論證，圖 8中誤差線(xiàn)越少，表示NARX神經(jīng)網(wǎng)絡(luò )預測效果越好;圖 9中誤差在0時(shí)最大，其他情況下均不超過(guò)誤差區間，由此證明此模型可行。具體參見(jiàn)http://www.sharpedgetext.com更多相關(guān)技術(shù)文檔。

 圖 6 網(wǎng)絡(luò )訓練圖

圖 7 數據相關(guān)性

 
圖 8 預測效果誤差圖
 
圖 9 誤差自相關(guān)圖

　　3 結論

　　基于NARX神經(jīng)網(wǎng)絡(luò )建立的腐蝕速率模型，對某石化公司水質(zhì)數據進(jìn)行了腐蝕速率預測。首先，動(dòng)態(tài)NARX神經(jīng)網(wǎng)絡(luò )良好的非線(xiàn)性映射能力可以準確地反映出循環(huán)冷卻水水質(zhì)與腐蝕速率的關(guān)系，通過(guò)NARX神經(jīng)網(wǎng)絡(luò )建模仿真預測證明此方法可行〔12, 13〕。其次，雖然NARX神經(jīng)網(wǎng)絡(luò )以更低誤差自相關(guān)程度，使其有著(zhù)較好的預測能力，但是導致NARX模型不穩定性存在的泛化誤差依然是下一步繼續對NARX模型進(jìn)行優(yōu)化的一個(gè)重點(diǎn)。