腐蝕、結(jié)垢和生物黏泥是循環(huán)冷卻水系統(tǒng)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)、生長和繁殖的結(jié)果;結(jié)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在金屬表面上形成的，結(jié)垢現(xiàn)象大大降低了冷卻水熱交換器的換熱效率，嚴(yán)重時(shí)會堵塞換熱器，影響生產(chǎn)的正常運(yùn)行。黏附速率表征換熱器單位傳熱面上一定時(shí)間內(nèi)的污垢增長質(zhì)量。影響結(jié)垢的因素很多，如冷卻水的水質(zhì)、水溫、流速及換熱設(shè)備的熱負(fù)荷強(qiáng)度等等，其中水質(zhì)是影響?zhàn)じ剿俾首钪饕�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性關(guān)系，利用常規(guī)的方法難以建立其精確的數(shù)學(xué)模型。

　　人工神經(jīng)網(wǎng)絡(luò)具有非線性映射、泛化及容錯(cuò)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(tǒng)黏附速率的預(yù)測模型，避開了尋找各種因素對黏附速率的影響規(guī)律的難題，可以方便準(zhǔn)確地預(yù)測黏附速率。針對標(biāo)準(zhǔn)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(xùn)練次數(shù)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(xiàng)建立循環(huán)冷卻水系統(tǒng)黏附速率的預(yù)測模型。經(jīng)實(shí)際數(shù)據(jù)的預(yù)測結(jié)果表明，此方法可行。

　　1 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

　　1.1 BP 學(xué)習(xí)算法

　　BP 神經(jīng)網(wǎng)絡(luò)也稱多層前饋網(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性連續(xù)系統(tǒng)〔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(biāo)準(zhǔn)BP 算法在調(diào)整權(quán)值時(shí)，只按某一時(shí)刻誤差的梯度下降方向調(diào)整，而沒有考慮該時(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(xùn)練速度，筆者采用增加動(dòng)量項(xiàng)的BP 算法，即在權(quán)值調(diào)整時(shí)增加一動(dòng)量項(xiàng)，增加動(dòng)量項(xiàng)即從前一次權(quán)值調(diào)整量中取出一部分迭加到本次權(quán)值調(diào)整量中，動(dòng)量項(xiàng)反映了以前積累的調(diào)整經(jīng)驗(yàn)，對于某時(shí)刻的調(diào)整起阻尼作用，當(dāng)誤差曲面出現(xiàn)驟然起伏時(shí)，可減小振蕩趨勢，提高訓(xùn)練速度。

　　1.2 網(wǎng)絡(luò)輸入輸出的確定

　　目前國內(nèi)循環(huán)水系統(tǒng)主要監(jiān)測的水質(zhì)項(xiàng)目見表 1。由于循環(huán)水中的結(jié)垢成分主要是CaCO3，因此在這些監(jiān)測項(xiàng)目中，堿度、鈣硬、pH 是影響結(jié)垢的主要指標(biāo)。以某石化公司2010 年3—10 月的數(shù)據(jù)為依據(jù)，選取堿度、鈣硬、pH 作為輸入，輸出為黏附速率，根據(jù)循環(huán)冷卻水節(jié)水控制規(guī)范，黏附速率控制指標(biāo)為不大于15 mcm。首先選取滿足水質(zhì)控制指標(biāo)的數(shù)據(jù)，對輸入數(shù)據(jù)進(jìn)行預(yù)處理即數(shù)據(jù)的歸一化處理〔3, 4〕。輸入數(shù)據(jù)的頻率為每天1 次，輸出數(shù)據(jù)的頻率為每月1 次，對輸入數(shù)據(jù)進(jìn)行均值化處理，處理后的部分?jǐn)?shù)據(jù)見表 2。

　　1.3 隱層數(shù)及隱節(jié)點(diǎn)數(shù)的設(shè)計(jì)

　　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(xù)函數(shù)，只有當(dāng)映射的函數(shù)不連續(xù)時(shí)才會考慮到設(shè)計(jì)兩個(gè)隱層，因此，BP 網(wǎng)絡(luò)最多只需要設(shè)計(jì)兩個(gè)隱層即可〔5〕。本研究中設(shè)計(jì)了單隱層的網(wǎng)絡(luò)結(jié)構(gòu)，從仿真結(jié)果可以得出結(jié)論，單隱層結(jié)構(gòu)的 BP 網(wǎng)絡(luò)就可以很好地滿足設(shè)計(jì)要求。

　　BP 神經(jīng)網(wǎng)絡(luò)中，隱節(jié)點(diǎn)數(shù)太少，網(wǎng)絡(luò)學(xué)習(xí)能力差，難以體現(xiàn)樣本規(guī)律;隱節(jié)點(diǎn)數(shù)太多，可能出現(xiàn)過度吻合，降低了泛化能力。隱含層節(jié)點(diǎn)數(shù)的設(shè)計(jì)一般采用試湊法〔6〕。本研究選擇7~12 為節(jié)點(diǎn)數(shù)，通過仿真選取最佳隱節(jié)點(diǎn)數(shù)。

　　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(xùn)練數(shù)據(jù)。將表 1 中前7 組數(shù)據(jù)作為網(wǎng)絡(luò)訓(xùn)練樣本，1-8 組數(shù)據(jù)作為網(wǎng)絡(luò)測試樣本。輸入層節(jié)點(diǎn)為 3，隱層節(jié)點(diǎn)為7~12，輸出層節(jié)點(diǎn)為1。利用mapminmax 函數(shù)對數(shù)據(jù)樣本進(jìn)行區(qū)間化，使整個(gè)數(shù)據(jù)無量綱，隱層采用tansig 激活函數(shù)，輸出層采用線性激活函數(shù)。學(xué)習(xí)因子設(shè)置為0.05，訓(xùn)練步長為5 000，網(wǎng)絡(luò)目標(biāo)誤差設(shè)為0.001。當(dāng)隱層節(jié)點(diǎn)數(shù)為10 時(shí)，網(wǎng)絡(luò)模型見圖 1。具體參見http://www.northcarolinalenders.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(yù)測結(jié)果分析

　　分別將隱節(jié)點(diǎn)設(shè)為7~12，進(jìn)行網(wǎng)絡(luò)訓(xùn)練，綜合訓(xùn)練步長、訓(xùn)練時(shí)間和誤差的情況，最終確定隱節(jié)點(diǎn)數(shù)為10。不同隱節(jié)點(diǎn)數(shù)下網(wǎng)絡(luò)訓(xùn)練情況如表 3 所示。

　　通過神經(jīng)網(wǎng)絡(luò)仿真，預(yù)測5 月份的黏附速率為 13.326 2，實(shí)測數(shù)據(jù)為13.360 0，3—10 月的數(shù)據(jù)測試誤差均在1%以內(nèi)，網(wǎng)絡(luò)仿真結(jié)果與仿真誤差曲線見圖 2 與圖 3。

　　圖 2 BP 神經(jīng)網(wǎng)絡(luò)仿真結(jié)果

　　圖 3 BP 神經(jīng)網(wǎng)絡(luò)仿真誤差

　　3 結(jié)論

　　(1)基于改進(jìn)的BP 神經(jīng)網(wǎng)絡(luò)建立的黏附速率預(yù)測模型，可以準(zhǔn)確地反映出循環(huán)冷卻水系統(tǒng)水質(zhì)與黏附速率的關(guān)系。通過仿真表明預(yù)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(quán)以及網(wǎng)絡(luò)結(jié)構(gòu)的選擇具有一定的隨機(jī)性，影響了網(wǎng)絡(luò)的性能，隨著測試樣本數(shù)據(jù)的增加，可對黏附速率預(yù)測模型的泛化能力做進(jìn)一步的驗(yàn)證和測試。

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