張彥清， 劉大銘， 白冰， 李春樹

　　（寧夏大學 物理電氣信息學院，寧夏 銀川 750021）

     摘要：目前離心式壓縮機透平轉(zhuǎn)速預測難以實現(xiàn)，雖然引入了基于Elman神經(jīng)網(wǎng)絡(luò)的離心式壓縮機透平轉(zhuǎn)速預測方法，但當離心式壓縮機轉(zhuǎn)速變化比較大時，該預測方法的預測精度就明顯下降。針對這一現(xiàn)象，提出了一種基于外反饋Elman的離心式壓縮機透平轉(zhuǎn)速預測方法。在標準Elman神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上加一個由輸出到輸入的外反饋，通過帶外反饋的Elman神經(jīng)網(wǎng)絡(luò)實現(xiàn)對離心式壓縮機透平轉(zhuǎn)預測。仿真實驗結(jié)果表明，所提出的帶外反饋的Elman神經(jīng)網(wǎng)絡(luò)預測方法預測精度較高，特別在轉(zhuǎn)速變化較大時，收斂速度快，穩(wěn)定性高。

　　關(guān)鍵詞：離心式壓縮機；轉(zhuǎn)速預測；外反饋；神經(jīng)網(wǎng)絡(luò)

0引言

　　離心式壓縮機是一種葉片式旋轉(zhuǎn)機械，透平是帶動壓縮機轉(zhuǎn)動的關(guān)鍵部分，但喘振作為離心式壓縮機不穩(wěn)定特性之一，這種現(xiàn)象的產(chǎn)生會影響到透平部分的運行，進而影響到壓縮機轉(zhuǎn)速。隨著對壓縮機研究的深入，不斷有新的系統(tǒng)辨識方法被應(yīng)用到壓縮機的研究上。2000年，王麗春等人利用BP神經(jīng)網(wǎng)絡(luò)對離心式壓縮機性能進行預測［1］，主要是針對壓縮機壓比進行預測，但預測結(jié)果只是具有良好的一致性；2008年，厲勇提出利用Elman神經(jīng)網(wǎng)絡(luò)預測壓縮機性能的方法［2］，基本上能夠反映系統(tǒng)的運行狀況，但模型精度不高；2009年，王沛禹利用Elman神經(jīng)網(wǎng)絡(luò)對離心壓縮機進行性能建模［3］，建立的網(wǎng)絡(luò)基本能夠反映壓縮機局部性能特點，這些都對以后基于Elman神經(jīng)網(wǎng)絡(luò)的離心式壓縮機透平轉(zhuǎn)速預測具有很大指導意義。研究時發(fā)現(xiàn)，利用Elman神經(jīng)網(wǎng)絡(luò)能夠透平轉(zhuǎn)速實現(xiàn)較高精度的預測，但是當轉(zhuǎn)速變化很大時預測精度就降低了。針對這一問題，本文提出在標準的Elman神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上加一個由輸出到輸入的外反饋，選定輸入量與輸出量來實現(xiàn)轉(zhuǎn)速的預測。結(jié)果表明，帶外反饋Elman神經(jīng)網(wǎng)絡(luò)能夠?qū)崿F(xiàn)高精度預測，特別是在轉(zhuǎn)速變化比較大時，帶外反饋的Elman神經(jīng)網(wǎng)絡(luò)也能快速準確地實現(xiàn)對轉(zhuǎn)速的預測。

1帶外反饋的Elman神經(jīng)網(wǎng)絡(luò)

　　Elman神經(jīng)網(wǎng)絡(luò)除了輸入層、隱層、輸出層單元外，還有一個特殊的聯(lián)系單元。聯(lián)系單元用來記憶隱層單元以前時刻的輸出值，它使該網(wǎng)絡(luò)有動態(tài)記憶的功能。如圖1所示，神經(jīng)網(wǎng)絡(luò)中有一個由A到B內(nèi)反饋，此反饋連接使得網(wǎng)絡(luò)能夠用來檢測和生成時變模式。

　　設(shè)網(wǎng)絡(luò)的輸入層有r個節(jié)點，隱層與聯(lián)系單元有n個節(jié)點，輸出層有m個節(jié)點，則網(wǎng)絡(luò)輸入u為r維向量，隱層輸出x及聯(lián)系單元輸出xc為n維向量，網(wǎng)絡(luò)輸出y為m維向量，連接權(quán)WI1為n×n維矩陣，WI2為n×q維矩陣，WI3為m×n維矩陣，α為自連接反饋增益因子。Elman神經(jīng)網(wǎng)絡(luò)的數(shù)學模型：

　　x(k)=f(WI1xc(k)+WI2u(k－1))(1)

　　xc(k)=αxc(k－1)+x(k－1)(2)

　　y(k)=g(WI3x(k))(3)

　　設(shè)第k步時實際輸出為yd(k)，則網(wǎng)絡(luò)誤差函數(shù)為：

　　E(k)=12(yd(k)－y(k))T(yd(k)－y(k))(4)

　　根據(jù)梯度下降法分別計算E(k)對連接權(quán)偏導數(shù)并使其為0，得網(wǎng)絡(luò)的學習算法:

　　其中,η1、η2、η3分別是WI1、WI2、WI3的學習步長。

　　由于各層神經(jīng)元的反饋信息都會影響到神經(jīng)網(wǎng)絡(luò)的信號處理能力，為進一步提高Elman網(wǎng)絡(luò)性能,就要充分利用輸出層節(jié)點和承接層節(jié)點。因此基于上述理論對Elman神經(jīng)網(wǎng)絡(luò)進行了修改，在輸出層和輸入層之間加一個反饋，如圖2所示。

　　網(wǎng)絡(luò)增加的輸出節(jié)點反饋稱為聯(lián)系單元2，將它放在第1層， γ為反饋增益因子，權(quán)值為WI4。加入了外反饋Elman神經(jīng)網(wǎng)絡(luò)的數(shù)學模型后要將式(1)改為：

　　xj(k)WI4js=fj′(·)ys(k-1)+γxj(k-1)WI4js(14)

　　相對Elman網(wǎng)絡(luò)，加了外反饋的網(wǎng)絡(luò)動態(tài)性能得到增強，從而提高了網(wǎng)絡(luò)每次迭代的效率。

2離心式壓縮機參量選擇

　　2.1離心式壓縮機透平分析

　　針對現(xiàn)離心式壓縮機組的情況將其分兩部分：透平和壓縮機組。透平原理是將高溫、高壓氣體具有的熱能轉(zhuǎn)換為機械能以驅(qū)動壓縮機。蒸汽透平有3個控制閥門，分別為V1、V2與V3，各閥門控制情況如表1所示。通過表1，認為V1閥門是蒸汽透平的主要控制量，直接影響透平轉(zhuǎn)速的大小。

　　情況為主控閥門，控制前段供給蒸汽量的多少，一般開度在90%~100%在實際生產(chǎn)過程中一直處于全開狀態(tài)，不會對生產(chǎn)產(chǎn)生較大影響在開車升速過程中起到補充蒸汽量、維護轉(zhuǎn)速穩(wěn)定的作用，實際生產(chǎn)過程中不作為主控量

　　確定V1閥門為主要控制量,減少了預測中的參量。當對壓縮機變量信息進行采集時，只調(diào)節(jié)V1閥門開度，利用組態(tài)軟件即可得到壓縮機狀態(tài)量的數(shù)據(jù)。

　　2.2壓縮機狀態(tài)量分析

　　離心式壓縮機的數(shù)據(jù)采集主要是給壓縮機施加階躍信號。流體在流動過程中不是一維而是三維的,即在采集的數(shù)據(jù)中存在噪聲，需要通過濾波來消除噪聲,同時利用MATLAB對數(shù)據(jù)進行平滑處理［4］。接著將上述數(shù)據(jù)導入到MATLAB軟件對應(yīng)的程序中。其中，V1是V1閥門動作；Q蒸汽是蒸汽供給量；QCO2出是CO2出口流量；QCO2入是CO2入口流量；T1與P1分別是一段入口溫度與壓力；T8與P8分別是4段出口溫度與壓力。分析結(jié)果如圖3所示。

　　從圖3可以看出V1的變化直接影響n的變化，同時在n帶動下氣體壓力從P1上升到P8過程中,P1不斷被抽走，造成前段壓力降低，同時n會對P1產(chǎn)生影響，進而改變壓比使流量發(fā)生改變。

　　為更好分析各變量間相關(guān)性，把上述數(shù)據(jù)用SPSS210的Spearman法進行分析［5］。變量之間的相關(guān)性越強，相關(guān)系數(shù)越靠近于1或-1。分析結(jié)果如表2所示。

　　轉(zhuǎn)速和壓力的相關(guān)性最大是由于在分析試驗過程中兩者相關(guān)性最強烈，因此受到離心式壓縮機系統(tǒng)的時序影響，在時序相對較早的量往往被認為是主動量。通過分析，刪除相關(guān)度較少的因子，減少轉(zhuǎn)速預測時的輸入，降低仿真過程中的復雜度，最終確定實驗的輸入量和輸出量如表3所示。表3透平轉(zhuǎn)速預測的輸入量和輸出量控制量V1閥門輸入量CO2入、CO2出、V1、P1輸出量n

3仿真實驗

　　3.1轉(zhuǎn)速預測

　　V1閥門的改變會使其他狀態(tài)量也相應(yīng)改變，從而會間接影響轉(zhuǎn)速的變化，以此對離心式壓縮機轉(zhuǎn)速進行預測。加載所要訓練的參數(shù)，利用MATLAB 導入神經(jīng)網(wǎng)絡(luò)，給定系統(tǒng)初始和期望之后，系統(tǒng)根據(jù)期望得到參數(shù)取值和偏差從而確定神經(jīng)網(wǎng)絡(luò)系統(tǒng)模型。然后選閥門打開過程中的另外27組數(shù)據(jù)對產(chǎn)生的神經(jīng)網(wǎng)絡(luò)模型進行驗證，如圖4和圖5所示。

　　3.2與Elman神經(jīng)網(wǎng)絡(luò)預測誤差的比較

　　相同情況下用Elman神經(jīng)網(wǎng)絡(luò)預測壓縮機透平轉(zhuǎn)速，轉(zhuǎn)速預測誤差的仿真結(jié)果如圖6和表4所示。

　　從表4可以看出：Elman神經(jīng)網(wǎng)絡(luò)和帶外反饋Elman神經(jīng)網(wǎng)絡(luò)在對轉(zhuǎn)速進行預測的收斂速度上都比較理想。在轉(zhuǎn)速變化相對穩(wěn)定的情況下，Elman神經(jīng)網(wǎng)絡(luò)和帶外反饋的Elman神經(jīng)網(wǎng)絡(luò)都有較高的預測精度。但是，當轉(zhuǎn)速突然變化很大時，帶外反饋的Elman神經(jīng)網(wǎng)絡(luò)能夠通過自身內(nèi)、外反饋的調(diào)節(jié)快速、準確地調(diào)整到穩(wěn)定狀態(tài)，并且預測誤差的能力與轉(zhuǎn)速變化之前相比基本上不變。這也說明了基于帶外反饋的Elman神經(jīng)網(wǎng)對壓縮機透平轉(zhuǎn)速預測是可以被廣泛應(yīng)用的。

4結(jié)論

　　離心式壓縮機系統(tǒng)是一個高復雜性、大延時系統(tǒng)，這樣高復雜的一個系統(tǒng)若使用傳統(tǒng)方法對其轉(zhuǎn)速進行預測，誤差較大。若使用BP神經(jīng)網(wǎng)絡(luò)這樣一個多層前饋神經(jīng)網(wǎng)絡(luò)［6］，又或者只含有一個內(nèi)反饋Elman神經(jīng)網(wǎng)絡(luò)，由于神經(jīng)網(wǎng)絡(luò)包含的各層神經(jīng)元的反饋信息都會影響到整個神經(jīng)網(wǎng)絡(luò)的信號處理能力，因此為了充分發(fā)揮神經(jīng)網(wǎng)絡(luò)的作用，要盡可能地把每層神經(jīng)元的反饋信息充分利用起來。本文在Elman神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上加一個外反饋，將輸出層的信息通過外反饋再反饋到輸入層，充分利用了輸出層的反饋信息。高精度的預測、預測收斂速度快以及預測誤差的趨于一致性都充分證明了對Elman神經(jīng)網(wǎng)絡(luò)加外反饋的可行性。

參考文獻

　?。?］ 王麗春，樊會元. 離心式壓縮機性能預測的神經(jīng)網(wǎng)絡(luò)方法［J］. 華東冶金學院學報, 2000,17(2):142145.

　?。?］ 厲勇. 基于模糊神經(jīng)網(wǎng)絡(luò)的離心壓縮機的性能研究［D］.昆明：昆明理工大學,2009.

　　［3］ 王沛禹,厲勇.Elman神經(jīng)網(wǎng)絡(luò)用于離心壓縮機的性能模型辨識［J］.硅谷,2009（14）:20.

　?。?］ 叢爽.面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用［M］.合肥:中國科學技術(shù)大學出版社,1998.

　?。?］ 朱星宇,陳勇強.SPSS多元統(tǒng)計分析方法及應(yīng)用［M］.北京:清華大學出版社,2011.

　?。?］ 蔣良孝,李超群.基于BP神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近方法及其MATLAB實現(xiàn)［J］.微型機與應(yīng)用，2004，23(1):5253.