水力旋流器神经网络性能预测

基于神经网络的旋流过滤器

性能预测研究问题概述数学模型2BP神经网络模型3Matlab程序41目录5结论2研究问题概述

旋流过滤器作为一种多机理、多功能化的新型固液分离设备，分离性能受到多种因素的影响，而有效地预测其性能对于工程实践具有重要意义。以往旋流过滤器的性能预测方法主要是依赖传统的数学模型。这些模型大都是在某些特定的简化条件下得到的线性或近似线性模型。而实际生产中旋流器各项参数间多为复杂的非线性关系，若用传统的线性模型对其性能进行预测，得到的结果往往不能令人满意。所以需要新的手段和方法来解决这些问题。

1.1研究背景3研究问题概述人工神经网络模型2BP神经网络模型3Matlab程序41目录5结论4人工神经网络模型图1.神经元信息处理过程示意图生物神经元的信息处理包括两个阶段，第一阶段是神经元接收信息流的加权过程，称作聚合过程；第二阶段是对聚合后信息流的处理过程，称作活化过程。图1模拟了单个生物神经元的信息处理过程。5人工神经网络模型图2.人工神经元数学模型从生物神经元的特性和功能可以知道，神经元是一个多输入单输出的信息处理单元，它对信息的处理是非线性的。根据生物神经元的特性和功能，可以把神经元抽象为一个简单的数学模型，如图2所示。X1--Xn：神经元输入；Wij:神经元i对各输入的权系数（j=1~n）；Yi：i神经元的输出；f(·)：激发函数6研究问题概述人工神经网络模型2BP神经网络模型3Matlab程序41目录5结论7BP神经网络模型BP神经网络是一种按误差逆传播算法（利用输出层的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差）训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hiddenlayer)和输出层(outputlayer)。3.1BP神经网络模型简介8BP神经网络模型图3.BP网络结构BP算法的运算过程如下：1）计算隐层单元的输入；2)计算隐层单元的输出；3)计算输出单元的输入；4)计算输出单元的输出。9BP神经网络模型输入层的输出等于整个网络的输入信号，如式（1）所示：

隐含层第i个神经元输入等于的加权和，式（2）：激活函数为Sigmoid函数则隐含层第i个神经元的输出表示为式（3）：输出层第j个神经元的输入等于的加权和如式(4)所示（1）（2）（3）（4）10BP神经网络模型输出层第j个神经元的误差如式（6）： 网络的总的误差如式（7）：

输出层第j个神经元的输出：（5）（6）（7）11BP神经网络模型

将120组实验数据划分为训练集（114组）和测试集（6组）。其中训练集数据用来训练并建立神经网络模型，测试集用来验证网络预测性能的准确性。为了防止较小的数据被较大的数据淹没，对各输入样本进行归一化处理，使网络的输入和目标矢量取值范围为[-1，1]。y--归一化的输入数据;ymax--归一化的数据最大值，即1；ymin--归一化后数据最小值，即-1；x--输入矢量；xmin--输入矢量最小值；xmax--输入矢量最大值12BP神经网络模型底流率流量分离效率压降底流率流量分离效率压降-0.8947-1-1-0.9544-0.68420.2-0.12450.03731-10.3193-1-0.57890.2-0.01070.0287-1-0.6-0.6844-0.6374-0.78950.6-0.04920.45070.6842-0.60.4835-0.7101-0.68420.60.06220.4410-0.5789-0.2-0.0602-0.3633-11-0.34651-0.4737-0.20.0748-0.3712-0.89471-0.22250.9773表3-1部分归一化数据表3.2试验数据预处理13BP神经网络模型

对于BP神经网络，最关键的网络参数是隐含层节点数。隐含层节点数过少，导致网络容错性差、识别未经学习的样本能力低。隐含层节点数过多，又会降低收敛速度，降低泛化能力。

3.3网络参数设置图4不同隐含层节点数下各预测参数相对误差曲线

综合考虑分离效率和压降的预报误差，选择隐含层节点数为9。3.3.1隐含层节点数n--输入层节点数；m--输出层节点数；a--0~10之间的常数。输入层节点：旋流器的操作参数，包括入口流量和底流率，n=2；输出层节点：旋流器的分离参数，包括分离效率和压降，m=2。14BP神经网络模型图5不同训练方法下网络训练过程3.3.2训练方法的选择选择trainlm作为训练函数训练方法训练步长最小训练误差trainlm12010-5traingdm100010-1trainbr7510-2表3-2不同训练方法比较trainlmtraingdmtrainbr15研究问题概述人工神经网络模型2BP神经网络模型3Matlab程序41目录5结论16clear,clc[x]=textread(‘shujubianhua11.txt’);%读取数据trainx=x(1:2,1:114);trainy=x(3:4,1:114);%定义训练数据testx=x(1:2,115:120);testy=x(3:4,115:120);%定义测试数据[trainx1,s1]=mapminmax(trainx);%归一化处理[trainy1,s2]=mapminmax(trainy);testx1=mapminmax('apply',testx,s1);testy1=mapminmax('apply',testy,s2);trainx11=trainx1(1:2,1:114);%预测参数trainy11=trainy1(1:2,1:114);net=newff(trainx1,trainy1,9);%建立可训练的前馈数据网络net.trainparam.epochs=1000;%最大训练次数net.trainparam.goal=1e-8;%最小均方误差net.trainparam.min_grad=1e-20;%最小梯度Matlab程序17Matlab程序net.trainparam.show=200;%训练显示间隔net.trainparam.time=inf;%最大训练时间ticnet=train(net,trainx11,trainy11);%训练toctestty2=sim(net,testx1);%对测试样本进行仿真testtty=mapminmax(‘reverse’,testty2,s2)%反归一化处理e=(testy-testtty)./testy%计算与实验值的相对误差

figure(1)%作图x=1:length(testtty);plot(x,testy(1,:),'b-');%分离效率真实值holdonplot(x,testtty(1,:),'r--');%分离效率预测值legend('真实值','预测值')18Matlab程序title('分离效率的测试结果')figure(2)plot(x,testy(2,:),'b-');%压降真实值holdonplot(x,testtty(2,:),'r--');%压降预测值legend('真实值','预测值')title('压降的测试结果')19研究问题概述人工神经网络模型2BP神经网络模型3Matlab程序41目录5结论20结论5.1BP网络预测结果分析5.1.1样本组数对网络性能影响43组56组85组114组训练样本数分离效率Er/%压降Er/%训练次数性能验证最佳值/×10-3436.466.241091.47567.012.161360.43852.040.54430.041140.650.71770.13表5-1不同训练样本数下的BP网络预测结果网络预测精度与训练样本数成正相关图7BP网络训练过程21BP神经网络模型

表5-2不同样本顺序下BP网络预测结果5.1.2样本顺序对网络性能影响组别分离效率预测值1/%分离效率预测值2/%Er1/%Er2/%压降预测值1/KPa压降预测值2/KPaEr1/%Er2/%110.26799.86883.073.8953.469952.8358-0.131.19228.606829.0501-0.31-1.1578.621178.29610.3630.41336.190035.5932-1.011.65104.0784104.15680.27-0.08440.029440.0702-0.18-0.10138.7584138.5982-0.100.12545.975146.02671.27-0.11172.1850171.88080.820.18648.224048.2026-0.060.04215.0538215.26500.68-0.10

训练样本的输入顺序对BP神经网络的预测性能影响并不大。22