（热能工程专业论文）670th锅炉燃烧稳定性在线评判系统的研究.pdf

华北电力大学硕士学位论文摘要 摘要 本文阐述了模糊逻辑系统、神经网络以及模糊神经网络的基本原理，详细分析 了影响锅炉燃烧稳定性的主要因素，选取了7 个参数作为锅炉燃烧稳定性的评判指 标，建立了基于改进的模糊神经网络+ 一票否决功能的6 7 0 f f h 锅炉燃烧稳定性在线 评判模型。一票否决功能实现了某些单个因素对燃烧稳定性起决定性影响时的评判 功能，从而使模型更加合理。在此基础上开发了电站锅炉燃烧稳定性在线评判系统， 通过系统的神经网络学习功能，选取了模型的学习样本，并对网络进行了成功训练 和检验。系统评判结果和现场实际吻合较好，可以实现燃烧稳定性的在线评判，对 运行人员迸行操作起到了指导作用。 关键词：锅炉，燃烧稳定性，模糊神经网络，评判 a b s t r a c t t h i sp a p e rh a si l l u s t r a t e dt h ee s s e n t i a lt h e o r yo ff u z z yl o g i cs y s t e m , n e u r a ln e t w o r ka n d f u z z yn e u r a ln e t w o r k t h r o u g ha n a l y z i n gm a i ni n f l u e n c i n gf a c t o r so fb o i l e rc o m b u s t i o n , s e v e np a r a m e t e r sw e r es e l e c t e da sj u d g e m e n ti n d e x e s t h em o d e lo fi m p r o v e df u z z yn e u r a l n e t w o r ka n ds i n g l ef a c t o rv e t oh a sb e e ne s t a b l i s h e dt h a tw a sa p p l i e dt oo n l i n ej u d g e m e n to f 6 7 0 t hb o i l e rc o m b u s t i o ns t a b i l i t y t h ef u n c t i o no fs i n g l ef a c t o rv e t oc a nr e a l i z cj u d g m e n t s w h e na n y o n eo ft h o s ef a c t o r sc a nd e t e r m i n et h es t a b i l i t yo fb o i l e rc o m b u s t i o n ，s ot h e j u d g e m e n tm o d e li s m o r er a t i o n a l t h eo n l i n ej u d g e m e n ts y s t e mo fb o i l e rc o m b u s t i o n s t a b i l i t yh a sb e e ne x p l o i t e d t h r o u g ht h en e u r a ln e t w o r kl e a r n i n go ft h es y s t e m ，t h el e a r n i n g s a m p l e so fm o d u l ew e r es e l e c t e d ，a n dt h en e t w o r k i st r a i n e da n dv e r i f i e ds u c c e s s f u l l y t h e r e s e a r c hi n d i c a t e st h a tt h es y s t e mc a nr e f l e c tt h ep r a c t i c a lc h a n g i n gt r e n do fc o m b u s t i o n t h e o a l i n ej u d g e m e n ts y s t e mo fc o m b u s t i o ns t a b i l i t yh a sc o m et r u e t h e r e f o r e ，t h es y s t e mc a n i n s t r u c to p e r a t o r se o r r e c t l y w a n gg u a n g h u i ( t h e r m a le n e r g ye n g i n e e r i n g ) d i r e c t e db yp r o f y a ns h u n l i n k e y w o r d s ：b o i l e r , c o m b u s t i o ns t a b i l i t y ，f u z z yn e u r a ln e t w o r k , j u d g e m e n t 声明 本人郑重声明：此处所提交的硕士学位论文( 6 7 0 1 h 锅炉燃烧稳定性在线评判系 统的研究，是本人在华北电力大学攻读硕士学位期间，在导师指导下进行的研究工作 和取得的研究成果。据本人所知，除了文中特别加以标注和致谢之处外，论文中不包含 其他人已经发表或撰写过的研究成果，也不包含为获得华北电力大学或其他教育机构的 学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均己在论文 中作了明确的说明并表示了谢意。 学位论文作者签名：日期： 关于学位论文使用授权的说明 本人完全了解华北电力大学有关保留、使用学位论文的规定，即：学校有权保管、 并向有关部门送交学位论文的原件与复印件；学校可以采用影印、缩印或其它复制手 段复制并保存学位论文；学校可允许学位论文被查阅或借阅；学校可以学术交流为 目的，复制赠送和交换学位论文；同意学校可以用不同方式在不同媒体上发表、传播 学位论文的全部或部分内容。 ( 涉密的学位论文在解密后遵守此规定) 作者签名： 日期： 导师签名： 日 期： 华北电力大学硕士学位论文 1 1 课题研究的背景 第一章引言 一个国家能源的构成极大地影响着现有电力工业及其未来的发展。我国的能源 工业以煤炭为主，以煤为燃料的火力发电方式成为最主要的电力供应来源，目前火 力发电量占总发电量的7 4 左右i l j 。这就决定了火力发电将成为我国未来电力开发 和研究的重点。 我国的电站锅炉以煤粉炉为主，锅炉燃烧的稳定性在很大程度上决定了整个杌 组运行的安全性和经济性。煤粉炉要求在炉膛内组织稳定、均匀的火焰，保证强烈、 充分的燃烧，尽量减少因燃烧不稳定而投油燃烧的次数。如果燃烧过程不稳定将引 起蒸汽参数发生波动；炉内温度过低或一、二次风配合失当将影响燃料的着火和正 常燃烧，造成锅炉灭火；炉内温度过高或火焰中心偏斜将引起水冷壁、炉膛出口受 热面结渣并可能增大过热器的热偏差，造成局部管壁超温等【2 1 。 目前，国内由于煤炭供应紧张，许多电厂燃料来源呈现多样化，很大程度上偏 离了设计煤种：此外，一些电厂为了节约发电成本常常燃用劣质煤。而且，许多机 组承担着调峰任务，经常处于频繁的变负荷运行工况。这就使得锅炉燃烧稳定性下 降，燃烧过程控制难度加大。如果单纯依靠传统的操作规程和控制手段来调整锅炉 的燃烧状态，已经无法满足现代化电站对于管理的要求，甚至有可能由于判断失误 而进行错误操作，导致锅炉事故的发生。因此，及时准确地对锅炉燃烧状况做出在 线评判。给运彳亍人员提供参考，以便提高机组运行的安全性是非常有意义的。 1 2 课题研究的现状 1 燃烧稳定性理论研究 什么是燃烧的稳定性1 3 1 7 有些学者对燃烧稳定性给出了一个定义，即燃烧稳定性 是指燃烧系统在一定的范围内保持稳定燃烧状态的能力。从这个定义上就可以看出 燃烧稳定性是一个比较模糊的概念，人们也直都想用一些确定的公式、标准或一 些量化指标来判断燃烧的稳定性，使对它的判断更加具体清晰。 国内外学者很早就对煤粉燃烧火焰稳定机理展开了多方面的研究，并且提出了 一些稳燃理论。早在五六十年代，c o w a r d 4 1 和z a b e t a k i s l 5 1 等人就从可燃性的角度出 发对燃烧稳定性问题进行了探讨。l o c k w o o d 6 】等试验研究了旋流煤粉燃烧器的稳定 性，并通过试验分析了给煤率、过量空气系数、颗粒尺寸和燃烧器的几何结构等因 素对燃烧稳定性的影响。小野寺映辉【7 】等人把火焰稳定界限定义为在保持空气流量 华北电力大学硕士学位论文 一定时改变燃料流量，直到火焰不能保持稳定燃烧而熄灭时的极限点，并在以化学 当量比和混合速度为坐标的二维平面上通过试验给出了稳定燃烧的区域。1 9 9 7 年国 内的程浩斌等人提出了一种基于控制理论中的b i b o 稳定性理论的燃烧过程相对稳 定性评价指数c s i 【8 】，该指数用稳定燃烧过程能够克服的临界燃料扰动率的绝对值 来定量，并且此方法可提供一种适用于不同煤种、不同燃烧器等不同燃烧设备条件 下燃烧过程相对稳定性定量评价，这也是第一次用具体的指数来评价电站燃煤锅炉 燃烧过程的稳定性。 2 锅炉燃烧在线监测与评判技术的发展状况 目前国内外的锅炉燃烧在线监测与评判技术得到了长足的发展，取得了不少有 价值的研究成果。 国电电力公司杭州机械设计研究所华新机电工程有限公司开发的h x f f - 1 型一 次风粉浓度在线检测系统，它根据能量守恒原理，通过对一次风管系统中的风压、 风温、煤粉温度、风粉混合温度等信号的采集后进行数据处理，并以棒图的形式予 以实时显示【9 】；吉林瑞达自控工程公司研制了一次风粉在线监测系统，它采用集放 式模块化结构，配专用软件包，可以完成锅炉一次风速、一次风量、煤粉浓度以及 煤粉温度等一次风系统主要参数的在线检测、数据分析处理、计算和记录存储【1 w ； 此外，随着摄像机和计算机技术的发展，摄像机型火检技术发展很快。在工业 c c d 摄像机出现以后，由于其具有耐灼伤、图像清晰度高、工作稳定可靠、对震动 和冲击损伤的抵抗力强等优点，因此迅速在电厂以火焰电视( f l a m et v ) 形式得到应 用。日立公司1 9 8 5 年问世的h i a c s 3 0 0 0 u 1 系统中采用了炉膛火焰图像识别技术， 可以得出火焰温度场的分布，燃烧经济性的估算值以及n o x 排放量的估算等结果， 对于稳定锅炉燃烧、提高燃烧效率具有重要的意义。三菱的光学图像扫描 ( o p t i s ，o p t i c a li m a g ef l a m es c a l l n e r ) 系引1 2 1d 3 1 采用光学图像传感器大大提高了系 统对火焰的灵敏度和鉴别能力，能较好地克服炉膛背景热辐射和相邻燃烧器火焰对 被检测火焰信号的干扰，不仅能够判断火焰的稳定性，还能够识别火焰的形状。芬 兰i v o 公司的燃烧监测与数字分析系统1 1 4 ( d i m a c ，d i g i t a l m o n i t o r i n ga n d a n a l y s i s o fc o m b u s t i o n ) 于1 9 8 9 年投入使用。该系统通过改进锅炉效率和可靠性来改善运行 的安全性和减少n o x 排放。此外，国内学者也开始了火焰图像处理应用的研究与开 发。清华大学吴占松等【”1 首先进行了小型发光火焰温度分布测量的研究，推导了图 像亮度信号与火焰温度之间的关系，并经黑体炉标定获得了多项式回归模型，开创 了国内火焰图像处理研究的先河。此外，南京自动化研究所许柯夫l l6 j 推导了火焰辐 射测温公式，并进行了基于火焰辐射图像的燃烧诊断的初步研究。上海交通大学徐 伟勇等【1 7 】【1 8 】采用传像光纤和数字图像处理技术开展了检测电站锅炉燃烧火焰的研 究，将火焰亮度及其变化历史记录作为判断燃烧稳定性的依据。 2 华北电力大学硕士学位论文 以上所提到的各种在线检测与评判技术只是从影响燃烧稳定性的单个或几个 因素对锅炉燃烧状态进行检测与评判，并没有把影响锅炉燃烧稳定性的各个因素考 虑在一起进行综合评判。目前，在锅炉燃烧稳定性综合评判中用到的模型有：模糊 综合评判模型：基于神经网络的综合评判模型；基于模糊神经网络的综合评判模型。 虽然运用这些模型取得了一定的成果，但其中模糊综合评判模型回避不了确定权重 和隶属函数这个十分突出而又艰难的问题【1 9 1 。人工神经网络虽然可以通过对样本的 学习准确拟合任意非线性函数，但是人工神经网络是典型的黑箱学习模式【2 0 1 ，而且 在训练过程中存在着易陷入假饱和区、收敛速度慢的缺陷。尽管不少学者在这一问 题上进行了不懈的努力，提出了许多的改进措施【2 1 】1 2 2 1 【2 3 1 1 2 4 ，神经网络的复杂性和 精确性仍然是一对很难调和的矛盾。基于模糊神经网络的评判是一个新开拓的领 域，它既具有逻辑系统易于理解的优点又具有神经网络极强的自适应学习能力，提 高了整个系统的表达能力和学习能力，已经在诸如砂土液化势评价【2 5 1 、粉煤灰混凝 土强度预测【2 6 】等方面取得了较好的应用效果。模糊神经网络已经成为近年来智能控 制与智能自动化领域的又一热点，但由于在网络结构和算法的选择上还没有成熟的 理论，从而使基于模糊神经网络的锅炉燃烧稳定性评判系统还有待于进一步完善。 1 3 研究内容及目的 本课题着眼于锅炉燃烧稳定性在线评判系统的研究。在借鉴已有研究成果的基 础上，采用改进的模糊神经网络模型，力求使系统实用化，达到适应现场运行要求 的程度。研究内容主要包括：应用模糊神经网络理论建立锅炉燃烧稳定性在线评判 模型以及系统的实用化。具体工作主要有以下几个方面： 1 对影响燃烧稳定性因素的重新选择 原有模型通过对大量资料的整理和分析，得出煤质、负荷等影响锅炉燃烧稳定性 的因素9 个。可是由于现场煤质信息的获得具有滞后性，所以要达到在线评判的目 的就要对影响因素进行重新选取。 2 模糊神经网络拓扑结构、学习算法以及初始权值的选取 网络拓扑结构的确定包括网络基本结构参数、各层节点的激励函数以及联结方 式的确定等等，这是该模型合理与否的基础。学习算法的选取是网络是否能够训练 成功的关键，合适的学习算法可以避免学习陷入假饱和区、收敛速度慢、记忆不稳 定等缺点。初始权值选取是否合适对于网络收敛也相当重要。 3 准确学习样本的获取 学习样本是神经网络逆传播学习算法的基础，没有准确的学习样本，就无法训 练网络得到准确的权值，从而就不能保证评判的准确性。由于本课题的评判模型是 3 华北电力大学硕士学位论文 从整体上来综合分析评价燃烧稳定性，神经网络输出为锅炉燃烧的稳定程度，要获 得准确的学习样本有一定难度，需要通过大量的现场实时数据，并且结合专家意见 综合确定。 4 基于新的数学模型利用v i s u a lc + + 语言编程，实现锅炉燃烧稳定性在线评判 系统的开发。 5 系统实用化，达到适应现场运行要求的程度。 总结上述五项，我的工作概括起来主要是通过研究稳燃理论同时结合现场运行 实际重新选取影响燃烧稳定性的因素；根据模糊神经网络知识重新建立数学模型， 以使评判更加合理准确。到现场获取充足、准确的学习样本；根据新模型利用v i s u a l c + + 语言编程，实现锅炉燃烧稳定性在线评判系统的开发。 研究目的：在已有研究成果的基础上，力求使模型完善，系统实用化，达到指 导现场运行要求的目的。 1 4 研究对象 1 锅炉本体 本课题的研究对象是马头电厂8 号炉。 8 号炉于一九九五年三月投产。该炉为东方锅炉厂生产的d g 6 7 0 1 3 7 罐型超高 压、中间再热、单汽包、单炉膛、自然循环、固态排渣煤粉炉。燃烧室宽1 1 9 2 0 m m ， 深1 0 8 8 0 m m ，炉底冷灰斗出渣口到顶棚管中心线距离为4 2 5 0 0 m m ，炉膛容积为4 3 2 6 m 3 。 在炉膛上部垂直布置辐射式前大屏过热器，之后是后屏过热器。水平烟道内布 置高温过热器和高温再热器。尾部烟道竖井由中隔墙分隔成前后两部分，前竖井中 布置低温再热器，后竖井中布置低温过热器。 主要设计参数：额定蒸发量6 7 0 t h 汽包工作压力 1 5 2m p a 过热蒸汽压力1 3 7m p a 过热蒸汽温度 5 4 0o c 再热蒸汽流量 5 7 9t h 再热蒸汽压力 2 6 2 4m p a 再热蒸汽温度 3 2 3 5 4 0o c 给水温度 2 4 0。c 排烟温度1 4 9 1 2 锅炉效率 9 1 1 2 4 华北电力大学硕士学位论文 设计煤种和校核煤种特性见下表： 表l - i 设计煤种和校核煤种的元素成分表 元素分析c 0h ，q心以m ，名线。 设计煤种 5 7 8 22 3 23 2 60 8 50 8 11 1 7 66 0 91 7 0 92 1 1 8 5 校核煤种 5 0 8 12 0 32 6 60 7 50 8 12 0 69 0 91 3 2 51 9 5 7 3 2 燃烧系统 制粉系统为中间储仓式热风送粉，配置两台d t m 3 8 0 8 3 0 - i v 型低速钢球磨煤 机。锅炉机组采用全悬吊露天型布置，平衡通风。锅炉燃烧器采用直流式煤粉燃 烧器，热风送粉四角布置。挣l 、3 角对冲，存2 、4 角形成西7 3 6 衄的逆向假想切圆。 四层一次风，分二组集中布置，最下一层为多功能船型燃烧器。另外布置有六层二 次风，一层三次风，三次风位于最上层。 3 热工监测和控制系统介绍 马头电厂已采用m i s 系统及新华控制工程公司的d c s 系统。八号炉的m i s 系 统可将x d p s 控制系统中采集到的数据存到历史数据采集站中，并且发送到m i s 网 上，在各工作站的终端可以随时接收到机组运行的数据。利用x d p s 系统，可以以 曲线或棒图的形式方便的查看各测点参数的实时数据及历史数据。 5 华北电力大学硕士学位论文 第二章人工神经网络与模糊系统理论 2 1 人工神经网络理论 2 1 1 神经网络的发展 人工神经网络是指由大量的简单计算单元( 即神经元) 构成的非线性系统【2 7 1 。 它在一定程度上模仿了人脑神经系统的信息处理、存储及检索功能，因而具有学习、 记忆和计算等智能处理能力。目前神经网络的理论和应用研究得到了飞速的发展， 而且已经渗透到许多工程应用领域。 早在1 8 9 0 年，w i l l i a mj a m e s 在心理学一书中谈及人工神经网络的主要思 想。1 9 4 3 年，美国生理学家w s m c c u l l o c h 与青年数学家w a i t e r p i t t s 合作提出了第 一个神经计算模型m p 模型，开创了神经网络的研究。1 9 4 9 年，神经生物学家h e b b 给出了改变神经元网络之间连接强度的h e b b 规则。h e b b 对神经网络的发展起到了 重大的推动作用。2 0 世纪5 0 年代末到6 0 年代初是神经网络理论研究的第一个热潮。 1 9 5 8 年，计算机科学家r o s e n b l a t t 基于m p 模型，增加了学习机制，推广了m p 模 型提出了感知器模型，第一次把神经网络理论付诸工程实际。1 9 6 0 年，b w i d r o w 和m h o f f 提出了自适应线性元件a d a c i n e 网络模型，这是第一个对实际问题起作 用的神经网络。1 9 7 4 年，w e r b o s 提出了多层感知器的误差反传算法，但由于当时 未充分体会到它的用处因而多年未受到重视。1 9 8 2 年，由加州理工大学教授 h h o p f i e l d 提出了h o p f i e l d 神经网络，开辟了把神经网络应用于联想记忆和优化计 算的新途径，大大地推动了神经网络的发展。 1 9 8 5 年，r u m e l h a r t 等人在神经网络领域取得了突破性进展，重新提出了多层 感知器权值训练的误差反向传播算法( 即b p 算法) ，并且证明了隐层神经元采用 s i g m o i d 型神经元的b p 网络，具有任意非线性映射特性。b p 算法不但为多层网络 提供了简单的学习算法，而且解决了许多实际问题。目前，神经网络所涉及的领域 主要有目标跟踪、信号处理、机器人控制、模式识别、专家系统、组合优化等。 2 1 2 神经网络的结构 2 1 2 1 通用神经元模型2 7 1 图2 1 所示为一个具有n 个输入的通用的神经元模型。x = ( 五，毪，矗) 7 为神经 元输入，形= ( w l ，) 7 为可调的输入权值，口为偏移信号，用于建模神经元的兴 奋阈值。甜( ) 和厂( ) 分别表示神经元的基函数和激活函数。基函数“( ) 是个多输入 单输出函数“= 甜( x ，形，口) ；激活函数的一般作用是对基函数输出u 进行“挤压”： 6 华北电力大学硕士学位论文 y = f ( u ) ，即通过非线性函数厂( ) 将u 变换到指定范围内。 图2 - 1 通用神经元模型 基函数有线性函数、距离函数和椭圆基函数三种。采用线性函数时，基函数u 输 出为输入和阈值的加权和，即 n 甜= 罗w ，x ，一口：x l i v 一0 ( 2 - 1 ) 篇 在实际应用中，神经元输出特性函数经常选用的类型有：硬极限函数、线性函 数、饱和线性函数、s i g m o i d a l 函数和高斯函数。 2 1 2 2 神经网络的拓扑结构 由于我们希望神经网络能够实现诸如推理、联想、学习和模式识别等不同的功 能，所以人们提出的神经网络千差万别。尽管神经元之间的连接可以有任意形式， 但最常见的结构是前向神经网络和反馈神经网络。 前向神经网络是指拓扑结构为有向无环图的神经网络。它由输入层、输出层和 隐层组成。在前向神经网络中，各神经元只接受前一层的输入，并将计算结果输出 给下一层。如果所有的隐层节点都取s i g m o i d a l 函数，就构成了所谓的b p 网，此时 网络权值和阈值的学习可用误差反向传播学习算法( 即b p 算法) 。 反馈神经网络是指拓扑结构中有环路的神经网络。最著名的反馈神经网络是可 以实现联想记忆和联想映射的h o p f i e l d 神经网络，它这一联想特性使得它被广泛应 用于智慧模拟。 2 1 3 神经网络的学习 2 1 3 1 学习方法 7 华北电力大学硕士学位论文 由于生物神经系统具有从周围环境进行学习的能力，因此生物能适应环境。人 工神经网络的突出特点也是它的学习能力。神经网络的学习概括起来主要有两种形 式，即有导学习和无导学习。 ( 1 ) 有导学习 有导学习也称监督学习( s u p e r v i s e dl e a r n i n g ) 。这种学习方式需要外界存在一个 教师，它可以对给定一组输入提供应有的期望输出输出，把这组输入一输出数据作 为训练样本集，已知输出与实际输出之间的差值( 误差信号) 反馈给神经网络，神 经网络根据误差信号来调节各神经元的自由参数，直到网络达到期望的输出为止。 结构如图2 2 。 图2 2 有导学习框图 ( 2 ) 无导学习 无导学习也称无监督学习( u n s u p e r v i s e d l e a r n i n g ) 。如图2 3 无导学习时不需要 教师信号，而是规定学习方式或某些规则，具体的学习内容随系统所处环境( 即输 入信号情况) 而异，系统可以自动发现环境特征和规律。无导学习也要通过调整神 经元的权值或阈值来实现。 图2 3 无导学习框图 2 1 3 2 学习算法 ( 1 ) 占学习规则 艿学习规则又称梯度法或最速下降法，是一种有导学习算法，常用于单层及多 层感知器、b p 网。 8 华北电力大学硕士学位论文 ( 2 ) h e b b 学习规则 h e b b 学习是一种无导学习算法，常用于自组织网络或特征提取网络。它是神经 生物学家h e b b 在1 9 4 9 年提出的，假设了人脑神经元之间突触连接强度的改变是学 习和记忆的基础。可归纳为：当某一突触两端的神经元同步激活( 同为激活或同为 抑制) 时，该连接的强度应增强，反之应减弱。 2 2 模糊系统理论 模糊逻辑系统是指那些与模糊概念和模糊逻辑有直接关系的系统1 2 ”。它由模糊 产生器、模糊规则库、模糊推理机和反模糊化器四部分组成。如图2 4 所示，模糊 产生器将论域u 上的点一一映射为u 上的模糊集合；反模糊化器将论域v 上的模 糊集合一一映射为v 上确定的点，模糊推理机应用模糊规则库中的模糊推理知识和 由模糊产生器产生的模糊集合，推理得出模糊结论，它是论域v 上的模糊集，并且 将其输入到反模糊化器。 2 2 1 模糊规则库啪1 模糊规则库是由若干模糊推理规则组成的，其模糊推理规则形式为： r ：矿_ se 7 ，x 。i s 彰，t h e nyi sg 。 ( 2 - 2 ) 式中：e 和g 。分别为u 。c r 和v c r 上的模糊集合； x = ( x l ，x 2 ，矗) u i 乩和y v 均为语言变量； ；= 1 ，2 ，m ，m 为规则总数； x , y 是模糊逻辑系统的输入输出。 一般来说，模糊规则库的获取有两种方法：一是从专家那里直接得到；二是通 过自学习的方法。第一种方法虽然具有简便、快捷的优点，但是对专家要求太高； 随着神经网络技术的不断发展，第二种方法得到了广泛的应用。 9 华北电力大学硕士学位论文 2 2 2 模糊推理机 模糊推理机根据模糊逻辑规则把模糊规则库中的模糊“i f - t h e n ”规则转换为某 种映射。即将u = u ix u ：乩c z r ”上的模糊集合映射成v 上的模糊集合。 模糊推理机有两种输出形式：一是由m 个_ 8 组成的模糊集合群体；二是由m 个 模糊集合b 。之和组成的模糊集合，即口( 力= f l b - ( y ) o 0 ( 力。其中。表示i i l a x ， x 或其它算子。 2 2 3 模糊产生器和反模糊化器 模糊产生器的功能是把v 仁r ”上的一个确定的点x = ( 而，x 2 ，矗厂映射为一个 模糊集合彳。其映射方式基本上分两种：单值模糊产生器和非单值模糊产生器。 反模糊化器的功用在于把v c r 上的一个模糊集合g 映射为一个确定的点 y v 。常见的反模糊化器有三种：最大值反模糊化器；中心平均反模糊化器；改进 型中心平均反模糊化器。 2 3 模糊系统和神经网络的比较 神经网络的显著特点是能通过学习功能来实现自适应，自动获得精确的或模糊 的数据表达知识；而模糊系统能更自然且直接地表达人类习惯使用的逻辑含义，非 常适用于直接的或高层的知识表达。两者各有优缺点。 2 3 1 人工神经网络与模糊系统的相同之处 ( 1 ) 两者共同的奋斗目标是模仿人的智能。 ( 2 ) 它们都是一种无模型的估计，在处理和解决问题时，无需建立对象的精 确数学模型，只需根据输入的采样数据去估计其要求的决策。 ( 3 ) 从知识的存储方式来看，都具有分布存储的特点。模糊系统将知识存在 规则集中；神经网络将知识存在权系统中。 ( 4 ) 两者在对信息的加工处理过程中，均表现出了很强的容错能力。 ( 5 ) 两者都可以用硬件实现，今后的应用还会向广度和深度方向发展。 2 3 2 人工神经网络和模糊系统的不同之处 ( 1 ) 模糊系统则是模拟人的思维和语言中对模糊信息的表达和处理方式，擅 长利用人的经验性知识；神经网络是模拟人脑的结构以及对信息的记忆和处理能 力，擅长从输入输出数据中学习有用的知识。 1 0 华北电力大学硕士学位论文 ( 2 ) 从知识的获取方式来看，模糊系统的规则靠专家提供或设计，难于自动 获取；而神经网络的权系数可从输入输出样本中学习，无须人为设置。 ( 3 ) 从知识的表达方式来看，模糊系统可以表达人的经验性知识，便于理解， 而神经网络只能描述大量数据之间的复杂函数关系，难于理解。 ( 4 ) 从结构的物理意义来看，神经网络内部的每个权值不一定都有明确的物 理意义：模糊系统的输入和输出用规则来映射它们之间的关系，其物理意义是清楚 明确的，因此在映射出现偏差时，可以通过修改规则或者其他变量以得到比较好的 结果。 模糊系统与神经网络各自的优缺点汇总如下表2 1 所示【3 。1 。 表2 - 1 模糊系统与神经网络的比较 神经网络模糊系统 组成多个神经元连成的网络模糊规则，模糊推理 知识获取样本、算法实例专家知识、逻辑推理 知识表示分布式表示隶属函数 推理操作神经元的叠加隶属函数的最大一最小 自然语言 灵活性低，实现不明确灵活性高，实现明确 自适应性通过调整权值学习、容错性高归纳学习、容错性低 应用范围 映射任意函数关系，用于建模估计等控制难以建立精确模型而凭经验可 控制的系统 优点有自学习能力和知识性，并行处理处理不确定的信息，可以利用专家经 强，容错能力强， 验 缺点学习速度慢，知识表达困难 难以学习，推理过程模糊性增加 华北电力大学硕士学位论文 第三章模糊神经网络与综合评判理论 3 1 模糊神经网络理论 随着现代科学技术的迅猛发展，人们所面临的问题和所研究的系统日益复杂。 以算法为核心的传统信息处理理论当面对这些复杂系统时常常无能为力，然而专家 却能根据自己长时期积累的经验对这些复杂的对象进行令人满意的处理。因此，将 模糊系统与神经网络系统结合开拓了一个新的领域一模糊神经网络( f n n ) 。它既具 有逻辑系统易于理解的优点又具有神经网络极强的自适应学习能力。模糊神经网络 已经成为近年来智能控制与智能自动化领域的又一热点。 1 9 9 2 年，i e e e 召开了首届关于模糊神经网络的国际会议，而美国南a n # 1 大学 的b k o s k o 出版了该领域的第一本专著神经网络与模糊系统1 3 1 1 。1 9 9 4 年，李晓 忠、汪培庄等编著出版了有关模糊神经网络的国内第一本专著模糊神经网络 3 2 1 。 目前，模糊神经网络的研究热潮方兴未艾，并已经取得了很多理论和应用成果。 3 1 1 模糊神经元 模糊神经元是指一类可实施模糊信息处理或模糊逻辑运算的人工神经元。模糊 神经元可分为三类【3 3 】： ( 1 ) 模糊化神经元。它是一类可将观测值或输入值定量化或标准化的神经元。 它接收离散或连续的、确定或模糊的单元输入，而输出由系统模糊变量基本状态隶 属函数所确定的标准化的值。通常选用单输入单输出形式，其输入输出关系为 y t = f ( x t ) ( 3 - 1 ) 其中f 为模糊化函数，通常取分段函数。 ( 2 ) 去模糊化神经元。它是一类可将以“分布值”表示的输出结果以“确定性 值”的形式输出的信息处理单元，它所表达的输入输出关系为 y = 伊( t ，x 2 ，) ( 3 - 2 ) 其中妒为去模糊化函数。 ( 3 ) 模糊逻辑神经元。它以多输入、单输出的形式实现模糊逻辑函数或模糊整 合函数，其输入输出关系为 u t = z t ( , q ，x 2 ，x ；c o t l ，q 2 ，o ) , n ) ( 3 - 3 ) 儿= f ( u t - o r ) ( 3 - 4 ) 】2 华北电力大学硕士学位论文 其中，x 2 ，为神经元输入；q 1 ，q 2 ，为神经元连接权值；珥为神经元 内部状态；儿为神经元输出；研为神经元阈值；厂为输出函数，常取为单调升函数； 为模糊逻辑函数或模糊整合函数。 3 1 2 模糊神经网络的分类 模糊神经网络是指全部或部分采用各类模糊神经元所构成的一类可处理模糊 信息的神经网络系统，它是模糊逻辑系统与神经网络的有机结合体。模糊神经网络 有多种类型，通常，我们按网络结构的不同分为前向型模糊神经网络和反馈型模糊 神经网络两大类【3 3 1 。前向型模糊神经网络是一类可实现模糊映射关系的模糊神经 网络，通常由模糊化层、模糊关系映射层和去模糊化层构成；反馈型模糊神经网络 主要是一类可实现模糊联想存储与映射的网络，也称模糊联想存储器。这种模糊联 想与映射比一般的联想与映射具有更大的吸引域和容错能力。 3 1 3 改进的模糊神经网络模型 模糊神经网络的研究内容及结构形式十分广泛，其中典型的模糊神经网络结构 形式有模糊联想记忆、模糊极大一极小神经网络、模糊关系神经网络、模糊h o p f i e l d 网络、正则化模糊神经网络、基于神经网络的高木一关野模糊系统等，文献 2 9 】中 提出了一种改进的模糊神经网络模型。改进的模糊神经网络具有如下特点：( 1 ) 计 算简单；( 2 ) 网络的每层推倒均有明显的物理意义；( 3 ) 极易证明此模糊神经网络 及对应的模糊系统仍是一个全局逼近器。 3 1 3 1 改进的模糊神经网络的拓扑结构 改进的模糊神经网络由输入层、隶属函数生成层、推理层和去模糊化层共四层 组成，网络拓扑结构见图3 - 1 。 图3 - 1 改进的模糊神经网络的拓扑结构 1 3 y 华北电力大学硕士学位论文 该网络各层功能如下： ( 1 ) 输入层 该层节点直接与n 个输入五( 1 i ”) 相连，起着承上启下的作用。 ( 2 ) 隶属函数生成层 本层对输入向量的每个分量一进行模糊集合分类处理，a 为语言值的个数。这 里隶属度生成函数采用高斯函数。心，毛( 1 i n ；1 j 口) 分别对应各节点的输 出、高斯函数的中心点和高斯函数的半径。 铲印 - 华 ( 3 5 ) ( 3 ) 推理层 本层中的每个节点代表一个推理结论，可利用聚类法( 如k m e a n s f 3 4 】) 法来对输 入样本进行聚类，以得到规则数，并可根据实际情况进行调整。推理层采用的推理 规则为： 乃= 1 1 j - 6 ，以，= 兀鳓 ( 3 6 ) j - l ( 4 ) 去模糊化层 本层实现模糊结论的清晰化计算。本网络的清晰化输出为： y = q 以 ( 3 - 7 ) 式中，峨为输出层与推理层之间的连接权值，以为推理层节点的输出值，m 为 规则数。 3 1 3 2 改进的模糊神经网络的学习算法 改进的模糊神经网络本质上是一种多层前馈网络，采用误差反向传播( b p ) 算 法来设计调整参数。需要学习的参数主要是模糊推理层与清晰化层之间的连接权 q ( 1 s f 删) ，模糊化层的隶属度函数的中心点和半径毛 ( 1 ) 误差函数 易= 三( i ，一两2 ( 3 - 8 ) 其中】，为网路输出，p 为期望输出。 1 4 华北电力大学硕士学位论文 ( 2 ) 哆，调墅重 哆 岘一矿蔷 s 一。a 岛一矿茜 a 一晖r q _ 上 d q 式中7 为学习率。其中 李：堡2。_l(y一两旦a 孙q ya 、 ? 0 m 4 川m 矗，2 e x p i - 1 一半 等，f v “v “ 堡：堡旦：口一而一o y 8 6 u a y 8 6 h 、。8 6 u 刈哪町，飘n 们唧 - 孚 孚 idj截l o l j 、 u l l 孚川一乃乃 d o 3 2 模糊综合评判理论 ( 3 9 ) ( 3 1 0 ) ( 3 1 1 ) ( 3 1 2 ) ( 3 1 3 ) ( 3 1 4 ) 模糊性是指存在于现实中的不分名现象3 5 1 。如“稳定”与“不稳定”之间找不 到明确的边界。从差异的一方到另一方，中间经历了一个从量变到质变的过渡过程。 通常人们为了处理自然现象，在大脑中形成的概念往往是模糊概念，而对这些概念 的判断和推理往往也具有模糊性。 3 2 1 模糊集合 在普通集合中，元素“对集合4 的隶属度只有0 和l 这两个值；模糊集合则把 元素u 对集合4 的隶属度从0 或1 扩充为 0 ，1 】。7 - 般把集合4 的隶属函数记作以， 具体来说有：如果论域【，中的任意一个元素“对集合_ 的隶属度为以( x ) ，且l - t 。( 功满 足0 心( x ) 1 则说隶属函数心确定了论域u 上的一个模糊子集a 。儿( 功称为元素 1 5 华北电力大学硕士学位论文 材对于模糊子集a 的隶属度。 3 2 2 模糊综合评判的数学模型 模糊综合评判就是应用模糊变换原理和最大隶属度原则，考虑与被评价事物相 关的各个因素，对其所做的综合评判。该方法的数学模型如下： ( 1 ) 确定评判因素集合u = 舷，u 2 ，蚝 其中。( i = 1 ，2 ，疗) 是评判因素，以是同一层次上单个因素的个数，这一集合 构成了评判的框架。 ( 2 ) 确定评判结果集合v = v t ，v 2 ，) 其中v ，( ，= 1 ，2 ，m ) 是评判结果，m 是元素个数，即等级数或评语档次数。 这一集合规定了某一评判因素的评判结果的选择范围。 ( 3 ) 确定隶属度矩阵 即对单个因素u i 的评判，得到y 上的模糊集 置= ( l ，吒2 ，) ，i = 1 ，2 ，n ；_ ，= 1 ，2 ，m ( 3 1 5 ) 若对n 个元素进行了综合评判，其结果是一个n 行m 列的矩阵，称之为隶属度 矩阵r 。显然，该矩阵中的每一行是对每一个单因素的评判结果，整个矩阵包含了 按评判结果集合y 对评判因素集合u 进行评判所获得的全部信息。 ( 4 ) 确定权重向量形= ( ，w 2 ，) 其中( i = 1 ，2 ，疗) 表示因素( i = 1 ，2 ，1 i ) 的重要程度，满足 = l ，o w f 1 ( 3 1 6 ) ( 5 ) 得到最终的评判结果b 权重向量a 与判断矩阵r 的合成就是该事物的最终评判结果。即： b = 形。r = ( 岛，如，b m ) ( 3 1 7 ) 其中- = w 。白，_ ，= 1 ，2 ，m 。 l l l 3 2 3 隶属函数的确定方法 评判指标可以分为定性指标和定量指标两类，定性指标和定量指标都具有模糊 性。定性指标隶属度的确定方法一般有两种：百分比统计法和多相模糊综合统计法。 定量指标隶属度的确定方法主要有线性分析法和图形法。在含有数据信息的基础 】6 华北电力大学硕士学位论文 上，用统计分析法【3 6 1 给出的隶属函数，弥补了工程实际问题中资料缺乏或收集困难 的不足。经大量实践证明，这种隶属函数能较好地反映客观实际。 常用的隶属函数主要有三类：偏小型、偏大型以及中间型。 ( 1 ) 偏小型 主要有以下三种函数：降半t 形、降半正态形、降半哥西形。 ( 2 ) 偏大型 主要有以下三种函数升半t 形、升半正态形、升半哥西形。 ( 3 ) 中间型( 对称型) 主要有尖t 形、正态形和哥西形。 3 2 4 确定综合评判中指标权重的f n n 方法似 模糊综合评判中权重的大小反映了各参评因素的相对重要程度。因此，取值的 客观与否将直接影响到评判结果的正确性。确定权重常用的方法有：调查统计法、 成对比较法、专家咨询法、相关分析法等。前三种方法主要地依赖人的主观判断和 经验，有时很难让人信服；后一种方法建立在统计的基础上，具有一定的客观性， 但统计数据的收集和选择却比较困难。随着模糊神经网络技术的不断完善发展，人 们应用模糊神经网络所具有的学习功能，网络通过对大量数据的反复学习，可以得 到比较客观合理的权重分配。下面介绍确定权重的模糊神经网络方法。 综合评判的模型为 w r = b，( 3 - 1 8 ) 其中，w = ( w 1 ，w 2 ，) 为权向量，r = ( o ) 为疗行m 列的评判矩阵，0 r , j s l ， i = 1 ，2 ，行；_ ，= 1 ，2 ，i - ，聊；b = ( 岛，6 2 ，6 卅) 为评判结果向量。此模型的神经网络结构如 图3 - 2 所示，它是一个四层前馈神经网络。 图3 - 2 确定综合评判中指标权重的f n n 拓扑结构 1 7 华北电力大学硕士学位论文 在图中，第一层为输入层，x = 毛，x 2 ，i ，) 是因素集；第二层吩为第f 个因素相 对于第j 个评语具有的模糊关系的程度；第二层与第三层之间的连接_ 即为所要求 的权重：第四层完成合成运算得到输出结果。 此模糊神经网络的学习算法采用b p 算法， 使用平方型误差函数如下； 1m e = 去何一i ) 2 厶，- l 设巧( 7 = 1 ，2 ，聊) 为期望输出， ( 3 1 9 ) ( 2 ) 权重调节的算法步骤如f ： s t e p l 给定初始值w i ( o ) ，评判矩阵的学习样本r 1 , r 2 ，r 9 ，期望输出向量茸， 噬，雕，并给定误差占，记m ( r ) 为f 时刻第f 个输入的权重。 s t e p 2 随机选出一组样本r “和期望输出露，记号= 1 。 s t e p 3 计算实际网络输出吆= ( 即，酚) 。 s t 印4 计算o 一l l = 正两。若o 一丑；1 1 1 占，则转l , - f - - 步； 否则回到s t e p 2 。 s t e p 5 调整网络权值为 眺= w l ( f + 1 ) 一w = 莩鸶等= 莩何一q ，吩 ( 3 - 2 0 ) s t e p 6 按新的权值计算网络的输出和总误差，若每个样本都满足0 彤一巧0 f ， 即对每个样本均稳定不变，则停止迭代，否则再回到s t e p 2 。 可以证明，采用这种算法一定能使网络收敛到唯一解。 1 8 华北电力大学硕士学位论文 第四章锅炉燃烧稳定性在线评判模型研究 4 1 影响锅炉燃烧稳定性的因素分析 锅炉燃烧是一个复杂而多变的过程，合理的燃烧工况应该是迅速的着火、快速 的火焰传播、强烈的燃烧强度和充分的燃尽。煤粉气流经由燃烧器以射流方式进入 炉膛后，通过紊流扩散的外回流以及旋流射流卷吸周围的高温烟气，促使煤粉气流 与炽热烟气产生强烈混合，同时煤粉气流又受到炉膛四壁和高温火焰的辐射，从而 将悬浮在气流中的煤粉迅速加热。当煤粉气流获得了足够的热量并到达到着火温度 后开始着火燃烧。 影响煤粉气流着火稳定性的因素非常多，总结起来大体有以下几个方面：燃料 因素、设备结构因素和运行因素。具体内容如图4 1 p ”。 品质 挥发分 水分 灰分 发热量 细度及煤粉颗粒分