基于BP人工神经网络管道外防腐涂层厚度预测.docVIP

基于BP人工神经网络管道外防腐涂层厚度预测 　　摘 要： 通过对影响管道外防腐涂层厚度的因子进行分析，建立涂层厚度的人工神经网络预测模型。采用实测数据作为训练样本对网络进行训练，然后利用收敛的网络进行涂层厚度预测，其结果与实际测量值基本一致，充分说明利用神经网络预测外防腐涂层厚度是一种可行的方法。 　　关键词： 防腐涂层；BP人工神经网络；厚度预测 　　中图分类号：TE42 文献标识码：A 文章编号：1671－7597（2012）0310029－02 　　 　　0 引言 　　管道外防腐层从传统的石油沥青或沥青瓷漆、煤焦油和煤焦油瓷漆、聚乙烯和聚丙烯胶带逐渐演化为主要是挤出包覆/缠绕聚乙烯和聚丙烯、三层聚乙烯和聚丙烯、单层和双层熔结环氧粉末、液体聚氨酯和聚脲等的现代技术。目前熔结环氧粉末类防腐层（单层和双层）和聚乙烯类防腐层在管道上得到了广泛应用，约占国内已建管道防腐层的60%左右[1]。 　　目前在管道防腐涂敷生产过程中，为了在初始时期保证外涂层厚度达到既定要求，一般根据经验适当增大原材料的使用量，然后通过在成品管检测站对涂层厚度进行监测，进而逐渐调整相应的各项参数，使各种原料的使用量趋于合理。这种依靠经验进行涂层厚度的控制方法不可避免会造成一些不必要的原材料浪费。同时，若在生产过程中由于传动线以及其它设备波动引起涂层减薄，发现后及时通知操作人员进行参数调节，亦会造成涂层厚度达不到要求。 　　利用神经网络的研究成果和影响管道外防腐层各项因素，对外防腐层的厚度进行分析建模，目的是从系统的观点出发，综合考虑环氧粉末涂敷量、胶粘剂和聚乙烯/聚丙烯挤出量、传动线速度和涂敷区预热温度对外防腐层厚度的影响。通过现有各项参数对涂层厚度进行预测，是神经网络分析在管道外涂层厚度研究中应用的一个尝试。 　　1 神经网络模式识别模型的基本原理 　　人工神经网络[2]（ANN：Artificial neural network）是指由大量类似于生物神经系统的神经细胞的人工神经元互联而成的，具有一定智能功能的网络。它是理论化的人脑神经网络的数学模型，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系??。 　　采用基于BP（Back-Propagation误差反向传播）算法的多层感知器（MLP： 　　Multi layer perception）模型。MLP的网络拓扑结构如图1所示。 　　 Fig. 1 Network topological structure of MLP model 　　图1所示是一个具体的MLP。该网络有3层：一个输入层，一个隐含层，一个输出层。网络结构可用“n-j-m结构”描述，其中n、j、m分别表示各层的结点数。每层都有一个权矩阵W、一个偏差矢量b和一个输出矢量a。 　　输入层的输入矩阵是： 　　 　　各层的输出矢量分别是： 　　 　　 　　其中的 表示有效传输函数（Active transferfunction），各层权矩阵的维数由输入分量数目及层神经元数决定。网络的学习就是各层权矩阵及偏差矢量的变化。 　　应用人工神经网络对管道外防腐涂层厚度进行预测主要包括以下的过程： 　　1）设计神经网络。根据具体的问题给出的输入矢量与目标矢量，确定所要设计的神经网络的结构，包括：① 网络的层数；② 每层的神经元数；③ 每层的有效传输函数。 　　2）网络学习前的数据处理。它包括收集有关的变量，评价和提取有效的变量以及数据变换处理。模式特征提取过程如图2所示。 　　3）识别（分类）。网络按照一定的学习规则，从示范模式的学习中逐渐调整权值。当网络完成训练后，对网络输入待识别的模式，网络将以泛化方式给出识别结果。 　　 Fig. 2 Process of feature extraction 　　2 外防腐层厚度影响因子及神经网络模型建立 　　此次预测所用数据是某气田工程项目钢管涂敷数据，影响涂层厚度的主要因子有环氧粉末喷枪的供粉气、配粉气、胶粘剂的挤出量、聚乙烯的挤出量、传动线的运行速度以及涂敷区的预热温度。上述6个因子共同影响外涂层的厚度，本文旨在说明神经网络法应用于厚度预测的可能性。 　　以环氧粉末喷枪的供粉气、配粉气、胶粘剂的挤出量、聚乙烯的挤出量、传动线的运行速度和涂敷区的预热温度这6项作为网络输入项；以外涂敷层厚度作为网络输出项（同时添加了外涂敷层温度）。取隐含层数为1，隐含层神经元数为8，网络拓扑结构为6-8-2。隐含层采用S型（Sigmoid）有效传输函数，输出层采用线性有效传输函数。 　　神经网络模型有多种，本文选用加入动量项的BP网络模型，并用MATLAB语言[3-4]进行编程。 　　输入表1中处理后的前8组数据（学习样本）到建立好的网络模型训练学习，后2