隨著國(guó)民經(jīng)濟(jì)的發(fā)展，工業(yè)化程度的加速，工業(yè)用水量逐漸上升。在工業(yè)企業(yè)中，冷卻用水的比例很大，冷卻水基本占總用水量的90%～95%.幾十年前，我國(guó)工業(yè)冷卻水多采用直流冷卻水，水資源浪費(fèi)很大〔1〕。近年來(lái)，循環(huán)冷卻水系統(tǒng)在各行各業(yè)中被廣泛使用，其帶來(lái)的節(jié)水效果明顯，一般補(bǔ)充水率可降至循環(huán)水量的5%以下。與此同時(shí)，循環(huán)冷卻水系統(tǒng)換熱器中的腐蝕現(xiàn)象成為一個(gè)重要的水質(zhì)故障。

　　腐蝕現(xiàn)象是循環(huán)冷卻水系統(tǒng)中經(jīng)常出現(xiàn)的水質(zhì)故障，可嚴(yán)重影響生產(chǎn)裝置的正常運(yùn)行，造成嚴(yán)重的經(jīng)濟(jì)損失以及水資源的浪費(fèi)。冷卻水的水質(zhì)、溶解氧、溫度、流動(dòng)狀態(tài)、濁度等對(duì)腐蝕均有影響。由于多種影響因素與腐蝕速率之間屬多元高次的非線性關(guān)系，利用常規(guī)的方法難以建立精確的數(shù)學(xué)模型。

　　人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、非線性模式識(shí)別、聯(lián)想存儲(chǔ)以及高速尋找優(yōu)化解的特點(diǎn)，在很多領(lǐng)域得到了應(yīng)用，并取得了良好的效果。NARX(nonlinear autoregressive models with exogenous inputs，非線性自回歸模型)是由靜態(tài)神經(jīng)元和網(wǎng)絡(luò)輸出反饋構(gòu)成的動(dòng)態(tài)網(wǎng)絡(luò)，具備良好的動(dòng)態(tài)特性和較高的抗干擾能力，使得NARX模型能夠用來(lái)逼近任意的非線性動(dòng)態(tài)系統(tǒng)〔2, 3, 4, 5〕。

　　本研究采用NARX帶外部輸入的非線性自回歸神經(jīng)網(wǎng)絡(luò)建立了腐蝕速率的預(yù)測(cè)模型，實(shí)驗(yàn)結(jié)果表明，該方法在預(yù)測(cè)腐蝕速率上是可行的。

　　1 非線性自回歸神經(jīng)網(wǎng)絡(luò)(NARX)

　　一個(gè)典型的NARX神經(jīng)網(wǎng)絡(luò)主要由輸入層、隱含層、輸出層以及輸入和輸出延時(shí)構(gòu)成〔6, 7〕。NARX神經(jīng)網(wǎng)絡(luò)的模型表達(dá)式： y(t)=f〔y(t-1),y(t-2),…,y(t-ny),x(t-1),(t-2),…,x(t-nu)〕可以看出，下一個(gè)y(t)值大小取決于上一個(gè)y(t)和上一個(gè)x(t).NARX神經(jīng)網(wǎng)絡(luò)詳細(xì)結(jié)構(gòu)如圖 1 所示。

 圖 1 NARX神經(jīng)網(wǎng)絡(luò)詳細(xì)結(jié)構(gòu)

　　圖 1中，TDL表示時(shí)延;IW1，1表示網(wǎng)絡(luò)輸入向量連接隱含層的權(quán)值;b1表示網(wǎng)絡(luò)隱含層的閾值;b2表示網(wǎng)絡(luò)輸出層的閾值;LW1，3表示網(wǎng)絡(luò)輸出層連接隱含層的權(quán)值;f1表示神經(jīng)網(wǎng)絡(luò)隱含層激活函數(shù);LW2，1表示網(wǎng)絡(luò)隱含層連接輸出層的權(quán)值;f2表示神經(jīng)網(wǎng)絡(luò)輸出層激活函數(shù)。

　　2 腐蝕速率預(yù)測(cè)模型的建立

　　2.1 模型建立的研究思路與方法

　　選取影響腐蝕的水質(zhì)因素，通過(guò)構(gòu)造選擇相應(yīng)的NARX神經(jīng)網(wǎng)絡(luò)模型，建立NARX腐蝕速率預(yù)測(cè)模型，預(yù)測(cè)腐蝕速率的變化〔8, 9, 10〕。建模設(shè)計(jì)思路如圖 2所示。

 圖 2 模型流程

　　2.2 NARX神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的選取

　　Parallel模式(閉環(huán)模式)如圖 3所示。

　　由圖 3可知，NARX神經(jīng)網(wǎng)絡(luò)的輸出被反饋到輸入端。由于所建立模型中腐蝕速率的輸出是已知的，所以采用如圖 4所示的NARX神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，即Series-Parallel神經(jīng)網(wǎng)絡(luò)模式(開(kāi)環(huán)模式)，將腐蝕速率的期望輸出反饋到輸入端〔10, 11〕。

  圖 3 閉環(huán)模式

 圖 4 開(kāi)環(huán)模式

　　采用Series-Parallel神經(jīng)網(wǎng)絡(luò)模式(開(kāi)環(huán)模式)能使NARX神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)效果更加準(zhǔn)確，同時(shí)將NARX神經(jīng)網(wǎng)絡(luò)變?yōu)閱渭兊那跋蛏窠?jīng)網(wǎng)絡(luò)，可直接使用靜態(tài)神經(jīng)網(wǎng)絡(luò)的建模函數(shù)。

　　2.3 網(wǎng)絡(luò)輸入、輸出的確定

　　以某石化公司水質(zhì)監(jiān)測(cè)數(shù)據(jù)為依據(jù)〔8, 9〕，選取 Cl-、電導(dǎo)率、溫度、pH、堿度、鈣硬6種主要因素作為輸入，腐蝕速率作為輸出。為了更好地預(yù)測(cè)數(shù)據(jù)，需對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，即數(shù)據(jù)的歸一化處理。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(duì)采取的數(shù)據(jù)進(jìn)行均值化處理，處理后的數(shù)據(jù)如表 1所示。

　　2.4 模型的建立

　　創(chuàng)建NARX神經(jīng)網(wǎng)絡(luò)，將表 1中的數(shù)據(jù)分為訓(xùn)練樣本、驗(yàn)證樣本和測(cè)試樣本3個(gè)部分。輸入層節(jié)點(diǎn)為6，輸出層節(jié)點(diǎn)為1，訓(xùn)練函數(shù)選用“trainlm”，經(jīng)過(guò)反復(fù)調(diào)試和修改神經(jīng)網(wǎng)絡(luò)參數(shù)，最終確定網(wǎng)絡(luò)隱藏節(jié)點(diǎn)為24，延遲階數(shù)為1∶2時(shí)，訓(xùn)練結(jié)果較好。網(wǎng)絡(luò)模型如圖 5所示。

 圖 5 網(wǎng)絡(luò)模型

　　2.5 預(yù)測(cè)數(shù)據(jù)分析

　　通過(guò)神經(jīng)網(wǎng)絡(luò)仿真，得到的NARX神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果如圖 6所示。由圖 6可知，NARX神經(jīng)網(wǎng)絡(luò)在訓(xùn)練步長(zhǎng)為1時(shí)，驗(yàn)證集誤差上升，證明訓(xùn)練可以結(jié)束，整個(gè)數(shù)據(jù)集的誤差此時(shí)為0.000 117 72.數(shù)據(jù)的相關(guān)性達(dá)到87.915%，如圖 7所示。NARX神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)效果通過(guò)圖 8、圖 9進(jìn)行了可視化論證，圖 8中誤差線越少，表示NARX神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)效果越好;圖 9中誤差在0時(shí)最大，其他情況下均不超過(guò)誤差區(qū)間，由此證明此模型可行。 

 圖 6 網(wǎng)絡(luò)訓(xùn)練圖

圖 7 數(shù)據(jù)相關(guān)性
 
圖 8 預(yù)測(cè)效果誤差圖
 
圖 9 誤差自相關(guān)圖

　　3 結(jié)論

　　基于NARX神經(jīng)網(wǎng)絡(luò)建立的腐蝕速率模型，對(duì)某石化公司水質(zhì)數(shù)據(jù)進(jìn)行了腐蝕速率預(yù)測(cè)。首先，動(dòng)態(tài)NARX神經(jīng)網(wǎng)絡(luò)良好的非線性映射能力可以準(zhǔn)確地反映出循環(huán)冷卻水水質(zhì)與腐蝕速率的關(guān)系，通過(guò)NARX神經(jīng)網(wǎng)絡(luò)建模仿真預(yù)測(cè)證明此方法可行〔12, 13〕。其次，雖然NARX神經(jīng)網(wǎng)絡(luò)以更低誤差自相關(guān)程度，使其有著較好的預(yù)測(cè)能力，但是導(dǎo)致NARX模型不穩(wěn)定性存在的泛化誤差依然是下一步繼續(xù)對(duì)NARX模型進(jìn)行優(yōu)化的一個(gè)重點(diǎn)。