基于BP神经网络的臭氧浓度预测模型研究

∗国家自然科学基金“基于CPS 框架的烟气脱硫过程智能优化控制”(61873006)；北方工业大学“毓青人才支持计划”资助

臭氧(O 3)是一种绿环保型的强氧化剂和杀菌剂，得益于其优良的化学特性而在污水处理、自来水消毒、食品加工等领域得到广泛的应用。臭氧分子易分解，需要现场生产使用。目前制备臭氧的方法有多种，有电化学法、紫外线照射法等，在工业应用上，主要使用介质阻挡放电法[1](Dielectric Barrier Discharge ,DBD )生产臭氧。臭氧技术的研究不仅在当下、在未来都具有十分重要的意义。

DBD 型臭氧发生器得到广泛使用以来，其实际生产效率与其理论计算值还存在较大差距，并且目前国内制造的臭氧发生器主要存在单机产量低同时耗能高的问题，这也成为众多学者研究的热点。文献[2]验证了在介质阻挡的放电间隙中填充床介质可以提升臭氧的浓度及能量效率；文献[3]采用并联电抗器无功补偿的方法降低了系统的温升而提升了系统电源的性能；文献[4]提出双极性脉冲电源较传统交流电源对于产生的臭氧体积分子和能量密度有明显提高；文献[5]介绍了基于STM32单片机的臭氧发生器数字电源控制系统实现对系统输出功率的闭环控制方法。上述方法从放电室的结构和系统的电源上进行了改进从而优化了臭氧发生器的性能。文献[6-7]结合了数据挖掘技术对臭氧发生器系统的故障进行预测，从而基于预测结果调整电源谐振频率进行系统闭环控制。后者引入人工智能技术，给臭氧技术的研究提供了新思路。从众多学者的研究内容上看，并没有研究出一个对臭氧发生过程的精确模型，而以介质阻挡放电法生产臭氧的过程复杂，难以使用数学准确的描述，在生产过程中，臭氧浓度、产量以及生产效率受到很

多因素的影响[8]，只有获取精确的系统输入输出关系才能更好地对系统进行控制。研究旨在综合各个影响因子获取系统的输入输出模型，从而更好地控制臭氧的生产。

本文以DBD 板式臭氧发生器系统为研究对象，从实验平台中获取数据样本，利用BP 神经网络算法对臭氧发生系统构建模型，实验数据来源于搭建的实验平台。1DBD 板式臭氧发生器原理

本文使用的DBD 板式臭氧发生器其电路结构可以简化为由高频高压电源和负载两大部分组成，其结构图见图1。生产臭

氧的原理是在放电室电极两端施加高频高压交流电源，电极间插入绝缘介质，气隙中形成电场使得气体中产生电晕，电晕中的自由高能电子电离分解氧气分子，氧原子与氧气分子经碰撞聚合产生臭氧分子。

如图1,DBD 板式臭氧发生器是一种复杂的非线性容性

负载，而放电室结构可以根据放电特性将其过程等效为放电和非放电两种电路[9]，可见，负载特性在工作时是动态变化的。因为臭氧是通过物理放电产生，生成臭氧浓度的大小与放电室的放电功率息息相关[10]，对于介质阻挡放电的功率可使用公式(1)描述。

P=4·f ·C d C z U m -

(C d +C g )·U z

C d

[

]

(1)

式中:f 为电源工作频率,U m 是供电电压峰值,U z 为放电电压,U d 和C g 分别是放电室等效的介质电容和气隙电容。介质电容大小与电极材料、放电室材质等因素相关，后者则主要受到氧气流量、压力、温度、介质材料、介质间隙等因素的影响[11]。由此可知，臭氧在生产过程中容易受到多种因素影响，必须综合各个影响因素对臭氧发生系统进行研究。由于放电室结构等硬件参数不能实时改变，本文将氧气流量、温度等主要的外在因素作为系统模型的输入变量。

2臭氧浓度预测模型建立

人工神经网络是目前比较热门的研究方向，而且已经广泛应用在人工智能领域中，如最常见的手机语音功能、图像处理、文字识别分类等，它解决了很多现代计算机难以解决的问题。通过不断学习，根

据环境的变化对权值进行调整，从而改善系统的行为。对于臭氧发生器来说，可以引入神经网络，将其看成一个黑箱，主要通过输入和输出出之间的映射关系。2.1BP 模型

BP 神经网络属于最传统的神经网络，典型结构是多层前馈

基于BP 神经网络的臭氧浓度预测模型研究∗

翟维枫

黄理邮

孙德辉

董

哲

李

超(北方工业大学电气与控制工程学院，北京100144)

神经网络预测

Research on Prediction Model of Ozone Concentration Based on BP Neural Network 摘要：为了更深入研究臭氧发生过程的输入输出关系，提出使用神经网络建立臭氧发生模型。通过200g /h 型号的DBD 板式臭氧发生器实验平台获取大量实验数据，采取BP 神经网络对板式臭氧发生器建立臭氧浓度预测模型。实验结果表明,BP 神经网络能够建立较准确的模型，研究结果为进一步完善系统控制提供理论基础。

关键词：介质阻挡放电；臭氧发生模型;BP 神经网络

Abstract 押In order to study the input-output relationship of ozone generation process熏a neural network model is proposed in this paper.A large number of experimental data are obtained through the DBD plate type ozone generator experiment platform of 200g /h model.BP neural network was used to establish the ozone concentration prediction model for plate type ozone generator.The experimental results show that BP neural network can establish a more accurate model熏and the re⁃search results provide a theoretical basis for further improving the system control.

Keywords 押dielectric barrier discharge熏ozone generation model熏BP neural

network

图1板式臭氧发生器结构原理图基于BP 神经网络的臭氧浓度预测模型研究

本文发布于:2024-09-23 03:23:11，感谢您对本站的认可！

本文链接：https://www.17tex.com/tex/1/361808.html

上一篇：如何使用卷积神经网络进行交通流量预测

下一篇：神经网络技术在商品价格预测中的应用