BP和RBF神经网络预测射流式喷头射程对比

排灌机械工程学报_______Journal of Drainage and Irrigation Machinery Engineering2019年3月 Mar . 2019|■第 37 $ Vol .37卷第3期 No.3D o i ： 10.396〇/j .issn .l 674-8530.17.0225BP 和 RBF :流式喷程对比胡广，朱兴业，袁寿其，张林国，李扬帆' ! 水泵及 工程 心， 212013"摘要：为了探究适合全射流喷头多因素下射程的预测模型，通过改变喷头工作压力、安装高度、喷嘴 、喷头仰角共4个数，对射程进行 .基于B P 神经网络和广义 基（RBF )神经络的基 和算法，建 了全射流喷头射程预测的B P 和R B F 神经网络 ，并分 B P 和R B F 神经网络的预测性能.结果表明射 工作压力、喷嘴直径呈非线性关系；当喷头在1.2 $安装高度、27。

仰角、4〜10 m m 喷嘴 ，压力增大到ED "B a ，射趋于极限，并且安装高度与射程呈正 .B P 与R B F 神经网络均能较好地表达全射流喷头射 主 的线性关系.在训练时间方面，R B F 网络比B P 网络慢8.05 s ;预测过 ，B P 网络在每次运行 时的预测结果不一定相同，而R B F 网络则不会出 ，且R B F 网络预测值 值之间的平均绝对误差比B P 网络的小3.55h .从网络预测总体效果观察，R B F 神经网络预测喷头射程具 更好的推能力.关键词#全射流喷头；射程;预测；B P 神经网络;R B F 神经网络中图分类号：S 277.9文献标志码：A 文章编号：1674-8530(2019)03-0263-07胡广，朱兴业，袁寿其，等• B P 和R B F 神经网络预测射流式喷头射程对比[J ]•排灌机械工程学报，2019$ 37(3):263-269.HU G uang, ZHU Xingye, YUAN Shouqi, et al . Comparison of ranges of fluidic sprinkler predicted witli BP and RBF neural net>vork models% J ]. Journal of drainage and irrigation machinery engineering! JD IM E )，2019，37(3):263-269. (2 Chinese)Comparison of ranges of fluidic sprinkler predictedwitii BP and RBF neural network modelsHU Guang，ZHU Xingye *，YUAN Shouqi，ZHANG Linguo，LI Yangfan! National Research Center of Pumps，Jiangsu University ，Zhenjiang，Jiangsu 212013, China)Abstract ：To explore a suitable multi-parameter model for predicting ranges of completely fluidic sprinkler ，the ranges of a fluidic sprinkler were measured by varying four parameters such as installa ­tion height ，diameter ，nozzle tilt angle and working pressure . Based on the basic principles and algo ­rithms of BP neural network and generalized radial basis ( RBF ) neural network ， BP and RBF neural network models for range prediction of the fluidic sprinkler were established to analyze the prediction performance . The results show that the range is related nonlinearly to the working pressure and nozzle diameter . For the nozzle installed at 1.2 m height ，270 tilt angle and with a diameter ranged in 4-10 m m ，the range tends to reach a limit with the working pressure increased to 0.4 "P a ，and the installa ­tion height is correlated positively with the range . Both BP and RBF neural networks can better express the nonlinear relationship between the range and the main c ontrol parameters of the fluidic sprinkler .收稿日期：2017-10-16;修回日期：2017-12-19;网络出版时间：2018-03-20网络出版地址：h tt p ://k n k i.n et/kcms/d etai l/32.1814.TH.20180320.1438.008.h t ml 基金项目：+ ” 重 目（2016YFC0400202); 工程项目（PAPD)第一作者简介：胡（1995—），，南 ， 生（h12414020@ )，主 流体机械及 机 .通信作者简介：朱兴业（1982—)，， ， ， 生导师（zhu xy @ u js.e du .c n )，主 流体机械及机械研究.264排灌机械工程学报第37卷terms of training time,the R B F network is 8.05 s longer than the B P network.In the prediction process,the B P networ!^program can produce the sam e result unnecessarily in each r u n,h o w ever,this problem doesn’t exist in the R B F n e t w o r k.Further，the average prediction error of the R B F n e t w o r kagainst the measurements i s3.55% smaller than that of the B P network.Based on the overall effective­ness of both n etworks in prediction，the nozzle range predicted by R B F neural network model has aneven better applicability.K e y w o r d s#complete fluidic sprinkler&range&prediction&B P n e u r a l network&R B F neural network喷头的射程是重要的水力性能指标之一，它决 定了喷灌强度和湿润面积的 ，并直接影响到喷规 的喷 距 道间距(1_2].目者对喷 程的计算方法进行 量，取 一定的成果：e d l i n g[3]、干 等[4]在 量 基础上，提出了多种无风条件下的喷 程计算的 &D E L I M A等(5]在考风速的 下，喷头射程的理论公&脱云飞等[6]水 段和下降段的运动 喷 程计算模型；等[7]喷直径和工作压力对微喷 程的影响规律.全射流式喷 创的节水节能新产品.喷 流的附壁效 供旋转驱动力，通过控制水流方 现喷头稳定旋转，具有 简单、运行可靠、喷水力性能好等，在业喷i 域 ，但喷洒性能的规律进一步进行.喷程主 定于工作压力和流量的，流道的 形状、喷 ；转速度、喷的仰角、射流元件、风等，都会影响喷 的射程，同时 更是一种复杂的 性关系.工 一种在模仿 处理问题过程 来的进行分布式并行信息处理的数学模型，由于其能够逼近任意 性函数而于各种 域，并取 意的效果[870].张宏等[11]传算法优化 的权值 值，建南疆地区温185 裂功的遗传B P神经网模型.涂琴等[12]采 传算法讨论 坡条件下 型灌溉机组喷头数及管径的最优组合方.在喷 程 ，已有的 主要是L-M算法的B P:对 喷 程进行预测[13].但B P:的复杂，如果不符合建模条件，的模型则存在模型精度难以控制的问题[14].为了克服B P.的缺陷，M O O D Y等[15]提出了 R B F神经网络涂0U R E Y等[1@]证明了 R B F能够一致逼近任意非线性连数.针对目前的模型尚不能有效 全射流喷头的射程，将B P和R B F:于全射流喷 程 域，同时，对B P和R B F网络的果进行对比分析，出合全射流喷'程的 模型.1全射流喷头性能试验在 喷 进行，该直径44 m的圆形大厅涂 场地，排除了风力的影响为式验样 取P X H10型全射流喷头(complete fluidic sprinkler，P X H，江苏大学研制，上 节水 有 生产），1，流元件体简 2 .喷头的补气孔和入水孔直径 3 m m,基圆孔直径为4 m m,收角y为14。

，取水孔角度y S为30。

，位差9为2.8 m m,长i为22 m m.图中线4表示基圆孔出口位置.参照G B/T 22999—2008,搭建旋转式喷 喷 装置，如图3所示.图1全射流喷头总装图Fig.1Assembly drawing of fluidic sprinkler程中，喷头安装在垂直固定的竖管上，喷嘴安装高度距地面1图m,压力表距喷嘴25 c m,的雨量筒按1m等间距布置，雨量 口直 径为19 c m,度 23 c m,满足 求.喷头工压力由0图级的 压力 出，喷灌流量 0图级精度的电磁流量 量得出，米尺测量喷头的射喷管反向塑料管喷体换向机构空心轴限位环旋转密封机构转体连接座射流元件体水流第3期胡广，等B P 和RBF 神经网络预测射流式喷头射程对比265程，测量的数据准确、可靠.2流元件体Fig .2 Fluidic element body3喷 装置Fig . 5 Test rig of sprinkler irrigation全射流喷程的影响因素转式喷头更为复杂[17]，而 确 出喷程， 首确定影响全射流喷 程因素的主次(a)A=0.8 m, 0=27 °顺序.刘俊萍等[18]对影响全射流喷 程的影响因素（喷工作压力、仰角、过流面积、喷转速、步进 频率、导长度、信号嘴插拔深度等）分进行分 析，发现喷头转速、步进频率、导长度、信号嘴插 深度等对全射流喷 程影响不明显.因此，取喷嘴直径C 、安装高度-、仰角％工作压力P 这4个 因对每一变量选取至少3个参数进行 ，方案及结果4,5，中〖为射程.图4仰角与射程关系曲线 Fig .4 Relationship between sprinkler range andtiltangle由图4可知，当安装高度为1因m ，喷嘴直径为 10 mm，工作压力为0因MP a时，喷 程随着喷头仰角增大而 增大后 的趋势因.卩角从10°~30°，喷 程增加的幅度为7因％;在角为30°时，喷 程 值达到26 m 刘卩角从30° ~50°，喷程减少的幅度为30h .这些现象表明喷头喷射水流 的形式与弹道轨迹运动具有相似的规律.F g 5图5工作压力与射程关系曲线Relationship between sprinkler range and working pressure在图5b 所示的条件下，以喷嘴直径为10 mm 射程在相比于前一个工作压力下的变化率分别为为例，当压力分别为0刘，0因，0因，0因M P a 时，喷头41h ，19%，2h ，1%，这说明喷头射程随着工作压力266排灌机械工程学报第37卷增大而增大，开始时增长 ，而后逐渐变缓，当达到一定极限时，随着压力 增大，射程将不再增大.因为压力 ，水流的运动速度大，水 ：的空气阻力也增大，径水滴在空气中不 ：生二 ，变成径更小的水滴，行距离变近[1].5d可知，当压力为0因5 M P a时，在喷嘴直 径分 3因，4因，5因，5因，6因$$下，相的喷程分 8.4，10.8，11.4，12.8，12因$.从而可看出在 件相同时，喷 程随着喷嘴直径增大而增大，但当喷嘴直径为5因和6因$$时，射程出现 明显下降的趋势.这一异常现象从图5a，5C |体现出来.因为全射流喷 气液两相流，随着喷嘴直径增大，喷水束中的气体含量也增大，在一定 程度 水束的 因以喷嘴直径3 $$，对比分析图5a—d可，当安装高度分 0从，1因，1因，2因$时，在喷直径为4 m m、工压力为0因M P a下的喷 程 分 9.1，9.5,9因，10从$.从而可看出，喷安装度 ，喷 程.由于随着喷头安装高度增，水在空气中运动的时间增长，继而水滴运动 距离更远.2预测模型的建立以上对喷嘴直径、安装高度、仰角、工压力与喷 程关系的简要分析可知，喷 程影响 并不是简单的线性关系由艮据已有的数据，在没有 的理论模型基础上，用现有的拟合工 法准确 多下全射流喷 '程的 .因此，可以采用B P或R B F|预测方法，在有的下，直接提出射程的数值，准确 出全射流喷头的射程因基于B P:的性 模的算法流程分为B P:的、B P:的：和B P:的3个 .而R B F在网络的 程中即开始对 样本进行 ，故基于R B F的性 模的算法流程只需2个.具体的仿真下.2)数据选择和归一化M a t l a b随机数发生器通过指令M= rand(1，137)产生一个1x137的随机矩阵，用M a t l a b自带排 序函数对1X137的量进行排序并返回索引数 组*，在 的137x4的初始样本数 索引数组*随机选取137X4值作为训练数据.由于喷 直径、安装高度、仰角、工压力这4个量的量不同，取消 量 的数量级 ，避免于输人、输出数 的数据数量级 而造成 ，采 M a t l a b自带数m a p m in m a x对数据进行量纲一化处理.函数调用格式为 (Y，P S)=m a p m i n m a x(X)，(1)人数据；Y.出数据;P S为数量纲一化后 的，里面含有数 值、最小值 值等信息，可用于 数据的量纲一化和反量纲一化.2) B P神经网络构建与网络参数配置B P的 6 ，X1，X2，X3，X4B P的人值，分 取喷 的喷嘴直径、安装高度、仰角、工压力因t为B P神经的输出值，取相 件下的喷 程；^和^B P:初始化输人层、隐含层 出层的权值.隐含层 元的数目 K o l m o g o r o v定理初步确定(19)，初始计算* = 2k+1，（2)为输入层神经元数目；*为隐含层 元数目 因即隐含层 元初始值 2x4 + 1= 9隐万以B P:的4-9-1，即入层为4个节点，含层有9个节点，输出层有1个节点.图6 B P神经网络模型拓扑Fig由Topology of BPneural network model2) R B F神经网络构建与网络参数配置构建R B F :的7所示. R B N的输人值、输出值的取值与B P神经相同，输人层 含层的 权值为1，即人层 传输信号的 .R B F当样本确定后可 n e w r b e函数一个精确径向基，需 确定的参数有隐含层 元个数和径向基函数的扩展速度（spread)具多次调试确定s p r e a d为第3期胡广，等B P和RBF神经网络预测射流式喷头射程对比267 1.在R B F网络中，确定隐含层神经元个数的多少至关重要D R B F:更 确，将神元从〇个始，检 出动增 元肩 ，生的 误差所对应的输入向量作为权值向量>1，产生一个新 的隐含层 元，然后检查新 的，重复此程直至达 求或 含层 元数.输入层 隐含层 输出层7R B F模型Fig.7Topology of R B F neural network model2.4 B P神经网络的训练B P:的程是由信号的正向传播的反向传播6个程组成.在传 ，输入信号 入层 含层逐层处理，直至输出层.果输出层得不 出，则转入反向传播，进行 的权值 值的更新，直足要求，从而 出不断逼近 出.通过对一定的样本进行 ，的权值 值：网的正确的内部 .这时将识别样本的 数 入 好的 ，则 ，可以对样本的属性进行自动推理、识.调用B P:数对初始样本数据进行 ，对 性函数输出具有 能力通函数形式为(net，tr~\=train(N E T，X，T，P i，A i^)，(3)••N E T'&X入数据矩阵;T为出数据矩阵;P i为初始化输入层条件;A i为初始 化输出条件；n e t为训练好的网络；tr :程.2)B P和R B F神经网络的预测用训练好的B P:R B F神经网络通过函数B k全射流喷 程.该函数调用格,=sim(net，u)，(4)•n e为训练好的 ；U入数据;,络.3预测结果对比分析图8为B P和R B F网络训练误差曲线，图中 :<E，N，P分别为均方根误差、迭代次数、网络输出 该 可看出，B P在 61 后已 ：，R B F在 94 时达到目 度要求.Bp神经网络在训练15次后结束，此时整个数据集的误差为0.008 115(a)BP(b) RBF图8神经网络训练误差Fig.8Training error of neural networks检验预测精度，选取10组数 检验样本，输入 B P和R B F|进行 ，并算预测值与真实值的偏 ，出出的果 9 ，C为函数输出值，n S a为样本数.图9全射流喷头射程的预测值与实测值对比Fig.9Comparison of range of fluidic sprinklerbetween prediction and measurement9 可看出B P和R B F|值 望预测值基本吻合.在用B P和R B F:模型对样本进行事后 后，绝对 ：4E、均方 MSE绝对百分比误差：A P E 3个度量指进行，以的精度.各指 果 1.可知，R B F的性逼近268排灌机械工程学报第37卷及泛化能力要优于B P神经网络，比B P网络能更加 确 全射流喷 程.表1预测模型结果评价Tab)Evaluation of predication results度量指MAE MSE MA!E BP| 模型0.620.774因3RBF |模型0.420.31 1.08图10为B P和R B F神经网络模型测试样本的 出值I目标值Q的回 0i r 出值I是以学习后的B P和R B F模型算 的输出值；目值Q传B P和R B F后 的值.可看出B P和R B F的回归直线相关系数（分别 为0.591 35和0.819 59,表明B P和R B F网络的输 出值与其目标值偏 ，是一种有效的 方法.10网络训练样本输出回F i g.10Ou t pu t re g ressio n c u rv e o f n et^vor]^ traini ng sa m p l es通过调整网络的配置参数，发现B P网络无论 如何调整 ，均方在达到10_3后就不再下降，而R B F几乎可以做 出.对于R B F ，含层 元的 数目可以在 程中 ，而B P则要求隐含层神经元个数 ■预定，并且 个数很难确定.因此，在 的构方面，R B F网络更简单、方.但在的整个训 程中，B P时 R B F r快8.05 s从图8所显的可看出，B P网络在21次训练后已 ，而R B F |21次时均方 不到10乂这B P采用sigmoid!)数，这样的 元有很大的输出可域，而RBF的是径向基函数，输人域很小，导致在输人 时，RBF的模型会过于复杂.在 的程 现B P神经运行的结果不相同，但R B F:运行结果稳定，这 I B P的时候，随机初始化权值 值.合上述对B P和R B F神经网络的预测精度和 训练时间以及 的稳定性的对比分析，R B F神经更适合于全射流喷 程的 .4结论1)全射流喷 程的 涉及 多，各因一种 性、不确定关系.从影响全射流喷程的4个主 出发，一个用于全射流喷 程的B P和RBF:模型，测试样本的B P和RBF |出值与目标值的相关系数分 0.591 35 0因19 59，明的 模型 可行的.2)R B F和B P神经网络模型对10组未参加的样本数据进行 ，果显示R B F神经模型的绝对、均方 绝对百分3个度量指标值 于BP .模型的指标值，表明RBF:模型能更加准确预测全射流喷头的射程.3)BP RBF对全 流喷 程的模型，理论计算 的工 供了重要的参考价值.参考文献（References)[1 ]李世英.喷灌喷头理论与设计[M].北京:兵器工业出版社，1995.[2 ]陆梦雅，陆科骥，胡广，等.S D-03型地埋式喷头水力性能[J]从机械工程学报，2018,36(11) ： 1120-1124.L U M e n g y a，LUKeji，H U G u a n g，et al.Expe-riment onhydraulic performance of type S D-03 pop-up sprinkler[J].Journal of drainage and irigation machinery engi­neering， 2018，36( 11)：1120-1124.(in Chinese)[3 ]E D L I N G R J.Kinetic energy，evaporation and wind d r i f tof droplet from low pressure irrigation nozzles [J].Transaction of the A S A E，1985，28(5): 1543-1550. [4]干浙民，杨生华.旋转式喷头射程的试验研究及计算公式[J].农业机械学报，1998,29(4):145-149.G A N Zhemin，Y A N G Shenghua.The formula and expe­第3期胡广，等B P和RBF神经网络预测射流式喷头射程对比269rimental research on the range of tlie whirl sprinkler[ J].Transactions of tlie CSAM, 1998,29 ( 4 ) ： 145 - 149. ( inC-niese)[5] DELIM AJ L M P，TORFS P J J F$ SINGH V P. Amathematical model for evaluating the effect of wind ondownward -spraying rainfall simulators [ J ]. Catena，2002, 46(4):221-241.[@]脱云飞，杨路华，柴春岭，等.喷头射程理论公式与试[J].农业工程，2006,22(1):23-26.TUO Yunfei，YANG Luhua，CHAI Chunling，et al. Ex­perimental study and theoretical formula of tlie sprinklerrange[ J]. Transactions of tlie CSAE，2006,22( 1) ：23-26.(in Chinese)[7]吕名礼，张中华，刘俊萍.微喷头水力性能及喷灌组合均匀性[J].排灌机械工程学报，2017,35(7) #641-644.LYU Mingli，ZHANG Zhonghua，LIU! Junping. Experi­mental study on hydraulic performance and combineduniformity of micro sprinklers [ J ]. Journal of drainageand irrigation machinery engineering，2017，35 ( 7 ): 641-644. (in Chinese)[8]刘敏华.B P网络模型在大型泵站用电量预测中的应用[J].水电能源科学，2004,22(1):86-88.LIU Minhua. Application of BP model to power con­sumption forecast in big pump station [ J ]. Waterresources and power，2004,22 ( 1 )： 86 - 88. ( in Chi-ne'e)[9]王晓玲.基于DEBBO-LM算法的B P网络非线性系识[D].成都:西南交通大学，2012.[10]陈光华.人工神经网络在证券价格预测中的应用[J].计算机仿真，2007,24(10):244-248.CHEN Guanghua. Application of artificial neural net-worl^s in price forecast of securities marl^et^ J ]. Compu­ter simulation，2007,24( 10) :244-248.( in Chinese) [11]张宏，马岩，李勇，等.基于B P神经网络的核桃破裂功模型[J].农业工程，2014,30( 18):78-84.ZHANG Hong，MA Yan，LI Yong，et al. Ruptureenergy prediction model for walnut shell breaking basedon genetic BP neural network [ J ]. Transactions of theCSAE，2014,30( 18) :78-84.(in Chinese)[12]涂琴，李红，王新坤，等.不同指标轻小型喷灌机组配置优化[J].农业工程学报，2013,29(22):83-89.TU Qin，LI Hong，WANG Xinkun，et al. Optimizationof small-scale sprinkler irrigation systems for differentindicators [ J ]. Transactions of the CSAE，2013，29(22) :83-89.(in Chinese)[13]王波雷，马孝义，郝晶晶.基于L-M优化算法的喷头程模型[J].农业机，2008,39( 5) : 36-40，35.WANG Bolei，MA Xiaoyi，HAO Jinging. Prediction ofsprinkler nozzle range based on L-M optimized algorithm[J ]. Transactions of the CSAM，2008，39 ( 5 ): 36 -40，35.(in Chinese)[14]楼文高，刘遂庆.区域水资源可持续利用评价的神经方法[J ].农业系统科学与综合研究，2004，20(2):113-119.LOUWengao，LIUSuiqing. On assessment of sustainabledevelopment level of regional water resource using artifi­cial neural net^vorl^s [ J ]. System sciences and compre­hensive studies in agriculture，2004，20( 2): 113 - 119.(in Chinese)[15] MOODYJ，DARKEN C J. Fast learning in networks oflocally-tuned processing units [ J ]. Neural computation，2014, 1(2):281-294.[16] COUREY A J，HOLTZMAN D A，JACKSON S P，et al.Syner-gistic activation by the glutamine-rich domains ofhuman transcription factor Sp1[J]. Cell，1989，59(5):827-836.[17]刘兴发.全射流喷头水滴分布特性试验研究[D].镇: ，2016.[18]刘俊萍，袁寿其，李红，等.全射流喷头射程与喷洒均匀性影响因素分析[J ].农业机械学报，2008，39( 11) :51-54.LIU Junping，YUAN Shouqi，LI Hong，et al. Analysisand experiment on influencing factors of range and spra­ying uniformity for complete fluidic sprinkler [ J ]. Tran­sactions of thie CSAM，2008，39( 11) :51-54. ( in Chi-n#s#)[19]任自中.柴油机相继增压系统的理论与试验研究[J].内燃机工程，2001(1):32-37.REN Zizhiong. Theoretical and experimental study on thesequential turbocharging system of diesel engines [ J ].Chinese internal combustion engine engineering，2001(1) :32-37.(in Chinese)(责任编辑张文涛）。