TELKOM NIKA , Vol. 11, No. 5, May 2013, pp. 2377 ~ 2380   ISSN: 2302-4 046           2377      Re cei v ed  Jan uary 8, 2013;  Re vised Ma rc h 4, 2013; Accepte d  March  14, 2013   APSO-RBF Nonlinear Calibration Method in Carbon  Anode Baking Temperature Measurement      Li Xiaobin 1 , Sun  Haiy an 2 , Han Co ngd ao 1 , Zhang J i e 3   1 School of Elec trical an d Elect r onic En gin eer i ng, Shan gh ai Institute of T e chno log y ,   Shan gh ai 20 02 35, Chi n a   2 School of Ecol ogic a l T e chnol og y an d Eng i n eer i ng, Sha ngh ai Institute of T e chn o lo g y ,   Shan gh ai 20 02 35, Chi n a   3 CECEP W i nd- Po w e r ( X i n ji an g)Corp orati on, Urumchi 8 3 0 0 0 2 , Chin a   *Corres p o ndi n g  author, e-ma i l : xbl i @sit.e du. cn ,  hai ya nsu n @ sit.edu.cn, zj _j6 036 _cn @ si na.com       A b st r a ct   A correcti ng  n onli n e a r  errors  of the  ther mo coup le s ens or  base d   on  Ra di al B a sis F u ncti on  Neur al   Netw ork usi n g  partic l e sw ar m  opti m i z a t io n  are  intro duc e d . It solves  t  he s hortco m i n g of T h er moc o upl e  Sensor ’ s  app lic ation o n  lar ge  data. T he resu l t  of ex peri m ent  show s that th e non lin ear ca li bratio n bas ed  on   APSO-RBF ha s hi gher  pr ecisi on th an  the  me thod  bas ed  on   RBF an d ANFI S. Then, APS O-RBF is us ed  to   test fire path temp eratur e in th e ano de b a kin g . It is proved that the metho d  is effective.     Ke y w ords : car bon a n o de te mperatur e, partic l e sw arm o p ti mi z a t i o n , radi al b a sis functio n  n eura l  netw o rk, N  thermoco upl e sensor, no nli n e a r cali bratio n         Copy right  ©  2013 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion  Carbon a nod e bakin g pro c ess of the anode ca rb on bl ock temperature, flue temp eratu r e,  furna c e n egat ive pre s sure, and the flu e  g a s tem per atu r e an d oth e r  physi cal q uan tity are the ke y  para m eters e n su ring  ano d e  ca rbo n  blo ck  ba king  q u a lity, wherei n  the accu rate  measureme n t  and cont rol of  ano de  b a k ing   tempe r a t ure (fire pat h  an d the  ca rbon  blo c k)  dire ctly affect  the  quality perfo rman ce p a ra meters incl u d ing the po rosity, spe c if ic re sista n ce , compressiv e   stren g th, ele c trolysi s , oxi dation  rate  a nd b a ck EM F of the  ano de  carbon. A nd the  a c curate   negative p r e s sure me asurement an d control of fu rn ace  ch ambe r is the  cru c ia l step to e n sure   the full  com bustio n  of th e fuel  and   volatile, asp halt overflo w , volatile de comp ositio n  and  evaporation,  con c e n tration ,  while the  te mperature  co ntrol of flue  g a s e m ission  i s  the m a in fa ctor   of energy sa ving and con s umptio n re d u cin g . Ther efore, Establi s hment of intelligent dete c tion  and  co rrectio n  metho d  fo r the s e  nonli near phy sica l qua ntities i s  the  p r emi s e conditio n  f o r  reali z ing a c cu rate co ntrol of  key para m et ers in a nod e baki ng proce ss.   The N type therm o couple  is comp ared  with  the orig inal K, S type thermo co u p le. The  nonlin ear e r ror  accou n ted   for 1 300   E M F in  0.4% ,  and th e n onli near e rro r i s   also  far le ss than  that of K type thermo co upl e in the  scop e of 20 -40 0 . Beca use N type therm o co uple h a s sh orter  usa ge hi sto r y, and its  measurement  prin cipl e  is sam e  a s  o t her the r mo couple, n onlin ear  corre c tion  sh ould al so be  done in  N type thermo co u p le. At prese n t the extensi v e research  can   be mainly cla ssifie d  into two dire ction s , one is  pi ecewise line a ri zati on of nonline a r anal og ci rcuit  fitting method , which is m a inly used fo r anal og  m e ters  and te mp eratu r e tra n smitters. Anot her  adopt s loo k -up table  met hod by mi cro p ro ce ssor to  reali z e  n onlin ear co rrectio n   and col d   e n d   temperature  comp en satio n . But these  method s hav e the fitting and loo k -up ta ble erro r, as  well  as th e sen s o r  pe riph ery a n tioxidant p r otecti on  layer and  othe r reason s, in th e ano de  ba ki ng  unde r the sp e c ial environm ent of  actual  have som e  problem s.  Curre n t corre c tion metho d s  incl ude pie c e w ise linea rization of no nlinea r anal o g  circuit  method, a s   well a s  the  microprocessor (or  singl e  comp uter) lo ok-up t abl e method;  but these  method s due  to the exte rnal temp era t ure ra nge,  therm o couple,  thermal re si stan ce of the   cha nge s, e s p e cially in the t herm o couple  to take   certai n oxidation p r otection m e a s ures  and  oth e r  rea s on s, will  cau s e th e therm o couple  or the r ma l  resi stan ce the  output  characteri stics of  the   cha nge,  whe n  bein g  u s e d  in hig h  p r eci s ion te mp eratu r e m e a s urem ent an d  cont rol  syst em,  can not meet the actu al me asu r em ent an d control re qu ireme n ts  [1-4] .  Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046   TELKOM NIKA  Vol. 11, No . 5, May 2013 : 2377 – 238 0   2378 2. The Basic  Principle of Thermoco u p l e Nonlinear  Corre ction   Gene ral the r moco uple te mperature m eas ure m ent  model can be  expresse d a s :    E =  f （ T)  (1)     Whe r e i n  E repre s e n ts th e  therm o coupl e out put volta ge, T d enote s  the r mo cou p l e input   (mea su red te mperature )  .  Usually the  comp en sated  output p  c an be  drawn wh en o u tput E und ergoe s a   comp en satio n  model g ( E  ).    p = g （ E)  (2)     If for any E o u tput, can be  found on inp u t output cha r acte ri stic curve corre s po n d ing to  the input  T, that the  com p ensated  o u tp ut with d e si re d prope rties,  P = T. Ap parently g ( E  )  also   is n onlin ear,  and th e a c tu al process i s  very  compli cated, it i s   d i fficult to u s e  the a nalytical  expressi on, therefore, we use APSO-RBF method to  carry on the study, then  replace the g(  E ).      3. Correc t io n Method o f   APSO-RBF Metho d   The first through the A PSO algorith m  for RBF  netwo rk  nee ds to dete r mine the   para m eters for fast global  optimization,  so we  ca n define an opt imized  sea r ch spa c e, at this  time, the A PSO algo rith m of  RBF  netwo rk o p timization  results a s  the  initial value s  of   para m eters, and then pl a y  the RBF network local s earch ability, high preci s io n, using g r ad ient   method i s  o p timized fu rt her, the r eby  to achi ev e th e req u ired a c cura cy of  correctio n  mo del,  namely APSO-RBF method. Us ing AP SO to train  t he RBF neural network , tak e s  the following  as an in dicator of fitness functio n :     2 ,, 11 1 Nm d ji j i ij Jy y N     (3)     Among the m , the trai ning  sample  set i s   D  = {  (yi ,  xi )| i = 1 ,  2 , ,  N},  N i s  the   training   set sampl e s;  m is the  num ber  of hidd en  layer u n its.  For the  RBF  netwo rk ,  be cause of its i n put  vector compo nents to a  di stan ce fu ncti on  com b inat i on, so the  n o r mali zed  inp u t  data i s   crucial.  Here, u s ing  Matlab tool bo x of prem nmx  functi o n , the  input data  is  norm a lized to  (-  1 , 1 ) .   , d j i y  is  the i sampl e s of the j network  output no de output s;  , j i y  is a sample  of the j output n ode s of the  actual o u tput value. The al gorithm for th e basi c  ste p s  can b e  expre s sed a s  follo ws:   (1)    Initialization:  initial sea r ch  point posit i on and  spe ed is u s uall y  in the ran ge allo wed  rand omly ge nerate d  PSO  algorithm. T o  deter mine  the maximu m numb e r of  iteration s  of  Tmax = 10 0;  popul ation  si ze  30; hi dde n  layer cent er numbe r  i s  8; weig ht  facto r  C1 = C2   =  2; the weight  function  w fro m  0.9 lineari z ation red u ced  to 0.4.  (2)    Evaluation of adaptability: according to  the  training  sample set an d type (3), evaluation of  every pa rticl e 's fitne s s, if g ood  on th e p a rticle   current  fitness valu e ,  the pb est i s  set to  the  positio n of the parti cle is u pdated, an d the indivi du al fitness valu e. If all the particle s  of the   individual fitn ess valu e of  the be st b e tter tha n  the   current all  pa rticle s of  optim al ad aptive  value, the gb est is  set to the positio n of t he particl e, the particl e numb e r re cording, a n d   update s  the b e st fitness value.  (3)    The parti cle update: acco rding   to  APS O  theo ry  fo r ea ch  pa rticl e  velo city an d po sition   updatin g.   (4)  Output de ci si on: if the cu rre nt iterat io n numb e r  re ach e s the  predetermine d maximum  numbe r, then  stop the itera t i on, the output optimal sol u tion,  otherwi se go to ste p  2.  (5)    The  RBF network  learning: acc o rding to  APSO algorithm  pos i tioning  of an optimiz ed  s e ar ch  sp ac e, g r a d i en t d e s c e n t  me th od to  t he netwo rk  paramete r s a r e mo difie d  iterative   algorithm is as follows:   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     APSO-RBF Nonlinear Calibration Method in Ca rbon Anode Baki ng T e m per ature…  (Li Xiaobin)  2379 1 12 () () ( ( ) ( ) ) (( ) ( ) ) d j jj jj kk y k y k h kk       (4)     2 2 (( ) ( ) ) j d jj j j j XC yk y k h    (5)     () ( 1 ) (( 1 ) ( 2 ) ) j jj jj kk kk      (6)     2 () ( ( ) ( ) ) d j j jj j x c ck y k y k   (7)     () ( 1 ) (( 1 ) ( 2 ) ) j jj jj ck ck c ck ck    (8)     2 2 e x p ( 1 , 2 , ..., ) 2 j j j XC hj m       (9)     Whe r e in  is t he lea r nin g  speed, i s   momentum fa ctor. Here set  = 0. 01,  =  0. 05.   j is the numb e r of hidde n layer units.     (6) E nd ju dgi ng: test  wh ether th e m a ximum n u mb e r  of iterations ( or minimu m  error  ), if   achi eved, will  cea s e  op era t ions, if not,  go to  st ep fif t h. The maxi mum nu mbe r  of iteration s  is  100, the mini mum error  re quire ment is  0.001.       4. APSO-RBF Method Si mulation an d Applicatio n  Becau s e AP SO-RBF i s  di recte d  to a l a rge  sa mple  of the sol u tio n  to the p r ob lem, so   according to  the indexin g table, fro m  1-10 00 ℃  at 1 ℃  take a sam p le , calcul ate the   corre s p ondin g  thermo ele c tric pote n tial, and to  the  thermal p o tential tempe r ature a s  inp u t,  output, 1000  grou ps  of training  sam p l e s. Use APS O-RBF meth od to und ert a ke trainin g , and  with the  RBF ,  ANFIS traini ng meth od to  co mpa r e. By  simul a tion  a nd  comp ari s o n  re sult s  sho w   that APSO-RBF method  convergence is faster , the training preci s ion reached 0.001 to  8   gene ration  (Figure 1 ) , a nd  RBF  rea c h  0.1 to   40  gen eratio n,  ANFIS re ach ed 0.0 1  to  400   gene ration.   APSO-RBF network  training  from1.5~ 1000.5chec k  each  1 o C   sel e ct  a sam p le,  result s  as shown in  Figure 2, the error of calibration stability in 0 to0.04  o C.  The APSO-RBF  c o rrec tion method  is  app lied to the anode  roas ting c hamber  temperature  measurement ,  the  in situ measur ement  of ne arly 4 00 g r ou ps u s ing  PSO-RBF  method fo r  the co rrectio n  of data  with the  international stan dard N  type   thermo co up le   measurement  value, erro r correctio n , as  sho w n in Fig u re 3.   From the graph 3, the APSO-RBF  met hod fo r the  correction of t y pe N therm o couple  measurement  erro r within  -0.55,  has a  re latively high accura cy.       Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046   TELKOM NIKA  Vol. 11, No . 5, May 2013 : 2377 – 238 0   2380   Figure 1. APSO-RBF training res u lts     Figure 2. APSO-RBF parit y  error      Figure 3. APSO-RBF  result s of application error      5. Conclusio n   The re se arch  takes the a node ba kin g  proc ess N t herm o couple  temperatu r e  sen s or  calib ration fo r the pre c i s ion  measuremen t as the o b jective. Throug h  the actu al dat a by colle ctin g  in sce ne id entify and optimizing the  measu r em e n t model pa ramete rs, re alize p r e c isi o n   measurement  of an ode  b a kin g  temp erature.  F o r N type the r mo cou p le tem p eratu r e  se nsor  calib ration  m e thod.  Acco rding to the  si ze of the  sa mple  size, A PSO-RBF  N-t y pe therm o co uple   corre c tion  m e thod s a r e  p r esented. By  co mpa r ison,  as well as  simulation and application in   temperature precisi on  measurem ent of anode  baking process show s that APSO-RBF correction  methods  c an s o lve to the prec is e meas uremen t problem. APSO-RBF c o rrec tion methods   are  better than th e origin al met hod.        Ackn o w l e dg ments   This  wo rk i s  p a rtially  sup porte d b y  Shangh ai  key  scienti f ic re se arch  proj ect  No.11 510 502 700, and sci ence and technolo g y i nno vation focus  of SHMEC No.12ZZ1 89, and  Scien c e Fo un dation of SIT (YJ2 011 -33 )   and (Y J20 11-22).       Referen ces   [1]    Z H ANG YH, LIU JH. Improve m ent of sens or ’s  performa nce   b y  usin g  BP  n eutral net w o rk and its  ne w   algorithms.  Chi nese Jo urn a l o f  Sensors an d Actuators . 200 2; 15(3): 18 5-1 88.   [2]    T A IB MN, NARAYANANAS WAM Y R. M u ltichannel  c a libration technique for   optic al fibre  c hemic al  sensor us ing  a r tificial n eura l  n e t w o r k.  Sensor s and Actuator s B . 1997; B39 ( 123): 65- 37 0.  [3]    DEMPSEY GL, AL IG JS, OLSON B, et al. Control s ens or lineariz a tion us ing artificial  neural net w o rks.   Anal og Integr ated Circ u its and  Signa l Proces sing . 19 97; 13( 3): 321-3 33.   [4]    W A NG XD. A pplic atio n  of R B F  neur al  net w o rks i n  s ens or ca libr a tion.   Chin ese  Jo urn a l  of Scie ntific   Instrum e nt . 20 03; 24(1): 9 5 -9 8.  [5]    YANG YX, LIU D. Nonli nea r calibrati on fo r te mperature sensors  b a sed   on ada ptive  neur al fuzz y  inference s y stem (ANFIS).  Chinese Jo urn a l o f  Scientific Instrument . 200 5; 2 6 (5): 511- 51 4.    Evaluation Warning : The document was created with Spire.PDF for Python.