深冷空分增压膨胀机组运行特性关联参量的RBF 建模 深冷空分增压膨胀机组运行特性关联参量的RBF 建模

深冷空分增压膨胀机组运行特性关联参量的RBF 建模

  • 期刊名字:流体机械
  • 文件大小:
  • 论文作者:刘超锋,柳金江,赵伟,吴学红,刘亚莉,龚毅
  • 作者单位:郑州轻工业学院,杭氧股份有限公司,河南煤化集团中原大化公司
  • 更新时间:2020-03-23
  • 下载次数:
论文简介

FLUID MACHINERYVol.43,No.3,2015文章编号:1005-0329(2015)03-0022-03深冷空分增压膨胀机组运行特性关联参量的RBF建模刘超锋,柳金江2,赵伟,吴学红,刘亚莉,龚毅(1.郑州轻工业学院,河南郑州450002;2.杭氧股份有限公司,浙江杭州310001;3.河南煤化集团中原大化公司,河南濮阳457000摘要:为了满足现场软测量的要求,研究了某制氧机公司正在调试的深冷空分设备用增压膨胀机组的膨胀空气流量、膨胀端进口压力、膨胀端进口温度、膨胀端出口温度、增压端出口压力和膨胀机转速的因果关系,建立了RBF神经网络模型,实现了运行特性量间关系的高精度拟合和预测。获得的神经网络模型的精度至少在96.97%以上。利用学习好的RBF神经网络可以迅速方便地实现现场运行特性参量间关系的预测。关键词:深冷空分增压膨胀机;运行特性参量;软测量建模;RBF中图分类号:TH45;TB653文献标志码:Adoi:10.3969/j.issn.1005-0329.2015.03.005RBF Modeling about Operation Characteristic Parameters Relationship ofBooster Expansion Turbine for Cryogenic Air Separation UnitLIU Chao-feng, LIU Jin-jiang, ZHAO Wei, WU Xue-hong, LIU Ya-li,GONG Yi( I. Zhengzhou University of Light Industry, Zhengzhou 450002, China; 2. Hangzhou Hangyang Co. Ltd., Hangzhou 310004China; 3. Zhongyuan Dahua Co. Henan Coal Chemical Industry Group Co Ltd, Puyang 457000, ChinaAbstract: In order to meet the requirements of soft measurement for site, relationships of cause and effect between expansion airflow, expansion-side inlet pressure, expansion side inlet temperature, expansion-side outlet temperature, booster-side outlet pres-sure,and expansion turbine rotational speed from booster expansion turbine of cdebugged by an oxygenstudied. RBF neural network model were established, precision fitting and forecastings between oparacteristics were achieved. The accuracy of the resulting neural network model is at least 96. 97%0 trained RBF neural networkcan easily achieve the predicted relationship between field operation characteristies parametersKey words: cryogenic air separation unit; booster expansion turbine; operating parameters; soft measurement modeling; RBF1前言压端出口压力P2、膨胀机转速n。还可以测量:振动监测数据(位移、速度、加速度);供油温度、供膨胀机是深冷空分设备中的关键设备之油压力;内、外轴承的温度。当前,运行中有些参。大型深冷空分设备中,膨胀机普遍采用增数测量滞后大、甚至不能准确测量或者说测量成压机作为制动器制动2。工质进入增压机获得本较高。例如,流量测量滞后;转速传感器的测速能量,接着冷却,最后膨胀;通过增压机回收膨胀探头可能受到轴上粘的凹槽和金属嘎巴的干扰而机产生的轴功。增压膨胀机组运行特性相关的运降低其测量的准确性,另外测量瞬时转速并不容行参量可以选择:膨胀空气流量q、膨胀端进口压易。有时,磁电传感器接头破损后,转速数据显示力P、膨胀端进口温度T、膨胀端出口温度T2、增不正常,也使膨胀机工艺联锁停车。但是,如果膨2015年第43卷第3期流体机械胀机联锁停车,存在安全隐患,加大工人的劳动强经网络模型的拟合精度和泛化精度。如果拟合精度。控制不及时,滞后时间过长,还影响液体产量度和泛化精度中的任何一个达不到所要求的精和生产稳定。因此,希望能够给出满足生产要求度,则维持隐藏神经元的重叠因子不变、改变隐藏精度的数学模型用于预测。本文针对某制氧机公神经元的个数,直到精度足够。建模前,学习样本司正在调试的1*增压膨胀机组(简称1“机)、2“增和测试样本的数据均被归一化处理,计算精度时压膨胀机组(简称2“机)运行时的每间隔Ih采集再对预测结果进行反归一化处理。具体实施时,到的数据,进行空分增压膨胀机组运行特性的软以拟合相对偏差和泛化相对偏差的最大值作为评测量建模方法研究3。价神经网络模型精度好坏的标准。相对偏差的计算方法是:神经网络模型的估算值减去实测值后,2建模方案的选择除以实测值,取绝对值后,最后再乘以100%。精度最高的神经网络,作为最终建立的神经网络模神经网络建模属于非线性建模方法。神经网型。一旦得到最终的神经网络模型,在模型中输络建模虽然得到的是隐式的数学模型,但是精度入输入量的实时值就可以预测相应的目标量的较高。其中,RBF神经网络建模具有学习速度值,从而达到软测量的目的。快、学习时间短的优点。建模时,RBF网络的自相容能力和泛化能力都要在要求的建模精度范围3建模过程以内。其中,RBF网络的自相容能力为对网络学习样本集内部样本的拟合能力;泛化能力为对网3.1膨胀端出口温度和膨胀量的建模络学习样本集以外的检验样本的泛化能力。RBF影响膨胀端出口温度的主要参量是膨胀空气神经网络建模时,必须确定网络参数:隐藏神经元流量、膨胀端进口压力和膨胀端进口温度。注意的个数过多或者过少都不合适,一般选择初始的到:膨胀端出口温度、膨胀端进口温度这两个参量隐藏神经元的个数等于样本数,也可以使初始的的量纲相同。减少参与RBF神经网络建模的输隐藏神经元的个数逐渐增加。前者由于神经元的向量的个数,有利于相对扩大样本量。选择目个数太多时可能存在计算上的困难,相比之下,后标量为72/71,输入量为qn和P1时,学习情况和者所得到的RBF神经网络的规模更小。泛化情况见表1。考虑到输入层结点过少或过多在SPSS软件中4,提供的RBF建模功能,可都会影响RBF神经网络的性能,因此又选择目标以自动确定隐藏神经元的个数,以得到具有一定量为T2,输入量为T√。和P1进行了RBF神经网拟合精度和泛化精度的神经网络结构参数,适合络的建模。此时的学习情况和泛化情况见表2。具有非线性关系的现场工程数据的神经网络建表1和表2对比可知,前者输入量更少而且所得模。本硏究先由SPSS自动确定隐藏神经元的个模型的精度更高。数和隐藏神经元的重叠因子后,观察所构造的神表1目标量为T2/71,输入量为qn和p1时,学习情况和泛化情况参与训练的学习样本数据隐藏神经元的个数「学习最大相对偏着(%)预测样本泛化最大偏差(%)1"机数据30.4411337842"机数据0.3622397232“机数据0.0933812261“机数据0.61317973表2目标量为T2,输入量为T1、q,和P1时,学习情况和泛化情况参与训练的学习样本数据隐藏神经元的个数学习最大相对偏差(%)预测样本泛化最大偏差(%)1“机数据2“机数据1.9345974172“机数据2.619890571·机数据24FLUID MACHINERYVol.43,No.3,2015T和P1。此时,学习情况和泛化情况见表3。选对比表3和表4可知,前者输入量更少而且所得模择目标量为q输入量为T1、T2和P1进行RBF神型的精度更高。由此可见,相对扩大样本量,有利经网络的建模时的学习情况和泛化情况见表4。于提高建模的精度。表3目标量为q,输入量为T2/T和P1时,学习情况和泛化情况参与训练的学习样本数据隐藏神经元的个数学习最大相对偏差(%)预测样本泛化最大偏差(%)1机数据0.8629449842"机数据2“机数据0.2744467931“机数据3.024440154表4目标量为q,输入量为72、T1和P时,学习情况和泛化情况参与训练的学习样本数据隐藏神经元的个数学习最大相对偏差(%)预测样本泛化最大偏差(%)1“机数据16.261104672“机数据13.975421552"机数据1"机数据16.496648213.2膨胀机转速的建模输入量为qn、T1和p1。此时,学习情况和泛化情根据膨胀空气流量、膨胀端进口温度、膨胀机况见表5前的压力以估算膨胀机转速时,选择目标量为n表5目标量为n,输入量为q、T和P1时,学习情况和泛化情况参与训练的学习样本数据隐藏神经元的个数学习最大相对偏着(%)预测样本泛化最大偏差(%)1"机数据0.293090006机数据0.875414572“机数据0.0870456631°机数据0.9069464583.3增压端出口压力和膨胀机转速的关系需要根据增压端出口压力估算膨胀机转速根据膨胀机转速估算增压端岀口压力时,选时,选择目标量为η,输亼量为P2。此时,学习情择目标量为P2,输入量为n。此时,学习情况和泛况和泛化情况见表7。化情况见表6。表6目标量为n2,输入量为n时,学习情况和泛化情况参与训练的学习样本数据隐藏神经元的个数「学习最大相对偏着(%)预测样本。泛化最大偏差(%)1机数据0.8877840912"机数据0.887784092“机数据0.8877840911机数据0.887784091表7目标量为n,输入量为P2时,学习情况和泛化情况参与训练的学习样本数据隐藏神经元的个数学习最大相对偏差(%)预测样本泛化最大偏差(%)1“机数据2“机数据9023993242“机数据40.1267321911“机数据0.9745572583.4膨胀端进口压力和増压端出口压力的关系高。选择目标量为p,输亼量为P时,学习情况增压机排气压力高,膨胀机入口压力随之升和泛化情况见表8表8目标量为n1,输入量为P2时,学习情况和泛化情况参与训练的学习样本数据隐藏神经元的个数学习最大相对偏差(%)预测样本泛化最大偏差(%)1“机数据0.1407514452“机数据2015年第43卷第3期流体机械动绘制CAD图、输出文档不仅能减少工作量、也cal Engineering Science, 2001, 215(9): 1111-1121能提高因一些人为失误导致的误差等。其主要特4]孟华,龙惟定,王盛卫,等适于系统仿真的表冷器点总结如下模型及其实验验证[J].暖通空调,2004,34(8):17-(1)项目管理、机组管理、机组设计、结果输出等系统化的操作,使得传统空调箱选型变得信5]李闯,谷波,郝源成空调箱表冷器性能仿真与结构息化、自动化,实现了计算机一体化操作的功能优化[J].流体机槭,2012,40(3):71-75[6]陈劲晖,李萌全热转轮热回收装置及新风比调节(2)通过对各功能段进行建模,尤其是建立在节能建筑中的应用探讨[J].暖通空调,2008,38表冷器、热水盘管、热回收等热动力计算部件的模(5):44型,在反复的计算迭代的过程中进行计算校核来[7]陈修敏,张九根数据中心机房空调系统设计及气流选型,是传统空调箱选型所无法实现的,大大提高优化分析[J].流体机械,2014,42(11):79-82,86了空调箱选型的精度;[8]冯毅,田丽军,陈佳环状与蜂窝蓄热体传热与阻力(3)通过Ⅴ isual basic6.0编译的软件界面操特性试验研究[J].压力容器,2014,31(9):14-22作简单、用户容易上手。并且能够直观便捷地在9曾洪涛,田文刚,王智欣等大型抽水蓄能机组调画布上自由组合功能段,绘制焓湿图等等功能,更节系统建模与仿真平台开发[J.排灌机械工程学加方便设计人员进行判断选型。报,2014,32(12):1045-1050,2056[10]张铁钢,梁学峰,王朝平.新型高效扭曲管双壳程换参考文献热器的研制[J].压力容器,2014,31(1):68-7411]黄翔,白延斌,汪超,等.全空气蒸发冷却空调系统[1]刘刚,刘华清.组合式空调机组现状与节能研究的设计方法[J].流体机械,2014,42(1):68-74.[J.东华大学学报,2003,29(4):28-31[12]刘传聚,滕英武,朱轶勋.乙二醇热回收空调系统的Romero- Mendez r. sen m. yang k t, et al. effect of节能分析[J].暖通空调,2001,31(4):9093fin spacing on convection in a plate fin and tube heatexchanger[ J. International Journal of Heat and Mass作者简介:庄叔平(1990-),男,硕士,研究方向:制冷空调数Transfer,2000,43(1):3951字化设计与模型分析。[3 Wang CC, Lee WS, Sheu WJ, et al. Parametric study of通讯作者:谷波(1964-),教授,研究方向为制冷空调数字化he air-side performance of slit fin-and- tube heat ex-设计与模型分析,汽车空调仿真与分析,制冷空调换热器模型分changers in wet conditions[J]. Proceedings of the Institu-析,通讯地址:00240上海市闵行区东川路800号上海交通大学tion of Mechanical Engineers, Part C: Journal of Mechani-机械与动力工程学院。(上接第24页)络模型,以节省人力、财力。4结语参考文献根据深冷空分增压膨胀杋组运行特性参量数1]舒水明,陈彩霞,杨斌,等.大型低压空分流程精馏据之间不同的因果关系,分别建立了RBF神经网提氩过程[J].华中科技大学学报(自然科学版)络模型,并分别进行了模型的检验。结果表明,运2009,37(4):101-104.用RF神经网络对深冷空分增压膨胀机组运行21脱瀚要,万度忠,谭宏博空气分离与天然气液化组特性参量的预测结果与实测结果基本吻合。模型合循环[J].化工学报,2008,59(10):2498-2503精度较佳时,最大拟合偏差为0.887784091%,最[3]车进,刘大铭,胡钢墩,等.离心式CO2压缩机流量软测量研究[J].流体机械,2012,40(12):6-10.大泛化偏差为3.0241054%。该方法对于运行[41黄华基于SPS的 PCA-RBF神经网络模型的伤真机理复杂且不明确条件下预测模型的建立和运行试验[J].新疆农业大学学报,2010,33(6):535参数的优化具有指导意义。该方法不需要复杂的538机理模型,只需要结合运行数据分析就能够满足拟合和预测要求,能够进行运行因素与运行特性作者简介:刘超锋(1969-),男,工学硕士,副教授,主要研究

论文截图
版权:如无特殊注明,文章转载自网络,侵权请联系cnmhg168#163.com删除!文件均为网友上传,仅供研究和学习使用,务必24小时内删除。