深冷空分增壓膨脹機組運行特性關(guān)聯(lián)參量的RBF 建模

FLUID MACHINERYVol.43,No.3,2015文章編號:1005-0329(2015)03-0022-03深冷空分增壓膨脹機組運行特性關(guān)聯(lián)參量的RBF建模劉超鋒,柳金江2,趙偉,吳學(xué)紅,劉亞莉,龔毅(1.鄭州輕工業(yè)學(xué)院,河南鄭州450002;2.杭氧股份有限公司,浙江杭州310001;3.河南煤化集團中原大化公司,河南濮陽(yáng)457000摘要:為了滿(mǎn)足現場(chǎng)軟測量的要求,研究了某制氧機公司正在調試的深冷空分設備用增壓膨脹機組的膨脹空氣流量、膨脹端進(jìn)口壓力、膨脹端進(jìn)口溫度、膨脹端出口溫度、增壓端出口壓力和膨脹機轉速的因果關(guān)系,建立了RBF神經(jīng)網(wǎng)絡(luò )模型,實(shí)現了運行特性量間關(guān)系的高精度擬合和預測。獲得的神經(jīng)網(wǎng)絡(luò )模型的精度至少在96.97%以上。利用學(xué)習好的RBF神經(jīng)網(wǎng)絡(luò )可以迅速方便地實(shí)現現場(chǎng)運行特性參量間關(guān)系的預測。關(guān)鍵詞:深冷空分增壓膨脹機;運行特性參量;軟測量建模;RBF中圖分類(lèi)號:TH45;TB653文獻標志碼: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前言壓端出口壓力P2、膨脹機轉速n。還可以測量:振動(dòng)監測數據(位移、速度、加速度);供油溫度、供膨脹機是深冷空分設備中的關(guān)鍵設備之油壓力;內、外軸承的溫度。當前,運行中有些參。大型深冷空分設備中,膨脹機普遍采用增數測量滯后大、甚至不能準確測量或者說(shuō)測量成壓機作為制動(dòng)器制動(dòng)2。工質(zhì)進(jìn)入增壓機獲得本較高。例如,流量測量滯后;轉速傳感器的測速能量,接著(zhù)冷卻,最后膨脹;通過(guò)增壓機回收膨脹探頭可能受到軸上粘的凹槽和金屬嘎巴的干擾而機產(chǎn)生的軸功。增壓膨脹機組運行特性相關(guān)的運降低其測量的準確性,另外測量瞬時(shí)轉速并不容行參量可以選擇:膨脹空氣流量q、膨脹端進(jìn)口壓易。有時(shí),磁電傳感器接頭破損后,轉速數據顯示力P、膨脹端進(jìn)口溫度T、膨脹端出口溫度T2、增不正常,也使膨脹機工藝聯(lián)鎖停車(chē)。但是,如果膨2015年第43卷第3期流體機械脹機聯(lián)鎖停車(chē),存在安全隱患,加大工人的勞動(dòng)強經(jīng)網(wǎng)絡(luò )模型的擬合精度和泛化精度。如果擬合精度?？刂撇患皶r(shí),滯后時(shí)間過(guò)長(cháng),還影響液體產(chǎn)量度和泛化精度中的任何一個(gè)達不到所要求的精和生產(chǎn)穩定。因此,希望能夠給出滿(mǎn)足生產(chǎn)要求度,則維持隱藏神經(jīng)元的重疊因子不變、改變隱藏精度的數學(xué)模型用于預測。本文針對某制氧機公神經(jīng)元的個(gè)數,直到精度足夠。建模前,學(xué)習樣本司正在調試的1*增壓膨脹機組(簡(jiǎn)稱(chēng)1“機)、2“增和測試樣本的數據均被歸一化處理,計算精度時(shí)壓膨脹機組(簡(jiǎn)稱(chēng)2“機)運行時(shí)的每間隔Ih采集再對預測結果進(jìn)行反歸一化處理。具體實(shí)施時(shí),到的數據,進(jìn)行空分增壓膨脹機組運行特性的軟以擬合相對偏差和泛化相對偏差的最大值作為評測量建模方法研究3。價(jià)神經(jīng)網(wǎng)絡(luò )模型精度好壞的標準。相對偏差的計算方法是:神經(jīng)網(wǎng)絡(luò )模型的估算值減去實(shí)測值后,2建模方案的選擇除以實(shí)測值,取絕對值后,最后再乘以100%。精度最高的神經(jīng)網(wǎng)絡(luò ),作為最終建立的神經(jīng)網(wǎng)絡(luò )模神經(jīng)網(wǎng)絡(luò )建模屬于非線(xiàn)性建模方法。神經(jīng)網(wǎng)型。一旦得到最終的神經(jīng)網(wǎng)絡(luò )模型,在模型中輸絡(luò )建模雖然得到的是隱式的數學(xué)模型,但是精度入輸入量的實(shí)時(shí)值就可以預測相應的目標量的較高。其中,RBF神經(jīng)網(wǎng)絡(luò )建模具有學(xué)習速度值,從而達到軟測量的目的?？?、學(xué)習時(shí)間短的優(yōu)點(diǎn)。建模時(shí),RBF網(wǎng)絡(luò )的自相容能力和泛化能力都要在要求的建模精度范圍3建模過(guò)程以?xún)?。其?RBF網(wǎng)絡(luò )的自相容能力為對網(wǎng)絡(luò )學(xué)習樣本集內部樣本的擬合能力;泛化能力為對網(wǎng)3.1膨脹端出口溫度和膨脹量的建模絡(luò )學(xué)習樣本集以外的檢驗樣本的泛化能力。RBF影響膨脹端出口溫度的主要參量是膨脹空氣神經(jīng)網(wǎng)絡(luò )建模時(shí),必須確定網(wǎng)絡(luò )參數:隱藏神經(jīng)元流量、膨脹端進(jìn)口壓力和膨脹端進(jìn)口溫度。注意的個(gè)數過(guò)多或者過(guò)少都不合適,一般選擇初始的到:膨脹端出口溫度、膨脹端進(jìn)口溫度這兩個(gè)參量隱藏神經(jīng)元的個(gè)數等于樣本數,也可以使初始的的量綱相同。減少參與RBF神經(jīng)網(wǎng)絡(luò )建模的輸隱藏神經(jīng)元的個(gè)數逐漸增加。前者由于神經(jīng)元的向量的個(gè)數,有利于相對擴大樣本量。選擇目個(gè)數太多時(shí)可能存在計算上的困難,相比之下,后標量為72/71,輸入量為qn和P1時(shí),學(xué)習情況和者所得到的RBF神經(jīng)網(wǎng)絡(luò )的規模更小。泛化情況見(jiàn)表1?？紤]到輸入層結點(diǎn)過(guò)少或過(guò)多在SPSS軟件中4,提供的RBF建模功能,可都會(huì )影響RBF神經(jīng)網(wǎng)絡(luò )的性能,因此又選擇目標以自動(dòng)確定隱藏神經(jīng)元的個(gè)數,以得到具有一定量為T(mén)2,輸入量為T(mén)√。和P1進(jìn)行了RBF神經(jīng)網(wǎng)擬合精度和泛化精度的神經(jīng)網(wǎng)絡(luò )結構參數,適合絡(luò )的建模。此時(shí)的學(xué)習情況和泛化情況見(jiàn)表2。具有非線(xiàn)性關(guān)系的現場(chǎng)工程數據的神經(jīng)網(wǎng)絡(luò )建表1和表2對比可知,前者輸入量更少而且所得模。本硏究先由SPSS自動(dòng)確定隱藏神經(jīng)元的個(gè)模型的精度更高。數和隱藏神經(jīng)元的重疊因子后,觀(guān)察所構造的神表1目標量為T(mén)2/71,輸入量為qn和p1時(shí),學(xué)習情況和泛化情況參與訓練的學(xué)習樣本數據隱藏神經(jīng)元的個(gè)數「學(xué)習最大相對偏著(zhù)(%)預測樣本泛化最大偏差(%)1"機數據30.4411337842"機數據0.3622397232“機數據0.0933812261“機數據0.61317973表2目標量為T(mén)2,輸入量為T(mén)1、q,和P1時(shí),學(xué)習情況和泛化情況參與訓練的學(xué)習樣本數據隱藏神經(jīng)元的個(gè)數學(xué)習最大相對偏差(%)預測樣本泛化最大偏差(%)1“機數據2“機數據1.9345974172“機數據2.619890571·機數據24FLUID MACHINERYVol.43,No.3,2015T和P1。此時(shí),學(xué)習情況和泛化情況見(jiàn)表3。選對比表3和表4可知,前者輸入量更少而且所得模擇目標量為q輸入量為T(mén)1、T2和P1進(jìn)行RBF神型的精度更高。由此可見(jiàn),相對擴大樣本量,有利經(jīng)網(wǎng)絡(luò )的建模時(shí)的學(xué)習情況和泛化情況見(jiàn)表4。于提高建模的精度。表3目標量為q,輸入量為T(mén)2/T和P1時(shí),學(xué)習情況和泛化情況參與訓練的學(xué)習樣本數據隱藏神經(jīng)元的個(gè)數學(xué)習最大相對偏差(%)預測樣本泛化最大偏差(%)1機數據0.8629449842"機數據2“機數據0.2744467931“機數據3.024440154表4目標量為q,輸入量為72、T1和P時(shí),學(xué)習情況和泛化情況參與訓練的學(xué)習樣本數據隱藏神經(jīng)元的個(gè)數學(xué)習最大相對偏差(%)預測樣本泛化最大偏差(%)1“機數據16.261104672“機數據13.975421552"機數據1"機數據16.496648213.2膨脹機轉速的建模輸入量為qn、T1和p1。此時(shí),學(xué)習情況和泛化情根據膨脹空氣流量、膨脹端進(jìn)口溫度、膨脹機況見(jiàn)表5前的壓力以估算膨脹機轉速時(shí),選擇目標量為n表5目標量為n,輸入量為q、T和P1時(shí),學(xué)習情況和泛化情況參與訓練的學(xué)習樣本數據隱藏神經(jīng)元的個(gè)數學(xué)習最大相對偏著(zhù)(%)預測樣本泛化最大偏差(%)1"機數據0.293090006機數據0.875414572“機數據0.0870456631°機數據0.9069464583.3增壓端出口壓力和膨脹機轉速的關(guān)系需要根據增壓端出口壓力估算膨脹機轉速根據膨脹機轉速估算增壓端岀口壓力時(shí),選時(shí),選擇目標量為η,輸亼量為P2。此時(shí),學(xué)習情擇目標量為P2,輸入量為n。此時(shí),學(xué)習情況和泛況和泛化情況見(jiàn)表7?；闆r見(jiàn)表6。表6目標量為n2,輸入量為n時(shí),學(xué)習情況和泛化情況參與訓練的學(xué)習樣本數據隱藏神經(jīng)元的個(gè)數「學(xué)習最大相對偏著(zhù)(%)預測樣本。泛化最大偏差(%)1機數據0.8877840912"機數據0.887784092“機數據0.8877840911機數據0.887784091表7目標量為n,輸入量為P2時(shí),學(xué)習情況和泛化情況參與訓練的學(xué)習樣本數據隱藏神經(jīng)元的個(gè)數學(xué)習最大相對偏差(%)預測樣本泛化最大偏差(%)1“機數據2“機數據9023993242“機數據40.1267321911“機數據0.9745572583.4膨脹端進(jìn)口壓力和増壓端出口壓力的關(guān)系高。選擇目標量為p,輸亼量為P時(shí),學(xué)習情況增壓機排氣壓力高,膨脹機入口壓力隨之升和泛化情況見(jiàn)表8表8目標量為n1,輸入量為P2時(shí),學(xué)習情況和泛化情況參與訓練的學(xué)習樣本數據隱藏神經(jīng)元的個(gè)數學(xué)習最大相對偏差(%)預測樣本泛化最大偏差(%)1“機數據0.1407514452“機數據2015年第43卷第3期流體機械動(dòng)繪制CAD圖、輸出文檔不僅能減少工作量、也cal Engineering Science, 2001, 215(9): 1111-1121能提高因一些人為失誤導致的誤差等。其主要特4]孟華,龍惟定,王盛衛,等適于系統仿真的表冷器點(diǎn)總結如下模型及其實(shí)驗驗證[J].暖通空調,2004,34(8):17-(1)項目管理、機組管理、機組設計、結果輸出等系統化的操作,使得傳統空調箱選型變得信5]李闖,谷波,郝源成空調箱表冷器性能仿真與結構息化、自動(dòng)化,實(shí)現了計算機一體化操作的功能優(yōu)化[J].流體機槭,2012,40(3):71-75[6]陳勁暉,李萌全熱轉輪熱回收裝置及新風(fēng)比調節(2)通過(guò)對各功能段進(jìn)行建模,尤其是建立在節能建筑中的應用探討[J].暖通空調,2008,38表冷器、熱水盤(pán)管、熱回收等熱動(dòng)力計算部件的模(5):44型,在反復的計算迭代的過(guò)程中進(jìn)行計算校核來(lái)[7]陳修敏,張九根數據中心機房空調系統設計及氣流選型,是傳統空調箱選型所無(wú)法實(shí)現的,大大提高優(yōu)化分析[J].流體機械,2014,42(11):79-82,86了空調箱選型的精度;[8]馮毅,田麗軍,陳佳環(huán)狀與蜂窩蓄熱體傳熱與阻力(3)通過(guò)Ⅴ isual basic6.0編譯的軟件界面操特性試驗研究[J].壓力容器,2014,31(9):14-22作簡(jiǎn)單、用戶(hù)容易上手。并且能夠直觀(guān)便捷地在9曾洪濤,田文剛,王智欣等大型抽水蓄能機組調畫(huà)布上自由組合功能段,繪制焓濕圖等等功能,更節系統建模與仿真平臺開(kāi)發(fā)[J.排灌機械工程學(xué)加方便設計人員進(jìn)行判斷選型。報,2014,32(12):1045-1050,2056[10]張鐵鋼,梁學(xué)峰,王朝平.新型高效扭曲管雙殼程換參考文獻熱器的研制[J].壓力容器,2014,31(1):68-7411]黃翔,白延斌,汪超,等.全空氣蒸發(fā)冷卻空調系統[1]劉剛,劉華清.組合式空調機組現狀與節能研究的設計方法[J].流體機械,2014,42(1):68-74.[J.東華大學(xué)學(xué)報,2003,29(4):28-31[12]劉傳聚,滕英武,朱軼勛.乙二醇熱回收空調系統的Romero- Mendez r. sen m. yang k t, et al. effect of節能分析[J].暖通空調,2001,31(4):9093fin spacing on convection in a plate fin and tube heatexchanger[ J. International Journal of Heat and Mass作者簡(jiǎn)介:莊叔平(1990-),男,碩士,研究方向:制冷空調數Transfer,2000,43(1):3951字化設計與模型分析。[3 Wang CC, Lee WS, Sheu WJ, et al. Parametric study of通訊作者:谷波(1964-),教授,研究方向為制冷空調數字化he air-side performance of slit fin-and- tube heat ex-設計與模型分析,汽車(chē)空調仿真與分析,制冷空調換熱器模型分changers in wet conditions[J]. Proceedings of the Institu-析,通訊地址:00240上海市閔行區東川路800號上海交通大學(xué)tion of Mechanical Engineers, Part C: Journal of Mechani-機械與動(dòng)力工程學(xué)院。(上接第24頁(yè))絡(luò )模型,以節省人力、財力。4結語(yǔ)參考文獻根據深冷空分增壓膨脹杋組運行特性參量數1]舒水明,陳彩霞,楊斌,等.大型低壓空分流程精餾據之間不同的因果關(guān)系,分別建立了RBF神經(jīng)網(wǎng)提氬過(guò)程[J].華中科技大學(xué)學(xué)報(自然科學(xué)版)絡(luò )模型,并分別進(jìn)行了模型的檢驗。結果表明,運2009,37(4):101-104.用RF神經(jīng)網(wǎng)絡(luò )對深冷空分增壓膨脹機組運行21脫瀚要,萬(wàn)度忠,譚宏博空氣分離與天然氣液化組特性參量的預測結果與實(shí)測結果基本吻合。模型合循環(huán)[J].化工學(xué)報,2008,59(10):2498-2503精度較佳時(shí),最大擬合偏差為0.887784091%,最[3]車(chē)進(jìn),劉大銘,胡鋼墩,等.離心式CO2壓縮機流量軟測量研究[J].流體機械,2012,40(12):6-10.大泛化偏差為3.0241054%。該方法對于運行[41黃華基于SPS的 PCA-RBF神經(jīng)網(wǎng)絡(luò )模型的傷真機理復雜且不明確條件下預測模型的建立和運行試驗[J].新疆農業(yè)大學(xué)學(xué)報,2010,33(6):535參數的優(yōu)化具有指導意義。該方法不需要復雜的538機理模型,只需要結合運行數據分析就能夠滿(mǎn)足擬合和預測要求,能夠進(jìn)行運行因素與運行特性作者簡(jiǎn)介:劉超鋒(1969-),男,工學(xué)碩士,副教授,主要研究