FLUID MACHINERYVol.43,No.3,2015文章編號(hào):1005-0329(2015)03-0022-03深冷空分增壓膨脹機(jī)組運(yùn)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(tuán)中原大化公司,河南濮陽457000摘要:為了滿足現(xiàn)場(chǎng)軟測(cè)量的要求,研究了某制氧機(jī)公司正在調(diào)試的深冷空分設(shè)備用增壓膨脹機(jī)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(jī)轉(zhuǎn)速的因果關(guān)系,建立了RBF神經(jīng)網(wǎng)絡(luò)模型,實(shí)現(xiàn)了運(yùn)行特性量間關(guān)系的高精度擬合和預(yù)測(cè)。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(xí)好的RBF神經(jīng)網(wǎng)絡(luò)可以迅速方便地實(shí)現(xiàn)現(xiàn)場(chǎng)運(yùn)行特性參量間關(guān)系的預(yù)測(cè)。關(guān)鍵詞:深冷空分增壓膨脹機(jī);運(yùn)行特性參量;軟測(cè)量建模;RBF中圖分類號(hào):TH45;TB653文獻(xiàn)標(biāo)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(jī)轉(zhuǎn)速n。還可以測(cè)量:振動(dòng)監(jiān)測(cè)數(shù)據(jù)(位移、速度、加速度);供油溫度、供膨脹機(jī)是深冷空分設(shè)備中的關(guān)鍵設(shè)備之油壓力;內(nèi)、外軸承的溫度。當(dāng)前,運(yùn)行中有些參。大型深冷空分設(shè)備中,膨脹機(jī)普遍采用增數(shù)測(cè)量滯后大、甚至不能準(zhǔn)確測(cè)量或者說測(cè)量成壓機(jī)作為制動(dòng)器制動(dòng)2。工質(zhì)進(jìn)入增壓機(jī)獲得本較高。例如,流量測(cè)量滯后;轉(zhuǎn)速傳感器的測(cè)速能量,接著冷卻,最后膨脹;通過增壓機(jī)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(jī)產(chǎn)生的軸功。增壓膨脹機(jī)組運(yùn)行特性相關(guān)的運(yùn)降低其測(cè)量的準(zhǔn)確性,另外測(cè)量瞬時(shí)轉(zhuǎn)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(zhuǎn)速數(shù)據(jù)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(jī)工藝聯(lián)鎖停車。但是,如果膨2015年第43卷第3期流體機(jī)械脹機(jī)聯(lián)鎖停車,存在安全隱患,加大工人的勞動(dòng)強(qiáng)經(jīng)網(wǎng)絡(luò)模型的擬合精度和泛化精度。如果擬合精度。控制不及時(shí),滯后時(shí)間過長,還影響液體產(chǎn)量度和泛化精度中的任何一個(gè)達(dá)不到所要求的精和生產(chǎn)穩(wěn)定。因此,希望能夠給出滿足生產(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(shù)學(xué)模型用于預(yù)測(cè)。本文針對(duì)某制氧機(jī)公神經(jīng)元的個(gè)數(shù),直到精度足夠。建模前,學(xué)習(xí)樣本司正在調(diào)試的1*增壓膨脹機(jī)組(簡稱1“機(jī))、2“增和測(cè)試樣本的數(shù)據(jù)均被歸一化處理,計(jì)算精度時(shí)壓膨脹機(jī)組(簡稱2“機(jī))運(yùn)行時(shí)的每間隔Ih采集再對(duì)預(yù)測(cè)結(jié)果進(jìn)行反歸一化處理。具體實(shí)施時(shí),到的數(shù)據(jù),進(jìn)行空分增壓膨脹機(jī)組運(yùn)行特性的軟以擬合相對(duì)偏差和泛化相對(duì)偏差的最大值作為評(píng)測(cè)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(biāo)準(zhǔn)。相對(duì)偏差的計(jì)算方法是:神經(jīng)網(wǎng)絡(luò)模型的估算值減去實(shí)測(cè)值后,2建模方案的選擇除以實(shí)測(cè)值,取絕對(duì)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(shù)學(xué)模型,但是精度入輸入量的實(shí)時(shí)值就可以預(yù)測(cè)相應(yīng)的目標(biāo)量的較高。其中,RBF神經(jīng)網(wǎng)絡(luò)建模具有學(xué)習(xí)速度值,從而達(dá)到軟測(cè)量的目的?？臁W(xué)習(xí)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建模過程以內(nèi)。其中,RBF網(wǎng)絡(luò)的自相容能力為對(duì)網(wǎng)絡(luò)學(xué)習(xí)樣本集內(nèi)部樣本的擬合能力;泛化能力為對(duì)網(wǎng)3.1膨脹端出口溫度和膨脹量的建模絡(luò)學(xué)習(xí)樣本集以外的檢驗(yàn)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(shù):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(shù)過多或者過少都不合適,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(shù)等于樣本數(shù),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(shù)逐漸增加。前者由于神經(jīng)元的向量的個(gè)數(shù),有利于相對(duì)擴(kuò)大樣本量。選擇目個(gè)數(shù)太多時(shí)可能存在計(jì)算上的困難,相比之下,后標(biāo)量為72/71,輸入量為qn和P1時(shí),學(xué)習(xí)情況和者所得到的RBF神經(jīng)網(wǎng)絡(luò)的規(guī)模更小。泛化情況見表1?？紤]到輸入層結(jié)點(diǎn)過少或過多在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(biāo)以自動(dòng)確定隱藏神經(jīng)元的個(gè)數(shù),以得到具有一定量為T2,輸入量為T√。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(jié)構(gòu)參數(shù),適合絡(luò)的建模。此時(shí)的學(xué)習(xí)情況和泛化情況見表2。具有非線性關(guān)系的現(xiàn)場(chǎng)工程數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)建表1和表2對(duì)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(shù)和隱藏神經(jīng)元的重疊因子后,觀察所構(gòu)造的神表1目標(biāo)量為T2/71,輸入量為qn和p1時(shí),學(xué)習(xí)情況和泛化情況參與訓(xùn)練的學(xué)習(xí)樣本數(shù)據(jù)隱藏神經(jīng)元的個(gè)數(shù)「學(xué)習(xí)最大相對(duì)偏著(%)預(yù)測(cè)樣本泛化最大偏差(%)1"機(jī)數(shù)據(jù)30.4411337842"機(jī)數(shù)據(jù)0.3622397232“機(jī)數(shù)據(jù)0.0933812261“機(jī)數(shù)據(jù)0.61317973表2目標(biāo)量為T2,輸入量為T1、q,和P1時(shí),學(xué)習(xí)情況和泛化情況參與訓(xùn)練的學(xué)習(xí)樣本數(shù)據(jù)隱藏神經(jīng)元的個(gè)數(shù)學(xué)習(xí)最大相對(duì)偏差(%)預(yù)測(cè)樣本泛化最大偏差(%)1“機(jī)數(shù)據(jù)2“機(jī)數(shù)據(jù)1.9345974172“機(jī)數(shù)據(jù)2.619890571·機(jī)數(shù)據(jù)24FLUID MACHINERYVol.43,No.3,2015T和P1。此時(shí),學(xué)習(xí)情況和泛化情況見表3。選對(duì)比表3和表4可知,前者輸入量更少而且所得模擇目標(biāo)量為q輸入量為T1、T2和P1進(jìn)行RBF神型的精度更高。由此可見,相對(duì)擴(kuò)大樣本量,有利經(jīng)網(wǎng)絡(luò)的建模時(shí)的學(xué)習(xí)情況和泛化情況見表4。于提高建模的精度。表3目標(biāo)量為q,輸入量為T2/T和P1時(shí),學(xué)習(xí)情況和泛化情況參與訓(xùn)練的學(xué)習(xí)樣本數(shù)據(jù)隱藏神經(jīng)元的個(gè)數(shù)學(xué)習(xí)最大相對(duì)偏差(%)預(yù)測(cè)樣本泛化最大偏差(%)1機(jī)數(shù)據(jù)0.8629449842"機(jī)數(shù)據(jù)2“機(jī)數(shù)據(jù)0.2744467931“機(jī)數(shù)據(jù)3.024440154表4目標(biāo)量為q,輸入量為72、T1和P時(shí),學(xué)習(xí)情況和泛化情況參與訓(xùn)練的學(xué)習(xí)樣本數(shù)據(jù)隱藏神經(jīng)元的個(gè)數(shù)學(xué)習(xí)最大相對(duì)偏差(%)預(yù)測(cè)樣本泛化最大偏差(%)1“機(jī)數(shù)據(jù)16.261104672“機(jī)數(shù)據(jù)13.975421552"機(jī)數(shù)據(jù)1"機(jī)數(shù)據(jù)16.496648213.2膨脹機(jī)轉(zhuǎn)速的建模輸入量為qn、T1和p1。此時(shí),學(xué)習(xí)情況和泛化情根據(jù)膨脹空氣流量、膨脹端進(jìn)口溫度、膨脹機(jī)況見表5前的壓力以估算膨脹機(jī)轉(zhuǎn)速時(shí),選擇目標(biāo)量為n表5目標(biāo)量為n,輸入量為q、T和P1時(shí),學(xué)習(xí)情況和泛化情況參與訓(xùn)練的學(xué)習(xí)樣本數(shù)據(jù)隱藏神經(jīng)元的個(gè)數(shù)學(xué)習(xí)最大相對(duì)偏著(%)預(yù)測(cè)樣本泛化最大偏差(%)1"機(jī)數(shù)據(jù)0.293090006機(jī)數(shù)據(jù)0.875414572“機(jī)數(shù)據(jù)0.0870456631°機(jī)數(shù)據(jù)0.9069464583.3增壓端出口壓力和膨脹機(jī)轉(zhuǎn)速的關(guān)系需要根據(jù)增壓端出口壓力估算膨脹機(jī)轉(zhuǎn)速根據(jù)膨脹機(jī)轉(zhuǎn)速估算增壓端岀口壓力時(shí),選時(shí),選擇目標(biāo)量為η,輸亼量為P2。此時(shí),學(xué)習(xí)情擇目標(biāo)量為P2,輸入量為n。此時(shí),學(xué)習(xí)情況和泛況和泛化情況見表7?；闆r見表6。表6目標(biāo)量為n2,輸入量為n時(shí),學(xué)習(xí)情況和泛化情況參與訓(xùn)練的學(xué)習(xí)樣本數(shù)據(jù)隱藏神經(jīng)元的個(gè)數(shù)「學(xué)習(xí)最大相對(duì)偏著(%)預(yù)測(cè)樣本。泛化最大偏差(%)1機(jī)數(shù)據(jù)0.8877840912"機(jī)數(shù)據(jù)0.887784092“機(jī)數(shù)據(jù)0.8877840911機(jī)數(shù)據(jù)0.887784091表7目標(biāo)量為n,輸入量為P2時(shí),學(xué)習(xí)情況和泛化情況參與訓(xùn)練的學(xué)習(xí)樣本數(shù)據(jù)隱藏神經(jīng)元的個(gè)數(shù)學(xué)習(xí)最大相對(duì)偏差(%)預(yù)測(cè)樣本泛化最大偏差(%)1“機(jī)數(shù)據(jù)2“機(jī)數(shù)據(jù)9023993242“機(jī)數(shù)據(jù)40.1267321911“機(jī)數(shù)據(jù)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(biāo)量為p,輸亼量為P時(shí),學(xué)習(xí)情況增壓機(jī)排氣壓力高,膨脹機(jī)入口壓力隨之升和泛化情況見表8表8目標(biāo)量為n1,輸入量為P2時(shí),學(xué)習(xí)情況和泛化情況參與訓(xùn)練的學(xué)習(xí)樣本數(shù)據(jù)隱藏神經(jīng)元的個(gè)數(shù)學(xué)習(xí)最大相對(duì)偏差(%)預(yù)測(cè)樣本泛化最大偏差(%)1“機(jī)數(shù)據(jù)0.1407514452“機(jī)數(shù)據(jù)2015年第43卷第3期流體機(jī)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(dǎo)致的誤差等。其主要特4]孟華,龍惟定,王盛衛(wèi),等適于系統(tǒng)仿真的表冷器點(diǎn)總結(jié)如下模型及其實(shí)驗(yàn)驗(yàn)證[J].暖通空調(diào),2004,34(8):17-(1)項(xiàng)目管理、機(jī)組管理、機(jī)組設(shè)計(jì)、結(jié)果輸出等系統(tǒng)化的操作,使得傳統(tǒng)空調(diào)箱選型變得信5]李闖,谷波,郝源成空調(diào)箱表冷器性能仿真與結(jié)構(gòu)息化、自動(dòng)化,實(shí)現(xiàn)了計(jì)算機(jī)一體化操作的功能優(yōu)化[J].流體機(jī)槭,2012,40(3):71-75[6]陳勁暉,李萌全熱轉(zhuǎn)輪熱回收裝置及新風(fēng)比調(diào)節(jié)(2)通過對(duì)各功能段進(jìn)行建模,尤其是建立在節(jié)能建筑中的應(yīng)用探討[J].暖通空調(diào),2008,38表冷器、熱水盤管、熱回收等熱動(dòng)力計(jì)算部件的模(5):44型,在反復(fù)的計(jì)算迭代的過程中進(jìn)行計(jì)算校核來[7]陳修敏,張九根數(shù)據(jù)中心機(jī)房空調(diào)系統(tǒng)設(shè)計(jì)及氣流選型,是傳統(tǒng)空調(diào)箱選型所無法實(shí)現(xiàn)的,大大提高優(yōu)化分析[J].流體機(jī)械,2014,42(11):79-82,86了空調(diào)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Ⅴ isual basic6.0編譯的軟件界面操特性試驗(yàn)研究[J].壓力容器,2014,31(9):14-22作簡單、用戶容易上手。并且能夠直觀便捷地在9曾洪濤,田文剛,王智欣等大型抽水蓄能機(jī)組調(diào)畫布上自由組合功能段,繪制焓濕圖等等功能,更節(jié)系統(tǒng)建模與仿真平臺(tái)開發(fā)[J.排灌機(jī)械工程學(xué)加方便設(shè)計(jì)人員進(jìn)行判斷選型。報(bào),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(xiàn)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(diào)系統(tǒng)[1]劉剛,劉華清.組合式空調(diào)機(jī)組現(xiàn)狀與節(jié)能研究的設(shè)計(jì)方法[J].流體機(jī)械,2014,42(1):68-74.[J.東華大學(xué)學(xué)報(bào),2003,29(4):28-31[12]劉傳聚,滕英武,朱軼勛.乙二醇熱回收空調(diào)系統(tǒng)的Romero- Mendez r. sen m. yang k t, et al. effect of節(jié)能分析[J].暖通空調(diào),2001,31(4):9093fin spacing on convection in a plate fin and tube heatexchanger[ J. International Journal of Heat and Mass作者簡介:莊叔平(1990-),男,碩士,研究方向:制冷空調(diào)數(shù)Transfer,2000,43(1):3951字化設(shè)計(jì)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?yàn)橹评淇照{(diào)數(shù)字化he air-side performance of slit fin-and- tube heat ex-設(shè)計(jì)與模型分析,汽車空調(diào)仿真與分析,制冷空調(diào)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(qū)東川路800號(hào)上海交通大學(xué)tion of Mechanical Engineers, Part C: Journal of Mechani-機(jī)械與動(dòng)力工程學(xué)院。(上接第24頁)絡(luò)模型,以節(jié)省人力、財(cái)力。4結(jié)語參考文獻(xiàn)根據(jù)深冷空分增壓膨脹杋組運(yùn)行特性參量數(shù)1]舒水明,陳彩霞,楊斌,等.大型低壓空分流程精餾據(jù)之間不同的因果關(guān)系,分別建立了RBF神經(jīng)網(wǎng)提氬過程[J].華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版)絡(luò)模型,并分別進(jìn)行了模型的檢驗(yàn)。結(jié)果表明,運(yùn)2009,37(4):101-104.用RF神經(jīng)網(wǎng)絡(luò)對(duì)深冷空分增壓膨脹機(jī)組運(yùn)行21脫瀚要,萬度忠,譚宏博空氣分離與天然氣液化組特性參量的預(yù)測(cè)結(jié)果與實(shí)測(cè)結(jié)果基本吻合。模型合循環(huán)[J].化工學(xué)報(bào),2008,59(10):2498-2503精度較佳時(shí),最大擬合偏差為0.887784091%,最[3]車進(jìn),劉大銘,胡鋼墩,等.離心式CO2壓縮機(jī)流量軟測(cè)量研究[J].流體機(jī)械,2012,40(12):6-10.大泛化偏差為3.0241054%。該方法對(duì)于運(yùn)行[41黃華基于SPS的 PCA-RBF神經(jīng)網(wǎng)絡(luò)模型的傷真機(jī)理復(fù)雜且不明確條件下預(yù)測(cè)模型的建立和運(yùn)行試驗(yàn)[J].新疆農(nóng)業(yè)大學(xué)學(xué)報(bào),2010,33(6):535參數(shù)的優(yōu)化具有指導(dǎo)意義。該方法不需要復(fù)雜的538機(jī)理模型,只需要結(jié)合運(yùn)行數(shù)據(jù)分析就能夠滿足擬合和預(yù)測(cè)要求,能夠進(jìn)行運(yùn)行因素與運(yùn)行特性作者簡介:劉超鋒(1969-),男,工學(xué)碩士,副教授,主要研究