气固循环流化床颗粒浓度波动信号的预测

作者:李晓祥;石炎福;黄卫星;余华瑞;祝京旭 刊名:过程工程学报 上传者:匡秀婷

【摘要】结合重构相空间方法与人工神经网络法,建立了混沌时间序列预测模型. 应用此模型对f100 mm16 m的上行气固循环流化床系统中的FCC固体颗粒局部颗粒浓度波动信号进行了预测. 结果表明:循环流化床的颗粒浓度波动信号只能被短期预测,其长期行为是不可预测的,这从另一个角度说明气固循环流化床系统是一混沌系统.

全文阅读

1前言气固循环流化床反应器在现代工业中应用越来越广泛.实现对该类反应器在线控制的关键在于能否对该系统内部时间相依性的瞬态行为(如压力波动,颗粒浓度波动等)进行有效的预测.以前对压力波动或颗粒浓度波动时间序列信号的预测主要采用的是纯数学的时间序列预测方法,而未获取系统演化的动力学特征.气固循环流化床是一混沌系统[13],通过采样获得的局部颗粒浓度波动信号是一单变量时间序列,其中隐含了系统演化的其它分量的信息.应用Takens[4]的重构相空间方法,可以从中提取出系统演化的动力学轨迹,即吸引子.对系统演化动力学轨迹的有效拟合可以用人工神经网络.拟合过程也是人工神经网络的训练过程,训练过的人工神经网络就获取了系统动力学轨迹的非线性映射关系,从而可以对反映系统动力学行为的时间序列信号进行有效的预测.本文首先将重构相空间方法与人工神经网络的非线性映射功能进行结合,建立了混沌时间序列预测模型.并用经典的Lorenz混沌动力学系统对此预测模型进行了验证.接着从f100mm16m的上行气固循环流化床FCC固体颗粒的局部颗粒浓度波动信号一维观测中提取系统演化的动力学轨迹,通过径向基函数RBF(RadialBasicFunction)人工神经网络的训练,获得系统动力学行为演化的非线性映射关系.以此为基础预测了其后颗粒浓度波动的发展.2实验图1为实验装置示意图,提升管垂直段高度为16m(提升管净高度15.1m)、内径100mm,其出口采用等直径圆弧弯头过渡,为弱约束.为了有助于颗粒的加速,提升管底部的气体分布器的多孔板上安装有37根内径为8mm的管束,辅助流化气通过孔板流动使颗粒流化,主气流通过管束提升颗粒.颗粒达到提升管顶部出口后,经过旋风分离器和下行管进入储料罐,然后再由储料罐下部斜接管回到提升管底部.与现有其它研究工作所采用的实验装置相比,该装置的特点是提升管较长,可以在比较宽的操作条件范围内使气固两相流动有较长的距离发展,从而展现出明确的充分发展段.实验流化气体采用常温空气,气体流量由孔板流量计测量.循环颗粒物料采用FCC催化剂,密度rp=1500kg/m3,平均直径dp=67mm;颗粒进料量由碟阀调节,并采用切换法通过测量管测量颗粒循环量.颗粒浓度波动信号用光纤探头采集,采样位置有8个,分别距分布板上方14.08,12.28,10.00,8.16,6.34,4.51,2.59,0.95m,床层中心位置处采样.传感器连接到微机数据采集系统,采样频率为900Hz,采样时间为30s.实验过程中气体表观速度Ug变化范围为3.5~8.2m/s,颗粒循环量Gs变化范围为50~202kg/(m2.s).需要指出,作者采集了不同操作条件下的颗粒浓度波动信号,对它们进行分析的结论一致.因此,为便于讨论,下面只以Ug=3.5m/s,Gs=100kg/(m2.s)操作条件下床层上部H=14.08m,床层底部H=0.95m中心位置处颗粒浓度波动信号的预测为例.3重构相空间与人工神经网络结合预测模型3.1重构相空间与人工神经网络结合预测模型混沌与人工神经网络结合预测模型的建立分两步:(1)应用重构相空间法从单变量时间序列获取系统演化的动力学轨迹.(2)应用人工神经网络对系统演化的动力学轨迹进行拟合.拟合过程也是人工神经网络的训练过程,训练过的人工神经网络就获取了系统动力学的非线性映射关系,从而可以对反映系统动力学行为的时间序列信号进行有效的预测.第(1)步可以用Takens[4]提出的从单变量时间序列信号重构相空间方法.Takens认为系统中任一分量的演化都是由与之相互作用着的其它分

参考文献

引证文献

问答

我要提问