基于聲發(fā)射信號的集成建模技術(shù)及其在顆粒檢測中的應用研究.pdf_第1頁
已閱讀1頁,還剩162頁未讀 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

1、在氣固流化床反應器中,流化床層的傳遞特性參數(shù)、反應效果與流化狀態(tài)均受到流化床內(nèi)顆粒的性質(zhì)及運動狀態(tài)的影響,而顆粒的性質(zhì)又是隨著反應過程的進行而變化的,在一些特殊的合成反應過程中,床層內(nèi)物料的粒度、料層高度的波動會嚴重影響反應進程,因而研究流化床反應器的流體力學行為并實現(xiàn)物料特征參數(shù)的在線檢測有著非常重要的意義。類似地,攪拌釜式反應器也是化工過程最常用的設備,很多化學產(chǎn)品如顆粒型過碳酸鈉等均是在間歇釜式反應器中合成得到的。這類反應過程的顯

2、著特點就是反應器內(nèi)部的物料特征,如顆粒的粒度或者物料的濃度,均會隨著時間的推移而不斷地發(fā)生變化,而目前的傳統(tǒng)方法尚難以對這種動態(tài)變化的顆粒粒度與物料濃度進行在線測量。
   利用被動聲發(fā)射信號檢測反應器內(nèi)物料的特征參數(shù)具有檢測靈敏、安全高效、不侵入流場、實時在線的優(yōu)點。本文以聲發(fā)射信號作為測量流化床或攪拌釜內(nèi)物料特征參數(shù)的媒介,通過小波或小波包對聲發(fā)射信號進行時頻多尺度分析,由分解結(jié)果構(gòu)建一種多元自變量的模式,采用一些現(xiàn)代的數(shù)據(jù)

3、處理方法和建模技術(shù),為化工過程的一些物理量,如物料的粒度、固含率(也稱為濃度,下同)建立軟測量模型.應用這些模型,可以通過聲發(fā)射信號,實現(xiàn)對流化床或攪拌釜內(nèi)物料粒度或濃度的軟測量,算法不僅明確,而且精度高,具有重要的學術(shù)意義和應用價值。具體開展了以下幾個方面的研究工作,并取得了相應的成果。
   1)系統(tǒng)回顧了顆粒特征參數(shù)的測量方法,聲發(fā)射技術(shù)用于顆粒特征參數(shù)檢測的現(xiàn)狀及其在化工過程中的研究進展,聲發(fā)射信號的處理方法。
 

4、  2)介紹了小波分析和小波包分析的基本理論,并應用相關(guān)理論實現(xiàn)對聲發(fā)射信號的多尺度分解與重構(gòu)。討論了聲發(fā)射信號的小波及小波包去噪算法、最優(yōu)小波包分解等信號處理技術(shù)。介紹了現(xiàn)代集成建模技術(shù),并以聲發(fā)射信號為媒介,用于檢測流化床或攪拌釜內(nèi)顆粒的特征參數(shù)。
   3)通過小波分析、主成分分析和神經(jīng)網(wǎng)絡,建立了聲發(fā)射信號與流化床顆粒平均粒度的量化關(guān)系。將采集到的聲發(fā)射信號進行小波分析(waveletanalysis,WLA)或小波包

5、分析(waveletpacket analysis,WLPA),獲得低頻細節(jié)信號與高頻細節(jié)信號的能量,構(gòu)建能量模式。主成分分析(Principal ComponentsAnalysis,PCA)用于消除變量之間的復相關(guān)性,并可減少變量個數(shù),然后以得到的主成分作為神經(jīng)網(wǎng)絡的輸入,以顆粒平均粒度作為網(wǎng)絡的輸出,建立回歸的多層前向神經(jīng)網(wǎng)絡(Multi-Layer Feed Forward Neural Network,MLFN)模型,并討論了

6、影響模型精度的一些影響因素.實驗結(jié)果表明,所建立的基于Sym8小波分解與主成分分析的多層前向神經(jīng)網(wǎng)絡(Sym8 WLA-PCA-MLFN)模型能實現(xiàn)對顆粒粒度的軟測量,精度很高。
   對聲發(fā)射信號用Haar小波包二尺度分解,得到四維能量模式。進而建立基于Haar小波包分解的徑向基神經(jīng)網(wǎng)絡(Radical Base Function Neural Network)模型(Haar WLPA—RBFN)或者與主成分分析集成的徑向基神

7、經(jīng)網(wǎng)絡模型(HaarWLPA-PCA-RBFN),二種模型都能取得較好的計算精度。所采用的正則化RBFN模型構(gòu)造方便,只需要確定一個參數(shù)即可。
   4)建立了利用聲發(fā)射信號對攪拌釜內(nèi)顆粒粒度進行分類的識別模型,首先對聲發(fā)射信號用sym2小波包二尺度分解,以細節(jié)信號的能量構(gòu)造模式樣本,實施標準差標準化后用于判別分析,以逐步判別分析方法和馬氏統(tǒng)計量對變量進行檢驗和篩選。所用判別分析方法有貝葉斯(Bayes)方法和馬氏距離(Maha

8、lanobis distance,MDis)方法。在攪拌釜轉(zhuǎn)速與濃度一定的條件下,所建立的Sym2 WLPA—Bayes或Sym2 WLPA-MDis模型可根據(jù)聲發(fā)射信號,對攪拌釜內(nèi)的物料粒度實現(xiàn)正確的分類。
   在轉(zhuǎn)速與物料的粒度組成一定條件下,應用該模型也可以正確地對釜內(nèi)物料濃度進行分類。
   5)提出Sym2 WLPA-PCA-LSSVM的模型,用于多種粒度、多種物料濃度條件下,根據(jù)聲發(fā)射信號對攪拌釜內(nèi)物料濃度

9、或粒度分類。討論了預報精度的一些影響因素。所提出的Sym2 WLPA-PCA-LSSVM的分類模型,應用于攪拌釜內(nèi)物料濃度與粒度分類時,其預報與自檢精度均優(yōu)于Sym2 WLPA—PCA—MDis判別分析法。
   Sym2 WLPA-PCA-LSSVM模型也可以用于流化床粒度檢測,預報結(jié)果也具有很高的精確度。
   基于LSSVM的模型適合于個體數(shù)量較小的樣本,并且不存在神經(jīng)網(wǎng)絡的過擬合與欠學習問題,具有較好的應用前景。

10、
   6)對缺少先驗知識的數(shù)據(jù)集,常采用聚類分析,進行前導性研究,本章對不同條件下的聲發(fā)射信號數(shù)據(jù)進行了聚類分析,從中得到一些頗有意義的啟示。例如,在物料濃度與其它工藝參數(shù)一定的條件下,聲發(fā)射信號能量模式的空間分布結(jié)構(gòu)按平均粒度清晰地聚類,說明可以用一般的統(tǒng)計方法建立聲發(fā)射信號能量模式與顆粒平均粒度之間的分類模型。
   采用Sym2小波包對聲發(fā)射信號進行二尺度分解,從細節(jié)信號求出標準化的能量模式,譜系聚類結(jié)果表明,在

11、濃度一定條件下,能量模式與攪拌釜內(nèi)物料粒度有較好的對應關(guān)系。類似地,粒度一定時,聚類結(jié)果也能近似地反映出物料的濃度類別。
   針對兩個相鄰粒度范圍之間沒有清晰的分割邊界,以及FCM聚類算法容易收斂到局部極小,提出Sym2 WLPA-GA-FCM聚類算法,應用于攪拌釜聲發(fā)射信號聚類分析,在粒度組成不變或濃度一定的條件下,基于GA-FCM的聚類分析結(jié)果能較好地反映聲發(fā)射信號個體的類屬。
   無論是譜系聚類還是GA-FCM

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論