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

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