一种即时建模的填料塔液泛气速预测方法
【专利摘要】一种即时建模的填料塔液泛气速预测方法，包括以下步骤：（1）将从填料塔液泛实验中采集的相关液泛数据集作为一个样本，根据填料塔液泛的特征及影响因素确定液泛气速模型的输入变量和输出变量；（2）对步骤（1）采集的液泛数据进行归一化处理，将把液泛数据都转化为[0，1]区间的数；（3）根据即时学习“相似输入产生相似输出”的单独建模原则，针对每个预报新样本采用距离角度信息构建模型新样本；（4）应用LRRELM方法，建立液泛气速的预测模型；（5）对模型预测值反归一化处理得到最终的液泛气速预测值。本发明的有益效果是：实施简单，成本低；具有普遍性和通用性，为不同类型的散堆（乱堆）填料塔中液泛气速提供准确预测方法。
【专利说明】一种即时建模的填料塔液泛气速预测方法
【技术领域】
[0001]本发明涉及一种即时建模的填料塔液泛气速预测方法。
【背景技术】
[0002]在填料塔当中，气相和液相的速度都是受液泛所限制的。液泛是一种塔内流体流动的现象，气液两相在塔内作逆流流动时，当气体或者是液体的速度不断增加，填料顶部的积液也会不断增加，同时压力也会随之下降，可供气体通过的自由面积越来越小。最终，当气体只能通过鼓泡的形式通过液体，同时气体压力急剧下降，导致了严重的雾沫夹带，甚至是气液迸发，此现象称之为液泛，在填料塔的运行操作时要避免此现象的发生。同时，液泛气速也是计算在给定液相负荷下塔的最大承载能力的必要参数，是填料塔设计的重要依据。因此，确定各种类型填料的液泛气速也变得尤为重要，准确的预测液泛气速对填料塔的设计与操作都具有重要的应用价值。
[0003]长期以来，研究人员针对各种液泛进行了大量的实验研究，按照各种机理和操作条件建立了多种不同形式的液泛气速模型与压降预测模型，但迄今为止，还没有较准确且通用的模型适合某类工业填料塔设备的应用。在实际生产操作中，考虑到传统液泛预测模型的不准确和适用范围窄等因素，大多数塔的操作指标都远远低于最大有效能力。由于所预测的液泛气速准确度不高，为防止液泛的发生，实际操作速度一般仅为液泛气速的50%左右，即实际工作点远离最佳工作点。因此，这些传统模型在工业应用中都还有较大的局限，不能满足工程应用以及激烈的市场竞争和需求，有必要建立一种准确度较高，通用性较强的液泛气速模型以适应工程应用。
[0004]随着过程数据能够及时获得，各种数据驱动的建模方法得到广泛研究和应用，但用于液泛气速预测的却很少。经文献检索发现，一种反向传播神经网络(简记为BP-NN)曾用于液泛气速的建模和预测(参考文献为“Piche S，Larachi F，Grandjean B PA.Flooding capacity in packed towers: database, correlations, and analysis [J].1ndustrial&Engineering Chemistry Research, 2001, 40 (I): 476-487.”)，虽然BP-NN方法有一定的非线性建模能力，但存在学习效率低、收敛速度慢、易陷入局部极小等缺点，这使得该方法在工业过程中并不实用。此外，另一种典型的径向基神经网络(简记为RBF-NN)也曾用于液泛气速的建模和预测(杨捷.数据驱动的填料塔液泛气速预测模型与实时监测研究[D],杭州:浙江工业大学,2011.)
[0005]另一方面，BP-NN和RBF-NN是一种全局建模的方法。全局模型在工业的应用当中，要想获取较高的估计精度，使用者需耗时耗力来训练并建立一个全局的模型用于描述整个非线性系统。尽管获得了全局模型，但当新数据无法反映在模型当中时，模型则需要校正，造成了其自适应性差，不能随时对工况的变动而调整。而在填料液泛气速的预测应用中，由于填料类型多种多样，获取的填料数据之间也会存在一定的差异性。因此，仅用一个全局模型无法很准确的提取数据间的特征信息，导致了针对某些填料预测的不准确。
[0006]局部学习的思想采用分治的策略，并非对所有样本进行一次性建模，而是针对预报新样本单独建模，即将系统的非线性建模转化成当前工作点的数值估计，模型的建立只有当预报新样本到来时才启动，并且模型之间的转化也不需要人为控制，因而称之为即时学习。与全局建模相比，局部建模基于相似输入产生相似输出的原则，因而模型建立和优化都是局部化的，可保证对未知样本做出更准确的估计。并且，当获得预测值后模型即被抛弃，这也意味着即时学习是一种实时更新的模型，能够使预测精度有一定的改善。
[0007]最近，极限学习机(extreme learning machine, ELM)(主要参考文献为“FengG, Huang G B, Lin Q P.Error minimized extreme learning machine with growthof hidden nodes and incremental learning[J].IEEE Transactions on NeuralNetworks, 2009, 20(8): 1352 - 1356.，，)在不少过程建模中获得了较好的效果。本发明首先提出了 RRELM (recursive ridge extreme learning machine)建模方法,建模过程中米用了递推和快速留一(fast leave-one-out,FL00)准则的选择方法，以控制模型的复杂度，降低计算量，提高模型可靠性，其中，FL00方法的参考文献为“Liu X Y，Li P, Gao C H.Fastleave one out cross validation algorithm of extreme learning machine[J].Journalof Shanghai Jiao Tong University, 2011，45 (8): 1140 - 1145.”。鉴于 RRELM 属于全局建模方法，该方法建立的模型结构单一，当获得的新数据无法反映在模型当中时，模型则需要校正。因此，急需一种具有更好的预测精度的建模方法。
【发明内容】
[0008]为了解决目前的填料塔中液泛气速预测技术中还没有较准确且通用的模型适合某类工业填料塔设备的应用的问题，提出一种可以较有效的针对液泛数据多样化的特点，提取更相关的特征信息，以提高液泛气速预测的准确程度的即时建模的填料塔液泛气速预测方法。
[0009]一种即时建模的填料塔液泛气速预测方法，包括以下步骤:
[0010](I)将从填料塔液泛实验中采集的相关液泛数据集作为一个样本，根据填料塔液泛的特征及影响因素确定液泛气速模型的输入和输出:
[0011]输入变量:液相雷诺数Ra、斯托克斯数Stp伽利略数Ga及填料层厚度校正系数Sb和填料球形度# ；
[0012]输出变量:Lockhart-Martinelli参数(x )；
[0013]把上述的流动参数组成一个样本，用[Xi, Yi]表示,其中Xi表示第i个样本的输入变量(每个样本包含5个输入变量)，Yi表不该样本的输出变量，模型的输出和输入变量的函数关系式可表示为:
[0014]
【权利要求】
1.一种即时建模的填料塔液泛气速预测方法，包括以下步骤: (1)将从填料塔液泛实验中采集的相关液泛数据集作为一个样本，根据填料塔液泛的特征及影响因素确定液泛气速模型的输入变量和输出变量: 输入变量:液相雷诺数Rq、斯托克斯数Stp伽利略数Ga^及填料层厚度校正系数Sb和填料球形度供； 输出变量:Lockhart_Martinelli 参数 x ； 把上述的流动参数组成一个样本，用[Xi，Yi]表示，其中Xi表示第i个样本的输入变量，其中，每个样本包含5个输入变量Ui表不该样本的输出变量，模型的输出和输入变量的函数关系式表示为:
【文档编号】G06F17/50GK103745033SQ201310700687
【公开日】2014年4月23日 申请日期:2013年12月18日 优先权日:2013年12月18日
【发明者】刘毅, 靳鑫, 张明涛, 高增梁 申请人:浙江工业大学