專利名稱：散堆填料塔液泛氣速預測的集成方法
技術領域：
本發(fā)明涉及散堆(亂堆)填料塔設計階段重要參數(shù)預測方法的技術領域，特別涉及一種通用的適合散堆填料塔中液泛氣速的預測方法。
背景技術：
塔設備常用于工業(yè)生產中的精餾、吸收、萃取以及冷卻過程中的傳熱與傳質。填料塔具有生產能力大、分離效率高、壓力降小、操作彈性大和持液量小等優(yōu)點，在精細化工、石油化工、醫(yī)藥、環(huán)保等行業(yè)都得到廣泛應用。尤其在石油化工中，與精餾和吸收塔相關的能耗占了很大的比例。因此，填料塔的操作越接近其最大的有效生產能力，裝置的生產效率越聞，相應的能耗越少。塔內液泛的發(fā)生是現(xiàn)有工業(yè)填料塔在操作時主要存在的問題，它破壞了塔的正常操作，也是限制其運行效率不高、能耗大的重要原因。塔中發(fā)生液泛時的速度稱為液泛氣速，也稱泛點氣速。一般來說，液泛點是填料塔的操作極限。對于大部分填料，氣速達到液泛點時，傳質效率會迅速下降。填料塔只有在泛點氣速下才能穩(wěn)定操作，但如果操作氣速太低又會造成氣液的分布不均勻及投資浪費。同時，液泛氣速也是計算在給定液相負荷下塔的最大承載能力的必要參數(shù)，是填料塔設計的重要依據(jù)。因此，確定各種類型填料的液泛氣速也變得尤為重要，準確的預測液泛氣速對填料塔的設計與操作都具有重要的意義。迄今為止，利用各種機理和操作條件建立了不同形式的液泛氣速預測模型，在工業(yè)應用上主要依靠傳統(tǒng)的經驗公式(或相應的關聯(lián)圖)。但是這些經驗模型都需特定的填料常數(shù)，其通用性較差。另外，隨著各種新型填料的出現(xiàn)，許多條件與經驗公式并不相符，使模型的預測效果降低。因此，由于各種限制條件，至今還沒有較準確且通用的模型適合某類工業(yè)填料塔的應用。在實際生產操作中，考慮到傳統(tǒng)液泛預測模型的準確性低和適用范圍等因素，大多數(shù)塔的操作指標都遠低于最大有效能力。為防止液泛的發(fā)生，實際操作速度一般在液泛氣速50%以下，即實際工作點遠離最佳工作點。這種保守操作導致了塔生產能力和分離效率不高，經濟效益較差，能耗顯著增加。因此，這些傳統(tǒng)模型在工業(yè)應用中都還有較大的局限，不能滿足工程應用以及激烈的市場競爭和需求，有必要建立一種準確度較高，通用性較強的液泛氣速模型以適應工程應用。隨著過程數(shù)據(jù)能夠及時獲得，各種數(shù)據(jù)驅動的建模方法得到廣泛研究和應用，但用于液泛氣速預測的卻很少。經文獻檢索發(fā)現(xiàn)，一種反向傳播神經網絡(BP-NN)曾用于液泛氣速的建模和預測，雖然BP-NN方法的非線性建模能力較強，但存在訓練費時、拓撲結構難確定和推廣能力差等問題，且當樣本較少時，易出現(xiàn)過擬合問題。最近，最小二乘支持向量機回歸(LSSVR)在不少化工過程建模中獲得了較好的效果。LSSVR采用結構風險最小化原則和核技巧，較NN等方法能提高模型在限樣本情況下的建模能力和泛化能力。同時，LSSVR采用等式約束，避免了求解耗時的二次規(guī)劃問題，訓練速度很快。這為液泛重要參數(shù)，如液泛 氣速的建模和預測提供了新方法。同時，考慮到實際工業(yè)生產中的填料種類繁多，加上相關的液泛數(shù)據(jù)并不好獲得，使得采集的液泛數(shù)據(jù)出現(xiàn)多樣性和不平衡性的特點。此時，單一模型并不能很好地提取數(shù)據(jù)中的相關特征信息。因此，本發(fā)明提供了一種集成方法，能夠針對不同類型填料的氣速進行預測。
發(fā)明內容
本發(fā)明提供了一種散堆填料塔液泛氣速的預測方法，針對以上所述的現(xiàn)有填料塔中液泛氣速預測技術中存在的不足和缺陷，提出一種基于LSSVR的集成模型預測方法，可以較有效的針對液泛數(shù)據(jù)的特點，提取相關特征信息，提高模型的預測精度。一種散堆填料塔液泛氣速的預測方法，包括:(I)將從以往的填料塔液泛實驗中采集的相關液泛數(shù)據(jù)集作為一個樣本，分析填料塔液泛的特征及影響因素，確定液泛氣速模型的輸入和輸出。首先，選擇影響液泛的流動參數(shù)作為模型的輸入變量，主要有液相雷諾數(shù)Ra、斯托克斯數(shù)S\、伽利略數(shù)Ga^及填料層厚度校正系數(shù)Sb和填料球形度輸出變量為Lockhart-Martinelli參數(shù)(x )。這些流動參數(shù)組成一個樣本，用[Xi,;^]表示，其中Xi表不第i個樣本的輸入變量(每個樣本包含5個輸入變量)，Yi表不該樣本的輸出變量。模型的輸出和輸入變量的函數(shù)關系式可表示成下式:
權利要求
1.一種散堆(亂堆)填料塔中液泛氣速的預測方法，其特征在于:采用一種無監(jiān)督聚類算法對散堆填料塔的液泛數(shù)據(jù)進行聚類，用聚類后得到的子集分別建立相應的子模型，利用這些子模型對液泛氣速進行預測，所得子模型預測再進行加權融合，以得到最終預測結果。使用該集成模型，可以對各種類型的散堆填料塔中的液泛氣速進行較準確的預測。
2.如權利要求1所述的一種散堆填料中液泛氣速的預測方法，其特征在于包括以及幾個步驟: (1)將從以往的填料塔液泛實驗中采集的相關液泛數(shù)據(jù)作為建模樣本集，分析填料塔液泛的特征及影響因素，確定液泛氣速模型的輸入和輸出。
(2)采用模糊C均值(FCM)聚類算法將液泛樣本數(shù)據(jù)集聚類成若干個樣本子集，通常子集個數(shù)為3飛個。
(3)對聚類后的每個樣本子集進行單獨學習訓練，采用最小二乘支持向量機回歸(LSSVR)算法，建立液泛氣速預測的LSSVR子模型。
(4)分別使用這些LSSVR子模型對液泛氣速進行預測，得到若干組預測值，由一種加權最小二乘法(WLS)對其進行融合，得到的結果為液泛氣速的最終預測值。
3.根據(jù)權利要求2所述的散堆填料塔中液泛氣速的預測方法，其特征在于所述的液泛模型的輸入和輸出分別為:液相雷諾數(shù)Ra、斯托克斯數(shù)sty伽利略數(shù)、填料層厚度校正系數(shù)Sb、以及填料球形度爐作為模型的輸入變量，Lockhart-Martinelli參數(shù)x則為輸出變量。
4.根據(jù)權利要求3所述的散堆填料塔中液泛氣速的預測方法，其特征在于其液泛氣速與模型輸出的關系為:
5.根據(jù)權利要求2所述的散堆填料塔中液泛氣速的預測方法，其特征在于所述的步驟(2)中的FCM聚類算法在進行聚類中心初始化時，根據(jù)液泛數(shù)據(jù)各輸入變量的特征屬性確定初始聚類中心。
6.根據(jù)權利要求2所述的散堆填料塔中液泛氣速的預測方法，其特征在于所述的步驟(3)中的LSSVR模型的核函數(shù)采用徑向基(RBF)核函數(shù)，數(shù)學表達式為K(x，xi)=exp(-| !X-XiI |2/2σ2)，其中，x、xi表示液泛樣本數(shù)據(jù)，σ為核函數(shù)參數(shù)寬度系數(shù)。
7.根據(jù)權利要求6所述的散堆填料塔中液泛氣速的預測方法，其特征在于在采用液泛數(shù)據(jù)樣本建立模型的過程中，正則化參數(shù)Y和寬度系數(shù)σ的數(shù)值采用交叉驗證選擇方法確定，確定的過程為: 首先，確定正則化參數(shù)Y和寬度系數(shù)σ的選擇范圍,通常2°彡Y彡28, 2-1 ^ σ彡24;然后確定這兩個參數(shù)的交叉計算的間距，通常以2的倍數(shù)為間隔；在選擇范圍內對兩參數(shù)進行交叉計算，直到模型對樣本數(shù)據(jù)的訓練誤差之和最小為止，所確定的參數(shù)(Y，σ )即為模型LSSVR的參數(shù)。
全文摘要
散堆填料塔中液泛氣速的預測方法，采用一種無監(jiān)督聚類算法對散堆填料塔的液泛數(shù)據(jù)進行聚類，用聚類后得到的子集分別建立相應的子模型，利用這些子模型對液泛氣速進行預測，所得子模型預測再進行加權融合，以得到最終預測結果。使用該集成模型，可以對各種類型的散堆填料塔中的液泛氣速進行較準確的預測。
文檔編號G06Q50/04GK103106545SQ20131004795
公開日2013年5月15日 申請日期2013年2月6日 優(yōu)先權日2013年2月6日
發(fā)明者劉毅, 李常躒, 高增梁 申請人:浙江工業(yè)大學