基于聲發(fā)射信號(hào)的集成建模技術(shù)及其在顆粒檢測(cè)中的應(yīng)用研究.pdf

1、在氣固流化床反應(yīng)器中，流化床層的傳遞特性參數(shù)、反應(yīng)效果與流化狀態(tài)均受到流化床內(nèi)顆粒的性質(zhì)及運(yùn)動(dòng)狀態(tài)的影響，而顆粒的性質(zhì)又是隨著反應(yīng)過(guò)程的進(jìn)行而變化的，在一些特殊的合成反應(yīng)過(guò)程中，床層內(nèi)物料的粒度、料層高度的波動(dòng)會(huì)嚴(yán)重影響反應(yīng)進(jìn)程，因而研究流化床反應(yīng)器的流體力學(xué)行為并實(shí)現(xiàn)物料特征參數(shù)的在線檢測(cè)有著非常重要的意義。類(lèi)似地，攪拌釜式反應(yīng)器也是化工過(guò)程最常用的設(shè)備，很多化學(xué)產(chǎn)品如顆粒型過(guò)碳酸鈉等均是在間歇釜式反應(yīng)器中合成得到的。這類(lèi)反應(yīng)過(guò)程的顯

2、著特點(diǎn)就是反應(yīng)器內(nèi)部的物料特征，如顆粒的粒度或者物料的濃度，均會(huì)隨著時(shí)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(duì)這種動(dòng)態(tài)變化的顆粒粒度與物料濃度進(jìn)行在線測(cè)量。
　　 利用被動(dòng)聲發(fā)射信號(hào)檢測(cè)反應(yīng)器內(nèi)物料的特征參數(shù)具有檢測(cè)靈敏、安全高效、不侵入流場(chǎng)、實(shí)時(shí)在線的優(yōu)點(diǎn)。本文以聲發(fā)射信號(hào)作為測(cè)量流化床或攪拌釜內(nèi)物料特征參數(shù)的媒介，通過(guò)小波或小波包對(duì)聲發(fā)射信號(hào)進(jìn)行時(shí)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(guò)程的一些物理量，如物料的粒度、固含率(也稱(chēng)為濃度，下同)建立軟測(cè)量模型.應(yīng)用這些模型，可以通過(guò)聲發(fā)射信號(hào)，實(shí)現(xiàn)對(duì)流化床或攪拌釜內(nèi)物料粒度或濃度的軟測(cè)量，算法不僅明確，而且精度高，具有重要的學(xué)術(shù)意義和應(yīng)用價(jià)值。具體開(kāi)展了以下幾個(gè)方面的研究工作，并取得了相應(yīng)的成果。
　　 1)系統(tǒng)回顧了顆粒特征參數(shù)的測(cè)量方法，聲發(fā)射技術(shù)用于顆粒特征參數(shù)檢測(cè)的現(xiàn)狀及其在化工過(guò)程中的研究進(jìn)展，聲發(fā)射信號(hào)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(yīng)用相關(guān)理論實(shí)現(xiàn)對(duì)聲發(fā)射信號(hào)的多尺度分解與重構(gòu)。討論了聲發(fā)射信號(hào)的小波及小波包去噪算法、最優(yōu)小波包分解等信號(hào)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(hào)為媒介，用于檢測(cè)流化床或攪拌釜內(nèi)顆粒的特征參數(shù)。
　　 3)通過(guò)小波分析、主成分分析和神經(jīng)網(wǎng)絡(luò)，建立了聲發(fā)射信號(hào)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(hào)進(jìn)行小波分析(waveletanalysis,WLA)或小波包

5、分析(waveletpacket analysis，WLPA)，獲得低頻細(xì)節(jié)信號(hào)與高頻細(xì)節(jié)信號(hào)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(fù)相關(guān)性，并可減少變量個(gè)數(shù)，然后以得到的主成分作為神經(jīng)網(wǎng)絡(luò)的輸入，以顆粒平均粒度作為網(wǎng)絡(luò)的輸出，建立回歸的多層前向神經(jīng)網(wǎng)絡(luò)(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(shí)驗(yàn)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(luò)(Sym8 WLA-PCA-MLFN)模型能實(shí)現(xiàn)對(duì)顆粒粒度的軟測(cè)量，精度很高。
　　 對(duì)聲發(fā)射信號(hào)用Haar小波包二尺度分解，得到四維能量模式。進(jìn)而建立基于Haar小波包分解的徑向基神經(jīng)網(wǎng)絡(luò)(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(luò)模型(HaarWLPA-PCA-RBFN)，二種模型都能取得較好的計(jì)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(gè)參數(shù)即可。
　　 4)建立了利用聲發(fā)射信號(hào)對(duì)攪拌釜內(nèi)顆粒粒度進(jìn)行分類(lèi)的識(shí)別模型，首先對(duì)聲發(fā)射信號(hào)用sym2小波包二尺度分解，以細(xì)節(jié)信號(hào)的能量構(gòu)造模式樣本，實(shí)施標(biāo)準(zhǔn)差標(biāo)準(zhǔn)化后用于判別分析，以逐步判別分析方法和馬氏統(tǒng)計(jì)量對(duì)變量進(jìn)行檢驗(yàn)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(hào)，對(duì)攪拌釜內(nèi)的物料粒度實(shí)現(xiàn)正確的分類(lèi)。
　　 在轉(zhuǎn)速與物料的粒度組成一定條件下，應(yīng)用該模型也可以正確地對(duì)釜內(nèi)物料濃度進(jìn)行分類(lèi)。
　　 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(hào)對(duì)攪拌釜內(nèi)物料濃度

9、或粒度分類(lèi)。討論了預(yù)報(bào)精度的一些影響因素。所提出的Sym2 WLPA-PCA-LSSVM的分類(lèi)模型，應(yīng)用于攪拌釜內(nèi)物料濃度與粒度分類(lèi)時(shí)，其預(yù)報(bào)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(cè)，預(yù)報(bào)結(jié)果也具有很高的精確度。
　　 基于LSSVM的模型適合于個(gè)體數(shù)量較小的樣本，并且不存在神經(jīng)網(wǎng)絡(luò)的過(guò)擬合與欠學(xué)習(xí)問(wèn)題，具有較好的應(yīng)用前景。

10、
　　 6)對(duì)缺少先驗(yàn)知識(shí)的數(shù)據(jù)集，常采用聚類(lèi)分析，進(jìn)行前導(dǎo)性研究，本章對(duì)不同條件下的聲發(fā)射信號(hào)數(shù)據(jù)進(jìn)行了聚類(lèi)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(hào)能量模式的空間分布結(jié)構(gòu)按平均粒度清晰地聚類(lèi)，說(shuō)明可以用一般的統(tǒng)計(jì)方法建立聲發(fā)射信號(hào)能量模式與顆粒平均粒度之間的分類(lèi)模型。
　　 采用Sym2小波包對(duì)聲發(fā)射信號(hào)進(jìn)行二尺度分解，從細(xì)節(jié)信號(hào)求出標(biāo)準(zhǔn)化的能量模式，譜系聚類(lèi)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(duì)應(yīng)關(guān)系。類(lèi)似地，粒度一定時(shí)，聚類(lèi)結(jié)果也能近似地反映出物料的濃度類(lèi)別。
　　 針對(duì)兩個(gè)相鄰粒度范圍之間沒(méi)有清晰的分割邊界，以及FCM聚類(lèi)算法容易收斂到局部極小，提出Sym2 WLPA-GA-FCM聚類(lèi)算法，應(yīng)用于攪拌釜聲發(fā)射信號(hào)聚類(lèi)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(lèi)分析結(jié)果能較好地反映聲發(fā)射信號(hào)個(gè)體的類(lèi)屬。
　　 無(wú)論是譜系聚類(lèi)還是GA-FCM