基于深度学习的填料塔液泛监测研究

发布时间：2020-10-09 18:36

　　填料塔是一种重要的气液传质设备,在工业生产中应用广泛。液泛的发生是现有工业填料塔操作中存在的主要问题,一旦发生液泛会导致生产效率降低,严重时甚至会引起停车,影响整个生产系统的正常操作。基于深度学习对填料塔液泛进行监测能够实现生产过程智能化,保障填料塔安全高效运行,具有重要的应用价值和理论研究价值。本文首先综述了填料塔液泛监测的研究现状,提出基于深度学习建立数据驱动模型用于液泛监测的方法。结合填料塔过程变量数据的特点,提出一种三维长短期记忆神经网络结构对塔内压差进行监测,进而实现对液泛的间接监测。针对仅通过塔内压差的变化无法准确识别液泛状态的问题,提出一种卷积长短期记忆单元结构对填料塔视频数据建模,实现对液泛的直接监测。最后提出一种将两者结合的液泛监测工作流程。本文的主要工作和创新点如下:(1)采用塔内压差这一关键变量作为液泛监测的重要依据,利用循环神经网络对填料塔过程变量数据建立时序模型实现对塔内压差的监测。针对循环神经网络存在的“梯度弥散”问题并结合填料塔过程变量数据的特点,提出一种三维长短期记忆神经网络结构对塔内压差进行监测。经实验验证了监测模型的有效性和优越性,进而能够实现对液泛的间接监测。(2)针对仅通过塔内压差的变化无法准确识别液泛状态的问题,提出基于填料塔视频数据的液泛监测方法。将卷积神经网络和长短期记忆神经网络有机结合,提出一种卷积长短期记忆单元结构对填料塔视频数据建立时空模型,实现对液泛的直接监测,经实验验证了方法的有效性。最后提出一种将两者结合的液泛监测工作流程,保障填料塔安全高效运行。
【学位单位】：浙江工业大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TQ053.5
【部分图文】：

真实值,预测值,产物,浓度

iy 表示模型预测输出；iy 表示真实数据；M 表示待测试数据的样tp://homes.esat.kuleuven.be/~smc/daisy/获得 4000 组数据，要监测的。根据经验选取三个时间滞后，即用过去三个时刻的已知数据预测浓度，时序模型的输入向量可表示如下：, 2 , 1 , , 2 , 1 ,[ , , , , , ]c t c t c t a t a t a tq q q C C C x ，qc是冷却液体积流量，l/min；Ca是产物浓度数据，mol/l；t 表示为 Ca,t+1。将数据分为训练集、验证集和测试集三部分，其中模型在参数，在验证集上选择超参数，最后在测试集上测试模型效果。训验证集数据为 200 组，测试集数据为 2000 组。充分追踪过程的时变性和动态性，选择两个隐藏层，其中第一个隐；第二个隐藏层有 50 个神经元。由于是回归预测问题，最后加上中只有一个线性激活函数。采用沿时间反向传播优化算法进行训练每次训练的迭代批次量为 1；迭代次数初定为 20，根据模型在验证的迭代次数。

液体温度,真实值,预测值,隐藏层

浙江工业大学硕士学位论文（学术型），测试集数据为 800 组。包括两个隐藏层，其中第一个隐藏层有 10 个神经元；第二个隐藏层有于是回归预测问题，最后加上一个线性回归层。采用沿时间反向传播，学习率设为 0.01；每次训练的迭代批次量设为 16；迭代总次数初定在验证集上的表现确定最终的迭代次数，其余参数全部设为默认值。经历 194 次迭代训练后在验证集上的损失达到最小，保存此时的模型，出口液体温度真实值和预测值的对比如图 2-6 所示。可以看出，出毫无规律可言，变化幅度很大，体现出过程较强的动态性和时变性，依然能够对其进行追踪和监测。

填料塔,实验装置

第 2 章基于过程变量数据的时序建模方法验设备。硬件装置主要包括填料塔、空气-水循环供给装置、测为规整填料塔，为了便于在实验中观察液泛现象，塔-7 所示，各部件尺寸如表 2-3 所示。填料为金属丝网要参数如表 2-4 所示。实验采用的气液两相介质是空要包括风机和水泵。测量装置主要包括流量计、压差如表 2-5 所示。视频传感器选用电荷耦合元件(ChargCD 摄像头具有灵敏度高、分辨率高以及良好的噪声行过程中塔体内部细微的变化，信号在传输时也不会

【参考文献】