基于人工智能的陶瓷工业喷雾干燥模型研究
发布时间：2021-02-23 15:33
陶瓷料浆喷雾干燥时,喷雾干燥塔内高温气流与陶瓷料浆进行短暂且充分接触,陶瓷颗粒湿分快速干燥,传热传质过程复杂,是一个非线性、滞后严重,以及温度场、湿度场、速度场等多场相互耦合的气液固多相流相变系统,另外由于干燥过程短暂迅速,很难对其内部进行观察,因此喷雾干燥最终制备出来的颗粒质量（含水率、粒径分布等）难以得到保证,陶瓷企业通常需要对喷雾干燥设备进行24小时监测,防止各项参数的改变影响到颗粒质量变化,参数的调节多依靠经验缺乏模型指导,而且关于颗粒质量检测多是离线法滞后严重,实时监测的设备在陶瓷企业应用不广还存在一定的局限性,针对以上问题,建立能在实际工况下对颗粒质量进行预测的陶瓷工业喷雾干燥智能模型显得尤为重要,一方面能在保证质量的前提下提供喷雾干燥各项参数指导,另一方面能实时预测颗粒质量指标,使其满足生产需求避免废料的产生,降低能源的浪费。为此,本课题基于人工神经网络、智能算法等人工智能理论,探析陶瓷工业喷雾干燥过程传热传质机理及影响颗粒质量因素,构建了陶瓷工业喷雾干燥BP神经网络模型,同时为提高该模型的预测精度,引入了改进飞蛾扑火优化（IMFO）算法对模型进行优化,实现对陶瓷颗粒多个...
【文章来源】：景德镇陶瓷大学江西省
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
陶瓷工业喷Fig.2-1Schematicdiagramofspray整个喷雾干燥系统主要的能耗就是对
景德镇陶瓷大学硕士学位论文2陶瓷工业喷雾干燥过程及人工神经网络分析12图2-3混流式喷雾干燥塔热量收支图Fig.2-3Heatbudgetdiagramofmixed-flowspraydryingtower表2-1喷雾干燥系统热量传递Tab.2-1Heattransferinspraydryingsystem输入系统的热量inQ输出系统的热量outQ原料表面水分带入的热量1q原料干燥完带出的热量1o原料水分蒸发后颗粒带入的热量2q喷雾塔向外散热量2o空气带入的热量3q加热设备耗热量3o加热器加热空气带入的热量4q废气带出的余热4o输入喷雾干燥系统的热量：(1)原料表面水分带入的热量原料在进入喷雾干燥系统中，其表面被液膜所湿润，因此这部分液膜携带的热量，即inwwtcmq1(2-2)式中：wm—水分的蒸发量，kg/hwc—水的比热容，4.19kJ/(kg·℃)int—原料进入喷雾干燥塔的温度，℃(2)原料水分蒸发后颗粒带入的热量原料在干燥的过程中，大部分自由水被蒸发后，此时的原料可以看成是绝干物料和部分水分混合组成，带入的热量为inwnout])1([trcrcsq112(2-3)式中：outs—离开干燥设备的物料，kg/h
值和激活函数等有关。实际上人工神经网络是将思考判断的过程抽象成数学模型，使其也具备一定的和人脑相似的处理复杂问题的能力。人工神经网络模型种类繁多，根据结构的不同有前馈神经网络和反馈神经网络。前馈神经网络是将本层接收到的信息，通过计算输出到下一层，数据正向流动不具备反馈环节，一般前馈神经网络由输入层、隐含层和输出层组成，其中输入层接收外界输入不进行函数处理，中间层为隐含层对数据进行加工，最终结果由输出层输出，在一定程度上隐含层越多能处理的问题就越复杂，因其能学习到更多的特征信息，如图2-4所示为多层前馈神经网络模型。图2-4多层前馈神经网络模型Fig.2-4Multi-layerfeedforwardneuralnetworkmodel反馈神经网络，神经元输出不仅和前一层的输入有关，还和之前层的输入有关使得各层神经元之间形成反溃人工神经网络由于其仿人脑的神经网络构造使其具备一些特性，第一：并行性，神经网络是由众多功能单一的神经元所构成，但是由于处理信息是并行且结构也是并行的，因此在遇到问题能快速做出判断和处理，提高效率。第二：非线性，神经元在接收输入后,通过激活函数输出到其它神经元，神经元在网络中相互影响和抑制，因此具备了可以建立非线性函数关系。第三：较强的自适应和自学习性，人工神经网络是通过对外部数据的学习改变自身参数，另外还能调整结构强化学习能力，能实现输入到输出的关系建立，而不是依靠经验来判断关系。第四：较好的容错性，由于模型数据并不是存储在单个神经元中，而是整个神经网络系统，因此对于数据不完整等情况，具有较好的容错性。正是由于神经网络
【参考文献】：
期刊论文
[1]基于广义反向学习的自适应约束差分进化算法[J]. 吴文海,郭晓峰,周思羽,刘锦涛. 西北工业大学学报. 2019(05)
[2]基于IPSO-RELM转炉冶炼终点锰含量预测模型[J]. 张壮,曹玲玲,林文辉,孙建坤,冯小明,刘青. 工程科学学报. 2019(08)
[3]BP神经网络结合遗传算法优化玫瑰茄火龙果固体饮料工艺条件[J]. 钟旭美,陈铭中,庄婕,陈勇,刘家靖,杨紫褀. 食品与发酵工业. 2019(19)
[4]基于IABC-RBF神经网络的地下水埋深预测模型[J]. 邵光成,章坤,王志宇,王小军,卢佳. 浙江大学学报(工学版). 2019(07)
[5]基于改进型BP神经网络的导引头测高性能评估[J]. 何华锋,何耀民,徐永壮. 系统工程与电子技术. 2019(07)
[6]催化裂化催化剂喷雾干燥过程CFD模型[J]. 秦娅,吕庐峰,侯栓弟. 石油炼制与化工. 2019(03)
[7]陶瓷工业烟气余热利用技术[J]. 康建喜. 陶瓷. 2019(02)
[8]喷雾干燥比能耗模型仿真与参数分析[J]. 金熹,杨海东,李洪丞,朱成就. 计算机仿真. 2019(01)
[9]基于产率优化的全蛋粉喷雾干燥数学模型[J]. 程方圆,周学永,刘艳美,A.H.Rajasab. 食品与机械. 2019(01)
[10]基于人工神经网络模型预测油炸外裹糊鱼块的丙烯酰胺含量[J]. 单金卉,陈季旺,刘言,王海滨,夏文水,熊幼翎. 食品科学. 2019(16)
硕士论文
[1]飞蛾捕焰优化算法在引水工程安全监测模型中的应用研究[D]. 魏晋晋.合肥工业大学 2019
[2]基于改进蝙蝠算法的喷雾干燥塔能效优化[D]. 林健通.广东工业大学 2019
[3]基于焓平衡的陶瓷喷雾干燥工艺能耗建模及优化[D]. 金熹.广东工业大学 2018
[4]基于神经网络和蚁群算法的木材干燥过程含水率预测研究[D]. 孙禹.东北林业大学 2018
[5]油田高含盐污水喷雾干燥的数值模拟研究[D]. 王菁菁.中国科学院大学(中国科学院工程热物理研究所) 2017
[6]干法制粉在陶瓷外墙砖生产中的应用探讨[D]. 李凤娇.华南理工大学 2015
[7]喷雾干燥热质传递特性研究[D]. 胡洪.南京师范大学 2011
本文编号：3047818
【文章来源】：景德镇陶瓷大学江西省
【文章页数】：83 页
【学位级别】：硕士
【部分图文】：
陶瓷工业喷Fig.2-1Schematicdiagramofspray整个喷雾干燥系统主要的能耗就是对
景德镇陶瓷大学硕士学位论文2陶瓷工业喷雾干燥过程及人工神经网络分析12图2-3混流式喷雾干燥塔热量收支图Fig.2-3Heatbudgetdiagramofmixed-flowspraydryingtower表2-1喷雾干燥系统热量传递Tab.2-1Heattransferinspraydryingsystem输入系统的热量inQ输出系统的热量outQ原料表面水分带入的热量1q原料干燥完带出的热量1o原料水分蒸发后颗粒带入的热量2q喷雾塔向外散热量2o空气带入的热量3q加热设备耗热量3o加热器加热空气带入的热量4q废气带出的余热4o输入喷雾干燥系统的热量：(1)原料表面水分带入的热量原料在进入喷雾干燥系统中，其表面被液膜所湿润，因此这部分液膜携带的热量，即inwwtcmq1(2-2)式中：wm—水分的蒸发量，kg/hwc—水的比热容，4.19kJ/(kg·℃)int—原料进入喷雾干燥塔的温度，℃(2)原料水分蒸发后颗粒带入的热量原料在干燥的过程中，大部分自由水被蒸发后，此时的原料可以看成是绝干物料和部分水分混合组成，带入的热量为inwnout])1([trcrcsq112(2-3)式中：outs—离开干燥设备的物料，kg/h
值和激活函数等有关。实际上人工神经网络是将思考判断的过程抽象成数学模型，使其也具备一定的和人脑相似的处理复杂问题的能力。人工神经网络模型种类繁多，根据结构的不同有前馈神经网络和反馈神经网络。前馈神经网络是将本层接收到的信息，通过计算输出到下一层，数据正向流动不具备反馈环节，一般前馈神经网络由输入层、隐含层和输出层组成，其中输入层接收外界输入不进行函数处理，中间层为隐含层对数据进行加工，最终结果由输出层输出，在一定程度上隐含层越多能处理的问题就越复杂，因其能学习到更多的特征信息，如图2-4所示为多层前馈神经网络模型。图2-4多层前馈神经网络模型Fig.2-4Multi-layerfeedforwardneuralnetworkmodel反馈神经网络，神经元输出不仅和前一层的输入有关，还和之前层的输入有关使得各层神经元之间形成反溃人工神经网络由于其仿人脑的神经网络构造使其具备一些特性，第一：并行性，神经网络是由众多功能单一的神经元所构成，但是由于处理信息是并行且结构也是并行的，因此在遇到问题能快速做出判断和处理，提高效率。第二：非线性，神经元在接收输入后,通过激活函数输出到其它神经元，神经元在网络中相互影响和抑制，因此具备了可以建立非线性函数关系。第三：较强的自适应和自学习性，人工神经网络是通过对外部数据的学习改变自身参数，另外还能调整结构强化学习能力，能实现输入到输出的关系建立，而不是依靠经验来判断关系。第四：较好的容错性，由于模型数据并不是存储在单个神经元中，而是整个神经网络系统，因此对于数据不完整等情况，具有较好的容错性。正是由于神经网络
【参考文献】：
期刊论文
[1]基于广义反向学习的自适应约束差分进化算法[J]. 吴文海,郭晓峰,周思羽,刘锦涛. 西北工业大学学报. 2019(05)
[2]基于IPSO-RELM转炉冶炼终点锰含量预测模型[J]. 张壮,曹玲玲,林文辉,孙建坤,冯小明,刘青. 工程科学学报. 2019(08)
[3]BP神经网络结合遗传算法优化玫瑰茄火龙果固体饮料工艺条件[J]. 钟旭美,陈铭中,庄婕,陈勇,刘家靖,杨紫褀. 食品与发酵工业. 2019(19)
[4]基于IABC-RBF神经网络的地下水埋深预测模型[J]. 邵光成,章坤,王志宇,王小军,卢佳. 浙江大学学报(工学版). 2019(07)
[5]基于改进型BP神经网络的导引头测高性能评估[J]. 何华锋,何耀民,徐永壮. 系统工程与电子技术. 2019(07)
[6]催化裂化催化剂喷雾干燥过程CFD模型[J]. 秦娅,吕庐峰,侯栓弟. 石油炼制与化工. 2019(03)
[7]陶瓷工业烟气余热利用技术[J]. 康建喜. 陶瓷. 2019(02)
[8]喷雾干燥比能耗模型仿真与参数分析[J]. 金熹,杨海东,李洪丞,朱成就. 计算机仿真. 2019(01)
[9]基于产率优化的全蛋粉喷雾干燥数学模型[J]. 程方圆,周学永,刘艳美,A.H.Rajasab. 食品与机械. 2019(01)
[10]基于人工神经网络模型预测油炸外裹糊鱼块的丙烯酰胺含量[J]. 单金卉,陈季旺,刘言,王海滨,夏文水,熊幼翎. 食品科学. 2019(16)
硕士论文
[1]飞蛾捕焰优化算法在引水工程安全监测模型中的应用研究[D]. 魏晋晋.合肥工业大学 2019
[2]基于改进蝙蝠算法的喷雾干燥塔能效优化[D]. 林健通.广东工业大学 2019
[3]基于焓平衡的陶瓷喷雾干燥工艺能耗建模及优化[D]. 金熹.广东工业大学 2018
[4]基于神经网络和蚁群算法的木材干燥过程含水率预测研究[D]. 孙禹.东北林业大学 2018
[5]油田高含盐污水喷雾干燥的数值模拟研究[D]. 王菁菁.中国科学院大学(中国科学院工程热物理研究所) 2017
[6]干法制粉在陶瓷外墙砖生产中的应用探讨[D]. 李凤娇.华南理工大学 2015
[7]喷雾干燥热质传递特性研究[D]. 胡洪.南京师范大学 2011
本文编号：3047818
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3047818.html
