基于LSTM神经网络的流化床干燥器内生物质颗粒湿度预测

发布时间：2021-12-22 16:33

　　生物质作为一种储量丰富、环境友好且易于获取的可再生能源,日渐成为能源研究利用领域的热点。生物质湿度是影响生物质利用效率的关键因素,因此干燥是生物质利用之前的必要步骤。流化床由于其良好的传热传质特性,在干燥过程中得到了广泛的应用。为了实时监测生物质颗粒的干燥过程,利用弧形静电传感器阵列,结合用于时间序列建模的长短期记忆（LSTM）神经网络,实现了流化床干燥器内生物质颗粒湿度的预测。在实验室规模的流化床干燥器上进行了多工况实验获取训练和测试数据,通过模型参数优化确定了LSTM模型。通过与标准循环神经网络（RNN）模型的预测结果的对比表明,LSTM神经网络模型的平均相对误差较小,能够较为准确地预测流化床干燥器内生物质颗粒的湿度。 

【文章来源】：化工学报. 2020,71(S1)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

弧形静电传感器阵列

实验装置

实验控制的参数主要有两个：入口空气的温度和体积流量，表1给出了实验进行的九组工况。图3所示为其中三种工况下生物质颗粒湿度变化曲线，可见不同工况下生物质颗粒的干燥过程存在明显差异，并且入口空气体积流量越大，温度越高时，生物质颗粒的干燥速率越快。图4所示为工况E3下静电电极A-1、A-2和A-3分别在流化初始阶段和平稳流化状态时的静电信号。在初始流化阶段，由于生物质颗粒湿度较大，流化床内存在沟流现象，使得生物质颗粒并未正常流化，加上此时静电荷的耗散严重，干燥开始阶段的静电传感器阵列的输出信号非常微弱[22]。在运行一段时间后，沟流现象消失，进入平稳流化状态。相应地，随着流化进程逐渐进入平稳流化状态后，颗粒湿度逐渐减小。由于颗粒的运动，静电信号波动的幅值较大。静电信号特性与固体颗粒湿度存在明显的对应关系。随着流化床内颗粒的流化，固体颗粒逐渐积累电荷，静电电极通过静电感应，经电流/电压转换、滤波放大后得到静电信号。He等[23-24]提出式（1）所示的经验公式，表明了流化床内静电感应电流与固体颗粒的荷质比的关系

【参考文献】：
期刊论文
[1]基于LSTM时间序列重建的生产装置异常检测[J]. 窦珊,张广宇,熊智华.  化工学报. 2019(02)
[2]生物质气化发电技术研究进展[J]. 常圣强,李望良,张晓宇,马力强,鲁长波,安高军.  化工学报. 2018(08)
[3]基于LSTM-RNN模型的铁水硅含量预测[J]. 李泽龙,杨春节,刘文辉,周恒,李宇轩.  化工学报. 2018(03)
[4]以生物质为原材料的化学化工[J]. 阎立峰,朱清时.  化工学报. 2004(12)



本文编号：3546719