论文部分内容阅读
填料塔在工业生产中具有广泛的应用,主要的流体力学性能包括了持液量、泛点、载点、压降等重要参数,为了尽可能提高塔的水力学性能,改善生产效率,必须确定其可工作的合适范围。因此,准确预测填料塔的重要参数具有重要的研究意义和应用价值。本文首先回顾了填料塔重要参数的发展历史,针对现有的经验模型在建立和预测过程中存在的缺点,提出了两种预测模型,仿真和实验测试均表明其可用于填料塔重要参数的预测。主要研究工作和创新点如下：(1)结合过程工业中数据存在非线性和关联性等特点,对极限学习机(Extreme Learning Machine, ELM)建模方法进行改进,最终提出了适用于非线性系统辨识的递推岭参数极限学习机(Recursive Ridge Extreme Learning Machine, RRELM)方法,其递推方式可以做到快速地更新模型,提高模型的计算效率；而选择性的增删节点在限制模型复杂度的同时还保证了预测的精度。(2)结合仿真软件,模拟不同工况下各种填料在各种规格填料塔中的运行情况,获得相应的重要参数数据。然后通过分析数据的特点,分别建立了持液量、泛点、载点、压降的RRELM预测模型。同时与两种经典的神经网络模型进行对比,结果表明RRELM模型通用性更高,预测效果更好。(3)在实际应用中,填料类型多种多样,获取的填料数据之间也会存在一定的差异性,单一RRELM模型的预测效果受到一定的限制。提出了局部递推岭参数极限学习机(Local Recursive Ridge Extreme Learning Machine, LRRELM)方法,以液泛气速为例,用于填料塔重要参数的建模预测。通过模拟和实验数据测试验证,结果表明LRRELM能更充分挖掘数据间的相关信息,获得了更好的预测效果。