冷却换热器
塑料换热器
换热器原理
新闻动态
弓型折流板换热器动态响应神经网络预测点击：1746 日期：[ 2014-04-26 22:06:00 ] |
| 弓型折流板换热器动态响应神经网络预测 吴峰 (西安石油大学石油工程学院,陕西西安710065) 摘要:采用ARX动态模型设计了一种用于换热器动态特性辨识及预测的人工神经网络结构模型, 基于有限的实验数据将人工神经网络技术应用于以水、油为换热工质的弓型折流板换热器动态特 性的预测当中.采用Levenberg-Marquardt算法对网络进行训练和测试,辨识和预测了换热器单侧 流量扰动情况下油侧出口温度的响应情况及换热器油侧进口发生温度扰动情况下油侧出口温度响 应情况,并与数值计算进行了对比,神经网络的预测结果好于数值计算.分析了神经网络模型的泛 化能力.计算结果表明,人工神经网络对于复杂系统的动态辨识及预测是相当成功的,与基于数理 模型的数值预测相比,有更好的预测精度,且模型的泛化能力也很强. 关键词:换热器;人工神经网络;动态预测;优化计算 中图分类号:TK172 文献标识码:A 换热器是炼油、化工、能源、电力及航天等工业 部门的一种重要的单元设备,在一般的工业生产应 用中,换热器总是与其他热力设备相互关联,这必然 会影响到换热器运行过程中的一些热力参数,诸如 换热工质的进口温度及流量的变化.换热器动态特 性的研究对于换热器的实时控制、状态计算、优化及 合理利用是十分必要的,已有对换热器动态特性的 理论分析研究主要集中在基于物理模型的数学建 模[1-4].由于基于模型的数学求解都是建立在一系 列假设及简化的基础上,这样的模型往往与换热器 的实际动态过程具有一定的差距.而从流动与传热 的角度来看,换热器是一种非常复杂的换热设备,包 含了复杂的流动及传热过程,这些流动与传热的复 杂现象就单个而言是可以研究分析并予以理解的, 但是当这些因素同时发生并相互作用的时候,对于 物理问题的分析研究及相关的控制分析则是相当困 难的[5].近年来以人工神经网络(ANN)及遗传算法 (GA)为代表的人工智能技术不断地应用于热科学当中[6-11],很好地解决了诸如换热器系统辨识及控 制方面的复杂问题,为热科学的研究指出了一个新 的方向.文献[12]针对连续螺旋折流板换热器动态 特性进行了实验及理论预测,文献[13]则通过数值 计算方法建立了连续螺旋折流板换热器温度动态响 应预测模型.文献[12]及文献[13]表明:相对于数值 计算而言,神经网络的预测精度及适应性更好;文献 [14]通过实验测量分析研究了弓型折流板换热器的 动态响应规律;本文则在文献[13]的基础上通过神 经网络模型对其动态响应进行预测,并进一步对其 神经网络模型结构进行优化. 1 人工神经网络系统辨识 近年来人工神经网络技术(ANN)在一些要求 高精度系统辨识的研究中得到了应用,有效地解决 了复杂系统的辨识及控制问题,表现出了良好的逼 近非线性功能来满足不同的计算精度需要,其原理及技术在热科学当中得到了应用. 基于ARX(AutoRegression,eXternalinput)[15] 动态模型的人工神经网络预测结构即NNARX模 型(NeuralNetworkARX),具有良好的稳定性,能够 较为完善地处理预测值和过去时刻测量输入值之间 的函数关系,故本文采用NNARX模型结构对所研 究的换热器动态系统进行辨识及预测,神经网络结 构采用三层前向网络结构,中间层含有8个隐含节 点(图1),由于双曲正切函数的输出值可为正或负, 故其激活函数为双曲正切函数,其具体表达式为: 试验数据. 2 预测结果及讨论 2.1 算法及网络结构优化 现有对于神经网络最佳权值搜索的算法有很多 种,诸如BP算法、牛顿法、Gauss-Newton算法、递归 预测误差算法及Levenberg-Marquardt算法等.对于 这些算法计算性能的比较分析,现有文献尚无进行 具体的详细研究.为了得出最优的算法并应用于本 文壳管式换热器动态特性的预测,本文采用图1中 的神经网络结构,将不同的神经网络收敛算法应用 于弓型折流板换热器水侧产生流量扰动时其油侧出 口温度的预测.计算对比结果如表1所示.由表1可 知L-M算法兼具快速性特点及高精度特点,因而本 文采用L-M算法来搜索神经网络的最优权值向量. 首先计算分析在神经网络结构不变的情况下 神经网络预测结果随隐含层神经元数量而产生的变 化规律.为了便于分析,针对弓型折流板换热器同一 扰动工况,比较不同隐含层神经元数量对神经网络 预测结果的影响.本文所研究的弓型折流板换热器 为1-2型换热器,其两侧流体流动与换热器情况如 图2所示,流动与换热形式非常复杂,其中导热油走 换热器壳侧,冷水走管侧. 选择弓型折流板换热器水流量上升扰动下油侧 出口温度的动态响应作为预测对象,水流量下降扰 动工况作为神经网络的训练数据,神经网络隐含层 神经元节点数的选择分别为4、5、6、7、8、10、12.计 算对比各个神经元节点数量下神经网络的预测精度 及训练时间,找出最佳的隐含层神经元节点数目.其计算结果如表2所示.进一步预测油流量上升扰动 下弓型折流板换热器油侧出口温度在不同隐含层神 经元数量下的预测结果,如表3所示. 由表2、表3可知,随着隐含层神经元数量的增 加,神经网络的预测最大相对偏差不断减小,而神经 网络的训练时间则逐步增加,当神经网络隐含层神 经元数量达到8时,神经网络的预测精度趋于一种 饱和状态,这时再增加神经元数量,神经网络的预测 精度变化不大,而网络的训练时间则有所增加.因 此,综合考虑各种因素,本文采用4-8-1型神经网络 结构并将其应用于本文的神经网络动态预测研究当 中. 2.2 单侧流量扰动下预测 应用4-8-1型神经网络对弓型折流板换热器的 动态特性进行辨识及预测.本文分析的侧重点为导 热油出口温度的变化情况.通过一个完整的水流量 扰动或油流量扰动下,预测换热器油侧出口温度的 动态响应情况,并将神经网络的预测结果与基于数 理模型开发的数值模拟结果进行对比,如图3、图4 所示. 由图可知神经网络的预测精度要远远好于数值 计算的结果,在流量发生剧烈扰动的地方,神经网络 的预测趋势比数值计算预测的趋势好. 2.3 进口温度扰动下预测 在换热器动态特性的试验中,工质进口温度的 扰动是通过升流器对试验管壁段进行直接通电加热 来实现的,管内流体温度的变化规律难以用数学解 析表达式来描述,其随时间的变化规律也非常复杂. 因此在神经网络的预测过程中,将网络的输入变量 u(τ-Δτ)、u(τ-2Δτ)设为换热器水侧出口温度 值,y(τ-Δτ)、y(τ-2Δτ)为油侧出口温度值.油 侧进口温度扰动下,弓型折流板换热器油侧出口温 度的神经网络预测结果如图5所示.由图5可知人 工神经网络的预测结果与实验数据符合良好,换热 器油侧出口温度预测的最大偏差约为0.7℃,其最 大相对偏差在1.2%以内. 2.4 神经网络泛化能力分析 神经网络泛化能力是指网络经过学习后对测试 样本做出正确反应的能力,能够处理那些未经训练 的、有噪声或不完全的数据,从而获得相应于这些数 据的合适的答案,对于一个没有泛化能力的神经网 络是没有实用价值的.神经网络泛化能力的影响因 素极为复杂,凡是与神经网络有关的各个方面都直 接或间接影响网络性能,进而影响网络的泛化能力. 本文将从样本角度对人工神经网络在弓型折流板换 热器动态特性预测过程中的泛化能力进行分析讨 论. 首先针对本文研究的4-8-1型网络结构,讨论 在同一个流量扰动工况下训练样本(前段时间)与预 测样本比例(后段时间)对网络性能的影响(表4). 以油流量下降扰动工况为例,预测油侧出口温度的 动态响应.神经网络的输入变量为前时刻的水流量 及油侧出口温度,整个动态响应时间段内的试验数 据为1730组.取训练样本较少的样本条件下神经 网络仍然具有很高的预测精度,表明神经网络模型 具有较高的泛化能力.随着训练样本的增加神经网 络的泛化能力不断增强. 保持训练样本数量不变,即采用水流量一次下 降扰动的实验数据作为训练样本,神经网络的输入 变量为前时刻换热器两侧流体出口温度的测量值, 预测水流量连续两次扰动、油流量单次扰动、油流量 连续两次扰动、换热器两侧流量同时扰动等工况下 神经网络对油侧出口温度的预测,如表5所示.表5 表明本文的神经网络结构具有很强的泛化能力,能 够在较大的预测样本范围内进行高精度的预测. 3 结 论 (1)开发了应用于弓型折流板换热器动态特性 辨识及预测的人工神经网络程序,针对同一个计算 工况,计算对比了不同神经网络收敛算法对弓型折 流板换热器动态响应预测的结果,得出Levenberg- Marquardt算法为最优算法.采用ARX动态模型结 合L-M算法解决了以水、油为换热器工质的弓型折 流板换热器温度动态特性的系统辨识及预测问题, 其预测精度相对于数值计算有很大的提高,计算时 间也有所缩短,表明ANN技术在动态系统预测中 的优越性. (2)通过优化计算得出了隐含层最佳神经元数. 同时对神经网络的泛化能力进行了分析,研究表明 本文所设计的神经网络结构具有较强的泛化能力. |
| 上一篇：主换热器效率下降导致空分设备被迫停车的分析与处 | 下一篇：地埋管换热器热响应试验测试仪应用研讨 |