大数据技术在过程工业中的应用研究进展

近些年,大数据技术在金融、贸易和医疗健康等行业也得到了较好的应用,但大数据技术在过程工业中的应用还处于起步阶段。本文分别从过程工业大数据的特点、分析方法以及应用现状3个方面进行介绍,简述了过程工业数据除了具有一般大数据海量性、多样性、高速性和易变性的4V特点外,还具有高维度、强非线性、样本分布不均和低信噪比的特点。基于过程工业数据的分析方法,按照功能划分可以分为降维分析、聚类和分类分析、相关性分析和预测分析四大类。在此基础上,综述了近些年大数据技术在过程工业上的应用,分别从过程工业优化、过程监测与故障诊断以及产品性能和产率预测3个方面介绍了其在过程工业中的应用情况,并指出未来应该将企业内部的生产数据和原料与产品的市场数据等相结合进行分析和挖掘,这样能够更大程度地发挥大数据的价值。     

应用经遗传算法优化的BP神经网络预测催化裂化装置焦炭产率

焦炭是催化裂化装置的主要副产物,准确预测催化裂化焦炭产率对提高装置的操作平稳度和经济效益具有重要意义。人工神经网络(ANN)具有强大的自学习和自适应能力,在非线性预测方面具有明显的优势。本研究将遗传算法(GA)与BP神经网络相结合,基于某炼厂催化裂化装置的生产数据,分别从原料、催化剂和操作条件3个方面选取28个关键影响参数建立了催化裂化焦炭产率预测模型,分别将BP神经网络和经遗传算法优化的BP神经网络(GA-BP)的预测结果与工业数据进行对比。结果表明,经遗传算法优化的预测模型无论在预测结果的准确性还是稳定性方面效果更好。最后,本研究还通过考察原料残炭、反应温度等单一关键参数对焦炭产率的影响,进一步证明了经遗传算法优化的BP神经网络预测模型的准确性。     

18m循环流化床提升管内压力信号的功率谱密度分析

以高度18m、直径80mm的提升管反应器为研究对象,基于提升管不同轴向位置的压力数据,应用功率谱密度方法分析了其内部的气-固流动特征。结果表明,提升管内的压力信号波动主要受气-固间相互作用包括气-固相互摩擦、颗粒间碰撞、聚并等行为的控制,随着颗粒循环速率的增大,提升管内颗粒间相互作用如颗粒间碰撞及颗粒聚并等发生频次升高,压力波动程度增强。随着提升管轴向位置的升高,压力信号波动程度逐渐减弱,其中在接近提升管顶部充分发展区域功率谱的低频高能现象基本消失。以上结果表明,在提升管底部区域气-固间的相互作用较强,引起压力波动程度较大,而充分发展区域内的气-固间相互作用处于稳定状态,压力波动较弱。     

密相提升管内颗粒速度与颗粒浓度分布及发展特性

为研究高密度提升管气固流动结构分布规律及其发展特性,在自建的18 m高循环流化床提升管系统中测定了不同气速和固体循环速率下的颗粒浓度分布.结果表明,在低颗粒循环速率(Gs)下颗粒浓度由底部浓相区单调降低并趋于稳定;在高Gs下颗粒浓度在底部浓相区内先增加后降低,沿提升管向上趋于稳定的发展趋势.径向上颗粒浓度分布呈现"中心...     

18 m循环流化床提升管内压力信号的功率谱密度分析（流态化约稿）

本研究以高度18 m，直径为80 mm的提升管反应器为研究对象，基于装置稳定运行状态下提升管不同轴向位置的压力数据，应用功率谱密度方法分析了其内部的气固流动特征。研究结果表明，功率谱密度呈现低频高能的现象，提升管内的压力信号波动主要受气固间相互作用包括气固相互摩擦、颗粒间碰撞、聚并等行为的控制，随着颗粒循环速率的增大，提升管内颗粒行为发生频次升高，压力波动程度增强。随着提升管轴向位置的升高，压力信号波动程度逐渐减弱，其中在提升管顶部区域功率谱的低频高能现象基本消失，说明在提升管底部区域气固间的相互作用较强，引起压力波动程度较大，而充分发展区域内的气固间相互作用处于稳定状态，压力波动较弱。     

基于不同人工神经网络的催化裂化焦炭产率预测对比

在催化裂化装置（FCC）中,焦炭产率增加不但会使装置的总液收降低,而且会影响装置的热平衡,增加装置的操作难度。控制催化裂化装置焦炭产率十分重要,而其前提是能够准确预测装置的焦炭产率。催化裂化焦炭的生成和烧焦过程是一个连续的过程,影响参数众多且各参数之前互相影响,使用传统的方法建立多参数的预测模型具有一定的难度。本文利用人工神经网络(ANN)结合催化裂化装置的生产数据分别建立了GRNN神经网络预测模型和BP神经网络预测模型。对比分析结果表明,BP神经网络预测结果的准确度和稳定性优于GRNN神经网络。为进一步提高BP神经网络的预测效果,又分别使用了粒子群算法(PSO)和遗传算法(GA)对其进行优化。对比分析两种优化算法表明,两种优化算法均能提高BP神经网络的预测精度,综合考虑预测结果的准确性和稳定性两个方面,经遗传算法优化的BP神经网络预测模型优于经粒子群算法优化的BP神经网络预测模型。