CN101487466B - 一种离心式压缩机压缩比和多变效率的在线软测量方法 - Google Patents

Abstract

本发明公开了一种离心式压缩机压缩比和多变效率的在线软测量方法，即选取离心式压缩机转速比和入口流量作为离心压缩机神经网络模型的输入变量；选取反映离心压缩机性能的压缩比和多变效率作为模型的因变量；利用压缩机厂商提供的性能曲线或试验数据作为训练样本，建立离心式压缩机压缩比和多变效率的神经网络模型，即离心压缩机的性能模型。该模型具有较高的建模精度、同时又有很好的预报能力，可对实际工况的离心压缩机进行操作优化。

Description

一种离心式压缩机压缩比和多变效率的在线软测量方法

技术领域

本发明属于动力工程与人工智能交叉领域，涉及离心式压缩机压缩比和多变效率的在线软测量方法。

背景技术

压缩机是将气体压力增大或者将气体从一个设备送往另一个设备的机器，它由蒸汽透平或电机驱动，将机械能转变为气体的压力能，使气体的体积缩小，压力增高。离心式压缩机是主要类型的压缩机，它借助于机壳内作高速旋转的叶轮，带动气体一起旋转，使气体产生很大的离心力和很高的流速，离心力使气体的压力增大，而高速则使气体的动能增加，再通过扩压流动将动能转化为压力能，使气体的压力升高。离心式压缩机在国民经济中占重要的地位，特别是在冶金、石油、化工以及动力等工业部门获得广泛应用。如在乙烯工业中的三机(裂解气压缩机，乙烯制冷压缩机和丙烯制冷压缩机)作为乙烯装置的“心脏”设备，需要消耗大量的能耗，在乙烯生产中起着举足轻重的作用。

离心式压缩机的理论功耗可以按照下式来计算：

$N=\frac{1.634p_1{V}_1\frac{m}{m-1}({\mathrm{\ϵ}}^{\frac{m-1}{m}}-1)}{\mathrm{\η}}$

式中P₁，V₁为压缩机入口处的压力和体积流量，η称为多变效率，ε为压缩比，m为多变指数，多变指数m与绝热指数k之间存在如下关系：

$\mathrm{\η}=\frac{\frac{m}{m-1}}{\frac{k}{k-1}}$

在压缩机设备确定的情况下，压缩机的多变效率和压缩比与压缩机的转速和进料流量有很大关系，在转速一定的情况下，多变效率和压缩比随进料流量先增加，达到最大值后开始降低。不同的转速对应的最佳进料量是不同的。压缩机厂商在压缩机出厂时对压缩机进行测试，提供给用户在确定工况下的性能曲线或数据，然而在实际应用时压缩机的入口条件会发生较大的改变，压缩机的最佳操作条件将发生改变。为了使压缩机处于较优的操作条件下工作，并满足工艺要求，需要对压缩机进行建模，并在此基础上进行优化，得到压缩机的最佳操作条件。本发明就是针对离心压缩机的两个关键参数：压缩比和多变效率进行在线预测。

发明内容

本发明的目的是提供一种离心式压缩机压缩比和多变效率的在线软测量方法。选取压缩机的转速比和入口流量作为模型输入变量，选取压缩机的压缩比和多变效率作为模型的输出变量，采用神经网络技术建立输入变量与输出变量的关联模型。神经网络建模方法不需考虑反应机理，直接采用工业装置的代表性运行数据，对网络进行训练，就可以得到压缩机的性能模型，建立的模型具有较高的建模精度、同时又有很好的预报能力。离心式压缩机性能模型的自变量，即神经网络模型的输入变量：

(1)压缩机的转速比(x₁)

(2)压缩机入口流量(体积流量或质量流量)(x₂)

模型的因变量，即神经网络模型的输出变量：

(1)离心式压缩机的压缩比(y₁)

(2)多变效率(y₂)

神经网络模型采用活化函数为Sigmoid函数，三层前传神经网络来建立离心式压缩机的性能模型，并采用误差反传算法(BP，Back Propagation)对网络进行训练，输入层2个节点、隐含层2～5个节点、输出层1个或2个节点(可以将多变效率和压缩比作为一个模型的两个输出，也可以分别建立单独的模型)。网络模型的输入变量利用下式(1)进行归一化处理：

${\mathrm{sx}}_i=\frac{x_i-x_i^{\min }}{x_i^{\max }-x_i^{\min }}(b-a)+a,i=\mathrm{1,2}---\left(1\right)$

式(1)中，x_i是第i个操作条件(即，自变量)的实际测量值，sx_i表示第i个操作条件归一化后作为神经网络模型的输入变量，[x_i ^min，x_i ^max]表示采集到第i个操作条件的变化范围，归一化后输入自变量的变化范围为[a，b]，其中b＞a。

网络模型的输出变量利用下式(2)进行归一化处理：

${\mathrm{sy}}_j=\frac{y_j-y_j^{\min }}{y_j^{\max }-y_j^{\min }}(d-c)+c,j=\mathrm{1,2}---\left(2\right)$

式(2)中，y_j是第j个输出变量(即，因变量)的实际测量值，sy_j表示第j个因变量归一化后作为神经网络输出的目标值，[y_j ^min，y_j ^max]表示采集到第j个因变量的变化范围，归一化后神经网络输出的变化范围为[c，d]，其中d＞c。

采集到n组代表性的测试数据，其中每组数据包含[x₁，x₂，y₁，y₂]，经归一化后为[sx₁，sx₂，sy₁，sy₂]，形成训练样本。对热裂解反应深度神经网络模型，以[sx₁，sx₂]作为网络的输入，分别以sy₁和sy₂为目标值，训练网络。当达到精度要求时，停止训练，获得压缩机性能模型，则根据求得的神经网络模型的权值与阈值，就可以得到压缩机的压缩比(y₁)、多变效率(y₂)与压缩机的转速比(x₁)和入口流量(x₂)之间关系的具体表达式，即模型方程。应用模型方程时需要对输入变量进行校正。

附图说明

图1和图2是离心式压缩机性能神经网络模型框图。

具体实施方式

下面，通过实施例对本发明作进一步说明，它将有助于理解本发明，但并不限制本发明的内容。

实施例1

乙烯裂解气压缩机是一种离心式压缩机，根据乙烯生产的工艺一般采用四段压缩或五段压缩，这里以某一四段裂解气压缩机的四段压缩比的建模来说明本发明的具体应用方法，本实施例的压缩机的网络结构如图1所示。建模所需的数据采集来自压缩机厂商提供的性能曲线，该数据是在入口温度为25℃下测得的，从中选出100组压缩机在不同转速比(x₁)和入口体积流量(x₂)下对应的压缩比(y₁)形成样本数据[x₁，x₂，y₁]。

利用式(1)，对上述各自变量进行归一化处理：x₁的变化范围[0.85，1.05]，x₂的变化范围[1500，4500]，取a＝-1，b＝1，进行归一化计算：

${\mathrm{sx}}_1=\frac{x_1-0.85}{1.05-0.85}\×2-1$

${\mathrm{sx}}_2=\frac{x_2-1500}{4500-1500}\×2-1$

利用式(2)，对上述各因变量进行归一化处理：y₁的变化范围[1.5，3]，取c＝0.1，d＝0.9，进行归一化计算：

${\mathrm{sy}}_1=\frac{y_1-1.5}{3.0-1.5}(0.9-0.1)+0.1$

网络结构为：输入层节点数为2，隐含层节点数为3，输出层节点数为1。以归一化后的100组样本数据为训练样本，采用BP算法对网络进行训练；网络收敛时，得到下列一组权值w_ij ⁽¹⁾(i＝1，2；j＝1，2，3)，w_jk ⁽²⁾(j＝1，2，3；k＝1)和阈值b_m ⁽¹⁾(m＝1，2，3)，b_n ⁽²⁾(n＝1)。这里w_ij ⁽¹⁾为输入层第i个节点到隐含层第j个节点的权值；w_jk ⁽²⁾为隐含层第j个节点到输出层第k个节点的权值；b_m ⁽¹⁾为隐含层第m个节点阈值；b_n ⁽²⁾为输出层第n个节点阈值。通过训练后得到权值为：

$w_{11}^{\left(1\right)}=2.844,$ $w_{21}^{\left(1\right)}=-0.7229,$ $w_{12}^{\left(1\right)}=-0.3042,$ $w_{22}^{\left(1\right)}=-1.1557,$ $w_{13}^{\left(1\right)}=20.7001,$ $w_{23}^{\left(1\right)}=-6.8747,$ $b_1^{\left(1\right)}=-1116.7,$ $b_2^{\left(1\right)}=-5.1628,$ $b_3^{\left(1\right)}=-2107.4,$ $w_{11}^{\left(2\right)}=-6.8068,$ $w_{21}^{\left(2\right)}=0.2439,$ $w_{31}^{\left(2\right)}=-12.8294,$ $b_1^{\left(2\right)}=4.0792.$

如图1所示，在应用该模型时首先要对输入数据进行校正，校正方法为：对压缩机转速和入口体积流量分别校正，校正公式如下：

转速比的校正： ${x_1}^{\′}=x_1\sqrt{\frac{T_0}{T_{\mathrm{in}}}};$

体积流量的校正： ${x_2}^{\′}=x_2\sqrt{\frac{T_0}{T_{\mathrm{in}}}};$

根据校正后的转速比和体积流量，按照公式(1)对其进行归一化，变量的上下界相同。裂解气压缩机四段压缩比神经网络模型为：

$\mathrm{net}1=w_{11}^{\left(1\right)}\·{\mathrm{sx}}_1+w_{21}^{\left(1\right)}\·{\mathrm{sx}}_2+b_1^{\left(1\right)}---\left(3\right)$

$\mathrm{net}2=w_{12}^{\left(1\right)}\·{\mathrm{sx}}_1+w_{22}^{\left(1\right)}\·{\mathrm{sx}}_2+b_2^{\left(1\right)}---\left(4\right)$

$\mathrm{net}3=w_{13}^{\left(1\right)}\·{\mathrm{sx}}_1+w_{23}^{\left(1\right)}\·{\mathrm{sx}}_2+b_3^{\left(1\right)}---\left(5\right)$

$\mathrm{out}1=\frac{1}{1+\exp (-\mathrm{net}1)},---\left(6\right)$

$\mathrm{out}2=\frac{1}{1+\exp (-\mathrm{net}2)},---\left(7\right)$

$\mathrm{out}3=\frac{1}{1+\exp (-\mathrm{net}3)},---\left(8\right)$

$\mathrm{net}4=w_{11}^{\left(2\right)}*\mathrm{out}1+w_{21}^{\left(2\right)}*\mathrm{out}2+w_{31}^{\left(2\right)}*\mathrm{out}3+b_1^{\left(2\right)},---\left(9\right)$

${\mathrm{sy}}_1=\frac{1}{1+\exp (-\mathrm{net}4)},---\left(10\right)$

其中，sy₁是压缩机四段的压缩比模型预测值，该预测值通过如下式(11)的反归一化处理：

${\tilde{y}}_1=\frac{{\mathrm{sy}}_1-0.1}{0.9-0.1}(3-1.5)+1.5---\left(11\right)$

这样就可以求得裂解气压缩机四段压缩比

的预测值。如果模型训练采用的是质量流量，预测也采用质量流量进行预测，则需要温度和压力对质量流量进行校正，校正公式为： ${x_2}^{\′}=x_2\frac{P_0}{P_{\mathrm{in}}}\sqrt{\frac{T_{\mathrm{in}}}{T_0}}.$ 对多变效率进行建模与上面类似。

实施例2

某一四段裂解气压缩机的三段压缩比和多变效率的建模来说明两个性能参数同时预测的具体应用方法。建模所需的数据采集来自压缩机厂商提供的性能曲线，该数据是在入口温度为25℃下测得的，测出的数据中有入口压力(P)、入口体积流量(V)、摩尔质量(M)、绝对温度(T)，气体常数(R)，由式(12)可以得出入口质量流量(F)。

$F=\frac{\mathrm{MPV}}{\mathrm{RT}}---\left(12\right)$

从中选出119组压缩机在不同转速比(x₁)和入口质量流量(x₂)下对应的压缩比(y₁)和多变效率(y₂)形成样本数据[x₁，x₂，y₁，y₂]。

利用式(1)，对上述各自变量进行归一化处理：x₁的变化范围[0.85，1.15]，x₂的变化范围[20000，49000]，取a＝-1，b＝1，进行归一化计算：

${\mathrm{sx}}_1=\frac{x_1-0.85}{1.15-0.85}\×2-1$

${\mathrm{sx}}_2=\frac{x_2-20000}{49000-20000}\×2-1$

利用式(2)，对上述各因变量进行归一化处理：y₁的变化范围[1.45，3.25]，y₂的变化范围[0.5，0.8]，取c＝0.1，d＝0.9，进行归一化计算：

${\mathrm{sy}}_1=\frac{y_1-1.45}{3.25-1.45}(0.9-0.1)+0.1$

${\mathrm{sy}}_2=\frac{y_2-0.5}{0.8-0.5}(0.9-0.1)+0.1$

网络结构为：输入层节点数为2，隐含层节点数为3，输出层节点数为2。以归一化后的119组样本数据为训练样本，采用BP算法对网络进行训练；网络收敛时，得到下列一组权值w_ij ⁽¹⁾(i＝1，2；j＝1，2，3)，w_jk ⁽²⁾(j＝1，2，3；k＝1，2)和阈值b_m ⁽¹⁾(m＝1，2，3)，b_n ⁽²⁾(n＝1，2)。这里w_ij ⁽¹⁾为输入层第i个节点到隐含层第j个节点的权值；w_jk ⁽²⁾为隐含层第j个节点到输出层第k个节点的权值；b_m ⁽¹⁾为隐含层第m个节点阈值；b_n ⁽²⁾为输出层第n个节点阈值。通过训练后得到权值为：

$w_{11}^{\left(1\right)}=-1.4754,$ $w_{21}^{\left(1\right)}=0.83821,$ $w_{12}^{\left(1\right)}=-3.8181,$ $w_{22}^{\left(1\right)}=7.622,$ $w_{13}^{\left(1\right)}=3.0394,$ $w_{23}^{\left(1\right)}=-4.7622;$ $b_1^{\left(1\right)}=0.72485,$ $b_2^{\left(1\right)}=-16.63,$ $b_3^{\left(1\right)}=-1.5725;$ $w_{11}^{\left(2\right)}=-7.1837,$ $w_{21}^{\left(2\right)}=-97171,$ $w_{31}^{\left(2\right)}=-1.0832,$ $w_{12}^{\left(2\right)}=-1.21,$ $w_{22}^{\left(2\right)}=-198440,$ $w_{32}^{\left(2\right)}=-1.5828;$ $b_1^{\left(2\right)}=5.8455,$ $b_2^{\left(2\right)}=2.4372.$

在应用该模型时首先要对输入数据进行校正，校正方法为：对压缩机转速和入口体积流量分别校正，校正公式如下：

转速比的校正： ${x_1}^{\′}=x_1\sqrt{\frac{T_0}{T_{\mathrm{in}}}};$

质量流量的校正： ${x_2}^{\′}=x_2\frac{P_0}{P_{\mathrm{in}}}\sqrt{\frac{T_{\mathrm{in}}}{T_0}};$

如图2，根据校正后的转速比和质量流量，按照公式(1)对其进行归一化，变量的上下界相同。裂解气压缩机四段压缩比神经网络模型为：

$\mathrm{net}1=w_{11}^{\left(1\right)}\·{\mathrm{sx}}_1+w_{21}^{\left(1\right)}\·{\mathrm{sx}}_2+b_1^{\left(1\right)}---\left(13\right)$

$\mathrm{net}2=w_{12}^{\left(1\right)}\·{\mathrm{sx}}_1+w_{22}^{\left(1\right)}\·{\mathrm{sx}}_2+b_2^{\left(1\right)}---\left(14\right)$

$\mathrm{net}3=w_{13}^{\left(1\right)}\·{\mathrm{sx}}_1+w_{23}^{\left(1\right)}\·{\mathrm{sx}}_2+b_3^{\left(1\right)}---\left(15\right)$

$\mathrm{out}1=\frac{1}{1+\exp (-\mathrm{net}1)}---\left(16\right)$

$\mathrm{out}2=\frac{1}{1+\exp (-\mathrm{net}2)}---\left(17\right)$

$\mathrm{out}3=\frac{1}{1+\exp (-\mathrm{net}3)}---\left(18\right)$

$\mathrm{net}4=w_{11}^{\left(2\right)}*\mathrm{out}1+w_{21}^{\left(2\right)}*\mathrm{out}2+w_{31}^{\left(2\right)}*\mathrm{out}3+b_1^{\left(2\right)}---\left(19\right)$

$\mathrm{net}5=w_{12}^{\left(2\right)}*\mathrm{out}1+w_{22}^{\left(2\right)}*\mathrm{out}2+w_{32}^{\left(2\right)}*\mathrm{out}3+b_2^{\left(2\right)}---\left(20\right)$

${\mathrm{sy}}_1=\frac{1}{1+\exp (-\mathrm{net}4)}---\left(21\right)$

${\mathrm{sy}}_2=\frac{1}{1+\exp (-\mathrm{net}5)}---\left(22\right)$

其中，sy₁是压缩机三段的压缩比模型预测值，该预测值通过式(23)的反归一化处理；sy₂是压缩机三段的多变效率模型预测值，该预测值通过式(24)的反归一化处理：

${\tilde{y}}_1=\frac{{\mathrm{sy}}_1-0.1}{0.9-0.1}(3.25-1.45)+1.45---\left(23\right)$

${\tilde{y}}_2=\frac{{\mathrm{sy}}_2-0.1}{0.9-0.1}(0.8-0.5)+0.5---\left(24\right)$

这样就可以求得裂解气压缩机三段压缩比

和多变效率

的预测值。

Claims (2)

1.一种离心式压缩机压缩比和多变效率的在线软测量方法，其特征在于，所述在线软测量方法包括如下步骤：

(1)选取压缩机的转速比和入口流量作为测算所述离心式压缩机性能的神经网络模型的输入变量，所述转速比是所述离心式压缩机操作转速与设计转速的比值，所述入口流量是体积流量或质量流量；

(2)选取反映所述离心式压缩机性能的压缩比和/或多变效率作为所述神经网络模型的输出变量；

(3)利用压缩机厂商提供的测试数据作为训练样本，建立所述神经网络模型，根据所述神经网络模型对实际工况的离心压缩机进行操作优化；

所述神经网络模型的输入变量按照下式进行归一化处理：

${\mathrm{sx}}_i=\frac{x_i-x_i^{\min }}{x_i^{\max }-x_i^{\min }}(b-a)+a,i=\mathrm{1,2}$

式中，x_i是第i个操作条件的测试数据，sx_i表示第i个操作条件经归一化处理后作为神经网络的输入值，表示采集的第i个操作条件的变化范围，表示归一化处理后输入变量的变化范围，其中b＞a；

所述神经网络模型的因变量利用下式进行归一化处理：

${\mathrm{sy}}_j=\frac{y_j-y_j^{\min }}{y_j^{\max }-y_j^{\min }}(d-c)+c,j=\mathrm{1,2}$

式中，y_j是第j个因变量的测量值，sy_j表示第j个因变量归一化处理后作为神经网络模型的输出目标值，

表示采集的第j个因变量的变化范围，归一化处理后神经网络模型的输出值变化范围为[c，d]，其中d＞c；

采集到n组代表性的测试数据，其中每组数据包含[x₁，x₂，y]或[x₁，x₂，y₁，y₂]，经归一化处理后对应为[sx₁，sx₂，sy]或[sx₁，sx₂，sy₁，sy₂]，形成训练样本；以[sx₁，sx₂]为输入值，以[sy]或[sy₁，sy₂]为目标值，训练网络；当满足精度要求时，停止训练，获得所述压缩比和/或所述多变效率的神经网络模型，该模型的输出为归一化值；然后，对所述归一化值进行反归一化就得到了优化后的压缩比和/或多变效率，反归一化通过下式进行计算：

${\tilde{y}}_j=\frac{{\mathrm{sy}}_j-c}{d-c}(y_j^{\max }-y_j^{\min })+y_j^{\min },j=\mathrm{1,2}$

式中，

是第j个因变量的模型预测值，即所述优化后的压缩比和/或多变效率；

并且，应用所述神经网络模型对实际工况进行预测或优化时需要采用如下方法对输入变量进行校正：

转速比的校正：

体积流量的校正：

质量流量的校正：

式中，

和P₀分别是压缩机厂商测试所述离心式压缩机时的入口温度和压力；T_in和P_in分别是在线预测所述离心式压缩机性能时的入口温度和压力；所述温度为绝对温度，所述压力为绝对压力。

2.根据权利要求1所述的在线软测量方法，其特征在于，所述神经网络模型，其输入层的节点数为2、隐含层节点数为1～5、输出层节点数为1或2。

Images