基于FA-ISSA-PPR模型的旋风分离器分离效率预测

旋风分离器是气田开发中常用的气固分离设备,准确预测旋风分离器的分离效率对于指导其结构设计和方法优化具有重要意义。在对数据集进行相关性分析的基础上,采用因子分析(factor analysis, FA)简化变量,降低预测模型的复杂程度,利用改进的樽海鞘群算法(improved salp swarm algorithm, ISSA)对投影寻踪(projection pursuit regression, PPR)的模型参数进行优化,形成FA-ISSA-PPR组合模型。结果表明,利用FA模型,原数据集的10个变量可以简化合并为4个公因子,分别代表尺寸参数、颗粒沉降特性、粒子运行轨迹和等效分割粒径对分离效率的影响;与半经验模型和其余机器学习模型相比,组合模型在预测精度和训练时间上具有一定的优越性,在测试样本上的平均绝对误差(MAE)为0.005 91,R²可达0.995,证明了其在小样本、非线性数据分析上的准确性、鲁棒性和泛化性。     

旋风分离器性能参数影响研究

本文以CLK型旋风分离器为研究对象,利用ANSYS软件,模拟不同参数条件下旋风分离器内总压分布,并分析讨论不同参数对旋风分离器总压降的影响。结果显示,入口气流速度越大,压降越大;排气管的插入深度越大,压降越大;排气管的直径越大,压降越小。     

催化裂化沉降器粗旋风分离器的工作性能

在直径300 mm的催化裂化沉降器粗旋风分离器冷态实验模型上测试入口气速、质量浓度,考察二者以及料腿末端设置重锤逆止阀对粗旋风分离器工作性能的影响.结果表明:固相加入后降低了气流旋转动能耗散,使粗旋风分离器压降降低,料腿排气率增大;提高入口气速有利于减小料腿泄气率、提高粗旋风分离器分离效率,尤其对细颗粒分离有利;随固相质量浓度增大,粗旋风分离器压降降低,分离效率和料腿排气率均有小幅上升;料腿末端安装重锤逆止阀可令料腿泄气率减小3%以上,并提高粗旋风分离器分离效率;针对粗旋风分离器结构特征提出的压降模型计算粗旋风分离器压降精度较高.     

基于PCA-PSO-SVR的PV型旋风分离器粒级效率建模

为了准确地表达PV型旋风分离器的粒级效率与结构参数、操作参数之间复杂的非线性关系,采用PCA-PSO-SVR混合算法对PV型旋风分离器的粒级效率进行建模。采用主元分析法(PCA)对实验数据集进行降维处理,通过粒子群优化算法(PSO)对支持向量回归(SVR)模型中的超参数进行优化。将优化后的回归模型和其它机器学习模型在预测准确性、泛化性、鲁棒性以及运行速度方面进行了对比,结果表明,利用PCA-PSO-SVR算法对PV型旋风分离器的粒级效率建模是一种准确而有效的方法。     

M模型在低密度物料旋风分离器结构设计中的应用

利用Muschelknautz模型(即M模型),设计用于某企业聚碳酸酯生产中的旋风分离器,得到该旋风分离器的结构尺寸、分割粒径和总压降.采用流体力学计算软件Fluent对该旋风分离器的内部流场进行研究.研究结果表明:随着颗粒质量分数的增大,气流各方向上的运动速度随之降低,旋风分离器对整个颗粒群的捕集能力提高,但对分离器的壁面磨损也同时加剧;入口速度并不是越大越好,只有当入口速度为18 m/s时,数值模拟结果才与M模型中得出的结果较接近,表明采用M模型进行旋风分离器的设计准确性较高.     

基于深度信念网络的磷石膏充填材料强度预测

针对目前现有的强度预测方法精度低,提出提取输入参数的深层连接的深度信念网络(DBN)强度预测模型,并采用量子粒子群优化算法(quantum particle swarm optimization,QPSO)来确定DBN的隐含层节点个数和学习率。为获得最优的预测性能,以充填材料的成分及其尺寸作为基于DBN的预测模型的输入,输出充填材料的抗压强度。实验结果显示,该预测方法仅用了1.89 s的预测时间且精度达到99.84%,相比于广泛应用的BP神经网络、RVM(relevance vector machine)、SVM(support vector machine)三种算法在精度和时间上都有显著提升。     

入口下倾小型旋风分离器的仿真设计

以一台4 t/h燃煤锅炉烟气的旋风分离器为对象,采用R-k-ε湍流模型,利用Fluent软件对Stairmand HE型分离器内部流场进行三维数值仿真分析,并采用离散相模型对固体颗粒进行追踪,研究旋风分离器筒体结构及运行参数对其分离效率、运行压降和磨损的影响,获得了同时具有较高分离效率、较低运行压降、较少磨损的入口下倾...     

基于数据增强的DBN-ELM入侵检测方法

随着工业4.0时代的到来,工控安全事件频发,工控信息安全问题已经备受关注。由于工控环境较为复杂,导致传统机器学习方法在分类大量工控数据时存在收敛速度慢、泛化性较差以及数据分布不均衡等问题。为了解决此类问题,本研究采用一种基于WGAN-GP数据增强并运用深度信念网络和极限学习机相结合的深度学习入侵检测方法,本方法基于一种梯度惩罚的生成对抗网络数据增强并将深度信念网络（deep belief network,DBN）自动提取特征的能力与极限学习机（extreme learning machine, ELM）快速学习的能力相结合。采用加拿大网络安全研究所公布的 CICIDS2017 数据集对所提出的算法进行测试,经过对比实验证明了该方法精度更高,收敛速度更快。为了验证所提出算法在工控环境中的适用性,本研究同时采用密西西比州立大学天然气管道数据集进行验证,证明了该算法在工业环境中具有高精度、误报率低等优点,为工业入侵检测的研究提供了一种新的研究思路。     

旋风分离器压降数值分析

根据旋风分离器的结构和气流流动特点,在旋风分离器流场和浓度测定的基础上,以旋风分离器切向速度模型为基础,模拟进出口静压、动压,数值模拟结果与压力损失理论解析计算模型基本吻合,验证了旋风分离器内压降基本分布规律。     

缝隙式排气管对旋风分离器的性能影响

为降低传统旋风分离器工作时排气管内气流高速旋转造成的大量能量损失,将Lapple型旋风分离器的排气管改进为缝隙式排气管,利用数值模拟和实验的方法分析了缝隙式排气管对旋风分离器的性能影响.采用RSM模型对气相流场的切向速度、静压、流动轨迹、湍流强度以及压降进行数值模拟,采用多相流模型中的DPM模型对分离器的分离效率和颗粒运动轨迹进行仿真分析.仿真分析结果与实验验证结果吻合度较好,有较高的预报精度.最终结果表明,缝隙式排气管可使传统旋风分离器的压降下降6.8%,分离效率提升5.5%;当排气管上缝隙长度或宽度增加至一定数值,分离器的分离效率达到最大.随着排气管上缝隙长度或宽度的增加,旋风分离器的分离效率逐渐趋于稳定,压降持续降低;排气管上的矩形缝隙可使排气管内产生旋进涡核(PVC)现象,随着缝隙长度的增加,旋进涡核现象有所减弱,缝隙宽度的变化对旋进涡核现象影响较小;缝隙式排气管可有效抑制普通排气管中心处回流区的产生,并使普通排气管底部以及外旋流的湍流强度降低,从而减少排气管底部的短路流,提高分离效率.通过观察不同颗粒粒径的电石渣颗粒的运动轨迹,可知Lapple型旋风分离器与新型旋风分离器内部流场呈现出有利于固体颗粒分离的组合涡结构,排气管结构的改变并未影响分离腔的原始涡流结构.     

轴流旋风分离器特性的数值模拟

为了研究轴流旋风分离器的性能,主要分析2.5~6m/s风速下叶片间距、旋转角度及排尘间隙对旋风分离器阻力和切向速度的影响.结果表明:旋风分离器的阻力随风速的增大而增大;叶片旋转角度对旋风阻力影响不大,但旋转角度的增加可增大最大切向速度;叶片间距变化对阻力和切向速度的影响很大,在6m/s风速下,叶片间距12mm较16mm时阻力增加31.1%,切向速度增大11%;排尘间隙变大可明显增大阻力,对切向速度影响较小.叶片间距为16mm,叶片旋转圆周角为90°,排尘间隙为7.15mm的旋风分离器对A4粗灰的分离效率可达85%以上.本研究结果为轴流旋风分离器几何参数设计提供了依据.     

旋风分离器分离性能的经验模型与数值预测

利用雷诺应力输运模型对Stairmand高效旋风分离器的气相流场进行数值模拟,在此基础上对旋风分离器的分离效率、压力损失进行了研究,得出了不同条件下旋风分离器的分离性能,同时利用Barth,Iozia&Leith,Shepherd&Lapple,Cacal&Martinez,Dirgo,Coker经验公式计算了该旋风分离器的分级效率和压力损失,并分别和实验数据进行了比较.结果表明,Barth经验公式在计算直径为305mm的Stairmand旋风分离器时的分级效率与实验数据吻合较好;而Iozia&Leith经验公式能准确地计算直径为152mm的Stairmand旋风分离器的分级效率;Cacal&Martinez及Dirgo经验模型计算的压力损失和实验数据吻合较好.另一方面,数值预测的分级效率和实验数据基本一致,而且预测的压力损失误差在5%以内.研究结果还表明,应用计算流体动力学来研究旋风分离器的分离性能方便且可行.     

高效低阻旋风分离器的试验与开发

对影响ＰＶ型旋风分离器分离性能的关键尺寸和结构进行了改进,开发出了一种压降更低、效率更高的ＰＶＥ型旋风分离器。对改进后的分离器性能进行了试验,由试验结果可知,缩小排气管下口直径,可提高旋风分离器分离效率,但同时分离器的压降也大幅度上升。压降上升问题可以通过在排气芯管上开若干条狭缝加以解决。改进排尘口的结构,适当地增加分离空间的高度,并进行了优化匹配,可以在保持压降基本不变的条件下提高旋风分离器的效率     

基于VMD-DBN的滚动轴承故障诊断方法

为揭示滚动轴承故障振动信号的典型特征规律,结合变分模态分解(VMD)与深度置信网络(DBN)的优势,提出轴承振动信号特征的提取方法.将信号先进行基于VMD的分解,根据各模态分量频谱图确定其模态参数,得到若干个模态分量.然后,基于DBN强大的特征提取能力,采用DBN无监督特征提取方法,将得到的模态分量映射到一维,并融合各分量的DBN特征形成特征向量,将其作为粒子群优化支持向量机(PSO-SVM)的输入进行故障诊断.实验验证与对比分析证明了VMD-DBN方法的可行性与优越性.     

基于机器学习和遗传算法的高炉参数预测与优化

针对目前高炉炼铁模型精度不高问题,提出建立高炉生产过程中精确的多目标优化模型.首先对高炉的海量数据进行了数据预处理,其次采用支持向量机、随机森林、梯度提升树、XGBoost、LightGBM、人工神经网络6种机器学习算法对高炉焦比、K值进行了预测,并采用特征工程和超参调优对机器学习预测进行了优化,最后采用新的集成学习方法进行预测.预测结果不仅精准度高而且具有很好的鲁棒性.在机器学习的基础之上,采用NSGA-Ⅱ遗传算法对高炉参数进行了多目标优化分析,得到了Pareto最优解,高炉操作者可以根据该多目标优化结果针对不同的需求选择相应的控制参数.     

一种内置旋流叶片的旋风分离器性能数值研究

提出了一种新的高效旋风分离器构造,在传统分离器的内外涡旋交界面上添加一组与气流旋转方向相同的旋流叶片,来阻挡含尘气流中的颗粒进入内涡旋区.基于计算流体力学(CFD),采用雷诺应力模型和离散相的随机轨道模型来计算分离器的气固两相流,并用试验数据验证了计算模型的正确性;通过数值计算分析、比较了添加旋流叶片前后的分离器性能,对旋流叶片进行了性能优化.结果显示,与传统分离器相比,添加旋流叶片能够使分割粒径减小60%～70%,有效地提高了分离效率,而压降仅增加19.3%,且旋流叶片对于小粒径、小密度颗粒的分离效率提升更为显著.     

卧置式旋风管的结构及性能研究

卧管型多管旋风分离器是一种新型高效除尘设备,旋风管是卧管型分离器的重要部件.本文研究了三种结构的卧管型旋风管,通过性能对比实验,选出一种性能优于目前广泛应用的立置导叶式旋风管作为卧管型多管旋风分离器的基准型旋风管。并给出这种基准型旋风管的性能计算公式.计算结果表明,卧置切向入口式旋风管比立置轴流导叶式的性能要优越。     

基于PCA-OS-ELM的大气PM2.5浓度预测

为了提高细颗粒物PM_2.5浓度预测精度,提出一种主元成分分析与在线序列极限学习机相结合（PCA-OS-ELM）的PM_2.5浓度预测方法. 首先,通过主成分分析方法（PCA）提取高维大气数据中影响空气质量的关键变量,并去除不必要的冗余变量;其次,利用提取的关键变量建立在线序列极限学习机（OS-ELM）网络预测模型,将批处理和逐次迭代相结合,不断更新训练数据和网络参数实现大气PM_2.5浓度快速预测.研究结果表明,PCA-OS-ELM预测方法采用不同批次训练数据更新模型的方式,能够快速实现大气PM_2.5浓度预测,证明了该方法的有效性.与其他方法相比,该方法预测误差小,预测精度高,具有更好的实用价值.      

基于GRU-DRSN的双通道人体活动识别

人体活动识别(human activity recognizition, HAR)在医疗、军工、智能家居等领域有很大的应用空间。传统机器学习方法特征提取难度较大且精度不高。针对上述问题并结合传感器时序特性,提出了一种融合CBAM(convolutional block attention module)注意力机制的GRU-DRSN双通道并行模型,有效避免了传统串行模型因网络深度加深引起梯度爆炸和消失问题。同时并行结构使得两条支路具有相同的优先级,使用深度残差收缩网络(deep residual shrinkage network, DRSN)提取数据的深层空间特征,同时使用门控循环结构(gated recurrent unit, GRU)学习活动样本在时间序列上的特征,同时进行提取样本不同维度的特征,并通过CBAM模块进行特征的权重分配,最后通过Softmax层进行识别,实现了端对端的人体活动识别。使用公开数据集(wireless sensor data mining, WISDM)进行验证,模型平均精度达到了97.6%,与传统机器学习模型和前人所提神经网络模型相比,有更好的识别效果。