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。

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18m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G_s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"中心低边壁高"的特点且在不同径向区域的发展具有不同步性,中心区域发展快且可以实现充分发展,并逐步向边壁区域延伸。颗粒速度轴向分布特性受表观气速影响较大。表观气速较小时颗粒速度基本呈指数型分布且很快进入恒速区,表观气速较大时颗粒速度轴向分布呈现出"倒C型"。颗粒速度在不同径向区域上发展特性与颗粒浓度基本一致。较低提升管内颗粒进入提升管时可能受气固入口结构影响,沿提升管向上运动时流动结构未得到充分发展又可能会受到提升管出口约束,会呈现多段式流动发展特性。本实验18m高提升管内颗粒流动结构可以得到充分发展,轴向上颗粒浓度分布基本呈现指数型分布。

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。