基于神经网络模型的高剪切湿法造粒过程模拟和放大预测

摘要

造粒是一种被广泛应用于不同工业领域的单元操作。造粒过程通过联结作用将初级粉料聚集在一起生成颗粒产品。造粒过程的影响因素有很多，包括配方特性、设备几何特性、操作参数等。大多数影响因素与产品特性间呈高度非线性关系，这使得对造粒过程机理的研究变得相当复杂。目前对造粒过程的研究只是定性的描述了某一特定造粒过程所处的机理区域，以及可能出现的造粒现象，尚不能对造粒产品的特性给出定量的预测。
　　人工神经网络模型因其优秀的信息处理能力，在模式识别、预测控制等许多不同领域取得了广泛的应用。其善于处理高度非线性关系的特点尤其适合造粒过程的建模工作。本文借助人工神经网络模型(Artificial Neural Networks)方法对高剪切湿法造粒过程建立了一种工业上普遍适用的半经验模型来对造粒产品的粒度分布参数进行定量的预测。文章的主要内容包括以下几个方面：
　　通过对造粒过程机理研究的相关文献进行调研，以及实验观察，确定影响造粒过程的主要参数，并对这些参数进行了归纳分析。定义了总相对扫料体积(RSVtotal)、相对理论液体可用度(RTLA)、液体注入参数(LIF)以及斯托克斯粘性系数(Stv)四个描述造粒过程的关键参数。对造粒过程建立了统一的标准化描述方法，使其适用于不同的配方和设备。同时，关键参数定义法可以降低问题描述的维度，减少实验及建模过程的工作量。另外，无量纲的关键参数消除了对设备尺寸的依赖，满足了工业放大的需求。
　　本工作在小试车间尺度到工业生产尺度等不同尺寸的设备上进行了造粒实验，记录了每批实验的配方特性、相关操作参数及产品粒度分布参数。测定了计算造粒过程关键参数所需的原材料的基本特性。计算出每批实验的关键参数值，并以此为输入对造粒过程的粒度分布参数进行预测。
　　人工神经网络模型的建立。利用MATLAB软件，以关键参数为输入建立了造粒过程的人工神经网络模型，对造粒产品的粒度分布参数进行预测。利用隐藏节点可变的神经网络考察了网络结构对预测结果的影响，最终选取了最优的网络结构(Network topology)。对不同传递函数(transfer function)和不同训练方法(training algorithm)的效果进行了比较，并选取最优组合。利用MIV(Mean Impact Value)法对各关键参数对造粒产品粒度分布参数的影响进行了评价。针对粒度分布宽度参数预测效果稍差的现象采取了两种建立人工神经网络模型常用的方法进行优化，并对可能的原因进行了分析。最后，在不同的配方、不同的设备尺度及不同的操作条件下对模型的预测效果进行了验证。

目录

声明

第一章 前言

1.1造粒

1.2造粒方法分类

1.3高剪切湿法造粒

1.4造粒的三个速率过程

1.5造粒过程的微观模型

1.6颗粒生长现象

1.7颗粒生长机制图

1.8常见的造粒过程研究方法

1.9研究动机与本文的研究内容

第二章 造粒过程关键参数定义

2.1引言

2.2总相对扫料体积

2.3相对理论液体可用度

2.4液体注入参数

2.5斯托克斯粘性系数

2.6本章小结

第三章 实验部分与数据收集

3.1引言

3.2造粒设备及造粒工艺

3.3过程参数调整及数据收集

3.4原材料特性

3.5造粒产品粒度分布的测量

3.6本章小结

第四章 人工神经网络模型

4.1引言

4.2神经网络的基本要素

4.3神经网络的种类及拓扑结构

4.4传递函数

4.5神经网络的学习方式

4.6神经网络的学习规则

4.7误差反向传播算法

4.8神经网络训练算法

4.9神经网络的泛化能力

4.10神经网络模型统计学评价标准

4.11敏感度分析

4.12本章小结

第五章 高剪切湿法造粒过程神经网络模型的建立

5.1引言

5.2数据预处理

5.3人工神经网络模型的建立

5.4人工神经网络模型寻优结果

5.5对造粒产品粒度分布宽度预测的优化

5.6关键参数敏感度分析

5.7本章小结

第六章 结论与展望

6.1主要结论

6.2论文创新点

6.3后期工作建议

主要符号说明

附录

参考文献

发表论文和参加科研情况说明

致谢