填料塔液泛预测的深度学习建模研究

摘要

填料塔广泛应用于化工行业的精馏、传热等操作单元中。通常，将填料塔的运行状态接近（但不超过）液泛点可提高其生产效率。但是，一旦发生液泛则会导致填料塔低效运行，甚至会迫使整条生产线停工。因此，针对填料塔液泛有效的在线监测可以保障填料塔的高效安全运行。
　　本文首先综述了填料塔液泛监测的传统方法，将深度学习应用于填料塔重要过程信息的特征提取中，以有效分析液泛现象。为了更好提取过程变量和数字图像中的不同信息，提出在线监测填料塔液泛的深度学习复合模型。最后，通过辨识填料塔的不同状态，实现模型的在线监测。本文的主要工作与创新点如下:
　　(1)针对传统液泛模型提取过程数据重要特征的不足，将深度置信网络(DBN，Deep Belief Network)应用于填料塔液泛预测。针对噪声大且非线性强的过程数据，提出一种自适应深度置信网络(ADBN，Adaptive DBN)，使其能自主选择参数以高效率的完成模型训练。实验表明ADBN模型在特征提取及液泛预测的能力较传统模型更具优势。
　　(2)传统分析填料塔运行状态仅依赖于过程数据，并未利用图像信息。采用摄像机记录彩色图像，以拓宽预测液泛状态的信息源维度。提出采用卷积神经网络(CNN，Convolutional Neural Network)对高维度的图像数据进行分析。进一步，结合填料塔液泛过程中的物理数据和图像数据两种信息的特点，建立一种复合模型，最终实现对液泛发生状态的更准确和可靠的预测。

目录

声明

摘要

缩略语列表

图目录

表目录

1．1 研究背景及意义

1．2 国内外填料塔液泛研究现状

1．3 深度学习研究现状

1．4 本文研究内容

第2章 填料塔液泛辨识的深度学习图像识别方法

2．1 填料塔液泛实验系统

2．1．1 设备硬件

2．1．2 配套软件

2．1．3 实验方法及数据采集

2．2 卷积神经网络状态辨识

2．2．1 研究背景与发展现状

2．2．2 卷积神经网络建模

2．2．3 填料塔液泛CNN模型架构

2．3 实验分析

2．3．1 预测模型评价方法

2．3．2 填料塔液泛CNN辨识模型

2．3．3 火焰数字图像CNN模型

2．4 本章小结

第3章 填料塔液泛数据驱动深度学习建模方法

3．1 深度置信网络建模方法

3．1．1 深度置信网络

3．1．2 受限玻尔兹曼机的搭建

3．1．3 受限玻尔兹曼机的训练

3．1．4 反向传播微调

3．2 深度置信网络的自适应学习率改进方法

3．2．1 自适应模型的建立与训练

3．2．2 自适应学习率建模步骤

3．3 案例研究

3．3．1 催化裂化单元ADBN模型

3．3．2 填料塔液泛压降ADBN模型

3．3．3 火焰数字图像ADBN模型

3．4 本章小结

第4章 融合过程变量和数字图像的填料塔液泛辨识方法

4．1 复合深度学习工业模型

4．2 液泛模型的分类方法与评估准则

4．2．1 分类方法

4．2．2 评估准则

4．3 填料塔液泛复合模型实验

4．4 本章小结

5．1 结论

5．2 展望

参考文献

致谢

攻读学位期间参加的科研项目和成果