專利名稱：一種離心式壓縮機壓縮比和多變效率的在線軟測量方法
技術領域：
本發(fā)明屬于動力工程與人工智能交叉領域，涉及離心式壓縮機壓縮比和多 變效率的在線軟測量方法。
背景技術：
壓縮機是將氣體壓力增大或者將氣體從一個設備送往另一個設備的機 器，它由蒸汽透平或電機驅動，將機械能轉變?yōu)闅怏w的壓力能，使氣體的體積 縮小，壓力增高。離心式壓縮機是主要類型的壓縮機，它借助于機殼內作高速 旋轉的葉輪，帶動氣體一起旋轉，使氣體產生很大的離心力和很高的流速，離 心力使氣體的壓力增大，而高速則使氣體的動能增加，再通過擴壓流動將動能 轉化為壓力能，使氣體的壓力升高。離心式壓縮機在國民經濟中占重要的地 位，特別是在冶金、石油、化工以及動力等工業(yè)部門獲得廣泛應用。如在乙烯 工業(yè)中的三機(裂解氣壓縮機，乙烯制冷壓縮機和丙烯制冷壓縮機)作為乙烯 裝置的"心臟"設備，需要消耗大量的能耗，在乙烯生產中起著舉足輕重的作 用。
離心式壓縮機的理論功耗可以按照下式來計算
m-l
式中h,V工為壓縮機入口處的壓力和體積流量，"稱為多變效率，e為壓縮比，m為多變指數，多變指數m與絕熱指數k之間存在如下關系:
"1
在壓縮機設備確定的情況下，壓縮機的多變效率和壓縮比與壓縮機的轉速 和進料流量有很大關系，在轉速一定的情況下，多變效率和壓縮比隨進料流量 先增加，達到最大值后開始降低。不同的轉速對應的最佳進料量是不同的。壓 縮機廠商在壓縮機出廠時對壓縮機進行測試，提供給用戶在確定工況下的性能 曲線或數據，然而在實際應用時壓縮機的入口條件會發(fā)生較大的改變，壓縮機 的最佳操作條件將發(fā)生改變。為了使壓縮機處于較優(yōu)的操作條件下工作，并滿 足工藝要求，需要對壓縮機進行建模，并在此基礎上進行優(yōu)化，得到壓縮機的 最佳操作條件。本發(fā)明就是針對離心壓縮機的兩個關鍵參數壓縮比和多變效 率進行在線預測。

發(fā)明內容
本發(fā)明的目的是提供一種離心式壓縮機壓縮比和多變效率的在線軟測量 方法。選取壓縮機的轉速比和入口流量作為模型輸入變量，選取壓縮機的壓縮 比和多變效率作為模型的輸出變量，采用神經網絡技術建立輸入變量與輸出變 量的關聯模型。神經網絡建模方法不需考慮反應機理，直接采用工業(yè)裝置的代 表性運行數據，對網絡進行訓練，就可以得到壓縮機的性能模型，建立的模型 具有較高的建模精度、同時又有很好的預報能力。離心式壓縮機性能模型的自 變量，即神經網絡模型的輸入變量
(1)壓縮機的轉速比G》(2)壓縮機入口流量(體積流量或質量流量)G2)
模型的因變量，即神經網絡模型的輸出變量
(1) 離心式壓縮機的壓縮比(Yl)
(2) 多變效率(y2)
神經網絡模型采用活化函數為Sigmoid函數，三層前傳神經網絡來建立離 心式壓縮機的性能模型，并采用誤差反傳算法(BP， Back Propagation)對網 絡進行訓練，輸入層2個節(jié)點、隱含層2 5個節(jié)點、輸出層1個或2個節(jié)點 (可以將多變效率和壓縮比作為一個模型的兩個輸出，也可以分別建立單獨的 模型)。網絡模型的輸入變量利用下式(1)進行歸一化處理
",、1T二曲(")+ "，卜1，2 (1)
式(1)中，x,是第z個操作條件(即，自變量)的實際測量值，a表示第,-個操作條件歸一化后作為神經網絡模型的輸入變量，，x^x]表示采集到第/ 個操作條件的變化范圍， 歸一化后輸入自變量的變化范圍為[a,6]，其中ha。
網絡模型的輸出變量利用下式(2)進行歸一化處理
化=^^^(c -c) + c，_/ = 1，2 (2)
少乂一 J7/
式(2)中，力是第J個輸出變量(即，因變量)的實際測量值，^表示第 y個因變量歸一化后作為神經網絡輸出的目標值，，>0 1表示采集到第J個 因變量的變化范圍，歸一化后神經網絡輸出的變化范圍為[c,J]，其中d"。
采集到"組代表性的測試數據，其中每組數據包含h,^，力，h]，經歸一化后為[巧，巧，^，W，形成訓練樣本。對熱裂解反應深度神經網絡模型，以 h,]作為網絡的輸入，分別以W和^為目標值，訓練網絡。當達到精度要 求時，停止訓練，獲得壓縮機性能模型，則根據求得的神經網絡模型的權值與 閾值，就可以得到壓縮機的壓縮比(力)、多變效率(h)與壓縮機的轉速比
G》和入口流量G2)之間關系的具體表達式，即模型方程。應用模型方程 時需要對輸入變量進行校正。


圖1和圖2是離心式壓縮機性能神經網絡模型框圖。
具體實施例方式
下面，通過實施例對本發(fā)明作進一步說明，它將有助于理解本發(fā)明，但并 不限制本發(fā)明的內容。
實施例 1
乙烯裂解氣壓縮機是一種離心式壓縮機，根據乙烯生產的工藝一般采用四 段壓縮或五段壓縮，這里以某一 四段裂解氣壓縮機的四段壓縮比的建模來說明 本發(fā)明的具體應用方法，本實施例的壓縮機的網絡結構如圖l所示。建模所需 的數據采集來自壓縮機廠商提供的性能曲線，該數據是在入口溫度為25°C下測 得的，從中選出100組壓縮機在不同轉速比(x,)和入口體積流量G2)下對 應的壓縮比(力)形成樣本數據[^;c2，"]。
利用式(1)，對上述各自變量進行歸一化處理a的變化范圍
， X2的變化范圍[1500, 4500]，取a"l，b^，進行歸一化計算利用式(2)，對上述各因變量進行歸一化處理^的變化范圍[1.5，3]， 取c=0. 1， d=0. 9，進行歸一化計算
W-^^l(0.9-0.1) + 0.1
網絡結構為輸入層節(jié)點數為2，隱含層節(jié)點數為3，輸出層節(jié)點數為l。 以歸一化后的100組樣本數據為訓練樣本，采用BP算法對網絡進行訓練；網 絡收斂時，得到下列一組權值《)(1=1，2;」=1，2，3)，《)(j=l，2，3; k二l)和閾 值")(m=l， 2， 3) ， (n=l)。這里4)為輸入層第i個節(jié)點到隱含層第j個節(jié)點 的權值；— 為隱含層第j個節(jié)點到輸出層第k個節(jié)點的權值；比"為隱含層第
m個節(jié)點閾值；《)為輸出層第n個節(jié)點閾值。通過訓練后得到權值為 《)=2.844 ，《=-0.7229 ， <) = -0.3042 ，《=-1.1557 ，《=20.7001 ，《=-6.8747
W1) =-1116.7 ， 6 )=-5.1628 ， 63(1) =-2107.4 ， 《)=-6扁8 ， 《)=0.2439 ，
《)=-12.8294 、(2) = 4.0792 。
如圖1所示，在應用該模型時首先要對輸入數據進行校正，校正方法為 對壓縮機轉速和入口體積流量分別校正，校正公式如下
根據校正后的轉速比和體積流量，按照公式(1)對其進行歸一化，變量的上下界相同。裂解氣壓縮機四段壓縮比神經網絡模型為: ""l =《) ^ +《) sx2 +
w"2 =《 巧+《) ^2 + W)
恥f 3 =《) W +《) 5X2 + 63("
ow。=
11 + exp(-
1
1 + exp(-
1
1 + exp(-
weM =《)* owl +《)* 0^2 +《)* oW3 + 6卩) 1
(3)
(4)
(5)
(6)
(7)
(8)
(9)
(10)
1 + exp( 4)'
其中，syi是壓縮機四段的壓縮比模型預測值，該預測值通過如下式(11)的 反歸一化處理
^±1(3 —15)+1
1 0.9 — 0.1
(11)
這樣就可以求得裂解氣壓縮機四段壓縮比(A)的預測值。如果模型訓練采用 的是質量流量，預測也采用質量流量進行預測，則需要溫度和壓力對質量流量
進行校正，校正公式為V^2吞j^。對多變效率進行建模與上面類似<實施例 2
某一四段裂解氣壓縮機的三段壓縮比和多變效率的建模來說明兩個性能參 數同時預測的具體應用方法。建模所需的數據采集來自壓縮機廠商提供的性能
曲線，該數據是在入口溫度為25i:下測得的，測出的數據中有入口壓力(戶)、 入口體積流量(r)、摩爾質量(M)、絕對溫度(T)，氣體常數(*)，由式(12) 可以得出入口質量流量(F)。
尸， (12) 及r
從中選出119組壓縮機在不同轉速比G》和入口質量流量(a)下對應 的壓縮比(力)和多變效率)形成樣本數據[^x2，力，h]。
利用式(l)，對上述各自變量進行歸一化處理A的變化范圍[O. 85， 1. 15], &的變化范圍[20000， 49000]，取a"l，b二l，進行歸一化計算
x廣0.85 ,,
1 1.15-0.85
;c廣20000 ,， 5X，=——^-x2-l
2 49000-20000
利用式(2)，對上述各因變量進行歸一化處理"的變化范圍[l. 45， 3. 25]， y2的變化范圍
,取c=0.1， d=0. 9，進行歸一化計算
=^i-"5 (o.9-0.1) + 0.1
1 3.25-1.45
s_y2 =少2—O.5 (0.9-0.1)+ 0.1
2 0.8-0.5
網絡結構為輸入層節(jié)點數為2，隱含層節(jié)點數為3，輸出層節(jié)點數為2。 以歸一化后的119組樣本數據為訓練樣本，采用BP算法對網絡進行訓練；網
11絡收斂時，得到下列一組權值《)(1=1，2;」=1，2,3)， wy(j=l，2，3; !^1，2)和 閾值&" (m=l， 2， 3)， ^ (n=l， 2)。這里4)為輸入層第i個節(jié)點到隱含層第j個 節(jié)點的權值；^)為隱含層第j個節(jié)點到輸出層第k個節(jié)點的權值；6二"為隱含
層第m個節(jié)點閾值；W)為輸出層第n個節(jié)點閾值。通過訓練后得到權值為-《)=-1.4754,《)=0.83821,《=-3.8181，《=7.622，《)=3.0394，《=-4.7622; 6卩)=0.72485, 62(1) = -16.63 ， 63(1) = -1.5725 ; wg) = -7.1837 ， wg) = -97171 ， w3(f = -1.0832 ， 《)=-1.21 ，《)=-198440 ，《=-1.5828 ; 6卩)=5.8455 ， = 2.4372 。
在應用該模型時首先要對輸入數據進行校正，校正方法為對壓縮機轉速 和入口體積流量分別校正，校正公式如下
轉速比的校正V=x、,；
V 乂加
質量流量的校正V^登j^;
如圖2，根據校正后的轉速比和質量流量，按照公式(1)對其進行歸一化， 變量的上下界相同。裂解氣壓縮機四段壓縮比神經網絡模型為
=《) 巧+《) + 6f) (13)
W2 =《.a +《.+時) (14) "w3 =《).w +《).+ 63(1) (15)
l + exp(-(16) 1
1 + exp(- wW2) (17) 1
l + exp(-""3) (18)
=
OM。 = 1""4 = * owl +《)* oW2 +《)* ow3 + 6卩) (丄9)
""5 =《)* owl +《)* oW2 +《)* owf3 + 6 ) (20)
=^——i^ (21)
1 + exp(-wef 4)
(22)
1 + exp(-w"5)
其中，syi是壓縮機三段的壓縮比模型預測值，該預測值通過式(23)的反歸 一化處理；sy2是壓縮機三段的多變效率模型預測值，該預測值通過式(24) 的反歸一化處理
=^廣o.i _+145 咖
1 0.9-0.1
+05 (24)
2 0.9-0.1
這樣就可以求得裂解氣壓縮機三段壓縮比(A)和多變效率(A)的預測值。
1權利要求
1、一種離心式壓縮機壓縮比和多變效率的在線軟測量方法，其特征在于，所述在線軟測量方法包括如下步驟(1)選取壓縮機的轉速比和入口流量作為測算所述離心式壓縮機性能的神經網絡模型的輸入變量，所述轉速比是所述離心式壓縮機操作轉速與設計轉速的比值，所述入口流量是體積流量或質量流量；(2)選取反映所述離心式壓縮機性能的壓縮比和/或多變效率作為所述神經網絡模型的輸出變量；(3)利用壓縮機廠商提供的測試數據作為訓練樣本，建立所述神經網絡模型，根據所述神經網絡模型對實際工況的離心壓縮機進行操作優(yōu)化。
2、 根據權利要求1所述的在線軟測量方法，其特征在于，所述神經網 絡模型，其輸入層的節(jié)點數為2、隱含層節(jié)點數為1 5、輸出層節(jié)點數 為1或2。
3、 根據權利要求1所述的在線軟測量方法，其特征在于，所述神經網 絡模型的輸入變量按照下式進行歸一化處理式中，《是第'個操作條件的測試數據，",.表示第'個操作條件經歸一化處理后作為神經網絡的輸入值，，^r1表示采集的第z個操作條件的變化范圍，k,M表示歸一化處理后輸入變量的變化范圍，其所述神經網絡模型的因變量利用下式進行歸一化處理:式中，^是第J'個因變量的測量值，s力表示第y個因變量歸一化處理后作為神經網絡模型的輸出目標值，，yrl表示采集的第7個因 變量的變化范圍，歸一化處理后神經網絡模型的輸出值變化范圍為[c,d]，其中"c;采集到"組代表性的測試數據，其中每組數據包含h ,&,y]或 [A ,12,力，^2])，經歸一化處理后對應為[s^ ，sx2，sy]或[s:^ ，^2，^p^2]， 形成訓練樣本；以[巧，巧]為輸入值，以[W]或[^，^2]為目標值，訓 練網絡；當滿足精度要求時，停止訓練，獲得所述壓縮比和/或所述多 變效率的神經網絡模型，該模型的輸出為歸一化值；然后，對所述歸一 化值進行反歸一化就得到了優(yōu)化后的壓縮比和/或多變效率，反歸一化 通過下式進行計算=^^0;71 - ) + _/ = 1，2式中，？,是第J個因變量的模型預測值，即所述優(yōu)化后的壓縮比和/ 或多變效率。
4、根據權利要求1 3任一項所述的在線軟測量方法，其特征在于，應 用所述神經網絡模型對實際工況進行預測或優(yōu)化時需要采用如下方法 對輸入變量進行校正體積流量的校正<formula>formula see original document page 4</formula> 質量流量的校正<formula>formula see original document page 4</formula>式中，T。和P。分別是壓縮機廠商測試所述離心式壓縮機時的入口溫度和壓力；L和Pin分別是在線預測所述離心式壓縮機性能時的入口溫度和壓力；所述溫度為絕對溫度，所述壓力為絕對壓力。
全文摘要
本發(fā)明公開了一種離心式壓縮機壓縮比和多變效率的在線軟測量方法，即選取離心式壓縮機轉速比和入口流量作為離心壓縮機神經網絡模型的輸入變量；選取反映離心壓縮機性能的壓縮比和多變效率作為模型的因變量；利用壓縮機廠商提供的性能曲線或試驗數據作為訓練樣本，建立離心式壓縮機壓縮比和多變效率的神經網絡模型，即離心壓縮機的性能模型。該模型具有較高的建模精度、同時又有很好的預報能力，可對實際工況的離心壓縮機進行操作優(yōu)化。
文檔編號F04B51/00GK101487466SQ20091004660
公開日2009年7月22日 申請日期2009年2月25日 優(yōu)先權日2009年2月25日
發(fā)明者劉漫丹, 李紅濤, 李紹軍, 楊玉和, 趙晶瑩, 陽治維 申請人:華東理工大學