设为首页加入收藏
全站搜索
新闻详情
 
新闻搜索
 
 
栏目导航
 
 
当前位置
滤料过滤效率的数值预测研究
作者:管理员    发布于:2017-06-14 14:11:44    文字:【】【】【

  滤料过滤效率的数值预测研究王智超h2,吴占松杨英霞2,王亮2(1.清华大学热能工程系,北京100084;2.中国建筑科学研究院,北京100013)过滤效率作为输出训练算法,预测不同测试条件下滤料的过滤效率,并对3种算法的预测结果进行了对比分析。结果表明,采用LS-SVM无论从预测精度还是运行时间上,预测效果都为理想;LS-SVM的过滤效率预测模型与RBF、BP神经网络相比,平均百分比误差小,程序运行时间短。

  随着国家对大气环境保护要求越来越高,各种工业排放标准也日趋严格。袋式除尘器以其高达99.99的除尘效率而广泛应用于火力发电、钢铁、水泥等行业的污染物排放控制。作为袋式除尘器关键部件之的滤料,其性能的优劣对除尘效果的影响很大。在实际应用中,滤料性能会受多种因素的影响,如过滤风速、温度、粉尘特性等m.目前仍由试验的方法研究这些影响因素对除尘滤料性能的影响规律M,而且已有相应的标准规定了测试方法M.但由于试验条件和费用的限制,无法对真实滤料的使用条件进行试验。如果建立在部分滤料试验数据基础上的预测模型能够解决这些问题,对于除尘滤料性能的提高、袋式除尘器的设计和运行都将有很大的实际意义。

  由于滤料过滤效率的数学模型较为复杂,基本属于黑箱问题,即属于只关心研究对象的输入与输出,而不必关心对象具体结构的问题。解决此类复杂模型的回归问题的传统方法是运用BP神经网络或RBF神经网络进行建模。但神经网络有其自身问题,如容易陷入局部极小值,训练时间较长。支持向量机(SVM)是由Vapnik08初在统计学理论的基础上建立起来的一种机器学习方法,目前已应用于很多领域。SVM需要求解凸二次规划问题,算法的复杂程度依赖于样本数据的个数。小二乘支持向量机(LS-SVM)M是SVM的一种扩展,以求解线性方程组取代SVM中的二次规划优化,降低了求解难度,并加快了求解速度,在函数估计和逼近中得到广泛应用。

  本文将利用LS-SVM算法,选取滤料过滤效率的试验值进行训练学习,从而建立滤料在不同影响因素下的过滤效率预测模型,预测不同测试条件下的过滤效率,并与传统的神经网络预测模型进行对比分析。

  基金项目:中国建筑科学研究院应用基金‘’空气滤料性能试验方法的研究“1试验数据的获取本文研究滤料的静态过滤效率,试验在滤料静态性能测试平台上进行0(如所示),被测滤料为PTFE耐高温高效滤料,用于火电厂袋式除尘器,出厂标记的过滤效率为99.9(0.5),所用测试粉尘为1250目滑石粉,粒径<12m.试验时,通过测试平台的电加热调节气体温度,通过末端的阀门控制经过滤料的空气流量,进而调节过滤风速与发尘浓度,后利用称重法测量前端被测滤料与末端高效滤膜的质量,根据二者的质量变化计算出被测滤料的过滤效率。

  7.调节阀;8.抽气泵;9.清灰口;10.过滤器。运行程序进行学习预测后,得到的预测结果与百分比误差Eape如表2所示。

  温度/t发尘浓度/g/m3过滤效率/99.表2 LS-SVM预测结果实际过滤效率/99-xxxx LS-SVM百分比误差E―/为验证LS-SVM对于现有数据的学习能力,把训练集中的132个数据点的输入重新输入到建立的数学模型,计算出新的过滤效率,并与试验得到的过滤效率进行对比,如所示。

  样本数利用LS-SVM对耐高温滤料过滤效率数据拟合经计算,LS-SVM对测试集预测的平均百分比误差仅为=1.08,而由模型重新计算训练集过滤效率与原训练集的过滤效率的平均百分比误差仅为= 0.35,整个程序运行的时间为3.28s(IntelT42002GDDR3)。由此可见,该仿真无论是预测精度还是运行时间,都取得了比较理想的效果。

  3LS~SVM与RBF、BP神经网络预测滤料过滤效率的对比为进一步说明LS-SVM的预测效果,选择RBF、BP神经网络进行滤料过滤效率的预测。仍采用LS-SVM预测采用的训练集和测试集以及预测结果评价方法。将137组耐高温高效滤料过滤效率的试验数据作为仿真的数据库,取132组作为RBF、BP神经网络的训练集,5组作为测试集。

  表3所示的是RBF、BP神经网络对测试集的预测结果与LS-SVM预测结果的对比。

  可见,采用LS-SVM的预测结果与真实值接近,从预测准确度上说明采用LS-SVM算法预测滤料过滤效率优于RBF、BP神经网络。

  效率比误差Eape/实际过滤效率LS-SVM预测过滤LS-SVM百分RBF预测过滤效RBF百分比BP预测过滤效BP百分比根据式(3)计算得到LS-SVM、RBF与BP神经网络对测试集预测的平均百分比误差分别为1.08,2.17,3.05.LS-SVM相对于RBF神经网络和BP神经网络,测试集预测平均百分比误差小,分别约是RBF神经网络的1/2、BP神经网络的1/3.说明采用LS-SVM算法从精度上优于RBF、BP神经网络。

  为验证RBF和BP神经网络对于现有数据的学习能力,把训练集中的132个数据点的输入重新输入RBF和BP神经网络所建的数学模型。两种算法计算得出的过滤效率与试验得到的过滤效率对比分别如和所示。

  与相比较可见,对于训练集中的数据,LS-SVM的拟合效果要优于RBF和BP神经网络,说明LS-SVM算法的学习能力优于RBF和BP神经网络。经计算得到LS-SVM、RBF和BP神经网络3种算法,由模型重新计算训练集过滤效率与原训练集的过滤效率的平均百分比误差分别为。35,2.69,2.8.说明LS-SVM相对于RBF神经网络和BP神经网络,训练集预测平均百分比误差也是小的。

  28s,RBF神经网络为12.48s,BP神经网络时间长,为14.3s.可见,RBF神经网络和BP神经网络的运行时间相差不大。LS-SVM的运行时间短,约是RBF、BP神经网络运行时间的1/4.可见,在对耐高温高效滤料过滤效率的预测这问题上,LS-SVM在短的时间内取得了好的预测结果,无论从用时上还是从准确度上都优于RBF神经网络与BP神经网络。

  4结论本文在耐高温滤料过滤效率试验的基础上,利用试验数据,分别通过LS-SVM、RBF和BP神经网络3种智能算法建立了耐高温滤料过滤效率的预测模型,通过计算分析得出LS-SVM对耐高温滤料过滤效率的预测,无论从预测精度还是运行时间都优于RBF神经网络和BP神经网络。因此,LS-SVM应用于滤料过滤效率的预测,为预测不同测试条件下滤料的过滤效率提供了条新的、有效的途径。

访问统计
51客服