A prediction method of fouling growth of heat exchanger based on PCA \u2011 GA \u2011 RBF includes the following steps: Step 1. Build the best training sample of fouling; step 2. Build the prediction model of artificial neural network based on GA \u2011 RBF, and determine the number of neurons in input layer, hidden layer and output layer of RBF artificial neural network prediction model; step 3. Use genetic algorithm The method optimizes the initial parameter value of RBF artificial neural network prediction model, obtains the initial parameter value of RBF artificial neural network prediction model; optimizes the hidden node center and width parameter of RBF network with genetic algorithm; step 4. Use the optimized initial parameter value of RBF artificial neural network prediction model, bring it into RBF artificial neural network prediction model, and adjust it with orthogonal least square method The center position and weight of the hidden layer nodes of the whole RBF. The invention has the advantages of fast learning speed and high precision.
【技术实现步骤摘要】
基于PCA-GA-RBF的换热器污垢生长预测方法
本专利技术涉及化工过程工业换热器污垢生成，特别涉及基于PCA-GA-RBF的换热器污垢生长预测模型。技术背景换热器广泛应用于石油、化工和动力等领域中，在实际运行时，换热器都不可避免地或多或少存在污垢问题，污垢的存在给换热器的运行带来不利影响，特别是使换热器的传热性能恶化，同时考虑到换热器中污垢的时变性(即随时间变化)，污垢的形成是一个长期积累的过程，受众多因素的影响，如流体性质、壁温、流体与壁面的温度梯度、壁面材料、表面粗糙度、流体速度、湍流强度、流体与壁面的剪切力、污秽物质粒子的形状、组成、浓度、粒径分布、作用域粒子的热、电磁和引力等。传统的实验研究方法中主要是研究单个因素对换热器污垢生长的影响，得出一个经验函数，但是对多种因素共同作用的污垢生长无法给出变化趋势。BP神经网络也被应用于换热器污垢的研究，但是由于BP神经网络本身存在着收敛速度慢和局部极值的缺点，预测的准确性和精度不好。因此，迫切需要建立一个精度较高的换热器污垢预测模型，为换热器性能评价提供...
【技术保护点】
1.一种基于PCA-GA-RBF的换热器污垢生长预测方法，其特征在于，所述方法包括以下步骤：/n步骤1.利用石化生产中采集到的流量、温度、压力、污垢热阻和物性参数的历史数据，通过主成分分析方法PCA，对采集到的数据进行降维处理，通过少数几个主因素来反应影响污垢生成的复杂内部规律，重新组合一组新的互相无关的数据组，然后构建最佳的换热器污垢训练样本；/n1.1)假设原始数据集W有n×m维数据；/n
【技术特征摘要】 【专利技术属性】
1.一种基于PCA-GA-RBF的换热器污垢生长预测方法，其特征在于，所述方法包括以下步骤：
步骤1.利用石化生产中采集到的流量、温度、压力、污垢热阻和物性参数的历史数据，通过主成分分析方法PCA，对采集到的数据进行降维处理，通过少数几个主因素来反应影响污垢生成的复杂内部规律，重新组合一组新的互相无关的数据组，然后构建最佳的换热器污垢训练样本；
1.1)假设原始数据集W有n×m维数据；
1.2)原始数据标准化，为了消除量纲的干扰，在主成分分析中采用下式进行处理：
1.3)求相关系数矩阵R
R＝(rjk)m×m
1.4)求相关系数矩阵R的特征值、特征向量和贡献率；
R·x＝λ·x
1.5)每一个新因子对应方差所占的百分比表示该变量在所有变量中的相对地位，对该系统综合的贡献，故称为贡献率，由贡献率求得累积贡献率用来表示信息的含量；
1.6)确定主成分的个数K，根据“累积贡献率大于85％”原则和准则，选取最佳的主因素，组成最好的数据组；
步骤2.构建基于GA-RBF的人工神经网络预测模型，确定RBF人工神经网络预测模型的输入层神经元个数、隐含层神经元个数以及输出神经元个数；
步骤3.利用遗传算法对RBF人工神经网络预测模型的初始参数值进行优化，获得RBF人工神经网络预测模型的初始参数值，其中，RBF人工神经网络参数包括连接权值W、高斯函数中心向量C和基宽向量B；用遗传算法来优化RBF网络的隐节点中心和宽度参数，其连接权值采用正则最小二乘法确定；
步骤4.利用优化好的RBF人工神经预测模型的初始参数值，带入RBF人工神经网络预测模型，采用正交最小二乘法调整RBF的隐含层节点中心位置和权值。
2.如权利要求1所述的一种基于PCA-GA-RBF的换热器污垢生长预测方法，其特征在于，所述步骤2中，对于三层神经网络的训练，隐含层神经元的个数选取是a为1-10之间的常数，p和q分别是输入、输出的神经元个数，由PCA构建的最好的数据组可见，输入神经元的个数是K，输出神经元的个数是1，隐含层的神经元个数定为
技术研发人员：蒋宁，范伟，谢小东，郭风元，徐英杰，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。