close

Вход

Забыли?

вход по аккаунту

?

Моделирование процесса пневмоимпульсной регенерации рукавных фильтров с помощью нейронных сетей..pdf

код для вставкиСкачать
УДК 666.762:621.928.9
МОДЕЛИРОВАНИЕ ПРОЦЕССА ПНЕВМОИМПУЛЬСНОЙ РЕГЕНЕРАЦИИ
РУКАВНЫХ ФИЛЬТРОВ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ
С.Ю. Панов, А.А. Русанов, Ю.В. Красовицкий, Р.А. Важинский
При решении проблем промышленной экологии одним из радикальных способов борьбы с запыленностью
является фильтрование. При этом существенное влияние на эффективность и надежность фильтров оказывает
работа системы регенерации. Для оптимизации работы и прогнозирования параметров эксплуатации
пневмоимпульсной регенерации рукавных фильтров предложено использование искусственных нейронных сетей.
которая использовалась для
Была получена нейросетевая модель на основе многослойного персептрона,
оптимизации работы пылеулавливающих комплексов на Семилукском огнеупорном заводе
Ключевые слова: очистка газов, фильтрование, моделирование, нейронные сети
Экологическая ситуация в РФ приобрела
достаточно напряженный характер. На протяжении
последних лет нарастает разрушение и загрязнение
окружающей природной среды. В этой связи
решение проблемы надежного санитарного и
технологического пылеулавливания приобретает
особое значение. 1
Весьма
перспективными
для
высокоэффективного сухого пылеулавливания
являются рукавные фильтры, в частности с
пневмоимпульсной регенерацией. Существенное
влияние на эффективность и надежность фильтров
оказывает
работа
системы
регенерации.
Оптимизация процесса регенерации, в данном
случае действия импульсно-струйного аппарата актуальная задача, решение которой определяет
возможность длительного использования фильтров
в промышленных условиях.
Сложность процесса пневмоимпульсной
связанная
с
неопределенным
регенерации,
распределением давления и скорости импульсного
потока во времени и протеканием процесса не
только в порах фильтровального материала, но и в
слое пыли, толщина и пористость которого
непрерывно меняются, затрудняет составление
достаточно полной системы дифференциальных
уравнений и использование метода обобщенных
переменных для описания процесса фильтрования в
явной форме.
Поэтому была предложена обработка
результатов эксперимента для получения модели
процесса пневмоимпульсной регенерации и
прогнозирования
результатов
с
помощью
искусственных нейронных сетей.
Искусственные нейронные сети идентичны
нервной системе живых существ, воспринимающих
воздействия внешней среды и обучающихся на
Панов Сергей Юрьевич - ВГТА, канд. техн. наук, доцент,
s_panow@pisem.net, 8 (4732) 49-91-13
Русанов Александр Александрович - ВГТА, аспирант,
тел. (4732) 49-91-13
Красовицкий Юрий Владимирович - ВГТА, д-р техн.
наук, профессор, тел. (4732) 63-25-98
Важинский Роман Александрович - ВГТА, аспирант,
тел. (4732) 55-35-54
собственном опыте. Самая простейшая модель
нейрона
имеет
несколько
каналов
ввода
информации – дендриты, и один канал вывода
информации – аксон. Аксоны нейрона соединяются
с дендритами других нейронов с помощью
синапсов. При возбуждении нейрон посылает
сигнал по своему аксону. Через синапсы сигнал
передается другим нейронам, которые, в свою
очередь, могут возбуждаться или, наоборот,
оказываться в состоянии торможения [1,2].
Объединенные между собой нейроны
образуют сеть, с математической точки зрения
задающую сложное многомерное преобразование,
собранное из простейших преобразований. С
помощью таких простейших преобразований
можно
оценивать
сложные
нелинейные
зависимости.
При работе сети на входные элементы
подаются значения входных переменных, затем
активируются нейроны первого промежуточного
слоя, далее – второго промежуточного слоя, в итоге
преобразованный сигнал поступает на выходной
слой.
Последовательно для каждого нейрона в
сети вычисляется значение активации, берется
взвешенная
сумма
выходов
элементов
предыдущего слоя и вычитается пороговое
значение. Затем значения активации преобразуются
с помощью передаточной функции, и в результате
получается выход нейрона, поступающий на вход
нейронов, с которыми он соединен [1-3].
Для построения нейронных сетей в работе
использована программа STATISTICA Neural
Networks [4].
При построении нейросетевой модели
использовался
представительный
банк
информационных, расчетных, конструктивных и
методических данных в широком диапазоне
изменения
физико-химических
параметров
процесса
регенерации
рукавных
фильтров,
полученных на действующих фильтровальных
установках Семилукского огнеупорного завода и
лабораторных
стендах
в
Воронежской
государственной технологической академии [5,6].
Схема построения модели показана на рис. 1.
После ввода данных, задания структуры
сети, числа слоев, а также количества сохраняемых
сетей с наилучшим качеством, получили 410
нейронных сетей, способных решить поставленную
задачу.
Полученные сети разделены на следующие
типы: а) радиальные базисные функции (RBF); б)
линейные (L); в) многослойный распознающий
элемент -персептрон (MLP).
оптимизации
работы
пылеулавливающих
комплексов на Семилукском огнеупорном заводе.
точки –эксперимент, линии – расчет по модели
◊ ― d=0,008 м; l=0,005м; p=0,4МПа
Рис. 1. Схема построения нейросетевой модели
Среди представленных сетей наилучшие
показатели в работе продемонстрировала сеть из
группы MLP (многослойный персептрон) с
ошибкой,
полученной
на
контрольном
подмножестве, равной 0,05403.
После
определения
окончательной
структуры многослойного персептрона, провели
его обучение, то есть нашли значения весов и
порогов
сети,
являющиеся
свободными
(неизвестными) параметрами. Процесс обучения
представлял собой подгонку модели, которая
реализуется сетью, к обучающим данным.
Когда
величина
ошибки
достигла
приемлемого малого уровня, полученная сеть была
признана
натренированной
и
готовой
к
применению на новых данных.
На рис. 2 представлен пример зависимости
эффективности регенерации рукавных фильтров от
диаметра эжектирующего насадка, найденной с
помощью полученной модели и сравнение ее
расчетных данных с экспериментальными.
Проверка показала адекватность и высокую
эффективность
модели.
Расхождение
с
экспериментальными данными не превышло 1-1,5
%.
На основе разработанной математической
нейросетевой модели предложен метод расчета,
позволяющий определить конструктивные размеры
системы пневмоимпульсной регенерации рукавных
фильтров и выявить рациональные режимы ее
работы. Полученные результаты использованы для
○·····d=0,01 м; l=0,015м; p=0,2МПа
d- диаметр сопла,l - расстояния от сопла до рукава, P давление импульса
Рис. 2. Зависимость эффективности регенерации
рукавных фильтров от диаметра насадка
Литература
1.
Уссермен
Ф.
Нейрокомпьютерная
техника [Текст] – М.: Мир, 1992.
2.
Lippman R. P. An introduction to computing
with neural nets [Text] / IEEE ASSP Magazine. Apr. 1987, p.
4-22.
3.
Боровиков В. STATISTICA. Искусство
анализа данных на компьютере: для профессионалов
[Текст] / 2-е изд. (+СВ). – СПб.: Питер, 2003. – 688 с.: ил.
4.
STATISTICA Neural Networks Release 4.0
E [Электронный ресурс]. –Прикладная прогр. (3.84 Мб).
– Copyright © Trajan Software Ltd, 1996-2000; Portions
Copyright © StatSoft Inc., 1998-2000.
5. Панов, С.Ю. Исследование эффективности
пневмоимпульсной регенерации рукавного
фильтра[Текст] / С.Ю. Панов, Ю.Н. Шаповалов, Ю.В.
Красовицкий, А. А. Русанов//Хим. и нефтегазовое
машиностроение 2006. №12. С. 27-28.
6.
Энтин,
С.
В.
Экспериментальные
исследования процесса пневмоимпульсной регенерации
рукавного фильтра [Текст] / С. В. Энтин, Н. М.
Анжеуров, С. Ю. Панов, Ю. В. Красовицкий, А. А.
Русанов, В. Г. Иванова // Сб. науч. статей Междунар.
науч.-практ.
конф.
«Прогрессивные
технологии
развития»: Тамбов, 2004. – С. 134-135.
Воронежская государственная технологическая академия
MODELLING OF BAG FILTERS PULSE CLEANING BY THE MEANS OF NEURAL NETWORKS
S.Y. Panov, A.A. Rusanov, Yu.V. Krasovitskiy, R.A. Vazhinskiy
Filtering is the radical way of struggling against dust at the solutions of the industrial ecological problems. The
essential influence on efficiency and reliability of filters is rendered by the work of regeneration system. Neural networks are
offered for the optimization of pulse cleaning operational parameters. Neuron network was designed on the basis of
multilayer perseptron. This network was used for the filters optimization on Semiluki refractory plant
Key words: gas cleaning, filtration, modelling, neural nets
Документ
Категория
Без категории
Просмотров
7
Размер файла
257 Кб
Теги
нейронные, пневмоимпульсной, рукавных, регенерации, моделирование, помощь, процесс, pdf, сетей, фильтров
1/--страниц
Пожаловаться на содержимое документа