人工神经元网络在测定流化床内粒径分布中的应用
李晓东1,2，黄正梁1，刘诚午1，王靖岱1，阳永荣1，蒋斌波1
(1．浙江大学化学工程与生物工程学系，杭州310027；2．中国石油润滑油公司，北京100101)
摘 要：利用声发射检测技术，基于频谱分析和反向传播神经网络训练方法，建立了流化床内粒径分布的检测方法。以某塑料厂生产的高密度聚乙烯树脂为例，以粒径为0.12、0.17、0.30、0.50、0.74、1.21和2mm等7种颗粒作为目标粒径，训练后的网络对这7种粒子进行自拟合的误差最高为5.9％，对混合颗粒进行拟合的误差最高为8.1％。实验结果表明。应用人工神经网络测量流化床内的粒径分布是可行的。
关键词：神经元网络；流化床；粒径分布
中图分类号：TQ015 文献标识码：A 文章编号：1000-3932(2008)03-0010-05
1引 言
颗粒的粒径分布是流化床中非常重要的参数，对流化床中流化床层的均一性、起始流化速度等流态化的特征参数、床层传递特性参数和反应效果等均有不同程度的影响[1]。准确快速地测量聚合物的颗粒粒径分布，不仅可以实时监控流化床内的流化状况，有利于装置的长周期稳定运行，而且可以在此基础上对颗粒粒径分布进行优化调控，以达到聚合物产品设计的目的。颗粒粒径分布的常见测量方法有：筛分法、显微镜法、沉降法、电阻变化法、光散射与衍射法、比表面积法等[2-4]。在气相聚合过程中，由于热量分布的不均匀和流化状态的不稳定，使得流化床中的聚合物小粒子容易聚集在一起形成结块，若不能采取措施，严重时会使整床的聚合粒子结为一块，影响正常的操作甚至造成停产[5]。在工业上，常使用流化床压降的波动来反映粒径大小的变化。但是压降的变化往往滞后于颗粒粒径的变化和结块的产生，因此无法做到对粒径的实时监测和结块预警。侯琳熙[6-7]等利用声发射检测技术采集流化床中的声发射信号，结合谱分析和小波分析，得到了流化床中的粒径分布，并可以预测结块。但是，颗粒对流化床内的气体分布板和床壁的碰撞是随机的，碰撞位置和碰撞能量也是不确定的，影响其产生的声信号特征频率的因素除颗粒和器壁的材质之外，还有气速、颗粒间的影响、颗粒和气体的粘度等。侯琳熙等得到的Hou—Yang方程在实际应用中还存在较大的误差。因此，有必要寻找一种更为有效的分析方法，以实现粒径分布的准确测量和结块的及时预警。
人工神经元网络在测定流化床内粒径分布中的应用全文
