[发明专利]基于PCA-GA-RBF的换热器污垢生长预测方法

说明书

一种基于PCA‑GA‑RBF的换热器污垢生长预测方法，包括以下步骤：步骤1.构建最佳的换热器污垢训练样本；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；用遗传算法来优化RBF网络的隐节点中心和宽度参数；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。本发明学习速度快、精度较高。

技术领域

本发明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依据，促进工业换热器的节能优化。

发明内容

为了克服已有换热器污垢预测方法存在的精度较低、响应时间慢等不足，本发明提供一种学习速度快、精度较高的基于PCA-GA-RBF的换热器污垢预测模型。RBF网络由一个隐含层和一个线性输出层组成，对径向基的权值训练采用无监督训练；在输出层的权值设计采用误差修正算法，为监督训练。与传统的BP神经网络相比，RBF神经网络规模较大，具有任意逼近非线性函数的能力，可处理难以解析的规律性，具有良好的泛化能力，同时有很快的学习收敛速度，很高的预测精度。而遗传算法由于具有分布、并行、快速全局搜索的能力，克服了以往动态规划渐进法和非线性规划求解不能收敛到真正最优解的缺陷。

本发明解决技术问题所采用的技术方案是：

一种基于PCA-GA-RBF的换热器污垢生长预测方法，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＝(r_jk)_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；