基于PSO-SVM的离心式压缩机转速模型的研究-论文.pdf

《基于PSO-SVM的离心式压缩机转速模型的研究-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第13卷第2期宁夏工程技术V01．13No．22014年6月NingxiaEngineeringTechnologyJun．2014文章编号：1671—7244(2014)02—0174—04基于PSO—SVM的离心式压缩机转速模型的研究李雪洁，孙川川，刘大铭，翟小宁(1．宁夏大学物理电气信息学院，宁夏银川750021；2．中国石油宁夏石化公司，宁夏银川750021)摘要：针对宁夏某石化公司离心式CO压缩机透平转速预测难以实现问题，引入PSO—SVM回归模型对离心式压缩机透平转速进行预测．分析选取离心式压缩机透

2、平转速作为模型因变量，通过相关分析从采集量中选取高相关度预测因子，运用粒子群算法选择模型最优参数，利用支持向量机的方法建立模型进行预测．与传统的SVM模型进行对比，该模型得到了良好效果，能够有效预测压缩机透平转速．关键词：离心式压缩机；支持向量机；回归算法；粒子群中图分类号：TH452：0235文献标志码：A离心式压缩机在机械、化工等领域作为重要设型对离心式压缩机透平转速进行预测建模．备得到广泛应用，透平是带动压缩机转动的关键部1支持向量机[8-1]分．喘振作为离心压缩机的不稳定特性之一，这种现象的产生会直接影

3、响到压缩机转速．在1976年，支持向量机(SVM，Suppo~VectorMachine)是由E．M．Greitzer首先建立了描述压缩机进入旋转失Vapnik首先提出，已广泛应用于系统辨识、非线性速或喘振的动态偏微分方程组IIj．此后，F．K．Moore分类和回归等领域，是一种基于统计学习理论的学与E．M．Greitzer合作，提出了分析压缩机失稳现象习方法．学习机器的实际风险由经验风险值和置信的统一模型，简称M—G模型[21．随着研究的深人，不区间2部分组成，支持向量机以训练数据误差作为断有新的系统辨识方法

4、被应用到压缩机系统模型优化问题的约束条件，以置信区间最小值作为优化上，20世纪9O年代，在国内就已经有学者开展将目标，是借助最优化的方法解决机器学习问题的一神经网络方法用于压缩机预测控制的研究．张卫民种新方法．其主要思想是：在给定训练集{，yi)}：等，将人工神经网络方法引人到压缩机故障的检测后，其中筋∈为输入变量的值，Y∈R为相应的输中f3】．2000年，王丽春等利用BP网络建立了离心式出值，为训练样本个数，其函数回归问题就是寻找压缩机性能预测模型[41．2001年，杜海峰等建立了基一个从输入空间到输出空间的

5、映射厂；RR，使得．厂．于粗糙集与模糊神经网络的多级压缩机诊断的模)一Y．SVM回归方法就是先用一个非线性映射：型【5】．2005年，范兴铎等利用TSK算法建立了压缩一fm≥)，将输入空间映射到高维的特征空机运行状态预报模型[61．2008年，厉勇等提出了离心间，再在特征空间中用下述线性函数来拟合数据压缩机性能的模糊神经网络建模方法【7]．由文献y)=(，))+6，(1)[3—7】可知，利用系统辨识的理论控制离心式压缩式中：W，)为m维向量；(·，·)表示特征空间中的机的回流量等方法可以避免喘振现象的发生，且其

6、点积；b为阈值．压缩机性能模型可以预测压缩机的流量和压缩比采用PSO—SVM进行预测的一般步骤见图1．的趋势，这为笔者在研究离心式压缩机转速控制模2基于SVM透平转速预测分析型提供了参考，具有一定指导意义．针对某石化公司离心式CO压缩机透平转子准确预测难以实现2．1预测因子选择及现场采集的问题，引人基于粒子群算法的支持向量机回归模由于SVM是通过支持向量机构造推理模型，对收稿日期：2014—02—26作者简介：李雪洁(1989_一)，男，硕士研究生，主要从事智能仪器与过程控制研究．通信联系人：刘大铭(1969一

7、)，男，教授，硕士，主要从事智能仪器与过程控制研究，(电子信箱)nxldm@126．corn．第2期李雪洁等：基于PSO—SVM的离心式压缩机转速模型的研究175(开始)选定训练集和测试集数据预处理图3离心式压缩机示惹图PSO算法算出最优参数C和g通过现场监控设备调取了2013年3月113的数据，采样间隔为5min，采集了。，Pl，，P2，Q供给，利用最优参数训练SVM(~fl练集)Q。，Q蒸汽，K，透平转速n的数据共110组(其中95组作为训练组，l5组作为预测组)．其中透平转速拟合预测为0～7200r／ra

8、in，实际生产转速为6400～6800r／min．实际转速会随着当前压缩机的压力和流量的需求而拟合预测指标(MSE，R)改变．2．2数据预处理(结束)笔者对数据进行归一化处理，以便消除各维数图1预测流程图据间的数级差别，避免因为输入输出数据级差较大因子的数量限制比较宽松，支持因子可以很多，因而造成网络预测误差较大．其函数形式如下此，通过分析与透平有关的预测因子，较全面地描述瞳预测对象与