基于壁溫信號EMD解析的氣固流化床結片預警

張　倩,　董克增,　黃正梁,　任聰靜,　王靖岱,　陽永榮

(浙江大學化學工程與生物工程學院,化學工程聯合國家重點實驗室，杭州 310027)

基于壁溫信號EMD解析的氣固流化床結片預警

張倩,董克增,黃正梁,任聰靜,王靖岱,陽永榮

(浙江大學化學工程與生物工程學院,化學工程聯合國家重點實驗室，杭州 310027)

摘要：氣固流化床反應器在生產中易產生結片或結塊,嚴重影響反應器的安全穩定運行。對氣固流化床中的壁溫信號進行經驗模態分解(EMD),發現其高頻本征模函數 IMF1及IMF2在有結片產生時顯著增大,其能量的滑動平均值(Em)能有效地指示初始結片的產生。運用主元分析(PCA)方法處理不同樣本的Em值,得到結片檢測統計量(T2)及結片控制上限(UCL),并進一步提出了判斷結片產生的E檢測法:當T2

關鍵詞：氣固流化床; 壁溫信號; 經驗模態分解; 主元分析; 結片

Zhejiang University,Hangzhou 310027,China)

氣固流化床反應器因床內局部過熱、靜電過量積累等原因會產生結片或結塊[1-4]。結片長大到一定程度后從壁面脫落,可能堵塞分布板或出料系統,影響流化狀態,嚴重時甚至引發停車,造成巨大的經濟損失[1-3]。

目前氣固流化床反應器內常用的結片檢測方法有壁溫波動判別法、銫源(137Cs)結塊探測法[5]以及聲波[6-7]、靜電[8-9]探測法等。壁溫波動判別法一般認為,當壁溫波動超過3～5 ℃時,很可能有結片產生;銫源結塊探測法一般用于檢測分布板附近的大結片或結塊。此2種方法檢測結果可靠,但由于一般只能檢測到較大尺寸的結片或結塊,故檢測結果存在一定滯后。而聲波、靜電信號的影響因素復雜,降低了聲波、靜電探測法的可靠性[10-11],故本文提出的方法主要是與壁溫波動判別法及銫源結塊探測法進行對比。

Hendrickson[3]研究了不同類型結片的形成過程,指出聚合物顆粒黏壁結片的首要特征是壁溫偏離流化床主體溫度,并在工業反應器上得到了證實[12]。從結片的形成過程來看,在結片產生初期,部分顆粒趨向壁面運動并在壁面黏結。隨后結片逐漸增厚,面積增大,結片前沿向四周轉移,當長大到一定程度后在重力作用下從壁面脫落[3]。在此過程中,結片的大小及厚度的改變導致其傳熱阻力不斷變化,故被結片包覆的壁面熱電偶探頭與床內氣流的傳熱過程為非穩態傳熱過程,測得的壁溫信號也具有非穩態特征。加之工業流化床反應器是一個高度非線性系統,故考慮從解析非線性系統內的非穩態信號角度來提取結片時的壁溫信號特征。

經驗模態分解[13-16](Empirical Mode Decom-position,EMD)作為一種新型信號處理方法,特別適用于處理非線性、非平穩信號,已在機械故障診斷、流體力學等領域得到廣泛應用。Amarnath等[17]對螺旋齒輪的震動信號及聲信號進行基于EMD的統計分析,實現了局部故障診斷。Sang等[18]證明了EMD在水文時間序列的趨勢識別中的優越性。Zhang等[19]對氣固兩相流中的靜電信號進行EMD分解,得出高頻本征模函數IMF3的能量可表征固相濃度變化的結論。主元分析(PCA)[20]方法則將原本互相關的變量空間降維分解成相互獨立的主元空間,從而對主元空間和殘差空間分別進行監控。目前PCA在化工領域的性能監控和故障診斷方面已得到成功應用[21]。Liu等[22]運用動態PCA方法實現了對工業流化床反應器的結塊監視。

本文從氣固流化床壁溫信號的EMD結果中提取特征參數,然后用PCA方法計算其統計量并提出結片判斷依據,從而對工業流化床反應器的結片情況進行預警,并與壁溫波動判別法和銫源結塊探測法的檢測結果進行對比來驗證模型的有效性。

1實驗裝置及分析方法

1.1實驗裝置

圖1所示為工業氣相聚乙烯流化床示意圖。工業氣相聚乙烯流化床反應器從頂部排出循環氣,經壓縮后與乙烯、共聚單體等原料混合,再經冷卻器冷卻后從底部進入流化床。原料氣在床內發生聚合反應,產物聚乙烯顆粒由流化床側面的出料系統排出。本文用到的3個壁溫熱電偶探頭的安裝位置如圖1所示,分別位于分布板上方0.91、2.44、16.45 m處。從分散控制系統(DCS)中讀取流化床反應器運行過程中的壁溫數據,采樣時間間隔為30 s。從未安裝銫源結塊探測器的某2.5×105t/a氣相法聚乙烯裝置上采集了樣本1(穩定工況,無結片產生)和樣本4(故障工況、有結片產生),從安裝有銫源結塊探測器的某3.0×105t/a氣相法聚乙烯裝置上采集了樣本2和3(均為故障工況、有結片產生)。

圖1　工業氣相聚乙烯流化床示意圖

1.2壁溫信號分析方法

1.2.1EMD方法EMD的分解過程是一個自適應的“篩分”過程。通過對壁溫信號T(t)進行EMD處理,可以得到一系列從高頻到低頻排列的本征模函數IMFs及一個剩余項r(t)。每個IMF均滿足以下兩個條件[7]:(1)極值點的個數和過零點的個數相等或相差最多不超過一個;(2)在任意時刻,由局部極大值點形成的上包絡線和由局部極小值點形成的下包絡線的平均值為零,即上、下包絡線相對于時間軸局部對稱。EMD方法相對于小波分解的優勢在于EMD方法是根據信號本身的局部特征信息進行自適應分解,分解得到的各個IMF分量包含了原始信號的局部特征信息,因而具有一定的物理意義,而小波分解不具備這種性質。

經EMD分解,離散的壁溫信號T(t)可用如下線性方程表示:

(1)

其中ci(t)代表第i階IMF,r(t)代表T(t)信號的剩余量,b代表IMF信號的個數。第i階IMF在tj時刻的能量Ei(tj)按式(2)計算:

(2)

對任意時刻tj,求取Ei(tj)在tj-15～tj時間段(共16個采樣點)內的滑動平均值Em,i(tj),以消除噪聲干擾,Em,i(tj)按照式(3)計算:

(3)

1.2.2PCA方法主元分析方法核心思想是通過將原本互相關的變量空間降維分解成相互獨立的主元空間,從而對主元空間和殘差空間分別進行監控。其具體過程如下:假設過程的建模數據矩陣可以表示為XN×n,其中N為樣本數目,n為變量數目。首先對數據矩陣進行歸一化處理,然后利用主元分析方法降維。其模型可以表示成如下形式[17]:

(4)

其中T為得分矩陣,P為負載矩陣,X′為殘差空間,tk為T中第k個主元分量,pk為P中第k個主元分量,a

T=XP

(5)

(6)

經過上述分解后,原有的變量空間通過降維被分為主元空間和殘差空間,且去除了變量之間的相關性。這樣一來就可以在新的空間對于過程變量進行統計分析。在變量數目較少時,通過構建統計量T2對變量進行監控,

(7)

主元t應滿足

(8)

其中UCL為HotellingT2統計量的上限,

(9)

其中，Fa代表F分布。以上兩種算法的運用框圖如圖2所示。

圖2　算法框圖

2結果與討論

2.1壁溫信號的EMD分解及特征提取

2.1.1穩定工況圖3所示為樣本1在穩定工況下無結片時的壁溫波動圖。由圖3可知,分布板上方3個典型位置(0.91、2.44、16.45 m)的壁溫波動均較為平穩,波動幅值在1 ℃以內。取0.91 m處的壁溫信號進行EMD分解,得到各階IMF信號及剩余量r(t),如圖4所示。由圖4可知,正常工況下,壁溫信號各IMF分量的波動均較小,與中低頻的IMF信號相比,高頻IMF信號(IMF1、IMF2)的波動相對較大,蘊含了更豐富的信息。

圖3　無結片產生時的壁溫信號(樣本1)

2.1.2有結片產生圖5所示為樣本2在結片過程中的3個不同高度的壁溫信號圖。由圖5可知,從9∶00開始3個不同高度的壁溫信號均出現小幅波動并逐漸偏離床層溫度;分布板上方0.91 m處(滯留區)的壁溫探頭的變化最為顯著,11∶30時此處的壁溫劇烈波動,且偏離床層溫度超過5 ℃。根據壁溫波動判別法可知,此時流化床內已出現較為嚴重的結片。隨后銫源結塊探測器持續報警,表明分布板上方已經有大量結塊,床內流化狀態已經惡化,難以控制。隨即采取停車措施,床內溫度逐漸下降。停車后打開反應器發現床內結片非常嚴重,取出的結片如圖6所示。

圖4　壁溫信號EMD分解:IMFs及r(t)(樣本1,高度0.91 m)

圖5　有結片產生時的壁溫信號(樣本2)

取0.91 m處的壁溫信號進行EMD分解,得到7個從高頻到低頻排列的IMF及1個剩余項,如圖7所示。從圖中可以看出,壁溫從9∶00左右開始緩慢偏離正常值,對應時刻的高頻部分IMF值(IMF1,IMF2)明顯增大,中低頻部分的IMF值(IMF3～IMF7)變化不明顯。這是由于在結片產生初期,顆粒的不均勻黏附及結片前沿的不斷轉移導致傳熱阻力不斷變化,從而使信號的非穩定性增大,并主要在IMFs信號的前2個高頻段體現出來。由此可知,高頻IMF信號(IMF1,IMF2)能有效識別初始結片的產生。

圖6　工業裝置產生的結片(樣本2)

圖7　壁溫信號的EMD分解:IMFs及r(t)(樣本2,高度0.91 m)

2.1.3特征提取根據式(2)、式(3)求取樣本2中IMF1和IMF2能量的滑動平均值Em,1與Em,2,兩者的對比如圖8所示。從圖中可以看出,在9∶00有結片產生時,Em,1與Em,2均呈增大趨勢,且Em,1比Em,2更為靈敏,波動幅度更大。據此可將Em,1和Em,2作為結片的特征信息。

圖8　Em,1與Em,2的對比

2.2E檢測法的提出

將壁溫信號T(t)進行EMD分解,提取IMF1和IMF2計算其Em(tj)值。由2.1.3節可知,對任意時刻tj,當無結片產生時,Em(tj)較小;而在有結片產生時,Em(tj)會顯著增大。據此將Em(tj)作為PCA的輸入,計算其統計量T2及結片控制上限UCL,以實現準確的結片監測,并稱該方法為E檢測法。用PCA實現結片檢測的主要步驟包括[17-18]:

(1)建立正常工況(樣本1)主元模型并進行主元分析;

(2)將故障樣本(樣本2～4)輸入PCA模型;

(3)求各樣本T2統計量及結片控制閾值UCL。

對任意時刻tj,當T2

2.3E檢測法的應用

運用E檢測法分別對樣本2和樣本3的結片進行檢測,并與壁溫波動判別法、銫源結塊探測法的檢測結果進行對比,如圖9所示。對樣本2,由PCA方法計算得到最終結片控制上限UCL′為18.6。由圖9(a)可知,E檢測法的檢測值T2在9∶00持續超過UCL′而發出結片預警;而壁溫波動判別法與銫源結塊探測法的檢測值均在11∶30才超出控制限,并發出結片預警,相比于E檢測法滯后約2.5 h。對樣本3,由PCA計算得UCL′為18.6。由圖9(b)可知,E檢測法的檢測值T2在19∶00持續超過UCL′,并發出結片預警;而壁溫波動判別法與銫源結塊探測法檢測到結片的時間分別為21∶00與22∶00,比E檢測法分別滯后了約2 h與3 h。運用E檢測法對樣本4的結片進行檢測,并與壁溫波動判別法的檢測結果進行對比,如圖10所示。由圖10可知,E檢測法的檢測值T2在16∶00超過結片控制上限(18.6),并引發結片預警。而壁溫偏離幅值一直在3 ℃以內,直到停車后才迅速下降,未發出結片預警。綜上可知,E檢測法不僅能可靠地預警結片,且比壁溫波動判別法或銫源結塊探測法檢測到結片的時間至少提前2 h。

圖9　壁溫波動判別法、E檢測法與銫源結塊探測法(分別對應圖中(1)、(2)、(3))的結片檢測結果對比

圖10　壁溫波動判別法與E檢測法(分別對應圖中(1)、(2))的結片檢測結果對比(樣本4)

3結論

在工業氣固流化床中,壁溫信號經EMD處理得到的IMF高頻分量(IMF1,IMF2)在有結片產生時會顯著增大,其能量的滑動平均值Em能有效識別初始結片的產生。據此將Em作為特征參數輸入PCA,計算結片檢測統計量T2并劃定結片控制上限UCL,從而實現結片檢測:即當T2

符號說明:

a——主元數目

b——IMF分量數目

ci(t)——第i階IMF

Ei(tj)——第i階IMF在tj時刻的能量

Em,i(tj)——Ei(tj)在tj-15～tj內的滑動平均值

Fa——F分布

IMF——本征模函數

N——樣本數目

n——變量數目

P——負載矩陣

pk——P中第k個主元分量

r——剩余項

T——得分矩陣

T——壁溫, ℃

T2——結片統計量

t——主元

t——時間,h

tj——第j個采樣點所對應的時間,h

tk——T中第k個主元分量

UCL——T2統計量的上限

X——數據矩陣

X′——殘差空間

下標:

i——自然數,i=1,2,…且1≤i≤b

j——采樣點數,j=1,2,…

k——自然數,k=1,2,…且1≤k≤a

參考文獻：

[1]HAGERTYRO,MUHLEME,AGAPIOUAK,et al.Methodforcontrollingsheetingingasphasereactors:US7985811[P].2011-7-26.

[2]SONGGH,RHEEAS,LOWDERGR.Methodforreducingsheetingandstaticchargesduringpolymerizationofethylenepolymers:US5391657[P].1995-2-21.

[3]HENDRICKSONG.Electrostaticsandgasphasefluidizedbedpolymerizationreactorwallsheeting[J].ChemicalEngineeringScience,2006,61(4):1041-1064.

[4]SONGD,SALAMAF,MEHRANIP.Studyofelectrostaticchargingingas-solidfluidizedbedpolyethylenereactors[C]//AnnualMeetingonElectrostatics,Florida:Proc.ESA，2013:1-11.

[5]王靖岱,蔣斌波,陽永榮,等.聲波的多尺度解析與氣固流化床故障檢測[J].化工學報,2006,57(7):1560-1564.

[6]虞賢波,任聰靜,姜曉靜,等.氣固流化床中聲發射和結塊定位[J].浙江大學學報(工學版),2008,42(10):1828-1832.

[7]CAOYJ,WANGJD,LIUW,et al.Wallsheetingdiagnosisinfluidizedbedsbasedonchaosanalysisofacousticemissionsignals[J].JournalofZhejiangUniversityScienceA,2009,10(9):1341-1349.

[8]王芳,于恒修,任聰靜,等.基于靜電測量的聚乙烯氣固流化床結片檢測[J].浙江大學學報(工學版),2009,43(9):1697-1702.

[9]許南.流化床靜電感應信號解析及外加電場作用研究[D].杭州:浙江大學,2012.

[10]曹翌佳.氣固反應器中基于聲發射信號的故障檢測與診斷[D].杭州:浙江大學,2010.

[11]王芳.氣固流化床靜電分布的理論及實驗研究[D].杭州:浙江大學,2008.

[12]周志宇.工業聚乙烯氣相流化床反應器內靜電生成及預防的探討[D].上海:華東理工大學,2011.

[13]HUANGNE,SHENZ,LONGSR.Anewviewofnonlinearwaterwaves:theHilbertspectrum[J].AnnualReviewofFluidMechanics.1999,31(1):417-457.

[14]LI W L,ZHONG W Q,JIN B S,etal.Flow regime identification in a three-phase bubble column based on statistical,Hurst,Hilbert-Huang transform and Shannon entropy analysis[J].Chemical Engineering Science.2013,102:474-485.

[16]YAN Y,CUI Z Z.Noise and zero excursion elimination of electrostatic detection signals based on EMD and wavelet transform[C].Tianjin:2nd International Congress on Image and Signal Processing,2009.

[17]AMARNATH M,PRAVEEN KRISHNA I R.Local fault detection in helical gears via vibration and acoustic signals using EMD based statistical parameter analysis[J].Measurement.2014,58:154-164.

[18]SANG Y,WANG Z,LIU C.Comparison of the MK test and EMD method for trend identification in hydrological time series[J].Journal of Hydrology.2014,510:293-298.

[19]ZHANG W,WANG C,WANG H.Hilbert-Huang transform-based electrostatic signal analysis of ring-shape electrodes with different widths[J].IEEE Transactions on Instrumentation and Measurement.2012,61(5):1209-1217.

[20]GE Z,SONG Z,GAO F.Review of recent research on data-based process monitoring[J].Industrial & Engineering Chemistry Research,2013,52(10):3543-3562.

[21]CHIANG L H,BRAATZ R D,RUSSELL E L.Fault Detection and Diagnosis in Industrial Systems[M].Berlin:Springer Science & Business Media,2001.

[22]LIU Y,LIANG J,QIAN J.Dynamic principal component analysis method for chunk monitoring of industrial fluidized-bed reactor[J].Journal of Chemical Industry and Engineering (China),2004,55(9):1546-1549.

Early Warning of Wall Sheeting in Gas-Solid Fluidized Bed Based on EMD Analysis of Wall Temperature

ZHANG Qian,DONG Ke-zeng,HUANG Zheng-liang,REN Cong-jing,WANG Jing-dai,YANG Yong-rong

(State Key Laboratory of Chemical Engineering,College of Chemical and Biological Engineering,Zhejiang University,Hangzhou 310027,China)

Abstract:Wall sheeting or agglomeration is easy to form during production in gas-solid fluidized bed,which seriously affects the safe and stable operation of the reactor.Wall temperature signals are decomposed by Empirical Mode Decomposition (EMD) method,and the first and second intrinsic mode functions,IMF1 and IMF2,are found to increase sharply when sheets are formed.Furthermore,the moving average value of energy of IMF1 or IMF2 (Em) is effective in indicating initial sheeting.By importing Em into Principal Component Analysis (PCA),the statistical T2 and Upper Control Limit (UCL) are achieved,and the wall sheeting detection method,namely E detecting method,is proposed:when T2

Key words:gas-solid fluidized bed; wall temperature signals; empirical mode decomposition; principal component analysis; wall sheeting

收稿日期：2015-05-20

基金項目：國家自然科學重點基金(21236007);中國博士后科學基金(528000-X91401);浙江省自然科學基金青年基金項目(LQ13B060002);高等學校博士學科點專項科研基金項目(20130101110063)

作者簡介：張倩(1990-),女,湖南人,碩士生,多相流檢測與信號處理。E-mail:zjusummer@zju.edu.cn 通信聯系人：黃正梁,E-mail:huangzhengl@zju.edu.cn

文章編號：1006-3080(2016)02-0157-06

DOI:10.14135/j.cnki.1006-3080.2016.02.002

中圖分類號：TQ021.8

文獻標志碼：A