雷竞技网页版研究和评论——国际期刊雷竞技苹果下载

国际创新研究期刊》的研究在科学、工程和技术

菜单

ISSN在线(2319 - 8753)打印(2347 - 6710)

所有提交的电磁系统将被重定向到在线手稿提交系统。作者请直接提交文章在线手稿提交系统各自的杂志。

换热器的性能评估使用基于Mamdani自适应神经模糊推理系统(M-ANFIS)和动态模糊可靠性建模

1普拉温•博卡库马尔2Manoj Jha,3m·f·库雷希4G.K.Agrawal
  1. 机械Engg部门。,Rungta Engg学院。&技术。sujeet kumar印度。
  2. 应用数学,RSR Rungta Engg学院。&技术。sujeet kumar印度。
  3. 部门电气Engg。,Govt. Polytechnic, Janjgir-Chapa, India.
  4. 机械Engg部门。Engg政府。大学,比拉斯布尔、印度。
相关文章Pubmed,谷歌学者

访问更多的相关文章国际创新研究期刊》的研究在科学、工程和技术

国际创新研究期刊》的研究在科学、工程和技术

文摘

壳管式热交换器性能监控系统使用Mamdani开发自适应神经模糊推理系统(M-ANFIS)。实验是进行基于全因子设计实验来开发一个模型的使用温度和流速等参数。M-ANFIS模型整体传热系数设计/清洁换热器系统的开发。开发模型验证和测试的结果与实验结果进行比较。这个模型是用来评估换热器的性能与实际/污染系统。性能退化是表示使用污垢系数(FF),这是来自设计系统的整体传热系数和实际系统。热点问题的混合算法计算智能(CI)的研究。从深入讨论基于仿真机制(SMB)分类方法和复合模式,介绍了Mamdani基于模型的自适应神经模糊推理系统(M-ANFIS)和重量更新公式在考虑定性的表示在模糊神经网络推理的部分。M-ANFIS模型采用Mamdani模糊推理系统优势的一部分。应用M-ANFIS评价的实验结果可靠的换热器性能评价表明,M-ANFIS,作为一种新的混合算法在计算智能,在非线性建模有很大优势,顺向地区隶属度函数,训练数据规模和数量的调整参数。本文提出了一个新的视角和方法来建模污垢系数(FF)换热器的使用模糊可靠性理论。我们建议使用或性能指标或替代变量这是很好理解的电厂工程师fuzzify热交换器的状态

关键字
热交换器;总体传热系数;污染因子(FF)、模糊可靠性、性能特点、Mamdani自适应神经模糊推理系统(M-ANFIS)。

介绍
换热器由于其非线性动力学过程复杂,特别是变量的稳态增益和时间常数的过程流体(Mandanvgane等2006)。热交换器是用来传递两个液体在固体表面之间的热量在不同的温度下。常用的壳管热交换器是用于制冷、发电、供热、空调、化学过程、生产、医学应用(Ozcelik带领,2007))。换热器的性能恶化随着时间的推移,由于传热表面污垢的形成。这是一个非常复杂的现象,可以大致分为颗粒,腐蚀、生物、结晶、化学反应和冻结。有必要定期评估换热器的性能,为了保持在效率高水平。换热器性能监控通过以下方法:1)出口温度的热流(Tho), 2)方法温度(Tho - Tci)配置文件,3)对数平均温差(LMTD)随着时间的推移,(四)热负荷概要,v)时间序列的整体传热系数。第一个四个方法被广泛使用和无效的隔离污染的净影响过程不适。但整体传热系数方法需要详细的计算和几何的知识在换热器(Radhakrishnan et al 2007)任何偏离设计/清洁换热器的传热系数将指示污染的发生(Vijaysa等2006)。管式换热器制造协会建议一个容许污垢系数(FF)或污垢热阻容忍某种程度的污染之前,必须进行清洗。 Hence, monitoring system is needed to assess the performance of heat exchanger. In experimental studies and engineering applications of thermal science, researchers and engineers are expected to reduce experimental data into one or more simple and compact dimensionless heat transfer correlations (Wang et al 2006). The limitations of correlation methods are addressed by computational intelligent (CI) techniques, such as M-ANFIS and fuzzy reliability. M-ANFIS is one of the most powerful computer modeling techniques, based on fuzzy approach, currently being used in many fields of engineering for modeling complex relationships which are difficult to describe with physical models.
本文开发了性能监控系统使用二次测量即为壳管式热交换器的温度和流速冷热流体(水)。实验系统开发研究换热器的性能。M-ANFIS应用于换热器模型与实验数据。开发一个模型的输入参数设计/清洁换热器入口温度和壳管侧流体流量和输出是整体传热系数(UDesign)。真正的/污染系统的整体传热系数(尿素的)计算使用入口温度等测量值,出口温度和壳管侧流体的流量。换热器的性能评估的结果通过比较清洁/设计和犯规/真正的系统。任何偏离设计/清洁系统的结果表明性能退化是由于污染。其隶属程度来源于污垢系数(FF)使用UDesign和尿素的。基于Mamdani模型的自适应神经模糊推理系统,名叫M-ANFIS这里提出。实验结果表明,该模型能达到预期的目标和有一个更好的能力在换热器的性能评估。
本文提出用模糊集的理论和方法与连续随机模型的可靠性系统性能下降。我们使用性能特征变量表明降解系统的连续性能水平fuzzify组件或系统的状态。工程或技术性能变量是很好理解的系统设计师和可以用来代表不同程度的成功。因此,成功/失败的不精确的意义是通过模糊量化的成功/失败隶属函数定义的性能特征变量。提出了模糊可靠性措施提供一个替代模型连续状态系统行为。模糊可靠性的动态行为研究使用模糊随机变量的概念在适当的随机性能退化过程。

MAMDANI基于自适应神经模糊推理系统(M-ANFIS)
提出了一种自适应神经网络相当于Mamdani碳酸推理系统的功能,这叫M-ANFIS。这意味着基于自适应网络模糊推理系统。神经网络具有处理不精确数据的功能训练,而模糊逻辑可以处理人类认知的不确定性。这两个方法的本质是一种通用的估计值和非线性建模的功能。事实上,神经网络和模糊逻辑融合得很好。模糊神经网络实现模糊推理的主要步骤有序层神经网络的架构,这样的权重调整网络,使得模糊推理更接近实际情况的神经网络的学习能力。模糊神经网络在很多领域被广泛使用。张成泽提出Sugeno模糊推理模型简称ANFIS。本文将介绍一种Mamdani基于模型的自适应神经模糊推理系统(M-ANFIS),简称ANFIS的拥有更大的优势,表达顺向和直觉模糊推理的一部分。该模型将反映的本质CI更多。 The details will be introduced in the following section.
模型描述
t - s模糊推理系统的工作原理与线性技术,保证输出的连续表面(Tan等2009)。t - s模糊推理系统,但在处理困难的多参数综合评价;它有困难将重量分配给每个输入和模糊规则。Mamdani模型可以显示它的易读性和可理解性的人。Mamdani模糊推理系统显示其优势输出表达式,在这个项目中使用。我们得出以下定理。应用这种复合推理方法的优点是这样Mamdani简称ANFIS模型具有学习的能力,因为在计算可微性。sum-product成分提供了以下定理(杨等人2000),看到Eq.1 Eq.2。最终的输出使用重心去模糊化时等于加权平均顺向MFs的重心,地点:
图像
图像
图像
图像
重量更新公式
重量更新公式为调整M-ANFIS模型参数是非常重要的。在本节中,我们总结的重量更新公式M-ANFIS模型,讨论了一般重量更新公式基于反向传播神经网络的基本理念。一个自适应的网络是一个网络结构的总体投入产出行为是由一个可修改的参数集合(杨等2000)。是一个静态前馈自适应网络其输入和输出空间之间的映射。我们的目标是构建一个网络实现所需的非线性映射。这种非线性映射是由组成的一个数据集所需的输入-输出对目标系统建模:这个数据集称为训练数据集。程序调整参数来提高网络的性能称为学习规则。学习规则解释了这些参数(或重量)应该更新一个预定义的误差降到最低。误差测量之间的差异计算网络的实际输出和期望输出值(2009年渊源等)。最陡下降法作为基本的学习规则。它也被称为反向传播(Cheng et al ., 1993)。 Our task is to minimize an overall error measure defined as:
图像

使用M-ANFIS建模的热交换器
为了验证M-ANFIS换热器模型的有效性提出了,我们把这个M-ANFIS评价UDesign热交换器。通过培训和测试这个模型的历史样本数据,结果表明,该模型有能力换热输入数据映射到设计UDesign整体传热系数的值。同时,照亮的是M-ANFIS模型显示了极大的优越性简称ANFIS模型根据实验结果分析它们之间。这个实验样本数据支持核电站专家工程师。所有这些数据都是通过专家证实,是可靠的。
整体传热系数设计UDesign评估
在热交换器系统中,UDesign是一种高质量的度量描述系统内的操作条件。现在每天在发电厂评价UDesign性能可靠的决策是一个基本因素。基本传感器数据(比如Thi——热水进口温度,冷水Fci的流量和流速的热水Fhi)是通过探测器和UDesign综合评价是有效的。所有这些数据分为训练数据和测试数据。根据潜在UDesign映射关系,这三个指标,我们应用这个M-ANFIS UDesign评估。因此,这些样本数据的实验表明,M-ANFIS模型介绍了提供理论依据和新的方法-合成UDesign评估。
M-ANFIS模型
简称ANFIS,每个规则的输出是输入变量的线性组合加上一个常数项,最后输出的加权平均每个规则的输出。UDesign反映了经营者的主观感受在热交换器;显然上述模型不能反映的本质UDesign因为它的线性输出。M-ANFIS模型能够解决这个问题,因为成绩的UDesign顺向部分表示为隶属函数,而不是一个简单的线性方程。M模型反映了UDesign的真正含义和逻辑推理的运营商。在图3中,评估UDesign过程说明。因此,我们构建以下模型。看到的视图。在这个模型中,x, y, z代表输入,这,Fci, Fhi。a1a3 Thi表示隶属度函数; B1-B3 represents membership functions of Fci; C1-C3
图像
代表Fhi的隶属度函数。D1-D6代表UDesign输出的隶属度函数。规则的格式是:
规则1:如果x是y A1和B1和z是C1,然后UDesign =。
在这个模型中,27个前提参数和顺向参数24日所有非线性参数。我们调整这些参数在M-ANFIS基于权重更新公式,所示Eq.16 Eq.17。7.1所有与Matlab程序实现。实验评估UDesign选择2000对样本数据(1500对500培训和测试)。
训练过程需要0.55秒,500步。均方误差是0.0003。训练误差图7所示。期望输出和实际输出的M-ANFIS在图7。在Fig.8测试错误。平均测试误差是0.0412。指数的简称ANFIS和M-ANFIS是表1中。从这个表中,我们可以得出这样的结论:M-ANFIS模型优于简称ANFIS的调整参数,训练数据规模、消耗时间和测试误差。训练误差满足
图像
需求。很明显,M-ANFIS更有效小规模样本数据。在实验中,MANFIS 6 MFs随之而来的部分,反映UDesign精确的本质。
图像

试验装置
实验进行了1:1的壳管式热交换器。冷热自来水流入外壳和管分别使用气动控制阀可以改变。冷水的进气道流可以在0 - 400的范围不同升每小时(液体变阻器)和热水0到300之间的液体变阻器。冷水与热水的流量测量使用流量变送器。在实验设计中,三层工艺参数热水进口温度,冷水流量和热水流量选择,列在表2。在这项研究中,使用全因子实验设计和实验的组合工艺参数表3中给出。水箱水温的开销是最初设置为45°C,冷水流量150液体变阻器和热水流量70液体变阻器。在此设定状态,过程继续,直到达到稳定状态。在稳定状态,出口温度的冷热自来水。冷水的流量是改为250液体变阻器和350液体变阻器,继续这个过程达到稳态。 Then the outlet temperatures of cold and hot water were observed. The above step can be repeated by changing the hot water flow rate to 80 LPH and 90 LPH and the outlet temperatures were observed. Similarly for the hot water inlet temperature
图像
55°C和65°C以上过程是反复阅读。基于实验设计组合实验对水-热水系统和他们的结果列在表3。换热器的性能评估是通过计算总传热系数。整体传热系数计算使用对数平均温差(LMTD)方法,因为进口温度、出口温度和流量的冷热自来水是已知的。的整体传热系数计算壳管式热交换器通过使用下面的方程。
图像
Qh -传热速率的热水,Qc -传热速率的冷水,mh -质量流率的热水公斤/小时,mc -质量流率的冷水在公斤/小时,Cph比热容的热水kJ / kgK, Cpc -比热容的热水kJ / kgK Thi——热水进口温度°C, Tho——热水出口温度在°C, Tco,冷水入口温度°C, Tci -冷水出口温度°C, A -传热面积平方米
图像

设计和开发的换热器的性能评估体系
绩效评估体系的设计
壳管式热交换器的监控系统设计基于当前需要评估性能。在这个一个M-ANFIS开发模型用于预测的整体传热系数(UDesign)设计系统使用二次测量温度和流速。开发网络的输入Thi——热水进口温度,冷水Fci流速和流量的热水Fhi UDesign和输出。从设计的实验获得的数据被用于训练、验证和测试M-ANFIS模型。传热系数的系统(尿素的)推导出使用二次测量如Tci,阮,Tco, Fci, Fhi。该系统模拟实时系统和用于性能评估系统(污染)。Tci的测量值,这,Tco, Fci和Fhi是用来预测的价值UDesign和计算尿素的的价值。FF计算价值的预测值UDesign和尿素的计算值。它是用来识别性能下降或热交换器的污染程度。如果FF值大于或等于设定值(允许)设计换热器,警告消息将清洁或维修热交换器和换热器的继续工作和监控系统。 Otherwise no warning message will be given and the heat exchanger continues to work and monitor the system. The proposed scheme and flow chart of the online performance monitoring system is shown in Fig.9.
图像
M-ANFIS模型开发
阮,Fci Fhi和一个神经元在输出层,对应UDesign过程响应。UDesign M-ANFIS的地形模型图2所示。和开发模型在MATLAB环境图3所示。
图像
图像
实验数据集用于火车、验证和测试UDesign网络。MSE的变化在培训期间Fig.10所示。的图形输出为UDesign M-ANFIS显示示。可以看出预测值UDesign非常接近实际值,Fig.12所示。它也发现UDesign的最大绝对误差为3.46%是列在表4。这表明该模型预测精度过程反应很足够了。进行测试,其他三个新的数据集不属于使用的培训和验证数据集。测试数据集,整体传热系数预测使用M-ANFIS模型,然后与实际值相比。可以看出预测值UDesign非常接近实际值,示所示。也发现,最大绝对误差的UDesign表6给出了2.54%。
图像
图像
这表明该模型预测过程反应很适合推广。M-ANFIS UDesign模型开发研究估计性能下降的管壳式换热器的污垢。
性能评估
有效和主要污染检测方法适用于比较UDesign和尿素的。它不能直接测量,它使用二次测量流速和温度等作为输入的实验数据来估计。从在线测量值如Tci,阮,Tco, Fci, Fhi换热器的性能评估。阮,Fci, Fhi被用来预测UDesign使用M-ANFIS开发模型的价值。M-ANFIS顺向的部分在本质上是模糊的和它defuzzyfication UDesign的脆值。尿素的使用LMTD方法计算价值Tci,阮,Tco, Fci, Fhi。换热器的性能对比,评估尿素的价值与UDesign价值。减少尿素的值表示性能的退化污垢的形成。在这方面,使用FF方法估计性能下降或污染,这将表明污染的程度。性能退化所表达的FF,计算的方程:
图像

动态模糊可靠性建模
成功和失败都被视为模糊事件,其中包含连续性能特征值表现出不同程度的成功或失败。组件的动态模糊可靠性取决于时间和它可以评估的模糊事件的概率成功(德,1968)。因此模糊可靠性的定义是:
RSUDesign =公关(模糊成功)=∫μSUDesign (y) dF (y (t) = E[μSUDesign (y)] (21)
同样模糊可靠性的模糊失效事件定义为:RFUDesign =公关(模糊故障)=∫μFUDesign (y) dF (y (t) = E[μFUDesign (y)](22)μFUDesign (y) = 1 -μSUDesign (y)和E(μSUDesign (y)]是时间的函数。μSUDesign =隶属函数的整体传热系数(UDesign)成功μFUDesign =隶属函数的整体传热系数(UDesign)失败
图像

结果与讨论
提出了性能监控方案实现发达过程实验装置位于实验室。数据等热交换器的Tci, Tco,这,,Fci, Fhi捕获通过运行MATLAB程序在PC,这是连接到数据采集系统。系统最初预测UDesign价值与M-ANFIS模型和动态模糊可靠性模型和计算尿素的价值通过实验观测值。成功和失败事件的动态可靠性UDesign计算使用动态可靠性建模公式。然后使用尿素的系统计算FF价值和UDesign值。基于FF系统给操作员的信息价值。系统典型条件的结果如表6所示。在这里FF <设置FF =不惊人,FF >设置FF =令人担忧。
图像
结果发现,换热器的性能是在公差值(由现场工程师/维修工程师)FF。现场工程师没有显示警告消息。另一个典型条件结果如表6所示。这个推断出换热器的性能高于FF的公差值。它需要立即维修或纠正性行动,以恢复传热效率。这给了暗示的运营商计划维护远远超过因意外关闭操作干扰降到最低。

结论
简称ANFIS,引入r .张成泽是最受欢迎的一个。在模糊推理的过程,简称ANFIS采用顺向部分的线性方程,不能合理地展示人类的判断。所以,我们建议Mamdani基于模型的自适应模糊推理系统(M-ANFIS),在后续部分拥有更大的优势和直觉模糊推理。M-ANFIS普遍接近者,因为它是无限的逼近能力训练。所有参数在M-ANFIS非线性参数可以调整学习规则上面所讨论的。M-ANFIS模型可以显示它的易读性和可理解性,更清楚地展示模糊逻辑的本质。最后,我们使用M-ANFIS到热交换器的性能评估。实验结果表明,M-ANFIS模型优于简称ANFIS的调整参数,训练数据规模、消耗时间和测试误差。实验1 - 1壳管式热交换器与不同的冷水流量,热水流量,和热水入口温度来评估系统的性能。实验观察结果纳入M-ANFIS模型发展。 A M-ANFIS model was developed to predict overall heat transfer coefficient UDesign of the design heat exchanger system and the model was trained, validated and tested for generalization. Good agreement was identified between the predictive model results and the experimental results. MANFIS model was used to predict the value UDesign and UReal was derived from measured values. A dynamic fuzzy reliability model is proposed to evaluate the reliable value of UDesign for the reliable performance assessment of heat exchanger in terms of FF. It is shown that fuzzy modeling is more realistic for systems with continuous performance levels. FF is found from the predicted UDesign and UReal value. From the estimated FF value, the performance degradation/fouling effect was within the tolerance limit (margin) or not is identified. Based on the results, degree of fouling and precaution information like warning or maintenance was given. Further, it needs intelligent approach to do fouling analysis and maintenance decision.

引用
  1. Mandavgane s。,Pandharipande S. L., “Application of optimum ANN architecture for heat exchanger modeling”. Indian Journal of Chemical Technology, vol.13, pp. 634-639, 2006.
  2. Ozcelik带领Y。,“Exergetic optimization of shell and tube heat exchangers using genetic based algorithm”. Applied Thermal Engineering, vol.27, pp. 1849-1856, 2007.
  3. Radhakrishnan v R。,Ramasamy M。,Zabiri H。,Thanh V. D., Tahir N. M., Mukhtar H., Hamdi M. R., Ramli N., “Heat exchanger fouling model and preventive maintenance scheduling tool”.
  4. 应用热工程,硕士论文,2791 - 2802年,2007页
  5. Vijaysai P。,Osborn M.D., Au S.S., Ravi Chandra Reddy K., “Prediction of performance assessment of heat exchangers for proactive remediation”. IEEE transaction, pp. 3055-3060, 2006.
  6. Riverol C。,Napolitano V., “Estimation of fouling in a plate heat exchanger through the application of neural networks”.Journal of Chemical Technology and Biotechnology, vol. 80, pp. 594-600, 2005.
  7. Thirumarimurugan M。,Kannadasan T。Ramasamy E。,“Performance Analysis of Shell and Tube Heat Exchanger Using Miscible System”. American Journal of Applied Science, vol. 5, pp. 548-552, 2008.
  8. 王先生问。,Xie G., Zeng M., Luo L., “Prediction of heat transfer rates for shell and tube heat exchangers by artificial neural networks approach”. Journal of Thermal Science, vol. 15, pp. 257- 262, 2006
  9. 赵X。,“Performance of a single-row heat exchanger at low in-tube flow rates”. Master Thesis, University of Notre Dame, 1995.
  10. 谢G.N.,王先生问。W., Zeng M., Luo L.Q.,“Heat transfer analysis for shell-and-tube heat exchangers with experimental data by artificial neural networks approach”. Applied Thermal Engineering, vol. 27, pp. 1096–1104, 2007.
  11. Jambunathan K。哈特s . L。,Ashforth-Frost S., Fontama V., “Evaluating heat transfer coefficients using neural networks”, International Journal of Heat and Mass Transfer, vol. 39, pp. 2329–2332,1996.
  12. 迪亚兹G。,Sen M., Yang K.T., McClain R.T., “Simulation of heat exchanger performance by artificial neural networks”.International Journal of Heating Ventilating and Air Condition and Refrigeration Research, vol. 5, pp. 195–208, 1999.