基于高斯曲线隶属度函数的浪涌检测系统

穆罕默德·a·瓦利¹，易卜拉欣·f·塔拉德¹穆罕默德·m·福阿德²

部门电气工程埃及爱资哈尔大学工程学院。
埃及扎加齐格大学工程学院电子与通信工程系。

摘要

问题:浪涌是一种影响整个压缩系统的不稳定性。浪涌的特征是极限环振荡，导致压力和流量的大幅度波动。与旋转失速相反，喘振期间的平均质量流动是不稳定的，但周向均匀。方法:为了寻找一种能够在一定意义上捕捉物理装置动态特性关键的简单模型结构，研究了基于高斯曲线隶属函数的抗喘振检测系统，以及基于神经模糊的离心压缩机喘振保护系统的应用可能性。结果:通过测试所创建的神经模糊系统，验证了所提控制方案的有效性，并与已使用的检测系统进行了比较，取得了较好的控制效果。结论:神经模糊系统可替代电流检测系统对离心式压缩机喘振进行检测。

关键字

压缩器，ASC，高斯，神经，模糊，ANFIS

介绍

压缩机是用于喷气和船舶推进或发电的燃气轮机的一部分，用于内燃机的增压器和涡轮增压器，以及在各种各样的工业过程中。在本文中，我们将重点介绍用于(石油)化学加工厂和流体输送管道的离心式压缩机。离心式压缩机具有与轴向压缩机相同的工作原理，因此在适当的情况下，我们将参考涵盖所有连续流压缩机的更一般的涡轮压缩机类别。[1]

压缩机将动能从气动机械驱动转子转化为稳定的气流。气体的压力是通过扩散将压缩机旋转部件传递的加速度转换而提高的。在压缩机的正常运行中，流动名义上是稳定和轴对称的。压力升高取决于旋转速度，但有效范围是有限的。这种不稳定可以采取两种形式之一，喘振或旋转失速取决于压缩机的速度。压缩机的性能被绘制成不同转速下的压力比与质量流量。该地块被失速线(或浪涌线)划分为两个区域。这条线定义了压缩机的运行极限。在失速线左侧，水流不再稳定。[２]

在正常和缓慢变化的操作过程中，可以通过喘振控制阀循环气体以保持最小流量来避免喘振。然而，当发生跳闸或重大扰动时，流量下降，降低喘振能量的主要手段是降低压气机达到喘振(最小稳定)流量条件时的扬程(吸气与排气压差)。在跳闸或翻动过程中，压缩机的扬程取决于整个系统的响应，包括压缩机性能的变化、管道内的瞬态流动、控制系统的响应、喘振和其他自动阀门(如排气阀或吹气阀、止回阀[3])的容量和开启率。

本文描述的工具和技术，可以和已经被用于模拟性能和控制响应和时间相关的压缩机系统的扬程。本研究使用的工具是自适应神经模糊推理系统(ANFIS)，利用压缩机现场的一些数据和运行情况，训练出一种新的模糊逻辑，用于抗喘振检测(ASD)。模糊逻辑模型还可以跟踪离心式压缩机在不同速度下的性能，解释压缩机列车的旋转惯性，并评估气流的热物理性质

喘振检测

A.防浪涌基础知识

天然气沿管道输送是石油、化工和石油化工行业的常见过程。为了节省成本，天然气通常在进入管道之前通过压缩机在高压下输送。在压缩机进入喘振状态[2]的风险限制下，当通过流量保持低、压力保持高时，压缩机效率最大化。

喘振现象是压缩机的一种不稳定和不理想的运行状态，当通过它的流量减少到压缩机排气压力小于管路压力时就会发生。这会导致瞬间的流动逆转，降低管线压力，导致流量输出不稳定。随着管线压力的降低，通过压缩机的流量重新建立，导致管线压力增加，循环再次开始。如果导致喘振状况的因素没有得到正确和迅速的纠正，输出将继续振荡，导致压缩机损坏。防浪涌系统提供:

防止压缩机损坏，如弯曲轴，破裂或破裂的铸件，损坏的叶轮和轴承

减少压缩机停机时间和生产成本。

节省维护成本。

压缩机不得在这些条件(喘振条件)下运行。浪涌可能造成的损害包括:

1.快速的流量和压力振荡导致工艺不稳定。

2.噪音。

3.机器振动。

4.减少机器的寿命或在极端情况下喘振可导致压缩机事故。

5.压缩机内部温度升高。

6.压缩机跳闸。

7.机械损伤:

压缩机喘振控制线的描述通常以性能图的形式提供。浪涌极限模型应基于工厂试验或现场验证的实验测试。从压缩机性能图中检测到的喘振如图1所示，其中包含2或3条线，这些线标识了[4]线:

1.喘振控制线2。安全行。3.喘振线

为了判断压缩机处于喘振区还是安全区，性能图上的工作点必须在喘振线的右侧。控制线通常位于喘振线[5]右侧10%处。压缩机id的工作点的值取决于体积流量(VÃ)和焓差(Δh)，它们是压缩机图的轴。体积流量的计算如下式:

其中Δp为有效压力(吸气侧压缩机口处的压差)，T1为进气温度，p1为进气压力。K是由压缩机的几何形状导出的校准因子。焓差Δh计算为:

B.防浪涌检测结构

所有连续流(离心和轴向)压缩机都需要防喘振保护。这些装置用于天然气管道、液化天然气制冷剂和化学/石化工艺。尺寸范围从小型电动马达驱动的单元到大型燃气轮机驱动的单元。防喘振保护由一个控制阀提供，该控制阀打开后，压缩机出口的气体重新循环到进口。压缩机喘振发生在下游流量需求发生变化，与当前压缩机工作点不匹配时。流量控制系统在可能的情况下会改变驱动器(涡轮或电机)的转速以适应新的流量，但大旋转质量(驱动器+压缩机)的转速往往无法快速改变以适应工作点的变化。当压缩机转速和相应的设计流量与系统实际需求不匹配时，压缩机就会发生反流。如果没有外界的干预，流动逆转循环将继续使密封件和其他内部部件承受巨大的压力。压缩机可能完全故障

由图3和式(1)、(2)可知，Xd的计算依赖于以下数据:

•排气压力•进气温度•进气压力•DP压缩机

本文将使用现有的系统来收集数据的模糊系统,收集到的数据分为两组,1一个是训练数据包含123分(大约50%的人在右边的喘振控制线和50%的他们喘振控制线的左侧)和第二组测试数据包含10分(5点右边的喘振控制线和5点左侧的喘振控制线)。

采用模糊防浪涌检测

模糊逻辑工具是由LotfiZadeh在1965年引入的，它是一种处理不确定性的数学工具。模糊理论提供了一种表示“低”、“中”、“高”等语言结构的机制，通常，模糊逻辑提供了一种推理结构，使人类具有适当的推理能力[7]。

A.模糊逻辑-基本原理

模糊逻辑是指研究人类经验的方法和原则的逻辑。模糊集构成了模糊IF - THEN规则的构建块，这些规则具有一般形式“IF X是A那么Y是B”，其中A和B是模糊集。术语“模糊系统”主要是指由模糊IF-THEN规则[7]控制的系统。隶属度函数(MF)是一条曲线，它定义了输入空间中的每个点如何映射到最小和最大之间的隶属度值(或隶属度)。成员的类型和成员的数量将影响结果，因此最好将每个输入的成员数量增加为5个成员，如下所示:

LowLow - low - medium - high - high - high。这些隶属度将构成系统的625条规则，它们是由神经模糊网络生成的，而且隶属度的类型很重要，因此采用试错法，guassmf隶属度类型的效果较好。

B.模糊建模

有限模糊逻辑蕴涵语句总是可以用一组只包含模糊逻辑与运算的一般模糊IF-THEN规则来描述，其形式如下:多输入单输出形式[8]:

使用Takagi和Sugeno基于模糊规则的模型，可以近似大量非线性系统，在本研究中，规则(625规则)将作为如下示例:

IF(排气压力为Low - Low) AND(进气温度为Low - Low) AND(进气压力为Low - Low) AND (DP压缩机为Low - Low) THEN(控制偏差- xd为out1mf1)

IF(排气压力低低)AND(进气温度低低)AND(进气压力低低)AND (DP压缩机低)THEN(控制偏差- xd是out1mf2)。

IF(排气压力是低-低)AND(进气温度是低-低)AND(进气压力是低-低)AND (dp压缩机是中)THEN(控制偏差- xd是out1mf3)。

C.自适应神经模糊推理系统

目前所见的模糊推理系统类型的基本结构是这样一个模型:将输入特征映射到输入隶属函数，输入隶属函数映射到规则，规则映射到一组输出特征，输出特征映射到输出隶属函数，输出隶属函数映射到单值输出或与输出相关的决策。[9]

该模型采用ANFIS方法实现，利用采集到的训练数据对四输入一输出的模糊检测系统进行训练。使用给定的输入/输出数据集，工具箱函数ANFIS构造了一个模糊推理系统(FIS)，其成员函数参数使用单独的反向传播算法或与最小二乘类型的方法相结合进行调谐(调整)。[11]

anfis学习使用两种方法来更新隶属函数参数:

所有参数的反向传播(最陡下降法)

一种混合方法，由输入隶属度函数相关参数的反向传播和输出隶属度函数相关参数的最小二乘估计组成。[12]

下图显示了ANFIS的网络结构，它通过隶属度函数映射输入，其相关参数通过输出隶属度函数。

在混合学习方法中，它使用最陡下降和最小二乘估计(LSE)的组合。在组合中使用了许多模式，如:批处理学习，模式的模式，和不同的组合方式。[13]

模糊系统的训练使用输入数据(排气压力-进气温度-进气压力- dp压缩机)和一个输出数据(控制-偏差)，使用混合方法进行学习，如图5所示。

结果

本节将介绍这两组数据的结果。通过对多种类型的神经模糊模型的试验，我们发现200个epoch和5个隶属度的高斯模型具有较好的效果。下一张误差图显示误差为0.0033571。

在完成带有此误差的模糊系统的训练后，下一步是测试和模拟检测系统，并将其与现有系统进行比较。下图显示了使用训练数据的模糊系统的输出。

下图是模糊系统使用测试数据的输出，误差为0.43932。

下图为模拟模糊检测系统所使用的数据:

下图显示了模拟模糊系统(红线)和现有系统(黑线)的输出数据。

根据以上所有结果。FIS的最大误差< 0.5。控制线通常位于喘振线[5]右侧10%处。将浪涌流量乘以1.1得到控制线流量。根据结果误差不超过±0.5%和压缩机制造商确认喘振线之间的差距和控制线is10%和控制线和安全之间的差距是10%,因此±0.5%是一个小错误和接受,这是因为在最差的情况下,金融中间人将行动打开喘振阀控制线后0.5,这意味着阀门将被控制在喘振线9.5%。

结论

这种模糊逻辑方法的最大好处是，检测系统不需要压缩机图的知识就能找到理想的平衡点。同样的模型可以在主动和被动浪涌控制下运行，而不需要知道采用的是哪种方法。该模型仅根据压缩系统输出进行决策，使模糊模型易于适应任何涡轮压缩机系统。

结论

因此，它允许每个有消息的节点通过优化其传输工作量来决定是否将消息复制到路径节点，以提供足够级别的消息延迟。使用信道选择方案可提供频谱利用率，同时最大限度地减少对主系统的干扰水平。采用可信算法，提高了cr网络中频谱感知的可信度。它使网络节点能够根据动态变化的网络环境自适应地调整通信策略。

未来的工作

在实际应用中，一些归一化方法还有待进一步研究。我的观点是，成员参数的编辑越多，结果越好，错误越少。

鸣谢

作者要感谢医生，Gasco公司，Fajr公司和我的妻子。

参考文献

J. van Helvoirt，离心压缩机喘振，建模和识别控制。荷兰:埃因霍温工业大学，2007。
哈法法，拉乌德，拉鲁西，离心压缩机喘振检测与隔离模糊可靠性分析的新工程方法。阿尔及利亚:布梅尔德大学碳氢化合物学院，2009年。
基于模糊逻辑方法的涡轮压缩机非线性模型。阿尔及利亚:布默德斯大学，2007。
气体机械研究委员会，离心压缩机喘振控制系统应用指南。美国:西南研究所，2008。
布隆伯格，反浪涌控制。德国:MDT, 2006。
Hergenhahn，压缩机滑块操作说明。德国:MAN Turbo AG, 2005。
S. Sumathi和S. N. Deepa S. N. Sivanandam，《模糊逻辑MATLAB导论》。印度:施普林格，2007。
陈冠荣，范忠达，模糊集，模糊逻辑和模糊控制系统导论。美国:crc, 2000年。
MathWorks，模糊逻辑工具箱。美国:Matlab, 2012。
Roger Jang，神经模糊和软计算。美国:普伦蒂斯霍尔出版社，1997年。
张杰，Salim Hamed Thunaiyan Al-Mawali，“离心式压缩机主动喘振控制的模糊方法”，纽卡斯尔大学，NE1 7RU，英国，第4页，2008。
Michael Joseph Krok John Bolton，失速和浪涌检测系统和方法。
王立新，模糊系统与模糊系统。美国:Prentice-Hall, 2000。