基于神经网络的黏度在线检测方法及预测模型研究

作     者：刘纪东 

作者单位：河北大学 

学位级别：硕士

导师姓名：王小杰

授予年度：2024年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 080103[工学-流体力学] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0801[工学-力学（可授工学、理学学位）] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：毛细管法 在线检测 计算模型 神经网络 含氧燃料 

摘      要：黏度是描述流体内部阻力的关键物理量,它直接影响流体的流动行为和特性,进而对工业生产过程中的效率和稳定性产生重要作用。传统的离线黏度检测精度高,但周期长,不具备实时性,无法满足工业生产需求。在线检测技术能够实现对流体黏度的实时监测,可以准确地控制工艺参数,优化产品输送性和使用性,降低生产成本,提高生产效率。神经网络具有强大学习和训练能力,可以通过调整网络结构、激活函数、优化算法等来适应不同的任务和数据类型,适用于各种不同的应用场景。因此,本文以毛细管法测量黏度的基本原理为基础,结合神经网络技术,围绕黏度在线检测系统的设计及黏度预测模型的构建展开研究,主要研究内容如下: （1）基于毛细管法原理,自主设计并研制了一套黏度在线检测系统,主要包括黏度在线检测模块、温度和压力控制与测量模块,人机交互模块及流动过程控制系统等几部分。可实时监测待测流体的温度,压力以及差压等参数,并将标定方程嵌入人机交互模块中,实时显示流体的黏度。同时,使用神经网络模型分析所使用的测量管段的性能。选择黏度已知的醇类（包括乙醇、1-丙醇、1-丁醇、1-戊醇及1-己醇）作为标准流体,对在线检测系统在压力范围为0 MPa～5 MPa,温度范围为293.15 K～328.15 K内进行标定,得到黏度检测范围为0.58 m Pa·s～5.35 m Pa·s,合成扩展不确定度为3.50%。 （2）在此基础上,在线检测了3种酯单质（辛酸甲酯、辛酸乙酯、癸酸甲酯）和2种烷烃（十二烷、十四烷）,在293.15 K～328.15 K温度范围、0 MPa～5 MPa压力范围内的黏度特性数据。与文献值相比,平均相对偏差（AARD）为1.28%,最大相对偏差（MARD）小于3%,满足预期的精度要求。并对测量模型和泊肃叶方程得到的黏度值进行显著性分析,得到泊肃叶方程的p值为0.005,即与文献值具有显著性差异,验证所使用相对测量方式的可靠性,更适用于较宽温度和压力下流体黏度的测量。 （3）针对单质流体的黏度模型,整理了5种酯类与烷烃类单质和12种醇类黏度数据,以经典的CG模型为基础,对方程系数分析,提出了一种改进的CG模型。此外,基于GABPNN、SVR、ANFIS和RBFNN算法构建了十二种醇类黏度预测模型。并使用PSO算法优化RBF神经网络模型,对比分析得到优化模型和原始模型的R2,AARD和MARD分别为0.9998、0.87%、4.18%和0.9996、0.96%、4.79%。并将其与改进的CG模型比较,该模型的R2,AARD和MARD为0.9992,1.27%和9.54%。结果表明,本文所提出的黏度预测模型精度更高,可以满足实际工程需求。 （4）围绕二元混合物黏度计算和预测模型展开研究,整理了7种酯类+醇类的二元混合物数据,使用精度较高的MTSM模型对数据进行关联计算。以组分（x）,温度（T）和密度（ρ）为输入变量构建PSO-RBF二元混合物黏度预测模型,对比MTSM模型,两种模型的AARD和MARD分别为0.97%,3.24%和1.02%,7.00%,结果表明,PSO-RBF神经网络模型的预测精度较高,可作为一种更有效的工具,用于多种二元混合物的黏度预测。