基于壁温信号EMD解析的气固流化床结片预警

张　倩,　董克增,　黄正梁,　任聪静,　王靖岱,　阳永荣

(浙江大学化学工程与生物工程学院,化学工程联合国家重点实验室，杭州 310027)

基于壁温信号EMD解析的气固流化床结片预警

张倩,董克增,黄正梁,任聪静,王靖岱,阳永荣

(浙江大学化学工程与生物工程学院,化学工程联合国家重点实验室，杭州 310027)

摘要：气固流化床反应器在生产中易产生结片或结块,严重影响反应器的安全稳定运行。对气固流化床中的壁温信号进行经验模态分解(EMD),发现其高频本征模函数 IMF1及IMF2在有结片产生时显著增大,其能量的滑动平均值(Em)能有效地指示初始结片的产生。运用主元分析(PCA)方法处理不同样本的Em值,得到结片检测统计量(T2)及结片控制上限(UCL),并进一步提出了判断结片产生的E检测法:当T2

关键词：气固流化床; 壁温信号; 经验模态分解; 主元分析; 结片

Zhejiang University,Hangzhou 310027,China)

气固流化床反应器因床内局部过热、静电过量积累等原因会产生结片或结块[1-4]。结片长大到一定程度后从壁面脱落,可能堵塞分布板或出料系统,影响流化状态,严重时甚至引发停车,造成巨大的经济损失[1-3]。

目前气固流化床反应器内常用的结片检测方法有壁温波动判别法、铯源(137Cs)结块探测法[5]以及声波[6-7]、静电[8-9]探测法等。壁温波动判别法一般认为,当壁温波动超过3～5 ℃时,很可能有结片产生;铯源结块探测法一般用于检测分布板附近的大结片或结块。此2种方法检测结果可靠,但由于一般只能检测到较大尺寸的结片或结块,故检测结果存在一定滞后。而声波、静电信号的影响因素复杂,降低了声波、静电探测法的可靠性[10-11],故本文提出的方法主要是与壁温波动判别法及铯源结块探测法进行对比。

Hendrickson[3]研究了不同类型结片的形成过程,指出聚合物颗粒黏壁结片的首要特征是壁温偏离流化床主体温度,并在工业反应器上得到了证实[12]。从结片的形成过程来看,在结片产生初期,部分颗粒趋向壁面运动并在壁面黏结。随后结片逐渐增厚,面积增大,结片前沿向四周转移,当长大到一定程度后在重力作用下从壁面脱落[3]。在此过程中,结片的大小及厚度的改变导致其传热阻力不断变化,故被结片包覆的壁面热电偶探头与床内气流的传热过程为非稳态传热过程,测得的壁温信号也具有非稳态特征。加之工业流化床反应器是一个高度非线性系统,故考虑从解析非线性系统内的非稳态信号角度来提取结片时的壁温信号特征。

经验模态分解[13-16](Empirical Mode Decom-position,EMD)作为一种新型信号处理方法,特别适用于处理非线性、非平稳信号,已在机械故障诊断、流体力学等领域得到广泛应用。Amarnath等[17]对螺旋齿轮的震动信号及声信号进行基于EMD的统计分析,实现了局部故障诊断。Sang等[18]证明了EMD在水文时间序列的趋势识别中的优越性。Zhang等[19]对气固两相流中的静电信号进行EMD分解,得出高频本征模函数IMF3的能量可表征固相浓度变化的结论。主元分析(PCA)[20]方法则将原本互相关的变量空间降维分解成相互独立的主元空间,从而对主元空间和残差空间分别进行监控。目前PCA在化工领域的性能监控和故障诊断方面已得到成功应用[21]。Liu等[22]运用动态PCA方法实现了对工业流化床反应器的结块监视。

本文从气固流化床壁温信号的EMD结果中提取特征参数,然后用PCA方法计算其统计量并提出结片判断依据,从而对工业流化床反应器的结片情况进行预警,并与壁温波动判别法和铯源结块探测法的检测结果进行对比来验证模型的有效性。

1实验装置及分析方法

1.1实验装置

图1所示为工业气相聚乙烯流化床示意图。工业气相聚乙烯流化床反应器从顶部排出循环气,经压缩后与乙烯、共聚单体等原料混合,再经冷却器冷却后从底部进入流化床。原料气在床内发生聚合反应,产物聚乙烯颗粒由流化床侧面的出料系统排出。本文用到的3个壁温热电偶探头的安装位置如图1所示,分别位于分布板上方0.91、2.44、16.45 m处。从分散控制系统(DCS)中读取流化床反应器运行过程中的壁温数据,采样时间间隔为30 s。从未安装铯源结块探测器的某2.5×105t/a气相法聚乙烯装置上采集了样本1(稳定工况,无结片产生)和样本4(故障工况、有结片产生),从安装有铯源结块探测器的某3.0×105t/a气相法聚乙烯装置上采集了样本2和3(均为故障工况、有结片产生)。

图1　工业气相聚乙烯流化床示意图

1.2壁温信号分析方法

1.2.1EMD方法EMD的分解过程是一个自适应的“筛分”过程。通过对壁温信号T(t)进行EMD处理,可以得到一系列从高频到低频排列的本征模函数IMFs及一个剩余项r(t)。每个IMF均满足以下两个条件[7]:(1)极值点的个数和过零点的个数相等或相差最多不超过一个;(2)在任意时刻,由局部极大值点形成的上包络线和由局部极小值点形成的下包络线的平均值为零,即上、下包络线相对于时间轴局部对称。EMD方法相对于小波分解的优势在于EMD方法是根据信号本身的局部特征信息进行自适应分解,分解得到的各个IMF分量包含了原始信号的局部特征信息,因而具有一定的物理意义,而小波分解不具备这种性质。

经EMD分解,离散的壁温信号T(t)可用如下线性方程表示:

(1)

其中ci(t)代表第i阶IMF,r(t)代表T(t)信号的剩余量,b代表IMF信号的个数。第i阶IMF在tj时刻的能量Ei(tj)按式(2)计算:

(2)

对任意时刻tj,求取Ei(tj)在tj-15～tj时间段(共16个采样点)内的滑动平均值Em,i(tj),以消除噪声干扰,Em,i(tj)按照式(3)计算:

(3)

1.2.2PCA方法主元分析方法核心思想是通过将原本互相关的变量空间降维分解成相互独立的主元空间,从而对主元空间和残差空间分别进行监控。其具体过程如下:假设过程的建模数据矩阵可以表示为XN×n,其中N为样本数目,n为变量数目。首先对数据矩阵进行归一化处理,然后利用主元分析方法降维。其模型可以表示成如下形式[17]:

(4)

其中T为得分矩阵,P为负载矩阵,X′为残差空间,tk为T中第k个主元分量,pk为P中第k个主元分量,a

T=XP

(5)

(6)

经过上述分解后,原有的变量空间通过降维被分为主元空间和残差空间,且去除了变量之间的相关性。这样一来就可以在新的空间对于过程变量进行统计分析。在变量数目较少时,通过构建统计量T2对变量进行监控,

(7)

主元t应满足

(8)

其中UCL为HotellingT2统计量的上限,

(9)

其中，Fa代表F分布。以上两种算法的运用框图如图2所示。

图2　算法框图

2结果与讨论

2.1壁温信号的EMD分解及特征提取

2.1.1稳定工况图3所示为样本1在稳定工况下无结片时的壁温波动图。由图3可知,分布板上方3个典型位置(0.91、2.44、16.45 m)的壁温波动均较为平稳,波动幅值在1 ℃以内。取0.91 m处的壁温信号进行EMD分解,得到各阶IMF信号及剩余量r(t),如图4所示。由图4可知,正常工况下,壁温信号各IMF分量的波动均较小,与中低频的IMF信号相比,高频IMF信号(IMF1、IMF2)的波动相对较大,蕴含了更丰富的信息。

图3　无结片产生时的壁温信号(样本1)

2.1.2有结片产生图5所示为样本2在结片过程中的3个不同高度的壁温信号图。由图5可知,从9∶00开始3个不同高度的壁温信号均出现小幅波动并逐渐偏离床层温度;分布板上方0.91 m处(滞留区)的壁温探头的变化最为显著,11∶30时此处的壁温剧烈波动,且偏离床层温度超过5 ℃。根据壁温波动判别法可知,此时流化床内已出现较为严重的结片。随后铯源结块探测器持续报警,表明分布板上方已经有大量结块,床内流化状态已经恶化,难以控制。随即采取停车措施,床内温度逐渐下降。停车后打开反应器发现床内结片非常严重,取出的结片如图6所示。

图4　壁温信号EMD分解:IMFs及r(t)(样本1,高度0.91 m)

图5　有结片产生时的壁温信号(样本2)

取0.91 m处的壁温信号进行EMD分解,得到7个从高频到低频排列的IMF及1个剩余项,如图7所示。从图中可以看出,壁温从9∶00左右开始缓慢偏离正常值,对应时刻的高频部分IMF值(IMF1,IMF2)明显增大,中低频部分的IMF值(IMF3～IMF7)变化不明显。这是由于在结片产生初期,颗粒的不均匀黏附及结片前沿的不断转移导致传热阻力不断变化,从而使信号的非稳定性增大,并主要在IMFs信号的前2个高频段体现出来。由此可知,高频IMF信号(IMF1,IMF2)能有效识别初始结片的产生。

图6　工业装置产生的结片(样本2)

图7　壁温信号的EMD分解:IMFs及r(t)(样本2,高度0.91 m)

2.1.3特征提取根据式(2)、式(3)求取样本2中IMF1和IMF2能量的滑动平均值Em,1与Em,2,两者的对比如图8所示。从图中可以看出,在9∶00有结片产生时,Em,1与Em,2均呈增大趋势,且Em,1比Em,2更为灵敏,波动幅度更大。据此可将Em,1和Em,2作为结片的特征信息。

图8　Em,1与Em,2的对比

2.2E检测法的提出

将壁温信号T(t)进行EMD分解,提取IMF1和IMF2计算其Em(tj)值。由2.1.3节可知,对任意时刻tj,当无结片产生时,Em(tj)较小;而在有结片产生时,Em(tj)会显著增大。据此将Em(tj)作为PCA的输入,计算其统计量T2及结片控制上限UCL,以实现准确的结片监测,并称该方法为E检测法。用PCA实现结片检测的主要步骤包括[17-18]:

(1)建立正常工况(样本1)主元模型并进行主元分析;

(2)将故障样本(样本2～4)输入PCA模型;

(3)求各样本T2统计量及结片控制阈值UCL。

对任意时刻tj,当T2

2.3E检测法的应用

运用E检测法分别对样本2和样本3的结片进行检测,并与壁温波动判别法、铯源结块探测法的检测结果进行对比,如图9所示。对样本2,由PCA方法计算得到最终结片控制上限UCL′为18.6。由图9(a)可知,E检测法的检测值T2在9∶00持续超过UCL′而发出结片预警;而壁温波动判别法与铯源结块探测法的检测值均在11∶30才超出控制限,并发出结片预警,相比于E检测法滞后约2.5 h。对样本3,由PCA计算得UCL′为18.6。由图9(b)可知,E检测法的检测值T2在19∶00持续超过UCL′,并发出结片预警;而壁温波动判别法与铯源结块探测法检测到结片的时间分别为21∶00与22∶00,比E检测法分别滞后了约2 h与3 h。运用E检测法对样本4的结片进行检测,并与壁温波动判别法的检测结果进行对比,如图10所示。由图10可知,E检测法的检测值T2在16∶00超过结片控制上限(18.6),并引发结片预警。而壁温偏离幅值一直在3 ℃以内,直到停车后才迅速下降,未发出结片预警。综上可知,E检测法不仅能可靠地预警结片,且比壁温波动判别法或铯源结块探测法检测到结片的时间至少提前2 h。

图9　壁温波动判别法、E检测法与铯源结块探测法(分别对应图中(1)、(2)、(3))的结片检测结果对比

图10　壁温波动判别法与E检测法(分别对应图中(1)、(2))的结片检测结果对比(样本4)

3结论

在工业气固流化床中,壁温信号经EMD处理得到的IMF高频分量(IMF1,IMF2)在有结片产生时会显著增大,其能量的滑动平均值Em能有效识别初始结片的产生。据此将Em作为特征参数输入PCA,计算结片检测统计量T2并划定结片控制上限UCL,从而实现结片检测:即当T2

符号说明:

a——主元数目

b——IMF分量数目

ci(t)——第i阶IMF

Ei(tj)——第i阶IMF在tj时刻的能量

Em,i(tj)——Ei(tj)在tj-15～tj内的滑动平均值

Fa——F分布

IMF——本征模函数

N——样本数目

n——变量数目

P——负载矩阵

pk——P中第k个主元分量

r——剩余项

T——得分矩阵

T——壁温, ℃

T2——结片统计量

t——主元

t——时间,h

tj——第j个采样点所对应的时间,h

tk——T中第k个主元分量

UCL——T2统计量的上限

X——数据矩阵

X′——残差空间

下标:

i——自然数,i=1,2,…且1≤i≤b

j——采样点数,j=1,2,…

k——自然数,k=1,2,…且1≤k≤a

参考文献：

[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,蒋斌波,阳永荣,等.声波的多尺度解析与气固流化床故障检测[J].化工学报,2006,57(7):1560-1564.

[6]虞贤波,任聪静,姜晓静,等.气固流化床中声发射和结块定位[J].浙江大学学报(工学版),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,任聪静,等.基于静电测量的聚乙烯气固流化床结片检测[J].浙江大学学报(工学版),2009,43(9):1697-1702.

[9]许南.流化床静电感应信号解析及外加电场作用研究[D].杭州:浙江大学,2012.

[10]曹翌佳.气固反应器中基于声发射信号的故障检测与诊断[D].杭州:浙江大学,2010.

[11]王芳.气固流化床静电分布的理论及实验研究[D].杭州:浙江大学,2008.

[12]周志宇.工业聚乙烯气相流化床反应器内静电生成及预防的探讨[D].上海:华东理工大学,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

基金项目：国家自然科学重点基金(21236007);中国博士后科学基金(528000-X91401);浙江省自然科学基金青年基金项目(LQ13B060002);高等学校博士学科点专项科研基金项目(20130101110063)

作者简介：张倩(1990-),女,湖南人,硕士生,多相流检测与信号处理。E-mail:zjusummer@zju.edu.cn 通信联系人：黄正梁,E-mail:huangzhengl@zju.edu.cn

文章编号：1006-3080(2016)02-0157-06

DOI:10.14135/j.cnki.1006-3080.2016.02.002

中图分类号：TQ021.8

文献标志码：A