[发明专利]一种基于机器学习的换热器预测性维护方法与系统

权利要求书

1.一种基于机器学习的板式换热器预测性维护方法，其特征在于,包括如下步骤：

步骤S1，物理层热力站状态感知，从热力站获取一次侧、二次侧实时数据并更新历史数据，对数据进行清洗和预处理，建立历史数据库；

步骤S2，依据传热机理、行业先验知识对板式换热器进行机理建模，计算板式换热器换热面的沾污系数，判断板式换热器换热面沾污情况；

步骤S3，根据板式换热器传热机理选取模型的特征参数，从历史数据库中选取并建立数据集，建立并训练神经网络沾污系数辨识模型，以反应特征参数与沾污系数的映射关系；因换热器表面沾污情况存在会使传热情况逐渐恶化，故以沾污系数体现换热面沾污状态；

步骤S4，依据训练好的神经网络沾污系数辨识模型，实时计算板式换热器换热面沾污状态变化，跟踪沾污系数的变化过程，得到沾污系数趋势曲线；结合历史维修数据、行业先验知识对沾污系数趋势曲线设立阈值，并以此制定策略对板式换热器进行预测性维修或清洗；

所述的步骤S1具体为：

针对板式换热器，通过其物联感知系统实时采集一次侧，二次侧相关数据并更新历史数据，作为数据模型的基础；

建立数据集为X_n×m，

表示数据集合中包含n个特征向量，每个特征向量X_i包含m条数据，其中，1≤i≤n；

对数据进行清洗和预处理，即对采集数据进行缺失值处理和异常值处理；

所述的缺失值处理为：遍历X_n×m中各个数据X_ij，其中，1≤i≤n，1≤j≤m；若X_ij为缺失值null，则通过该特征前后两点平均值去填补该点，即

所述的异常值处理为：利用3-σ原则判别异常点，同理，若X_ij被判别为异常点，删除该异常值，并通过该特征前后两点平均值去填补该点，即

由板式换热器结构可知，热流由热流进口Q2口进，热流出口Q1口出，冷流由冷流进口Q4口进，冷流出口Q3口出；在四个流道口布置测点安装温度传感器以及流量传感器；分别测得热流体和冷流体进出口处的温度T_h，in、T_h，out、T_c，in、T_c，out和热流体和冷流体的质量流率M_h、M_c；

所述的步骤S2具体为：

板式换热器机理模型公式如下：

热负荷由下式计算：

Q_T＝M_h(h_h，in-h_h，out)＝M_c(h_c，out-h_c，in) (1)

式中Q_T——换热器的热负荷W或J/s；M_h、M_c——分别为热流体和冷流体的质量流率kg/s；h_h，in、h_h，out、h_c，in、h_c，out——分别为热流体和冷流体进出口处的比焓J/kg

Q_T＝A₀K₀FΔT_LM (2)

式中A₀——换热器的总传热面积m²；

K₀——总换热系数W/(m²·K)；

ΔT_LM——对逆流流动计算的对数平均温差K；

F——结构修正因子；

其中

T_h，in、T_h，out——热流体入口和出口温度K；

T_c，in、T_c，out——冷流体入口和出口温度K；

式中，指数n，当液体被加热时取0.4；被冷却时取0.3；

其中

α₁、α₂——板两侧对流换热系数，W/(m²·K)；

λ——流体的导热系数，W/(m²·K)；

d_e——当量直径，m

δ——换热板厚度，m；

R₁、R₂——两侧沾污系数，(m²·K)/W；

联立(1)(2)(3)(4)可得：

其中

R_s——板式换热器换热面的沾污系数，[(m²·K)/W]；

所述的步骤S3具体为：

根据板式换热器传热机理分析，沾污系数的函数式可表达为：

R_s＝f(M_h、T_h，in、T_h，out、T_c，in、T_c，out、h_h，in、h_h，out、ν、ρ、μ、Cp、k)

其中，ν为流速，m/s

ρ为流体密度，kg/m³

μ为流体粘度，单位pa*s

Cp为等压比热容，J/(kg·K)

k为热导率，W/(m·K)；

结合运行数据对板式换热器机理模型中设计的沾污系数进行滚动辨识修正，从而建立机理与数据融合的数字孪生模型，结合机器学习技术，使用神经网络建模方法实现数字化模型对板式换热器物理模型的映射与拟合；

根据传热机理选取模型的特征参数，并建立数据集X；设X＝(X₁，X₂，…，X_n)是影响沾污系数的多特征变量集合，单一特征变量均为m维，即每一特征变量包含有m条数据，特征变量X_i经归一化和量化处理后记为x_i＝(x_i1，x_i2，…x_im)，则数据集X经过处理后则用x_i表示；由此，数据集合进一步表示为数据矩阵X_n×m：

数据矩阵X_n×m经过归一化和量化处理后表示为x_n×m：

x_n×m作为bp神经网络的一个输入训练样本；

所述的神经网络沾污系数辨识模型有三层：输入层、隐藏层、输出层，分别为正向和反向传播；通过正向传播和反向传播误差来调整各层权值，权值调整的过程即bp神经网络学习训练过程，减小输出误差，过程迭代反复直到达到终止条件；所拟建神经网络沾污系数辨识模型是具有若干输入和一个输出的模型，模型输出为板式换热器受热面沾污系数；

隐藏层的节点数，由经验公式确定；其中，q代表隐藏层节点个数，p代表输入层节点个数，l代表输出层节点个数，a取1～10之间的常数；层与层之间通过权值相乘和偏置量连接起来，相邻两层的节点通过全连接方式连接，即上一层的每个节点都会通过权值和偏置与下一层每个节点连接；输入层到隐藏层的激活函数为f₁(·)，隐藏层和输出层的激活函数为f₂(·)，选择sigmoid函数输入层到隐藏层之间的权值矩阵用ν^T表示，ν^T＝[v₁，v₂…v_p]；隐藏层到输出层之间的权值矩阵用W^T表示，W^T＝[W₁，W₂…W_q]；

由输入层到隐藏层的计算公式如下：

由隐藏层到输出层的计算公式如下：

对于神经网络沾污系数辨识模型的训练步骤分为五步：

步骤3.1：初始化网络权重ν^T、W^T以及偏置b，在调用TensorFlow或Keras时，都是随机生成参数；

步骤3.2：进行前向传播，输入x_n×m作为一个训练样本，然后通过计算得到每个神经元的输出Z_i、y和损失函数的期望值：

E(θ)＝(y-y_pre)²；

其中θ表示参数集合，y表示真实值，y_pre表示预测值；

步骤3.3：根据损失函数，计算输出单元的误差项和隐藏单元的误差项，并进行反向传播；

步骤3.4：求出损失函数对每个参数的梯度后，朝梯度下降方向更新网络权重与神经网络偏置参数；

步骤3.5：重复步骤3.2-3.4，直到损失函数收敛至不再减少为止；

判断训练是否结束：对于每个样本，其误差如果小于设定的阈值或者已经达到迭代次数，就结束训练，否则回到步骤3.2继续训练。