[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

说明书

本发明提供一种基于机器学习的板式换热器预测性维护方法与系统，该方法包括以下步骤：S1，物理层状态感知，从热力站获取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；S2,依据传热机理模型、行业先验知识对板式换热器进行机理建模，计算板式换热器沾污系数；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，并建立神经网络反应特征参数与沾污系数的映射关系；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，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(清洗)。

技术领域

本发明属于工业物联网与供热系统的交叉领域，具体涉及基于板式换热器沾污特性状态建模并对其实施预测性维护的应用分析方法与系统。此预测性维护方法不仅可运用于板式换热器，也可应用于其他管壳式等换热器。且可嵌入工业互联网设备云架构中。

背景技术

在供热生产中，板式换热器是将高温热水或者废热水的温度与常温水进行热量交换，加热常温水用于生产或者生活采暖使用。

板式换热器被广泛应用于各个行业领域中，但因为换热器板间的流通面积较狭窄，当水质较差时容易形成水垢和沉积物，极易造成板式换热器的堵塞，并且换热器中密封垫片耐温性能较差时，容易产生渗漏问题，这些都会影响板式换热器的使用寿命，产生故障时会对生产生活造成经济损害，并且此类故障一旦发生维修成本很高。

而且目前板换设备维修技术中对于板换设备的状态评估以及维修都是基于维修人员多年维修经验，这种经验式的维修措施一般出现在故障产生后，是在设备的生产生活受到了影响乃至是停滞的情况下再采取的，是一种被动式的维修方案。这种方式也使得系统级设备停机的可能性比较高。

因此，本发明提出一种基于机器学习的板式换热器预测性维护方法，通过传感器监控运行状态，将历史数据在云上进行存储并分析，并根据实际沾污情况作出预测性维护方案，对设备进行主动式的维修清洗，将延长设备的生命周期，并且相比传统技术方案，本发明中预测性维护方法包含预警模块等智能化应用，减少系统级设备停机的可能性，提高能耗，节省经济成本。

发明内容

本发明的目的是提供一种基于机器学习的板式换热器预测性维护方法与系统，以机理模型判断受热面沾污状况为主，基于机器学习建立板式换热器神经网络沾污系数辨识模型。在此基础上结合历史清洗数据对设备做出高价值的预测性维护方案，实现工业设备的维修方法优化，最小化设备停机可能，节省人力、物理成本。

为了解决上述技术问题，本发明提供了一种基于机器学习的板式换热器的预测性维护方法与系统，包括如下步骤：

步骤S1，物理层热力站数据感知，从热力站获取一次侧，二次侧实时流量、温度等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,依据传热机理模型、先验知识对板式换热器进行机理建模，计算板式换热器沾污系数，也即沾污系数，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。

上述技术方案中，进一步地，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，