CN104697585A - 冷却塔塔筒强度预测控制系统及其方法 - Google Patents
冷却塔塔筒强度预测控制系统及其方法 Download PDFInfo
- Publication number
- CN104697585A CN104697585A CN201510110330.0A CN201510110330A CN104697585A CN 104697585 A CN104697585 A CN 104697585A CN 201510110330 A CN201510110330 A CN 201510110330A CN 104697585 A CN104697585 A CN 104697585A
- Authority
- CN
- China
- Prior art keywords
- cooling tower
- prediction
- tower cylinder
- neural network
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明涉及一种冷却塔塔筒强度预测控制系统及其方法,属于冷却塔控制技术领域,该系统包括:信号采集单元;控制器,使用控制器中的基于灰色预测的径向基函数神经网络模型处理参数数据;人机交互装置,连接控制器。本发明能够通过实时检测冷却塔塔筒的温度和张力情况来进行塔筒强度预测,使用基于灰色预测的径向基函数神经网络模型的算法模型,能够自动对不良数值进行删除,本方法中的径向基函数神经网络具有良好的非线性处理能力,灰色预测网络和径向基函数神经网络的结合能够达到减少输入数据的随机性能够,解决了现有技术中冷却塔塔筒强度监测中处理器处理不稳定性数据的不准确性,处理器不会自动处理不良数据的问题。
Description
技术领域
本发明涉及冷却塔控制技术领域,尤其涉及一种冷却塔塔筒强度预测控制系统及其方法。
背景技术
冷却塔是发电厂生产发电过程中重要的传热传质设备,其作用是通过热质交换,将高温冷却水的热量散入大气中,将循环冷却水的温度降低。其冷却水作用主要靠冷热两股流体在塔内混合接触,借助两股流体间的水蒸汽分压力差,使热流体部分蒸发并自身冷却。
冷却塔一般采用双曲线型结构,是典型的空间的薄壁壳体结构。目前随着超大冷却塔的发展,冷却塔塔筒壁厚越来越厚,混凝土的等级也有所提高,在大体积混凝土的工程建设中,大体积混凝土中的裂缝产生,塔筒裂缝的产生影响冷却塔的冷却效果和正常工作进程,塔筒的安全性可以由塔筒强度大小进行预测塔筒是否处于安全运行状态,并根据预测的强度大小进行判断冷却塔的安全性。而冷却塔塔筒强度受很多因素影响,如塔筒内部温度、混凝土塔筒的水化热、弹性模量增长等因素均对塔筒强度产生一定的影响。
现有技术中是利用温度传感器进行监测冷却塔筒壁的温度,然后传递到处理器进行分析塔筒是否处于安全状态。现有技术中的多点传感器检测到的大量传递到处理器,数据间具有很强的非线性和不稳定性,处理器分析难度大,时间长,而且不能自动处理不良数据,预测结果易产生误差,预测结果不准确。
发明内容
为了克服现有技术中冷却塔塔筒强度监测中处理器处理不稳定性数据的不准确性,处理器不会自动处理不良数据的不足,本发明提供一种冷却塔塔筒强度预测控制系统及其方法。
本发明的技术方案是:一种冷却塔塔筒强度预测控制系统,该系统包括:
信号采集单元,采集冷却塔的内部温湿度参数、外部温湿度参数、塔筒中心的温度参数和塔筒中心的张力参数;
控制器,控制器连接信号采集单元并接收信号采集单元的参数数据,并使用控制器中的基于灰色预测的径向基函数神经网络模型处理参数数据,对参数中的不良值进行删除或修正,并对参数数据进行统计分析和预测;
人机交互装置,连接控制器,接收控制器的信号并根据控制器的信号指令工作。
所述信号采集单元包括温度传感器和张力传感器,温度传感器均匀分布在冷却塔内、外部对应检测点监测冷却塔内外温度差,冷却塔塔筒中心设有温度传感器和张力传感器,塔筒中心的每一层均匀规律安置温度传感器和张力传感器。
所述控制器中设有数据库,用于存储数据方便灰色预测的径向基函数神经网络模型进行机器训练。
一种冷却塔塔筒强度预测控制系统的方法,所述方法步骤包括:
步骤一、建立塔筒参数数据库,包括试验中冷却塔塔筒材料的温度和张力参数和对应的强度参数,数据库中的数据还包括实时检测到的冷却塔各检测点检测的温度参数、冷却塔塔筒中心的张力参数,数据库中的数据均需进行首次归一化预处理;
步骤二、建立基于灰色预测的径向基函数神经网络模型,利用数据库的数据进行模型训练;
步骤三、基于灰度预测的径向基函数神经网络的模型建立,输入冷却塔的各检测点参数数据,得出冷却塔塔筒强度预测值。
所述步骤一中的温度参数和张力参数由温度传感器和张力传感器检测得到,温度传感器均匀分布在冷却塔内、外部对应检测点监测冷却塔内外温度差,塔筒中心的每一层均匀规律安置温度传感器和张力传感器。
所述步骤建立基于灰色预测的径向基函数神经网络模型,基于灰色预测的径向基函数神经网络模型的建立步骤为:
1)选取各工况条件数据建立灰色预测模型 (1,N)维数为n的信息模型,经过首次归一化处理的数据输入到灰色神经网络中;
2)将输入样本数据进行一次累加生成操作,再次归一化后,设置基于灰色系统的径向基函数神经网络组合模型预测冷却塔塔筒强度的工况条件;
3)以处理后的输入样本作为径向基函数神经网络输入向量,试验中冷却塔塔筒原材料强度作为径向基函数神经网络模型的输出值,对该网络开展训练,其节点数能在训练中自动获取最佳值,以获得相应网络参数;
4)分析训练结果数据与实测数据,进行调整,直至得到符合精度要求的模型参数值,从而建立基于灰色系统的径向基函数神经网络模型预测冷却塔塔筒承受的实时强度。
所述步骤2)中的累加生产操作的公式(1)为: ,式中的公式(2)为:,式中为第i个变量的第k个分析值;再次归一化的公式(3)为:,表示累加生产数据。
本发明有如下积极效果:本发明提供的冷却塔塔筒强度预测控制系统能够通过实时检测冷却塔塔筒的温度和张力情况来进行塔筒强度预测,对塔筒强度达到临界值进行警示,提醒工作人员提前作出措施避免塔筒裂缝的产生。而冷却塔塔筒强度预测控制系统使用的方法中,使用了基于灰色预测的径向基函数神经网络模型的算法模型,本方法能够自动对不良数值进行删除,以免其影响系统整体的预测效果,而且本发明中的方法能够快速收敛传感器测得的大量不稳定性数据,本方法中的径向基函数神经网络具有良好的非线性处理能力,灰色预测网络和径向基函数神经网络的结合能够达到减少输入数据的随机性能够,且具有良好的自适应、自学习能力、预测收敛速度,提高预测精度。
附图说明
图1 是本发明中冷却塔塔筒强度预测控制系统的工作框图;
图2 是本发明中冷却塔塔筒强度预测控制系统方法的工作流程图;
图3 是本发明中径向基函数神经网络模型的结构示意图。
具体实施方式
下面对照附图,通过对实施例的描述,本发明的具体实施方式如所涉及的各构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工艺及操作使用方法等,作进一步详细的说明,以帮助本领域技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
一种冷却塔塔筒强度预测控制系统,如图1所示,该系统包括信号采集单元、控制器和人机交互装置,三者依次电连接,并进行信号传递。
信号采集单元,采集冷却塔的内部温湿度参数、外部温湿度参数、塔筒中心的温度参数和塔筒中心的张力参数,检测参数由温度传感器和张力传感器完成,温度传感器均匀分布在冷却塔内、外部对应检测点监测冷却塔内外温度差,冷却塔塔筒中心设有温度传感器和张力传感器,塔筒中心的每一层均匀规律安置温度传感器和张力传感器。
控制器,控制器连接信号采集单元并接收信号采集单元的参数数据,并使用控制器中的基于灰色预测的径向基函数神经网络模型处理参数数据,对参数中的不良值进行删除或修正,并对参数数据进行统计分析和预测。控制器中还设有数据库,用于存储数据方便灰色预测的径向基函数神经网络模型进行机器训练。
人机交互装置,连接控制器,接收控制器的信号并根据控制器的信号指令工作。人机交互装置可以显示控制器的分析处理数据,并根据控制器的警示信号进行预警,工作人员还可以通过人机交互装置进行数据库设置等一系列可行操作。
一种冷却塔塔筒强度预测控制系统的方法,如图2所示,所述方法步骤包括:
步骤一、建立塔筒参数数据库,包括试验中冷却塔塔筒材料的温度和张力参数和对应的强度参数,数据库中的数据还包括实时检测到的冷却塔各检测点检测的温度参数、冷却塔塔筒中心的张力参数,数据库中的数据均需进行首次归一化预处理。各参数数据由温度传感器和张力传感器检测得到,温度传感器均匀分布在冷却塔内、外部对应检测点监测冷却塔内外温度差,塔筒中心的每一层均匀规律安置温度传感器和张力传感器。
步骤二、建立基于灰色预测的径向基函数神经网络模型,利用数据库的数据进行模型训练。根据冷却塔塔筒材料的强度试验数据进行模拟出神经网络模型,输入实时检测数据到模型中了解塔筒结构所承受的的强度大小和塔筒的开裂可能性,指导采用合理的防裂措施,最大程度地避免混凝土裂缝的发生。
步骤三、基于灰度预测的径向基函数神经网络的模型建立,输入冷却塔的各检测点参数数据,得出冷却塔塔筒强度预测值。
径向基函数神经网络模型具有良好的非线性信息处理能力,可以逼近任何复杂非线性函数,但由于只分析输入和输出,随机性大。本文利用灰色预测模型和RBF神经网络模型的优点,提出基于灰色系统的径向基神经网络组合预测模型。利用灰色预测模型对输入数据的累加生成运算(accumulated generating operation, AGO),减少输入数据的随机性,结合径向基函数神经网络具有良好的自适应、自学习能力,加快预测收敛速度,提高预测精度,实现冷却塔塔筒的强度预测。
如图3所示,基于灰色预测的径向基函数神经网络模型的建立步骤为:
1)选取各工况条件数据建立灰色预测模型 (1,N)维数为n的信息模型,经过首次归一化处理的数据输入到灰色神经网络中。
2)将输入样本数据进行一次累加生成操作,再次归一化后,设置基于灰色系统的径向基函数神经网络组合模型寻找冷却塔塔筒强度预测的工况条件。累加生产操作的公式为:
式中的公式为:
式中为第i个变量的第k个分析值。
再次归一化的公式为:
式中表示累加生产数据。
3)以处理后的输入样本作为径向基函数神经网络输入向量,冷却塔塔筒原材料的强度试验值作为径向基函数神经网络模型的输出值,对该网络开展训练,其节点数能在训练中自动获取最佳值,以获得相应网络参数。
径向基函数神经网络主要由输入层、隐含层和输出层组成,X=(x1,x2,…,xm)为m维输入向量;Ri(x)为基函数;wik是突触权值;Y=(y1,y2,…,yp)为网络输出向量;输入层到隐含层为非线性映射,而隐层到输出层神经元为线性映射。由于高斯基函数具有表不简单、径向对称和光滑性好等优点,通常基函数选用高斯函数,公式为:
(4)
式中i=1,2,…,m, ci为第i个基函数的中心; 为第i个感知的变量;为向量(x-ci)的范数,表示x与ci间的距离;径向基函数神经网络的输出层函数公式为:
(5)
式中k=1,2,…,p, p为输出节点数,wik是突触权值。
4)分析训练结果数据与实测数据的,进行调整,直至得到符合精度要求的模型参数值,从而建立基于灰色系统的径向基函数神经网络模型预测冷却塔塔筒承受的强度大小。基于灰色系统的径向基函数神经网络模型建立后,输入控制系统实时检测到的冷却塔塔筒的参数数据,模拟预测出塔筒承受的强度大小,和塔筒的开裂可能性,指导采用合理的防裂措施,最大程度地避免混凝土裂缝的发生。
上面结合附图对本发明进行了示例性描述,显然本发明具体实现并不受上述方式的限制,只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进,或未经改进将本发明的构思和技术方案直接应用于其它场合的,均在本发明的保护范围之内。
Claims (7)
1.一种冷却塔塔筒强度预测控制系统,其特征在于,该系统包括:
信号采集单元,采集冷却塔的内部温湿度参数、外部温湿度参数、塔筒中心的温度参数和塔筒中心的张力参数;
控制器,控制器连接信号采集单元并接收信号采集单元的参数数据,并使用控制器中的基于灰色预测的径向基函数神经网络模型处理参数数据,对参数中的不良值进行删除或修正,并对参数数据进行统计分析和预测;
人机交互装置,连接控制器,接收控制器的信号并根据控制器的信号指令工作。
2.根据权利1所述的冷却塔塔筒强度预测控制系统,其特征在于,所述信号采集单元包括温度传感器和张力传感器,温度传感器均匀分布在冷却塔内、外部对应检测点监测冷却塔内外温度差,冷却塔塔筒中心设有温度传感器和张力传感器,塔筒中心的每一层均匀规律安置温度传感器和张力传感器。
3.根据权利1所述的冷却塔塔筒强度预测控制系统,其特征在于,所述控制器中设有数据库,用于存储数据方便灰色预测的径向基函数神经网络模型进行机器训练。
4.一种冷却塔塔筒强度预测控制系统的方法,其特征在于,所述方法步骤包括:
步骤一、建立塔筒参数数据库,包括试验中冷却塔塔筒材料的温度和张力参数和对应的强度参数,数据库中的数据还包括实时检测到的冷却塔各检测点检测的温度参数、冷却塔塔筒中心的张力参数,数据库中的数据均需进行首次归一化预处理;
步骤二、建立基于灰色预测的径向基函数神经网络模型,利用数据库的数据进行模型训练;
步骤三、基于灰度预测的径向基函数神经网络的模型建立,输入冷却塔的各检测点参数数据,得出冷却塔塔筒强度预测值。
5.根据权利要求4所述的冷却塔塔筒强度预测控制系统的方法,其特征在于,所述步骤一中的温度参数和张力参数由温度传感器和张力传感器检测得到,温度传感器均匀分布在冷却塔内、外部对应检测点监测冷却塔内外温度差,塔筒中心的每一层均匀规律安置温度传感器和张力传感器。
6.根据权利要求4所述的冷却塔塔筒强度预测控制系统的方法,其特征在于,所述步骤建立基于灰色预测的径向基函数神经网络模型,基于灰色预测的径向基函数神经网络模型的建立步骤为:
1)选取各工况条件数据建立灰色预测模型 (1,N)维数为n的信息模型,经过首次归一化处理的数据输入到灰色神经网络中;
2)将输入样本数据进行一次累加生成操作,再次归一化后,设置基于灰色系统的径向基函数神经网络组合模型预测冷却塔塔筒强度的工况条件;
3)以处理后的输入样本作为径向基函数神经网络输入向量,试验中冷却塔塔筒原材料强度作为径向基函数神经网络模型的输出值,对该网络开展训练,其节点数能在训练中自动获取最佳值,以获得相应网络参数;
4)分析训练结果数据与实测数据,进行调整,直至得到符合精度要求的模型参数值,从而建立基于灰色系统的径向基函数神经网络模型预测冷却塔塔筒承受的实时强度。
7.根据权利要求6所述的冷却塔塔筒强度预测控制系统的方法,其特征在于,所述步骤2)中的累加生产操作的公式(1)为: ,式中的公式(2)为:,式中为第i个变量的第k个分析值;再次归一化的公式(3)为:,表示累加生产数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510110330.0A CN104697585A (zh) | 2015-03-13 | 2015-03-13 | 冷却塔塔筒强度预测控制系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510110330.0A CN104697585A (zh) | 2015-03-13 | 2015-03-13 | 冷却塔塔筒强度预测控制系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104697585A true CN104697585A (zh) | 2015-06-10 |
Family
ID=53344951
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510110330.0A Pending CN104697585A (zh) | 2015-03-13 | 2015-03-13 | 冷却塔塔筒强度预测控制系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104697585A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107499176A (zh) * | 2017-05-05 | 2017-12-22 | 宝沃汽车(中国)有限公司 | 车辆电驱动系统的冷却方法和装置 |
CN107508424A (zh) * | 2017-05-05 | 2017-12-22 | 宝沃汽车(中国)有限公司 | 确定冷却系统的控制参数的方法、装置及车辆 |
CN108205610A (zh) * | 2018-01-10 | 2018-06-26 | 河海大学 | 基于快速精确数值重构技术的混凝土块冷却系统设计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006078009A (ja) * | 2004-09-07 | 2006-03-23 | Shimizu Corp | 空調負荷予測方法 |
CN102541015A (zh) * | 2012-01-10 | 2012-07-04 | 深圳市嘉力达实业有限公司 | 一种能效智能控制系统及方法 |
CN103322646A (zh) * | 2013-06-13 | 2013-09-25 | 浙江工业大学 | 一种中央空调的冷却水回水温度预测控制方法 |
CN104239597A (zh) * | 2014-07-02 | 2014-12-24 | 新菱空调(佛冈)有限公司 | 基于rbf神经网络的冷却塔建模方法 |
-
2015
- 2015-03-13 CN CN201510110330.0A patent/CN104697585A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006078009A (ja) * | 2004-09-07 | 2006-03-23 | Shimizu Corp | 空調負荷予測方法 |
CN102541015A (zh) * | 2012-01-10 | 2012-07-04 | 深圳市嘉力达实业有限公司 | 一种能效智能控制系统及方法 |
CN103322646A (zh) * | 2013-06-13 | 2013-09-25 | 浙江工业大学 | 一种中央空调的冷却水回水温度预测控制方法 |
CN104239597A (zh) * | 2014-07-02 | 2014-12-24 | 新菱空调(佛冈)有限公司 | 基于rbf神经网络的冷却塔建模方法 |
Non-Patent Citations (3)
Title |
---|
李晨生等: "《冷却塔运行维护与检修》", 30 September 2014, 中国电力出版社 * |
董庆辉: ""火电厂冷却塔结构缺陷与优化设计"", 《河北电力技术》 * |
裘国华等: ""基于GM-RBF神经网络组合模型的水泥强度预测方法"", 《科技导报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107499176A (zh) * | 2017-05-05 | 2017-12-22 | 宝沃汽车(中国)有限公司 | 车辆电驱动系统的冷却方法和装置 |
CN107508424A (zh) * | 2017-05-05 | 2017-12-22 | 宝沃汽车(中国)有限公司 | 确定冷却系统的控制参数的方法、装置及车辆 |
CN107508424B (zh) * | 2017-05-05 | 2019-07-19 | 宝沃汽车(中国)有限公司 | 确定冷却系统的控制参数的方法、装置及车辆 |
CN107499176B (zh) * | 2017-05-05 | 2020-09-18 | 宝沃汽车(中国)有限公司 | 车辆电驱动系统的冷却方法和装置 |
CN108205610A (zh) * | 2018-01-10 | 2018-06-26 | 河海大学 | 基于快速精确数值重构技术的混凝土块冷却系统设计方法 |
CN108205610B (zh) * | 2018-01-10 | 2021-08-27 | 河海大学 | 基于快速精确数值重构技术的混凝土块冷却系统设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106094723B (zh) | 一种基于wsn的机床温度场监测及实时热误差补偿系统 | |
CN102183621B (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
CN103793859B (zh) | 一种风电场运行监控及事件综合评价方法 | |
CN103761420B (zh) | 一种火电设备性能逐步回归评测方法 | |
CN108536128A (zh) | 一种参数优化的机器学习故障诊断系统 | |
CN106199174A (zh) | 基于迁移学习的挤压机能耗异常预测方法 | |
CN104697704A (zh) | 冷水机组排气压力故障检测方法 | |
CN116595327B (zh) | 水闸变形监测数据预处理系统及方法 | |
CN110363334B (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
CN101477374A (zh) | 基于模糊神经网络的连铸漏钢时序空间组合诊断预报方法 | |
CN104598968A (zh) | 变压器故障诊断方法 | |
CN104697585A (zh) | 冷却塔塔筒强度预测控制系统及其方法 | |
CN109165242A (zh) | 一种基于熵排序与时空分析的故障诊断及预警方法 | |
CN104361242B (zh) | 基于数据驱动和随机直觉模糊策略的轴承故障诊断方法 | |
CN104063609B (zh) | 一种利用神经网络辅助判定污染源监测数据有效性的方法 | |
CN109902265A (zh) | 一种基于隐马尔可夫模型的井下预警方法 | |
CN103267826A (zh) | 一种在线检测明胶浓度的软测量方法 | |
CN111639450A (zh) | 基于支持向量机的塔式起重机损伤识别方法 | |
CN114046816B (zh) | 基于轻量级梯度提升决策树的传感器信号故障诊断方法 | |
CN105699043B (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 | |
CN113935416A (zh) | 一种多状态结晶器的连铸漏钢预报方法 | |
CN103544651B (zh) | 火电厂水汽品质监测方法与系统 | |
CN104503441B (zh) | 一种基于改进动态可见图的过程故障监测方法 | |
CN104484701A (zh) | 环境问题的神经元网络评价方法 | |
CN104713408A (zh) | 冷却塔噪声监测系统及其方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150610 |
|
RJ01 | Rejection of invention patent application after publication |