CN111678366B - 一种蓄热管壳式换热器及泄漏检测方法 - Google Patents

一种蓄热管壳式换热器及泄漏检测方法 Download PDF

Info

Publication number
CN111678366B
CN111678366B CN202010326789.5A CN202010326789A CN111678366B CN 111678366 B CN111678366 B CN 111678366B CN 202010326789 A CN202010326789 A CN 202010326789A CN 111678366 B CN111678366 B CN 111678366B
Authority
CN
China
Prior art keywords
data
network
tube
heat exchanger
shell
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.)
Active
Application number
CN202010326789.5A
Other languages
English (en)
Other versions
CN111678366A (zh
Inventor
周守军
刘铭
郭敏
田永生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Jianzhu University
Original Assignee
Shandong Jianzhu University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Jianzhu University filed Critical Shandong Jianzhu University
Priority to CN202010326789.5A priority Critical patent/CN111678366B/zh
Publication of CN111678366A publication Critical patent/CN111678366A/zh
Application granted granted Critical
Publication of CN111678366B publication Critical patent/CN111678366B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F28—HEAT EXCHANGE IN GENERAL
    • F28D—HEAT-EXCHANGE APPARATUS, NOT PROVIDED FOR IN ANOTHER SUBCLASS, IN WHICH THE HEAT-EXCHANGE MEDIA DO NOT COME INTO DIRECT CONTACT
    • F28D17/00—Regenerative heat-exchange apparatus in which a stationary intermediate heat-transfer medium or body is contacted successively by each heat-exchange medium, e.g. using granular particles
    • F28D17/02—Regenerative heat-exchange apparatus in which a stationary intermediate heat-transfer medium or body is contacted successively by each heat-exchange medium, e.g. using granular particles using rigid bodies, e.g. of porous material
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F28—HEAT EXCHANGE IN GENERAL
    • F28F—DETAILS OF HEAT-EXCHANGE AND HEAT-TRANSFER APPARATUS, OF GENERAL APPLICATION
    • F28F27/00—Control arrangements or safety devices specially adapted for heat-exchange or heat-transfer apparatus
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
    • G01M3/26—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
    • G01M3/32—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for containers, e.g. radiators
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F28—HEAT EXCHANGE IN GENERAL
    • F28F—DETAILS OF HEAT-EXCHANGE AND HEAT-TRANSFER APPARATUS, OF GENERAL APPLICATION
    • F28F2265/00—Safety or protection arrangements; Arrangements for preventing malfunction
    • F28F2265/16—Safety or protection arrangements; Arrangements for preventing malfunction for preventing leakage

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Thermal Sciences (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Dispersion Chemistry (AREA)
  • General Physics & Mathematics (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本发明提供了一种蓄热管壳式换热器，所述换热器包括有壳体、蓄热材料、管程入口管、管程出口管、壳程入口接管和壳程出口接管；前管板的前端与前封头连接，后管板的后端连接后封头；所述的管程入口管设置在后封头上；所述的管程出口管设置在前封头上；所述的壳程入口接管和壳程出口接管均设置在壳体上；多个平行设置的蓄热材料连接在前管板、后管板上，流体从管程入口管进入，经过蓄热材料进行蓄热，从管程出口管出去。本发明通过在换热器中通过设置多个平行设置的蓄热材料连接在前管板、后管板上，能够将热源的热量储存在蓄热材料中，以达到热量的充分利用。

Description

一种蓄热管壳式换热器及泄漏检测方法
技术领域
本发明涉及一种管壳式换热器，尤其涉及一种蓄热式管壳式换热器。
背景技术
管壳式换热器(shell and tube heat exchanger)又称列管式换热器。是以封闭在壳体中管束的壁面作为传热面的间壁式换热器。这种换热器结构简单、造价低、流通截面较宽、易于清洗水垢；但传热系数低、占地面积大。可用各种结构材料（主要是金属材料）制造，能在高温、高压下使用，是目前应用最广的类型。管壳式换热器泄漏会直接导致管内高温介质大量流失，热污染环境。
相变储能换热系统包含电锅炉、水泵、换热器、二次网、相变储热装置等设备，在实际使用中存在锅炉直接供热、储热装置供热等情况，因此常用的相变储能供热系统均结构复杂，控制繁琐。
蓄热过程中可能存在局部热量过多，导致供热温度过高，造成供热浪费，因此需要充分利用供热，利用蓄热功能把热量利用起来。
本发明利用蓄热技术，将多余热量存储起来，以便使得热量不充分时候利用蓄热继续供热。因此本发明提供了一种蓄热换热器。
发明内容
本发明针对现有技术中的不足，提供一种相变储能换热器，该系统结构简单、控制方便，可以合理调节系统的换热模式。本发明同时提供一种智能检测泄漏的换热器方法，对换热器泄露实时检测，以解决换热器泄漏实时检测的技术问题。
为实现上述目的，本发明采用如下技术方案：
一种蓄热管壳式换热器，所述换热器包括有壳体、蓄热材料、管程入口管、管程出口管、壳程入口接管和壳程出口接管；前管板的前端与前封头连接，后管板的后端连接后封头；所述的管程入口管设置在后封头上；所述的管程出口管设置在前封头上；所述的壳程入口接管和壳程出口接管均设置在壳体上；其特征在于，多个平行设置的蓄热材料连接在前管板、后管板上，流体从管程入口管进入，经过蓄热材料进行蓄热，从管程出口管出去。
作为优选，壳体包括冷水进口和热水出口，所述冷水进口和热水出口分别连接冷水进口管和热水回水管，所述冷水进口管和热水回水管具有多个连接点，所述连接点外部设置保温层。
作为优选，当蓄热过程结束后，冷水通过冷水进口进入，然后吸收蓄热材料的热量，然后通过热水出口排出。
作为优选，所述的蓄热材料是孔状结构，所述流体和水分别走不同的孔。
作为优选，蓄热材料是管状结构，所述流体走管内，所述的水走管外。
一种管壳式换热器，有壳体、换热管、管程入口管、管程出口管、壳程入口接管和壳程出口接管；所述壳程入口接管和壳程出口接管具有多个连接点；换热器在线监测系统根据设定的固定时间间隔读取管程入口、管程出口、壳程入口、壳程出口、多个连接点以及换热器管程、壳程的压力数据，实时存储在数据库中，采用一维深度卷积神经网络提取数据特征，并进行模式识别；
包括如下步骤：
数据准备：对数据库中的换热器压力数据进行重新审查和校验，对缺失数据、无效数据、不一致数据进行纠正，保证数据的正确性以及逻辑上的一致性。
生成数据集：将准备好的数据分成训练集/训练集标签、测试集/测试集标签。
网络训练：将训练集数据输入卷积神经网络，不断经过卷积、池化，得到特征向量，送入全连接网络。通过计算网络的输出与训练集标签，得到网络误差，利用误差反向传播算法，不断修正网络权值、偏置、卷积系数、池化系数，使误差满足设定的精度要求，网络训练完成。
网络测试：将测试集数据输入到已经训练好的网络中，输出故障检测结果。
作为优选，数据准备包括如下步骤：
1）缺失数据的处理：由于网络传输的故障，数据库中会出现缺失值，对缺失的数据值，采用估算的方法，用样本均值代替缺失值；
2）无效数据的处理：由于传感器的故障，导致数据库中的压力数据出现无效值，将其从数据库中删除；
3）不一致数据的处理：借助数据库管理系统的完整性约束机制，检查不一致数据，然后参考数据库中相应的数据值进行纠正。
作为优选，生成数据集包括如下步骤：
1）生成训练集数据及标签：根据换热器不同的运行工况，从数据库中读取对应工况的压力数据值，生成各种工况状态下的训练集数据以及工况标签；
2）生成测试集数据及标签：根据换热器不同的运行工况，从数据库中读取对应工况的压力数据值，生成各种工况状态下的测试集数据以及工况标签。
作为优选，网络训练包括如下步骤：
1）读入一组训练集数据
Figure 397259DEST_PATH_IMAGE001
，其大小为
Figure 579979DEST_PATH_IMAGE002
,其中M表示训练批的大小，
Figure 828557DEST_PATH_IMAGE003
表示一维的训练数据；
2）对读入的训练数据进行第一次卷积操作,得到特征图
Figure 427029DEST_PATH_IMAGE004
。初始化卷积核
Figure 506980DEST_PATH_IMAGE005
的系数，设
Figure 781973DEST_PATH_IMAGE005
的大小为
Figure 314585DEST_PATH_IMAGE006
，其中P表示卷积核的数量，［1×Q］表示卷积核的尺寸，得到的卷积结果为
Figure 982327DEST_PATH_IMAGE007
，特征图的大小为
Figure 854468DEST_PATH_IMAGE008
；
3）对卷积操作得到的特征图
Figure 113411DEST_PATH_IMAGE004
进行最大池化操作，得到特征图
Figure 71003DEST_PATH_IMAGE009
。初始化池化系数，给定池化步长为
Figure 526124DEST_PATH_IMAGE010
，池化窗口大小为
Figure 315088DEST_PATH_IMAGE011
，最后得到的特征图
Figure 948195DEST_PATH_IMAGE009
的大小为
Figure 455400DEST_PATH_IMAGE012
,池化过程降低了数据的维度；
4）重复以上2）- 3）步骤，反复进行卷积与池化操作，得到特征向量
Figure 933785DEST_PATH_IMAGE013
，此时卷积神经网络的特征提取过程完成；
5）初始化全连接网络的权值矩阵
Figure 46098DEST_PATH_IMAGE014
和偏置
Figure 646844DEST_PATH_IMAGE015
，将提取到的特征向量
Figure 828295DEST_PATH_IMAGE013
送入全连接网络，与权值矩阵
Figure 172689DEST_PATH_IMAGE014
、偏置
Figure 873928DEST_PATH_IMAGE015
进行运算，得到网络输出
Figure 114417DEST_PATH_IMAGE016
；
6）将网络得到的输出
Figure 330635DEST_PATH_IMAGE017
与训练集标签
Figure 416402DEST_PATH_IMAGE018
相减，得到网络误差
Figure 34465DEST_PATH_IMAGE019
，对网络误差进行求导，利用该导数反向传播，依次修正全连接网络的权值
Figure 698053DEST_PATH_IMAGE014
、偏置
Figure 339249DEST_PATH_IMAGE015
、各层池化系数、各层卷积系数；
7）重复上述过程，直到网络误差
Figure 25446DEST_PATH_IMAGE020
满足精度要求，网络训练过程完成，生成卷积神经网络模型。
作为优选，网络测试包含如下步骤：
1）加载已经训练好的卷积神经网络模型，此时卷积神经网络的卷积核系数、池化系数、网络权值
Figure 701278DEST_PATH_IMAGE014
，偏置
Figure 80306DEST_PATH_IMAGE015
都已经训练完毕；
2）将测试数据集输入已经训练好的卷积神经网络中，输出工况标签，从而输出故障检测结果。
本发明具有如下优点：
1）本发明通过在换热器中通过设置多个平行设置的蓄热材料连接在前管板、后管板上，能够将热源的热量储存在蓄热材料中，以达到热量的充分利用。
2）提供了一种新的智能检测泄漏故障的换热器系统，本发明基于机器学习与模式识别的理论方法，根据换热器不同的运行工况，利用换热器实时监控系统中具有时间相关性的压力数据，设计出相应的换热器模式（正常模式/故障模式），用大量的压力数据训练深度卷积神经网络，从而进行集中换热器泄露故障检测。
3）本发明提出了一种检测换热器泄露故障的新思路，充分利用换热器在线监测数据，检测速度快，成本低。
4）本发明将数据处理技术、机器学习与模式识别理论有机融合，可以提高换热器泄漏故障检测效率，保证换热器以及电厂机组的安全运行。
附图说明：
图1是本发明蓄热换热器结构示意图。
图2是本发明蓄热换热器另一结构示意图。
图3示出了换热器泄漏故障检测流程示意图。
图4示出了一维卷积神经网络结构示意图。
图5示出了卷积神经网络训练过程算法流程图。
图6示出了卷积神经网络误差反向传播示意图。
图7示出了卷积神经网络测试过程算法流程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
图1展示了一种蓄热管壳式换热器。如图1所示，所述管壳式换热器包括有壳体4、蓄热材料6、管程入口管12、管程出口管13、壳程入口接管14和壳程出口接管15；多个平行设置的蓄热材料6连接在前管板3、后管板7上；所述前管板3的前端与前封头1连接，后管板7的后端连接后封头9；所述的管程入口管12设置在后封头9上；所述的管程出口管13设置在前封头1上；所述的壳程入口接管14和壳程出口接管15均设置在壳体4上；流体从管程入口管12进入，经过蓄热材料进行蓄热，从管程出口管13出去。
壳体包括冷水进口和热水出口，所述冷水进口和热水出口分别连接冷水进口管和热水回水管，所述冷水进口管和热水回水管具有多个连接点，所述连接点外部设置保温层。
当蓄热过程结束后，冷水通过冷水进口进入，然后吸收蓄热材料的热量，然后通过热水出口排出。
作为一个改进，所述的蓄热材料是孔状结构，所述流体和水分别走不同的孔。
作为一个改进，蓄热材料是管状结构，所述流体走管内，所述的水走管外。
换热器泄露会直接导致管内高温介质大量流失，热污染环境，泄露严重甚至还可能导致地质塌陷，造成人员伤亡，一直以来都是影响换热器安全经济运行的主要故障。随着近些年国内换热领域的快速发展，供热区域及管网规模不断扩大，特别是传统火电厂在国家节能减排政策引导下，积极发展热电联产（如低真空改造、切缸改造、循环水余热利用等），使得换热器运行安全对电厂机组的安全运行影响越来越大，一旦换热器发生较大泄露，会直接导致机组跳机，造成重大安全事故。
换热器泄露检测，特别是泄露故障实时监测方法的研究及应用，一直得到国内外学者及热力管网运营单位的重点关注。该方法可以分为直接法与间接法两类。直接法主要包括直埋预警线法、分布式光纤测温法以及红外成像检测方法。目前欧洲直埋预警线监测系统已经拥有了较成熟的设计与工艺方法。该方法分为阻抗式与电阻式两种，都需要在预制保温层中埋设报警线，分别通过检测脉冲反射信号和电阻值来诊断故障点及其位置，能够检测内、外渗漏。但该方法需要在一定距离内（国内建议500m）布置检测点，且检测点的现场安装工艺以及整个监测系统对管网设计及工艺都要求很高；分布式光纤测温法主要基于拉曼光反射、布里渊光反射和光纤光栅原理，通过布置在管道外侧，由串联的测温光纤传感器构成的测温系统，感知泄露产生的温度变化，从而发现泄露并能进行精确定位。其中基于拉曼光反射的英国York公司分布式光纤温度传感系统应用较多，但相对直埋预警线法，成本更高，技术成熟度低；红外成像检测方法采用热红外成像技术，将被测目标的红外辐射能量分布图像，转换成被测目标温度场的标准视频信号。该方法作为换热器人工巡检方法之一，不对管网运行产生任何影响，主要用于埋置较浅的直埋热力管道。目前国内外有研究采用无人机载红外摄像对整个城市管网进行泄露监测，但无法分辨泄露与管道保温破坏导致的管道周围温度上升，且无人机高空飞行目前受到国家安全管控，实施难度大。
间接法目前主要包括模型法、统计检测法以及神经网络法。模型法即通过建立换热器稳态或瞬态模型，将管网模拟值与实际运行数据（流量或压力）进行比较分析确定是否泄露，该方法的准确度主要取决于管网模型的精度；统计检测法是基于统计理论，分析泄露工况运行数据，并与正常工况建立函数关系来估算泄漏量和泄漏位置。该方法不需要建立模型，只需进行少量的压力与流量概率运算，具有广泛适应性，但是对仪器精度要求严格。鉴于目前换热器在线监测系统在国内的广泛应用以及仪表精度的不断提高，统计检测法正在逐渐拥有越来越坚实的应用物质基础；神经网络法依靠学习管网正常与故障运行数据，自主分析管网运行状态并建立判断管网泄漏的能力。该方法具有很强的抗干扰能力，但需要大量泄露数据学习建模。
以上所述两类方法中，第一类直接法中的直埋预警线法，技术工艺较成熟，检测效率较高，但工艺要求高，造价较高，难以短期内在国内推广应用。即使新建管网可以考虑采用，但对于目前已建成运行的换热器，由于成本过高，更难应用实施；分布式光纤测温法虽然已经有了一定的研究及工程应用积累，且该方法检测效率高，但相对直埋预警线法，其成本更高，技术成熟度更低；红外成像检测方法由于其简便快捷的特性，在人工检测领域已经获得大量应用。但即使国内条件允许，能够采用目前研究开发的无人机载红外摄像检测方法，也只能达到定期检测巡查的目的，且该方法还需解决如何在复杂背景与环境干扰下，分辨并确认供热管道泄露；第二类间接法中，首先是模型法。无论是稳态或瞬态模型法，还需进一步提高模型精度，研究如何快速有效的建立具体换热器模型；统计检测方法运算简单、适应性广，且目前国内换热器大量采用在线监测系统，为其提供了较扎实的应用基础。但还需依靠仪表精度的进一步提高，以及研究开发合适的检测方法与系统，使其能够应用在大型复杂城镇集中供热管网领域；神经网络法面对的主要问题，除了获得有效的运行及泄漏数据以外，还要研究保证神经网络快速有效收敛的优化算法，进一步增强其泛化能力，目前深度学习神经网络的研究，促进了其在故障诊断领域的进一步发展应用。
本项目基于机器学习与模式识别的理论方法，根据换热器不同的运行工况，利用换热器实时监控系统中具有时间相关性的压力数据，设计出相应的换热器模式（正常模式/故障模式），用大量的压力数据训练深度卷积神经网络，从而进行换热器泄露故障检测，并研究开发相应的软件系统，提高供换热器泄露检测效率，降低误报率与漏报率，保证换热器与电厂机组的安全运行。
如图2所示的一种管壳式换热器，所述管壳式换热器包括有壳体4、换热管6、管程入口管12、管程出口管13、壳程入口接管14和壳程出口接管15；多个平行设置的换热管6组成的换热管束连接在前管板3、后管板7上；所述前管板3的前端与前封头1连接，后管板7的后端连接后封头9；所述的管程入口管12设置在后封头9上；所述的管程出口管13设置在前封头1上；所述的壳程入口接管14和壳程出口接管15均设置在壳体4上；流体从管程入口管12进入，经过换热管进行换热，从管程出口管13出去。
壳程入口接管14和壳程出口接管15是冷水进口和热水出口，所述冷水进口和热水出口分别连接冷水进口管和热水回水管，所述冷水进口管和热水回水管具有多个连接点。换热器在线监测系统根据设定的固定时间间隔读取换热器流体入口、换热器流体出口、冷水进口和热水出口、冷水进口管和热水回水管的多个连接点以及换热器管程、壳程的压力数据，实时存储在数据库中，采用一维深度卷积神经网络提取数据特征，并进行模式识别。
因此如图3所示，本申请还公开了一种换热器泄漏在线检测方法，包括如下步骤：
1、数据准备：对数据库中的换热器压力数据进行重新审查和校验，对缺失数据、无效数据、不一致数据进行纠正，保证数据的正确性以及逻辑上的一致性。
2、生成数据集：将准备好的数据分成训练集/训练集标签、测试集/测试集标签。
3、网络训练：将训练集数据输入卷积神经网络，不断经过卷积、池化，得到特征向量，送入全连接网络。通过计算网络的输出与训练集标签，得到网络误差，利用误差反向传播算法，不断修正网络权值、偏置、卷积系数、池化系数，使误差满足设定的精度要求，网络训练完成。
4、网络测试：将测试集数据输入到已经训练好的网络中，输出故障检测结果。
本发明提供了一种新的智能检测泄漏故障的换热器，本发明基于机器学习与模式识别的理论方法，根据换热器不同的运行工况，利用换热器实时监控系统中具有时间相关性的压力数据，设计出相应的换热器模式（正常模式/故障模式），用大量的压力数据训练深度卷积神经网络，从而进行换热器泄露故障检测。
作为优选，数据准备步骤具体包含如下处理：
1）缺失数据的处理：由于网络传输的故障，数据库中会出现缺失值。对缺失的数据值，采用估算的方法，用样本均值代替缺失值；
2）无效数据的处理：由于传感器的故障，导致数据库中的压力数据出现无效值，比如负值或者超出了理论上的最大值，此时对于这些值，将其从数据库中删除；
3）不一致数据的处理：借助数据库管理系统的完整性约束机制，检查不一致数据，然后参考数据库中相应的数据值进行纠正。作为一个优选，在换热器中，热源的出口压力一定小于进口压力，如果数据库中出口压力大于其进口压力，此时可以借助数据库管理系统的完整性约束中的检查约束机制，给出错误提示，根据错误提示，用出口临近点的压力数据值代替这种不一致数据的出口压力数据值。
通过数据处理，能够使得检测方法更加准确。
作为优选，生成数据集步骤包括如下步骤：
1）生成训练集数据及标签：根据换热器不同的运行工况，从数据库中读取对应工况的压力数据值，生成各种工况状态下的训练集数据以及工况标签。作为优选，在具体应用中，我们将运行工况分为正常工况，其标签为1，轻微泄露工况，其标签为2，中等泄露工况，其标签为3，严重泄露工况，其标签为4。程序根据不同的工况，自动生成工况标签；
2）生成测试集数据及标签：根据换热器不同的运行工况，从数据库中读取对应工况的压力数据值，生成各种工况状态下的测试集数据以及工况标签。其中工况标签同训练集工况标签一样，由程序根据运行工况自动生成。
作为优选，训练集数据与测试集数据的比例优选为7：3。
网络训练具体步骤如下：
1）读入一组训练集数据
Figure 208799DEST_PATH_IMAGE001
，其大小为
Figure 151217DEST_PATH_IMAGE021
,其中M表示训练批的大小，
Figure 478293DEST_PATH_IMAGE022
表示一维的训练数据；
2）对读入的训练数据进行第一次卷积操作,得到特征图
Figure 965906DEST_PATH_IMAGE004
。初始化卷积核
Figure 644012DEST_PATH_IMAGE005
的系数，设
Figure 875273DEST_PATH_IMAGE005
的大小为
Figure 322435DEST_PATH_IMAGE023
，其中P表示卷积核的数量，［1×Q］表示卷积核的尺寸，得到的卷积结果为
Figure 980949DEST_PATH_IMAGE007
，特征图的大小为
Figure 333302DEST_PATH_IMAGE008
；
3）对卷积操作得到的特征图
Figure 164992DEST_PATH_IMAGE004
进行最大池化操作，得到特征图
Figure 669923DEST_PATH_IMAGE009
。初始化池化系数，给定池化步长为
Figure 296076DEST_PATH_IMAGE010
，池化窗口大小为
Figure 886457DEST_PATH_IMAGE011
，最后得到的特征图
Figure 725100DEST_PATH_IMAGE009
的大小为
Figure 881275DEST_PATH_IMAGE012
,池化过程降低了数据的维度；
4）重复以上2）- 3）步骤，反复进行卷积与池化操作，得到特征向量
Figure 130860DEST_PATH_IMAGE013
，此时卷积神经网络的特征提取过程完成；
5）初始化全连接网络的权值矩阵
Figure 5275DEST_PATH_IMAGE014
和偏置
Figure 382030DEST_PATH_IMAGE015
，将提取到的特征向量
Figure 861552DEST_PATH_IMAGE013
送入全连接网络，与权值矩阵
Figure 95088DEST_PATH_IMAGE014
、偏置
Figure 394482DEST_PATH_IMAGE015
进行运算，得到网络输出
Figure 371665DEST_PATH_IMAGE016
；
6）将网络得到的输出
Figure 969611DEST_PATH_IMAGE017
与训练集标签
Figure 311730DEST_PATH_IMAGE018
相减，得到网络误差
Figure 160738DEST_PATH_IMAGE019
，对网络误差进行求导，利用该导数反向传播，依次修正全连接网络的权值
Figure 613716DEST_PATH_IMAGE014
、偏置
Figure 864568DEST_PATH_IMAGE015
、各层池化系数、各层卷积系数；
7）重复上述过程，直到网络误差
Figure 377589DEST_PATH_IMAGE020
满足精度要求，网络训练过程完成，生成卷积神经网络模型。
作为优选，训练数据是压力数据。
网络测试步骤具体步骤如下：
1）加载已经训练好的卷积神经网络模型，此时卷积神经网络的卷积核系数、池化系数、网络权值
Figure 166423DEST_PATH_IMAGE014
，偏置
Figure 485409DEST_PATH_IMAGE015
都已经训练完毕；
2）将测试数据集输入已经训练好的卷积神经网络中，输出故障检测结果。例如根据输出的标签，就可以判断故障类型。比如1代表正常，4代表严重泄露等等。
本发明首先对数据库中的换热器压力数据进行重新审查和校验，对缺失数据、无效数据、不一致数据进行纠正，保证数据的正确性以及逻辑上的一致性。然后将准备好的数据分成训练集/训练集标签、测试集/测试集标签，训练集数据与测试集数据的优选比例为7：3；紧接着将训练集数据输入卷积神经网络，经过卷积、池化，得到特征向量，送入全连接网络，通过计算网络的输出与训练集标签，得到网络误差，利用误差反向传播算法，不断修正网络权值、偏置、卷积系数、池化系数，使误差满足设定的精度要求，网络训练完成；最后将测试集数据输入到已经训练好的网络中，输出故障检测结果。
本发明提出了一种换热器泄露故障的新思路，充分利用换热器在线监测数据，检测速度快，成本低。
本发明将数据处理技术、机器学习与模式识别理论有机融合，可以提高换热器泄漏故障检测效率，保证换热器以及电厂机组的安全运行。
图4示出了一维卷积神经网络结构示意图，具体卷积神经网络的工作过程如下：
1）输入一组训练集数据
Figure 528451DEST_PATH_IMAGE001
，其大小为
Figure 274690DEST_PATH_IMAGE021
,其中M表示训练batch的大小，
Figure 770393DEST_PATH_IMAGE022
表示一维的训练数据；
2）对读入的训练数据进行第一次卷积操作,得到特征图
Figure 893070DEST_PATH_IMAGE004
。初始化卷积核
Figure 56198DEST_PATH_IMAGE005
的系数，设
Figure 160289DEST_PATH_IMAGE005
的大小为
Figure 471185DEST_PATH_IMAGE023
，其中P表示卷积核的数量，［1×Q］表示卷积核的尺寸，得到的卷积结果为
Figure 69657DEST_PATH_IMAGE007
，特征图的大小为
Figure 884029DEST_PATH_IMAGE008
；
3）对卷积操作得到的特征图
Figure 175333DEST_PATH_IMAGE004
进行最大池化操作，得到特征图
Figure 911208DEST_PATH_IMAGE009
。初始化池化系数，设池化步长为
Figure 375687DEST_PATH_IMAGE010
，池化窗口大小为
Figure 231517DEST_PATH_IMAGE011
，最后得到的特征图
Figure 756039DEST_PATH_IMAGE009
的大小为
Figure 713630DEST_PATH_IMAGE012
,池化过程降低了数据的维度；
4）重复以上2）- 3）步骤，反复进行卷积与池化操作，得到特征向量。
图5示出了卷积神经网络训练过程算法流程图，具体步骤如下：
1）初始化一维卷积神经网络，具体包括初始化卷积核系数，池化系数，全连接层的权值和偏置；
2）从训练集中读取数据以及对应的标签，输入网络；
3）开始进行卷积、池化，再卷积，再池化，得到特征向量；
4）将得到的特征向量送入全连接网络，得到网络输出；
5）计算网络输出与标签数据的误差，判断该误差是否满足精度要求；
6）如果误差满足精度要求，训练结束，保存网络参数；
7）如果误差不满足精度要求，则对误差求梯度，用梯度值依次更新全连接层的权值和偏置、各层池化系数以及卷积系数；
8）重复 3）-7）步骤，直到误差满足精度要求，训练完成。
图6示出了卷积神经网络误差反向传播示意图，具体步骤如下：
1）从输出层（最后一层是输出层）开始计算网络输出与训练集标签数据之间的误差，对误差进行求导，得出误差梯度；
2）误差梯度反向传播至全连接层，用梯度值更新全连接网络的权值和偏置；
3）误差梯度继续反向传播至第N个池化层，用误差梯度值更新池化系数；
4）误差梯度继续反向传播至第N个卷积层，用误差梯度值更新卷积层系数；
5）误差梯度继续反向传播至第N-1个池化层，用误差梯度值更新池化系数；
6）误差梯度继续反向传播至第N-1个卷积层，用误差梯度值更新卷积层系数；
7）最后一直到误差梯度继续反向传播至第一池化层，用误差梯度值更新池化系数；
8）最后一直到误差梯度继续反向传播至第一卷积层，用误差梯度值更新卷积层系数；
7）至此，误差反向传播过程完成，同时网络参数得到更新。
作为优选，N为2。
图7示出了卷积神经网络测试过程算法流程图，具体步骤如下：
1）加载已经训练好的神经网络；
2）输入测试集数据；
3）输出网络有无故障以及故障程度。
应用案例
在实际应用中，我们定义了一维深度卷积神经网络的结构，具体包含两个卷积层，两个池化层，一个全连接层，各层参数如下表所示：
Figure 716222DEST_PATH_IMAGE024

Claims (3)

1.一种管壳式换热器，有壳体、换热管、管程入口管、管程出口管、壳程入口接管和壳程出口接管；壳程入口接管和壳程出口接管是冷水进口和热水出口，所述冷水进口和热水出口分别连接冷水进口管和热水回水管，所述冷水进口管和热水回水管具有多个连接点；换热器在线监测系统根据设定的固定时间间隔读取管程入口、管程出口、壳程入口、壳程出口、多个连接点以及换热器管程、壳程的压力数据，实时存储在数据库中，采用一维深度卷积神经网络提取数据特征，并进行模式识别；
包括如下步骤：
数据准备：对数据库中的换热器压力数据进行重新审查和校验，对缺失数据、无效数据、不一致数据进行纠正，保证数据的正确性以及逻辑上的一致性；
生成数据集：将准备好的数据分成训练集与训练集标签、测试集与测试集标签；
网络训练：将训练集数据输入卷积神经网络，不断经过卷积、池化，得到特征向量，送入全连接网络；通过计算网络的输出与训练集标签，得到网络误差，利用误差反向传播算法，不断修正网络权值、偏置、卷积系数、池化系数，使误差满足设定的精度要求，网络训练完成；
网络测试：将测试集数据输入到已经训练好的网络中，输出故障检测结果；
数据准备包括如下步骤：
1）缺失数据的处理：由于网络传输的故障，数据库中会出现缺失值，对缺失的数据值，采用估算的方法，用样本均值代替缺失值；
2）无效数据的处理：由于传感器的故障，导致数据库中的压力数据出现无效值，将其从数据库中删除；
3）不一致数据的处理：借助数据库管理系统的完整性约束机制，检查不一致数据，然后参考数据库中相应的数据值进行纠正；
生成数据集包括如下步骤：
1）生成训练集数据及标签：根据换热器不同的运行工况，从数据库中读取对应工况的压力数据值，生成各种工况状态下的训练集数据以及工况标签；
2）生成测试集数据及标签：根据换热器不同的运行工况，从数据库中读取对应工况的压力数据值，生成各种工况状态下的测试集数据以及工况标签。
2.如权利要求1所述的换热器的检测方法，其特征在于，网络训练包括如下步骤：
1）读入一组训练集数据
Figure 634777DEST_PATH_IMAGE001
，其大小为
Figure DEST_PATH_IMAGE002
,其中M表示训练批的大小，
Figure 614235DEST_PATH_IMAGE003
表示一维的训练数据；
2）对读入的训练数据进行第一次卷积操作,得到特征图
Figure DEST_PATH_IMAGE004
；初始化卷积核
Figure 207021DEST_PATH_IMAGE005
的系数，设
Figure 664547DEST_PATH_IMAGE005
的大小为
Figure DEST_PATH_IMAGE006
，其中P表示卷积核的数量，［1×Q］表示卷积核的尺寸，得到的卷积结果为
Figure 790504DEST_PATH_IMAGE007
，特征图的大小为
Figure DEST_PATH_IMAGE008
；
3）对卷积操作得到的特征图
Figure 612966DEST_PATH_IMAGE004
进行最大池化操作，得到特征图
Figure 942317DEST_PATH_IMAGE009
；初始化池化系数，给定池化步长为
Figure DEST_PATH_IMAGE010
，池化窗口大小为
Figure 954266DEST_PATH_IMAGE011
，最后得到的特征图
Figure 623145DEST_PATH_IMAGE009
的大小为
Figure DEST_PATH_IMAGE012
,池化过程降低了数据的维度；
4）重复以上2）- 3）步骤，反复进行卷积与池化操作，得到特征向量
Figure 678825DEST_PATH_IMAGE013
，此时卷积神经网络的特征提取过程完成；
5）初始化全连接网络的权值矩阵
Figure DEST_PATH_IMAGE014
和偏置
Figure 744739DEST_PATH_IMAGE015
，将提取到的特征向量
Figure 481751DEST_PATH_IMAGE013
送入全连接网络，与权值矩阵
Figure 5136DEST_PATH_IMAGE014
、偏置
Figure 497298DEST_PATH_IMAGE015
进行运算，得到网络输出
Figure DEST_PATH_IMAGE016
；
6）将网络得到的输出
Figure 551972DEST_PATH_IMAGE017
与训练集标签
Figure DEST_PATH_IMAGE018
相减，得到网络误差
Figure DEST_PATH_IMAGE019
，对网络误差进行求导，利用该导数反向传播，依次修正全连接网络的权值
Figure 889413DEST_PATH_IMAGE014
、偏置
Figure 532884DEST_PATH_IMAGE015
、各层池化系数、各层卷积系数；
7）重复上述过程，直到网络误差
Figure 179635DEST_PATH_IMAGE020
满足精度要求，网络训练过程完成，生成卷积神经网络模型。
3.如权利要求1所述的换热器的检测方法，其特征在于，网络测试包含如下步骤：
1）加载已经训练好的卷积神经网络模型，此时卷积神经网络的卷积系数、池化系数、网络权值
Figure 908556DEST_PATH_IMAGE014
，偏置
Figure 987371DEST_PATH_IMAGE015
都已经训练完毕；
2）将测试集数据输入已经训练好的卷积神经网络中，输出工况标签，从而输出故障检测结果。
CN202010326789.5A 2020-04-23 2020-04-23 一种蓄热管壳式换热器及泄漏检测方法 Active CN111678366B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010326789.5A CN111678366B (zh) 2020-04-23 2020-04-23 一种蓄热管壳式换热器及泄漏检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010326789.5A CN111678366B (zh) 2020-04-23 2020-04-23 一种蓄热管壳式换热器及泄漏检测方法

Publications (2)

Publication Number Publication Date
CN111678366A CN111678366A (zh) 2020-09-18
CN111678366B true CN111678366B (zh) 2021-11-19

Family

ID=72433603

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010326789.5A Active CN111678366B (zh) 2020-04-23 2020-04-23 一种蓄热管壳式换热器及泄漏检测方法

Country Status (1)

Country Link
CN (1) CN111678366B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113865168A (zh) * 2021-11-03 2021-12-31 广东百思特管业科技有限公司 一种双系统微通道换热器及其控制系统
CN115077804B (zh) * 2022-08-18 2022-11-18 普兰特换热设备(溧阳)有限公司 一种换热器生产用智能气密性检测装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101050929A (zh) * 2007-05-18 2007-10-10 东莞理工学院 熔融盐中高温斜温层混合蓄热方法及装置
WO2014053677A1 (es) * 2012-10-04 2014-04-10 Abengoa Solar New Technologies, S.A. Sistema de almacenamiento térmico y su procedimiento de carga y descarga
CN104776744A (zh) * 2015-04-23 2015-07-15 北京石油化工学院 管壳式多功能相变储能换热器
CN108827036A (zh) * 2017-05-09 2018-11-16 山东大学 一种管壳式换热器
CN109115007A (zh) * 2017-05-09 2019-01-01 山东大学 一种管壳式换热器
CN109710763A (zh) * 2018-12-27 2019-05-03 郑州云海信息技术有限公司 一种文本数据的分类方法、装置以及系统
CN109926341A (zh) * 2019-03-26 2019-06-25 武汉大学 硅光伏电池扫描涡流热成像检测平台及缺陷分类方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101050929A (zh) * 2007-05-18 2007-10-10 东莞理工学院 熔融盐中高温斜温层混合蓄热方法及装置
WO2014053677A1 (es) * 2012-10-04 2014-04-10 Abengoa Solar New Technologies, S.A. Sistema de almacenamiento térmico y su procedimiento de carga y descarga
CN104776744A (zh) * 2015-04-23 2015-07-15 北京石油化工学院 管壳式多功能相变储能换热器
CN108827036A (zh) * 2017-05-09 2018-11-16 山东大学 一种管壳式换热器
CN109115007A (zh) * 2017-05-09 2019-01-01 山东大学 一种管壳式换热器
CN109710763A (zh) * 2018-12-27 2019-05-03 郑州云海信息技术有限公司 一种文本数据的分类方法、装置以及系统
CN109926341A (zh) * 2019-03-26 2019-06-25 武汉大学 硅光伏电池扫描涡流热成像检测平台及缺陷分类方法

Also Published As

Publication number Publication date
CN111678366A (zh) 2020-09-18

Similar Documents

Publication Publication Date Title
CN109915736B (zh) 一种热力管网系统及其泄漏检测的方法
CN110245411A (zh) 一种城镇集中供热系统及泄漏点检测方法
CN113963514B (zh) 一种油气化管道一体化监测预警系统
CN111678366B (zh) 一种蓄热管壳式换热器及泄漏检测方法
CN108875719B (zh) 基于深度学习与红外图像识别的空冷器积灰状态感知系统与计算方法
CN111797888A (zh) 一种蓄热供热系统及泄漏检测方法
CN112016251A (zh) 一种核动力装置故障的诊断方法及系统
CN211717716U (zh) 一种660mw火电机组疏水阀门泄漏监测系统
CN115127036B (zh) 一种市政燃气管网漏损定位方法及系统
CN111412391B (zh) 一种管网泄漏检测方法及系统
CN113486950B (zh) 一种智能管网漏水检测方法及系统
CN112240595B (zh) 一种蓄热供热系统及泄漏检测方法
Zhou et al. Hydrogen leakage source positioning method in deep belief network based on fully confined space Gaussian distribution model
CN110031152B (zh) 一种热力供热系统及相邻日温度偏移累积泄漏检测的方法
CN118296973B (zh) 一种基于物联网的供热管道智能查漏系统
CN108844688A (zh) 一种用于低温换热器泄漏监测的系统及方法
CN117601143B (zh) 基于多传感器融合的智能巡检机器人及方法
CN111536571B (zh) 一种蓄热供热系统及泄漏检测方法
CN111550865B (zh) 一种太阳能集热系统及泄漏检测方法
CN111692766B (zh) 一种云端远程监控的太阳能集热系统及泄漏检测方法
CN110131784B (zh) 一种热力供热系统及其全天温度偏移累积泄漏检测的方法
CN115493093A (zh) 一种基于力学仿真的蒸汽供热管网漏损定位方法及系统
CN202834780U (zh) 一种供热管网泄漏定位系统
CN208313524U (zh) 一种用于低温换热器泄漏监测的系统
Li et al. Design and Experiment Verification of Gas Leak Monitoring System for Underwater Structure

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant