CN112179169B - 一种三流体换热器的控制温度换热方法 - Google Patents

Abstract

本发明提供了一种三流体换热器的控制温度换热方法，壳程流体是冷源，第一流体和第二流体是热源，所述换热方法包括如下步骤：所述第一温度传感器和第二温度传感器温度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，从而控制第一阀门和第二阀门的开闭，从而控制第一换热管、第二换热管的换热流体是否通过进行换热,以进行除垢。根据换热器不同的运行工况，利用集中换热器实时监控系统中具有时间相关性的温度数据，设计出相应的换热器工作状态(第一阀门18和第二阀门19的开闭状态)，用大量的温度数据训练深度卷积神经网络，从而进行换热器换热除垢的控制。

Description

一种三流体换热器的控制温度换热方法

技术领域

本发明涉及一种管壳式换热器，尤其涉及一种三流体管壳式换热器。

背景技术

本发明是和青岛科技大学进行合作研发的项目，涉及换热器除垢，在青岛科技大学研发的基础上(申请号2019101874848)将其用于管壳式换热器的新的发明。

管壳式换热器被广泛应用于化工、石油、制冷、核能和动力等工业，由于世界性的能源危机，为了降低能耗，工业生产中对换热器的需求量也越来越多，对换热器的质量要求也越来越高。近几十年来，虽然紧凑式换热器(板式、板翅式、压焊板式换热器等)、热管式换热器、直接接触式换热器等得到了迅速的发展，但由于管壳式换热器具有高度的可靠性和广泛的适应性，其仍占据产量和用量的统治地位，据相关统计，目前工业装置中管壳式换热器的用量仍占全部换热器用量的70％左右。

管壳式换热器结垢后，采取常规的蒸汽清扫、反冲洗等方式对换热器进行清洗，生产实践证明，效果不是很好。只能将换热器的封头拆卸下来，采用物理清理的方式，但采取该种方式进行清洗，操作复杂、耗时长，人力、物力投资较大，对连续化的工业生产带来极大的困难。

利用流体诱导传热元件振动实现强化换热是被动强化换热的一种形式，可将换热器内对流体振动诱导的严格防止转变为对振动的有效利用，使传动元件在低流速下的对流换热系数大幅度的提高，并利用振动抑制传热元件表面污垢，减低污垢热阻，实现复合强化传热。

在应用中发现，持续性的换热会导致内部流体形成稳定性，即流体不在流动或者流动性很少，或者流量稳定，导致换热管振动性能大大减弱，从而影响换热管的除垢以及换热的效率。因此需要对上述换热器进行改进。

换热器一般都是两种流体进行换热，对于三种流体换热却很少有研究，本申请对三流体换热进行了研究，开发了新的诱导震动三流体管壳式换热器。

在先的申请中，已经研发了一种三流体管壳式换热器，但是上述管壳式换热器是根据周期进行控制，导致振动换热效果不好，智能化程度偏低。因此本申请对前面的研究进行了进一步的改进。

发明内容

本发明针对现有技术中管壳式换热器的不足，提供一种新式结构的三流体管壳式换热器。该管壳式换热器能够实现三种流体换热，而且换热管周期性的频繁性的振动，提高了换热效率，从而实现很好的除垢以及换热效果。

为实现上述目的，本发明采用如下技术方案：

一种三流体换热器的控制液位换热方法，所述换热器包括有壳体、换热部件、壳程入口接管和壳程出口接管；所述换热部件设置在壳体中，换热部件固定连接在前管板、后管板上；所述的壳程入口接管和壳程出口接管均设置在壳体上；流体从壳程入口接管进入，经过换热部件进行换热，从壳程出口接管出去；所述换热部件包括右管箱、左管箱和换热管，换热管与右管箱和左管箱相连通，左管箱和/或右管箱内填充相变流体，相变流体在右管箱和左管箱以及换热管内进行封闭循环；换热管为一个或者多个，每个换热管包括多根圆弧形的管束，多根圆弧形的管束的中心线为以下管箱为同心圆的圆弧，相邻管束的端部连通，从而使得管束的端部形成管束自由端；所述换热器包括第一换热管和第二换热管，所述第一换热管设置穿过左管箱内，第二换热管设置穿过右管箱；所述第一换热管和第二换热管分别流过第一流体和第二流体，所述第一流体、第二流体和壳程流体之间可以进行三种流体的换热；

壳程流体是冷源，第一流体和第二流体是热源，左管箱和右管箱内分别设置第一温度传感器和第二温度传感器，用于检测左管箱和右管箱内的温度，第一温度传感器和第二温度传感器与控制器进行数据连接，所述第一温度传感器和第二温度传感器温度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，从而控制第一阀门和第二阀门的开闭，从而控制第一换热管、第二换热管的换热流体是否通过进行换热,以进行除垢。

作为优选，所述换热方法包括如下步骤：

1)数据准备：对数据库中的温度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、检测集/检测集标签。

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)网络检测：将检测集数据输入到已经训练好的网络中，输出检测结果标签。

5)换热器运行：根据检测结果标签控制第一阀门和第二阀门的开闭以进行换热和除垢。

作为优选，网络训练具体步骤如下：

1)读入一组训练集数据d，其大小为[M×1×N],其中M表示训练批的大小，1×N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t。初始化卷积核g的系数，设g的大小为[P×1×Q]，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t＝∑(d*g)，特征图的大小为[M×1×N×Q]；

3)对卷积操作得到的特征图t进行最大池化操作，得到特征图z。初始化池化系数，给定池化步长为p，池化窗口大小为k，最后得到的特征图z的大小为[M×1×(N/p)×Q],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x，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w和偏置b，将提取到的特征向量x送入全连接网络，与权值矩阵w、偏置b进行运算，得到网络输出y＝∑(w×x+b)；

6)将网络得到的输出y与训练集标签l相减，得到网络误差e＝y-l，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w、偏置b、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e满足精度要求，网络训练过程完成，生成卷积神经网络模型。

本发明具有如下优点：

1、本发明提供了一种新的智能控制换热装置振动除垢的系统，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，利用集中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工作状态(第一阀门18和第二阀门19的开闭状态)，用大量的压力数据训练深度卷积神经网络，从而进行换热器换热除垢的控制。

2、本发明设计了第一流体第二流体流动方向相反，进一步促进相变流体流动，从而强化传热。

3、本发明设计了一种新式结构的换热部件在壳体中的布局图，本发明通过大量的实验和数值模拟，优化了换热管的参数与流体的流量、比热等的最佳关系，相对于前面的设计，本发明创造性的将换热流体的流量、比热、温度以及目标温度融合到换热器的尺寸设计中，可以进一步提高换热效率。

4、通过沿着壳体内流体的流动方向，换热管的管束内径、间距的合理变化，提高换热效率。

附图说明：

图1为本发明换热器的结构示意图。

图2为本发明换热部件的切面示意图。

图3为换热部件的俯视图。

图4是换热器优选结构示意图。

图5是换热器优选另一个结构示意图。

图6是圆形壳体中设置换热部件的布局示意图。

图7是换热管结构示意图。

图中：1、换热管，2、右管箱，3、自由端，4、自由端，5、壳程入口接管，6、壳程出口接管，7、自由端，8、左管箱，9、连接点，10、换热部件，11、壳体，12管束，131第一换热管，132第二换热管，前管板14，支座15，支座16，后管板17，第一阀门18第二阀门19，进口集管20，22，23、出口集管21，24，25

具体实施方式

一种管壳式换热器，如图1所示，所述管壳式换热器包括有壳体11、换热部件10、壳程入口接管5和壳程出口接管6；所述换热部件10设置在壳体11中，换热部件固定连接在前管板14、后管板17上；所述的壳程入口接管5和壳程出口接管6均设置在壳体11上；流体从壳程入口接管5进入，经过换热部件进行换热，从壳程出口接管6出去。

图2展示了换热部件10的切面示意图(从图1左侧观察)，如图2所示，所述换热部件10包括右管箱2、左管箱8和换热管1，换热管1与右管箱2和左管箱8相连通，左管箱8和/或右管箱2内填充相变流体，相变流体在右管箱2和左管箱8以及换热管1内进行封闭循环。

所述右管箱、左管箱的两端的端部设置在前后管板14、17的开孔中，用于固定，如图1所示。

作为优选，所述右管箱2和左管箱8沿着壳程长度方向上延伸。壳程优选沿着水平方向延伸。

如图2所示，所述换热器包括第一换热管131和第二换热管132，所述第一换热管131设置穿过左管箱8内，第二换热管132设置穿过右管箱2；换热管1为一个或者多个，每个换热管1包括多根圆弧形的管束12，多根圆弧形的管束12的中心线为以右管箱2的轴线为同心圆的圆弧，相邻管束12的端部连通，流体在右管箱2和左管箱8之间形成串联流动，从而使得管束的端部形成管束自由端3、4；所述流体是相变流体，优选汽液相变液体。所述第一换热管131和第二换热管132分别流过第一流体和第二流体。所述第一流体、第二流体和壳程流体之间可以进行三种流体的换热。例如，换热过程如下：

第一流体是热源，第二流体和壳程流体是冷源，通过第一流体换热，使得换热部件内的相变流体发生相变，从而通过管束12向外散热换热壳程流体，同时汽相流体进入右管箱2，与第二流体进行换热，换热后的冷凝流体通过回流管返回左管箱，从而实现三流体换热。

作为优选，第二流体是热源，第一流体和壳程流体是冷源，通过第二流体换热，使得换热部件内的相变流体发生相变，从而通过管束12向外散热换热壳程流体，同时汽相流体进入左管箱8，与第一流体换热，换热后的冷凝流体通过回流管返回右管箱，从而实现三流体换热。

作为优选，壳程流体是热源，第一流体和第二流体是冷源，通过壳程流体换热，使得换热部件内的流体吸热，与第一流体和第二流体换热，从而实现三流体换热。

作为优选，第一流体是冷源，第二流体和壳程流体是热源，通过第二流体、壳程流体换热，从而实现三流体换热。

作为优选，第二流体是冷源，第一流体和壳程流体是热源，通过第一流体和壳程流体换热，换热第二流体，从而实现三流体换热。

作为优选，壳程流体是冷源，第一流体和第二流体是热源，通过第一流体和第二流体换热，换热第壳程流体，从而实现三流体换热。

作为优选，第一换热管和第二换热管的内径相同。

下面重点描述壳程流体是冷源，第一流体和第二流体是热源的情况。

作为优选，如图4、5所示，第一换热管131、第二换热管132的入口设置第一阀门18和第二阀门19，第一阀门18和第二阀门19和控制器数据连接，通过控制器控制第一阀门和第二阀门的开闭和开度大小，用于控制进入第一换热管和第二换热管的换热流体的流量。

研究以及实践中发现，持续性的功率稳定性的热源的换热会导致内部换热部件的流体形成稳定性，即流体不在流动或者流动性很少，或者流量稳定，导致换热管1振动性能大大减弱，从而影响换热管1的除垢以及换热的效率。因此需要对上述换热器进行如下改进。

在本发明人的在先申请中，提出了一种周期性的换热方式，通过周期性的换热方式来不断的促进换热管的振动，从而提高换热效率和除垢效果。但是，通过固定性周期性变化来调整管束的振动，会出现滞后性以及周期会出现过长或者过短的情况。因此本发明对前面的申请进行了改进，对振动进行智能型控制，从而使得内部的流体能够实现的频繁性的振动，从而实现很好的除垢以及换热效果。

本发明针对在先研究的技术中的不足，提供一种新式的智能控制振动的换热器。该换热器能够提高了换热效率，从而实现很好的除垢以及换热效果。

一、基于压力自主调节振动

作为优选，左管箱8和右管箱2内分别设置第一压力传感器和第二压力传感器，用于检测左管箱和右管箱内的压力，第一压力传感器和第二压力传感器与控制器进行数据连接，所述第一压力传感器和第二压力传感器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，从而控制第一阀门18和第二阀门19的开闭，从而控制第一换热管131、第二换热管132的换热了流体是否通过进行换热,以进行除垢。

所述基于压力自主调节振动模式识别包括如下步骤：

1、数据准备：对数据库中的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、检测集/检测集标签。

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、网络检测：将检测集数据输入到已经训练好的网络中，输出检测结果标签。

5、换热器运行：根据检测结果标签控制第一阀门18和第二阀门19的开闭以进行除垢。

本发明提供了一种新的智能控制换热装置振动除垢的系统，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，利用集中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工作状态(第一阀门18和第二阀门19的开闭状态)，用大量的压力数据训练深度卷积神经网络，从而进行换热器换热除垢的控制。

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，第一阀门18和第二阀门19打开的加热管压力一定大于非加热管的压力，如果数据库中加热管压力小于非加热管的压力，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，给出用户错误提示，用户根据错误提示，用预估数据或者相应的临界压力数据值代替这种不一致数据的压力数据值。

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：根据集热装置不同的运行工况，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标签为1，第一阀门18打开和第二阀门19的关闭状态，标签为2，第一阀门18关闭和第二阀门19的打开状态。程序根据不同的工况，自动生成工况标签；

作为优选，所述数据包括不同工况下内部的集热装置内的流体的蒸发基本达到了饱和或者稳定的数据。工况包括阀门开度、换热流体温度等至少之一。

2)生成检测集数据及标签：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检测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，可以判断是否左管箱(左管箱加热)或右管箱(右管箱加热)内部的流体的蒸发达到了饱和或者稳定(达到或者超过一定压力)。例如左管箱未达到了饱和或者稳定，标签为11，达到了饱和或者稳定，标签为12，右管箱未达到了饱和或者稳定，标签为21，达到了饱和或者稳定，标签为22。

网络训练具体步骤如下：

1)读入一组训练集数据d，其大小为[M×1×N],其中M表示训练批的大小，1×N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t。初始化卷积核g的系数，设g的大小为[P×1×Q]，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t＝∑(d*g)，特征图的大小为[M×1×N×Q]；

3)对卷积操作得到的特征图t进行最大池化操作，得到特征图z。初始化池化系数，给定池化步长为p，池化窗口大小为k，最后得到的特征图z的大小为[M×1×(N/p)×Q],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x，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w和偏置b，将提取到的特征向量x送入全连接网络，与权值矩阵w、偏置b进行运算，得到网络输出y＝∑(w×x+b)；

6)将网络得到的输出y与训练集标签l相减，得到网络误差e＝y-l，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w、偏置b、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e满足精度要求，网络训练过程完成，生成卷积神经网络模型。

当第一阀门打开，第二阀门关闭时，数据采用的是第一压力传感器测量的数据。当第一阀门关闭，第二阀门打开时，数据采用的是第二压力传感器测量的数据。

网络检测步骤具体步骤如下：

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w，偏置b都已经训练完毕；

2)将检测数据集输入已经训练好的卷积神经网络中，输出检测结果。例如根据输出的标签，就可以判断运行类型。比如1代表集热器集热，2代表集热器不集热等等。

本发明提出了一种控制换热器换热的新方法，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，可以提高换热器运行的准确性。

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d，其大小为[M×1×N],其中M表示训练batch的大小，1×N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t。初始化卷积核g的系数，设g的大小为[P×1×Q]，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t＝∑(d*g)，特征图的大小为[M×1×N×Q]；

3)对卷积操作得到的特征图t进行最大池化操作，得到特征图z。初始化池化系数，设池化步长为p，池化窗口大小为k，最后得到的特征图z的大小为[M×1×(N/p)×Q],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；

通过压力感知元件检测的压力的模式识别，

本发明能够基于机器记忆与模式识别的理论方法，根据换热器不同的运行工况，利用加热器实时监控系统中速度数据，设计出相应的运行模式，用大量的压力数据训练深度卷积神经网络，从而进行换热部件除垢，提高热利用效果和除垢效果。该管壳式换热器能够实现换热管周期性的频繁性的振动，提高了加热效率，从而实现很好的除垢以及加热效果。

能够在满足一定的压力情况下，左管箱或右管箱内部的流体的蒸发基本达到了饱和或者稳定，内部流体的体积也基本变化不大，此种情况下，内部流体相对稳定，此时的管束振动性变差，因此需要进行调整，改变换热部件，使流体朝向不同方向流动。因此通过检测左管箱和右管箱内的压力变化启动新的换热管进行交替式换热，增加换热效果以及除垢效果。相对与前面的申请，具有更好的准确性和及时性。

二、基于温度自主调节振动

作为优选，左管箱8和右管箱2内分别设置第一温度传感器和第二温度传感器，用于检测左管箱和右管箱内的温度，第一温度传感器和第二温度传感器与控制器进行数据连接，所述第一温度传感器和第二温度传感器温度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，从而控制第一阀门18和第二阀门19的开闭，从而控制第一换热管131、第二换热管132的换热了流体是否通过进行换热,以进行除垢。

所述基于温度自主调节振动模式识别包括如下步骤：

1、数据准备：对数据库中的温度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、检测集/检测集标签。

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、网络检测：将检测集数据输入到已经训练好的网络中，输出检测结果标签。

5、换热器运行：根据检测结果标签控制第一阀门18和第二阀门19的开闭以进行除垢。

本发明提供了一种新的智能控制换热装置振动除垢的系统，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，利用集中换热器实时监控系统中具有时间相关性的温度数据，设计出相应的换热器工作状态(第一阀门18和第二阀门19的开闭状态)，用大量的温度数据训练深度卷积神经网络，从而进行换热器换热除垢的控制。

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，导致数据库中的温度数据出现无效值，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，第一阀门18和第二阀门19打开的加热管温度一定大于非加热管的温度，如果数据库中加热管温度小于非加热管的温度，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，给出用户错误提示，用户根据错误提示，用预估数据或者相应的临界温度数据值代替这种不一致数据的温度数据值。

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：根据集热装置不同的运行工况，从数据库中读取对应工况的温度数据值，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标签为1，第一阀门18打开和第二阀门19的关闭状态，标签为2，第一阀门18关闭和第二阀门19的打开状态。程序根据不同的工况，自动生成工况标签；

作为优选，所述数据包括不同工况下内部的集热装置内的流体的蒸发基本达到了饱和或者稳定的数据。工况包括阀门开度、换热流体温度等至少之一。

2)生成检测集数据及标签：根据换热器不同的运行工况，从数据库中读取对应工况的温度数据值，生成各种工况状态下的检测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，可以判断是否左管箱(左管箱加热)或右管箱(右管箱加热)内部的流体的蒸发达到了饱和或者稳定(达到或者超过一定温度)。例如左管箱未达到了饱和或者稳定，标签为11，达到了饱和或者稳定，标签为12，右管箱未达到了饱和或者稳定，标签为21，达到了饱和或者稳定，标签为22。

网络训练具体步骤如下：

1)读入一组训练集数据d，其大小为[M×1×N],其中M表示训练批的大小，1×N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t。初始化卷积核g的系数，设g的大小为[P×1×Q]，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t＝∑(d*g)，特征图的大小为[M×1×N×Q]；

3)对卷积操作得到的特征图t进行最大池化操作，得到特征图z。初始化池化系数，给定池化步长为p，池化窗口大小为k，最后得到的特征图z的大小为[M×1×(N/p)×Q],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x，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w和偏置b，将提取到的特征向量x送入全连接网络，与权值矩阵w、偏置b进行运算，得到网络输出y＝∑(w×x+b)；

6)将网络得到的输出y与训练集标签l相减，得到网络误差e＝y-l，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w、偏置b、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e满足精度要求，网络训练过程完成，生成卷积神经网络模型。

当第一阀门打开，第二阀门关闭时，数据采用的是第一温度传感器测量的数据。当第一阀门关闭，第二阀门打开时，数据采用的是第二温度传感器测量的数据。

网络检测步骤具体步骤如下：

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w，偏置b都已经训练完毕；

2)将检测数据集输入已经训练好的卷积神经网络中，输出检测结果。例如根据输出的标签，就可以判断运行类型。比如1代表集热器集热，2代表集热器不集热等等。

本发明提出了一种控制换热器换热的新方法，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，可以提高换热器运行的准确性。

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d，其大小为[M×1×N],其中M表示训练batch的大小，1×N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t。初始化卷积核g的系数，设g的大小为[P×1×Q]，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t＝∑(d*g)，特征图的大小为[M×1×N×Q]；

3)对卷积操作得到的特征图t进行最大池化操作，得到特征图z。初始化池化系数，设池化步长为p，池化窗口大小为k，最后得到的特征图z的大小为[M×1×(N/p)×Q],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；

通过温度感知元件检测的温度的模式识别，

本发明能够基于机器记忆与模式识别的理论方法，根据换热器不同的运行工况，利用加热器实时监控系统中温度数据，设计出相应的运行模式，用大量的压力数据训练深度卷积神经网络，从而进行换热部件除垢，提高热利用效果和除垢效果。该管壳式换热器能够实现换热管周期性的频繁性的振动，提高了加热效率，从而实现很好的除垢以及加热效果。

能够在满足一定的温度情况下，左管箱或右管箱内部的流体的蒸发基本达到了饱和或者稳定，内部流体的体积也基本变化不大，此种情况下，内部流体相对稳定，此时的管束振动性变差，因此需要进行调整，改变换热部件，使流体朝向不同方向流动。因此通过检测左管箱和右管箱内的温度变化启动新的换热管进行交替式换热，增加换热效果以及除垢效果。相对与前面的申请，具有更好的准确性和及时性。

三、基于液位自主调节振动

作为优选，左管箱、右管箱内部分别设置第一液位感知元件和第二液位传感器，用于检测左管箱、右管箱内的流体的液位，所述第一液位感知元件和第二液位感知元件与控制器进行数据连接，所述第一液位传感器和第二液位传感器液位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，从而控制第一阀门18和第二阀门19的开闭，从而控制第一换热管131、第二换热管132的换热了流体是否通过进行换热,以进行除垢。

所述基于液位自主调节振动模式识别包括如下步骤：

1、数据准备：对数据库中的液位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、检测集/检测集标签。

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、网络检测：将检测集数据输入到已经训练好的网络中，输出检测结果标签。

5、换热器运行：根据检测结果标签控制第一阀门18和第二阀门19的开闭以进行除垢。

本发明提供了一种新的智能控制换热装置振动除垢的系统，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，利用集中换热器实时监控系统中具有时间相关性的液位数据，设计出相应的换热器工作状态(第一阀门18和第二阀门19的开闭状态)，用大量的液位数据训练深度卷积神经网络，从而进行换热器换热除垢的控制。

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，导致数据库中的液位数据出现无效值，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，第一阀门18和第二阀门19打开的加热管液位小于非加热管的液位，如果数据库中加热管液位大于非加热管的液位，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，给出用户错误提示，用户根据错误提示，用预估数据或者相应的临界液位数据值代替这种不一致数据的液位数据值。

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：根据集热装置不同的运行工况，从数据库中读取对应工况的液位数据值，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标签为1，第一阀门18打开和第二阀门19的关闭状态，标签为2，第一阀门18关闭和第二阀门19的打开状态。程序根据不同的工况，自动生成工况标签；

作为优选，所述数据包括不同工况下内部的集热装置内的流体的蒸发基本达到了饱和或者稳定的数据。工况包括阀门开度、换热流体液位等至少之一。

2)生成检测集数据及标签：根据换热器不同的运行工况，从数据库中读取对应工况的液位数据值，生成各种工况状态下的检测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，可以判断是否左管箱(左管箱加热)或右管箱(右管箱加热)内部的流体的蒸发达到了饱和或者稳定(达到或者低于一定液位)。例如左管箱未达到了饱和或者稳定，标签为11，达到了饱和或者稳定，标签为12，右管箱未达到了饱和或者稳定，标签为21，达到了饱和或者稳定，标签为22。

网络训练具体步骤如下：

1)读入一组训练集数据d，其大小为[M×1×N],其中M表示训练批的大小，1×N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t。初始化卷积核g的系数，设g的大小为[P×1×Q]，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t＝∑(d*g)，特征图的大小为[M×1×N×Q]；

3)对卷积操作得到的特征图t进行最大池化操作，得到特征图z。初始化池化系数，给定池化步长为p，池化窗口大小为k，最后得到的特征图z的大小为[M×1×(N/p)×Q],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x，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w和偏置b，将提取到的特征向量x送入全连接网络，与权值矩阵w、偏置b进行运算，得到网络输出y＝∑(w×x+b)；

6)将网络得到的输出y与训练集标签l相减，得到网络误差e＝y-l，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w、偏置b、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e满足精度要求，网络训练过程完成，生成卷积神经网络模型。

当第一阀门打开，第二阀门关闭时，数据采用的是第一液位传感器测量的数据。当第一阀门关闭，第二阀门打开时，数据采用的是第二液位传感器测量的数据。

网络检测步骤具体步骤如下：

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w，偏置b都已经训练完毕；

2)将检测数据集输入已经训练好的卷积神经网络中，输出检测结果。例如根据输出的标签，就可以判断运行类型。比如1代表集热器集热，2代表集热器不集热等等。

本发明提出了一种控制换热器换热的新方法，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，可以提高换热器运行的准确性。

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d，其大小为[M×1×N],其中M表示训练batch的大小，1×N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t。初始化卷积核g的系数，设g的大小为[P×1×Q]，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t＝∑(d*g)，特征图的大小为[M×1×N×Q]；

3)对卷积操作得到的特征图t进行最大池化操作，得到特征图z。初始化池化系数，设池化步长为p，池化窗口大小为k，最后得到的特征图z的大小为[M×1×(N/p)×Q],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；

通过液位感知元件检测的液位的模式识别，

能够在满足一定的液位情况下，左管箱或右管箱内部的流体的蒸发基本达到了饱和或者稳定，内部流体的体积也基本变化不大，此种情况下，内部流体相对稳定，此时的管束振动性变差，因此需要进行调整，改变换热部件，使流体朝向不同方向流动。因此通过检测左管箱和右管箱内的液位变化启动新的换热管进行交替式换热，增加换热效果以及除垢效果。相对与前面的申请，具有更好的准确性和及时性。

四、基于速度自主调节振动

作为优选，管束自由端内部设置速度感知元件，用于检测管束自由端内的流体的流速，所述速度感知元件与控制器进行数据连接，所述速度传感器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，从而控制第一阀门18和第二阀门19的开闭，从而控制第一换热管131、第二换热管132的换热了流体是否通过进行换热,以进行除垢。

所述基于速度自主调节振动模式识别包括如下步骤：

1、数据准备：对数据库中的速度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、检测集/检测集标签。

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、网络检测：将检测集数据输入到已经训练好的网络中，输出检测结果标签。

5、换热器运行：根据检测结果标签控制第一阀门18和第二阀门19的开闭以进行除垢。

本发明提供了一种新的智能控制换热装置振动除垢的系统，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，利用集中换热器实时监控系统中具有时间相关性的速度数据，设计出相应的换热器工作状态(第一阀门18和第二阀门19的开闭状态)，用大量的速度数据训练深度卷积神经网络，从而进行换热器换热除垢的控制。

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，导致数据库中的速度数据出现无效值，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，第一阀门18和第二阀门19高温加热速度一定大于低温加热的速度，如果数据库中高温加热速度小于低温加热的速度，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，给出用户错误提示，用户根据错误提示，用预估数据或者相应的临界速度数据值代替这种不一致数据的速度数据值。

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：根据集热装置不同的运行工况，从数据库中读取对应工况的速度数据值，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标签为1，第一阀门18打开和第二阀门19的关闭状态，标签为2，第一阀门18关闭和第二阀门19的打开状态。程序根据不同的工况，自动生成工况标签；

作为优选，所述数据包括不同工况下内部的集热装置内的流体的蒸发基本达到了饱和或者稳定的数据。工况包括阀门开度、换热流体速度等至少之一。

2)生成检测集数据及标签：根据换热器不同的运行工况，从数据库中读取对应工况的速度数据值，生成各种工况状态下的检测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，可以判断是否左管箱(左管箱加热)或右管箱(右管箱加热)内部的流体的蒸发达到了饱和或者稳定(达到或者超过一定速度)。例如左管箱未达到了饱和或者稳定，标签为11，达到了饱和或者稳定，标签为12，右管箱未达到了饱和或者稳定，标签为21，达到了饱和或者稳定，标签为22。

网络训练具体步骤如下：

1)读入一组训练集数据d，其大小为[M×1×N],其中M表示训练批的大小，1×N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t。初始化卷积核g的系数，设g的大小为[P×1×Q]，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t＝∑(d*g)，特征图的大小为[M×1×N×Q]；

3)对卷积操作得到的特征图t进行最大池化操作，得到特征图z。初始化池化系数，给定池化步长为p，池化窗口大小为k，最后得到的特征图z的大小为[M×1×(N/p)×Q],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x，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w和偏置b，将提取到的特征向量x送入全连接网络，与权值矩阵w、偏置b进行运算，得到网络输出y＝∑(w×x+b)；

6)将网络得到的输出y与训练集标签l相减，得到网络误差e＝y-l，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w、偏置b、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e满足精度要求，网络训练过程完成，生成卷积神经网络模型。

网络检测步骤具体步骤如下：

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w，偏置b都已经训练完毕；

2)将检测数据集输入已经训练好的卷积神经网络中，输出检测结果。例如根据输出的标签，就可以判断运行类型。比如1代表集热器集热，2代表集热器不集热等等。

本发明提出了一种控制换热器换热的新方法，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，可以提高换热器运行的准确性。

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d，其大小为[M×1×N],其中M表示训练batch的大小，1×N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t。初始化卷积核g的系数，设g的大小为[P×1×Q]，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t＝∑(d*g)，特征图的大小为[M×1×N×Q]；

3)对卷积操作得到的特征图t进行最大池化操作，得到特征图z。初始化池化系数，设池化步长为p，池化窗口大小为k，最后得到的特征图z的大小为[M×1×(N/p)×Q],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；

通过速度感知元件检测的速度的模式识别，能够在满足一定的速度情况下，左管箱或右管箱内部的流体的蒸发基本达到了饱和或者稳定，内部流体的体积也基本变化不大，此种情况下，内部流体相对稳定，此时的管束振动性变差，因此需要进行调整，改变换热部件，使流体朝向不同方向流动。因此通过检测左管箱和右管箱内的速度变化启动新的换热管进行交替式换热，增加换热效果以及除垢效果。相对与前面的申请，具有更好的准确性和及时性。作为优选，速度感知元件设置在自由端。通过设置在自由端，能够感知自由端的速度变化，从而实现更好的控制和调节。

作为优选，第一流体的平均温度等于第二流体的平均温度，第一流体单位时间的平均单位时间的流量等于第二流体单位时间的平均单位时间的流量。所述平均温度是流体入口温度和流体出口温度的平均值。

作为优选，第一流体和第二流体是同一种流体。

作为优选如图4所示，第一流体和第二流体具有共同的进口集管20和出口集管21。流体先进入进口集管，然后通过进口集管进入第一换热管和第二换热管进行换热，然后通过出口集管流出。

作为优选如图5所示，第一流体和第二流体分别具有各自的进口集管22、23和出口集管24、25。流体先进入各自的进口集管，然后通过进口集管进入第一换热管和第二换热管进行换热，然后通过各自的出口集管流出。

作为优选，右管箱和左管箱底部设置回流管，保证第一、二管箱内冷凝的流体能够快速流动。

作为优选，所述右管箱2的管径等于左管箱8的管径。通过右管箱和左管箱的管径相等，能够保证流体进行相变在第一箱体内和左管箱保持同样的传输速度。

作为优选，换热管在右管箱的连接位置9低于左管箱与换热管的连接位置。这样保证蒸汽能够快速的向上进入左管箱。

作为优选，右管箱和左管箱之间设置回流管，有选设置在右管箱和左管箱两端端部18-20，保证左管箱内冷凝的流体能够进入第一管线。

作为优选，右管箱和左管箱沿着水平方向上设置，沿着壳程内流体的流动方向，所述换热管设置为多个，沿着壳程流体的流动方向，换热管管束的管径不断变大。

作为优选，沿着壳程流体的流动方向，换热管管束的管径不断变大的幅度不断的增加。

通过换热管的管径幅度增加，可以保证壳程流体出口位置充分进行换热，形成类似逆流的换热效果，而且进一步强化传热效果，使得整体振动效果均匀，换热效果增加，进一步提高换热效果以及除垢效果。通过实验发现，采取此种结构设计可以取得更好的换热效果以及除垢效果。

作为优选，沿着壳程内流体的流动方向，所述换热管设置为多个，沿着流体的流动方向，相邻换热管的间距不断变小。

作为优选，沿着右管箱的高度方向，换热管之间的间距不断变小的幅度不断的增加。

通过换热管的间距幅度增加，可以保证壳程流体出口位置充分进行换热，形成类似逆流的换热效果，而且进一步强化传热效果，使得整体振动效果均匀，换热效果增加，进一步提高换热效果以及除垢效果。通过实验发现，采取此种结构设计可以取得更好的换热效果以及除垢效果。

作为优选，如图7所示，所述壳体是横截面为圆形壳体，壳体中设置多个换热部件。

作为优选，如图7所示，所述壳体内设置的多个换热部件，其中一个设置在壳体的中心(右管箱的圆心位于壳体的圆心)，成为中心换热部件，其它的围绕壳体的中心分布，成为外围换热部件。通过如此结构设计，可以使得壳体内流体充分达到振动目的，提高换热效果。

作为优选，所述的外围换热部件的右管箱的中心点的连线构成正多边形。

作为优选，单个外围换热部件的第一流体、第二流体的单位时间的流量分别小于中心换热部件的第一流体、第二流体。通过如此设计，使得中心达到更大的震动频率，形成中心振动源，从而影响四周，达到更好的强化传热和除垢效果。

作为优选，同一水平换热截面上，流体要达到均匀的振动，避免换热分布不均匀。因此需要通过合理分配不同的换热部件中的第一流体、第二流体单位时间的流量的大小。通过实验发现，中心换热部件与外围管束换热部件的换热功率比例与两个关键因素相关，其中一个就是外围换热部件与壳体中心之间的间距(即外围换热部件的圆心与中心换热部件的圆心的距离)以及壳体的直径相关。因此本发明根据大量数值模拟和实验，优化了最佳的单位时间的流量的比例分配。

作为优选，壳体内壁半径为R，所述中心换热部件的圆心设置在壳体圆形截面圆心，外围换热部件的右管箱圆心距离壳体圆形截面的圆心的距离为S，相邻外围换热部件的右管箱圆心分别与圆形截面圆心进行连线，两根连线形成的夹角为A，外围换热部件的第一流体单位时间流量为V2，进口温度为T2，比热是C2，单个中心换热部件的第一流体单位时间流量为V1，进口温度为T1，比热是C1，则满足如下要求：

[V2*C2*(T2-T_标准)]/[V1*C1*(T1-T_标准)]＝a-b*Ln(R/S)；Ln是对数函数；T_标准是壳程流体换热后的目标温度，一般根据需要进行设定。

a,b是系数，其中2.0869<a<2.0875,0.6833<b<0.6837；

优选，1.35<R/S<2.1；进一步优选1.4<R/S<2.0；

优选，1.55<[V2*C2*(T2-T_标准)]/[V1*C1*(T1-T_标准)]<1.9。进一步优选1.6<[V2*C2*(T2-T_标准)]/[V1*C1*(T1-T_标准)]<1.8；

其中35°<A<80°。

作为优选，四周分布数量为4－5个。

相对于前面的设计，本发明创造性的将换热流体的单位时间的流量、比热、温度以及目标温度融合到换热器的尺寸设计中，因此上述的结构优化也是本发明的一个关键发明点。

同一换热部件第二流体单位时间流量和第一流体单位时间流量相同，进口温度相同。上述单位时间的流量是指平均单位时间的流量。优选第二流体和第一流体是同一种流体。

外围换热部件的第一流体单位时间流量为V2、进口温度为T1、比热是C1是多个外围换热部件的平均数。

作为优选，R为1600－2400毫米，优选是2000mm；S为1150－1700毫米，优选为1300mm；换热管管束的直径为12－20毫米，优选16mm；优选换热管的最外侧直径为300－560毫米，优选400mm。下集管的管径为100－116毫米，优选108毫米，上集管和下集管的长度为1.8-2.2米。

进一步优选，a＝2.0872,b＝0.6835。

作为优选，所述箱体是圆形截面，设置多个换热部件，其中一个设置在圆形截面圆心的中心换热部件和其它的形成围绕圆形截面圆心分布的换热部件。换热管1为一组或者多组，每组换热管1包括多根圆弧形的管束12，多根圆弧形的管束12的中心线为同心圆的圆弧，相邻管束12的端部连通，从而使得换热管1的端部形成管束自由端3、4，例如图2中的自由端3、4。

作为优选，所述的换热流体为汽液相变的流体。

作为以优选，所述右管箱2、左管箱8以及换热管1都是圆管结构。

作为优选，换热管1的管束是弹性管束。

通过将换热管1的管束设置弹性管束，可以进一步提高换热系数。

作为优选，所述同心圆是以右管箱2的中心为圆心的圆。即换热管1的管束12围绕着右管箱2的中心线布置。

如图7所示，管束12不是一个完整的圆，而是留出一个口部，从而形成管束的自由端。所述口部的圆弧所在的角度为65－85度，即图7夹角b和c之和是65－85度。

作为优选，管束在同一侧的端部对齐，在同一个平面上，端部的延长线(或者端部所在的平面)经过右管箱2的中线。

作为优选，换热管1的内侧管束的第一端与右管箱2连接，第二端与相邻的外侧管束一端连接，换热管1的最外侧管束的一端与左管箱8连接，相邻的管束的端部连通，从而形成一个串联的结构。

第一端所在的平面与右管箱2和左管箱8中心线所在的平面形成的夹角c为40－50度。

第二端所在的平面与右管箱2和左管箱8中心线所在的平面形成的夹角b为25－35度。

通过上述优选的夹角的设计，使得自由端的振动达到最佳，从而使得换热效率达到最优。

如图7所示，换热管1的管束为4个，管束A、B、C、D联通。当然，不局限于四个，可以根据需要设置多个，具体连接结构与图7相同。

所述换热管1为多个，多个换热管1分别独立连接右管箱2和左管箱8，即多个换热管1为并联结构。

虽然本发明已以较佳实施例披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

虽然本发明已以较佳实施例披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。

Claims (3)

1.一种三流体换热器的控制温度换热方法，所述换热器包括有壳体、换热部件、壳程入口接管和壳程出口接管；所述换热部件设置在壳体中，换热部件固定连接在前管板、后管板上；所述的壳程入口接管和壳程出口接管均设置在壳体上；流体从壳程入口接管进入，经过换热部件进行换热，从壳程出口接管出去；所述换热部件包括右管箱、左管箱和换热管，换热管与右管箱和左管箱相连通，左管箱和/或右管箱内填充相变流体，相变流体在右管箱和左管箱以及换热管内进行封闭循环；换热管为一个或者多个，每个换热管包括多根圆弧形的管束，多根圆弧形的管束的中心线为以下管箱为同心圆的圆弧，相邻管束的端部连通，从而使得管束的端部形成管束自由端；所述换热器包括第一换热管和第二换热管，所述第一换热管设置穿过左管箱内，第二换热管设置穿过右管箱；所述第一换热管和第二换热管分别流过第一流体和第二流体，所述第一流体、第二流体和壳程流体之间可以进行三种流体的换热；

其特征在于，壳程流体是冷源，第一流体和第二流体是热源，左管箱和右管箱内分别设置第一温度传感器和第二温度传感器，用于检测左管箱和右管箱内的温度，第一温度传感器和第二温度传感器与控制器进行数据连接，所述第一温度传感器和第二温度传感器温度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，从而控制第一阀门和第二阀门的开闭，从而控制第一换热管、第二换热管的换热流体是否通过进行换热,以进行除垢。

2.如权利要求1所述的方法，其特征在于，所述换热方法包括如下步骤：

1)数据准备：对数据库中的温度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、检测集/检测集标签；

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)网络检测：将检测集数据输入到已经训练好的网络中，输出检测结果标签；

5)换热器运行：根据检测结果标签控制第一阀门和第二阀门的开闭以进行换热和除垢。

3.如权利要求1所述的方法，其特征在于，

网络训练具体步骤如下：

1)读入一组训练集数据d，其大小为[M×1×N],其中M表示训练批的大小，1×N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t，初始化卷积核g的系数，设g的大小为[P×1×Q]，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t＝∑(d*g)，特征图的大小为[M×1×N×Q]；

3)对卷积操作得到的特征图t进行最大池化操作，得到特征图z，初始化池化系数，给定池化步长为p，池化窗口大小为k，最后得到的特征图z的大小为[M×1×(N/p)×Q],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x，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w和偏置b，将提取到的特征向量x送入全连接网络，与权值矩阵w、偏置b进行运算，得到网络输出y＝∑(w×x+b)；

6)将网络得到的输出y与训练集标签l相减，得到网络误差e＝y-l，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w、偏置b、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e满足精度要求，网络训练过程完成，生成卷积神经网络模型。

Images