CN115906711A - 一种利用数字孪生系统进行换热器性能测试的方法 - Google Patents
一种利用数字孪生系统进行换热器性能测试的方法 Download PDFInfo
- Publication number
- CN115906711A CN115906711A CN202211689127.XA CN202211689127A CN115906711A CN 115906711 A CN115906711 A CN 115906711A CN 202211689127 A CN202211689127 A CN 202211689127A CN 115906711 A CN115906711 A CN 115906711A
- Authority
- CN
- China
- Prior art keywords
- heat exchanger
- module
- data
- digital twin
- calculation
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种利用数字孪生系统进行换热器性能测试的方法,数字孪生系统包含:换热器3D建模模块、CFD仿真计算模块、换热关联式计算模块、结果分析模块、AI学习模块、风险分析模块、评估调控模块等;本发明利用技术手段对传统换热器运行的物理世界进行镜像化描述,可实现人员远程对换热器运行工况及性能进行准确评估,计算出换热器内部气液两相流流动情况,可提供给技术人员换热器各部的热负荷、传热系数及工质热力学性质等参数,判断传热恶化区域,可快速准确评估换热器性能,有助于换热器优化设计,并能评估仪器设备寿命,给出故障预测,重大险情时可及时采取必要果断措施。
Description
技术领域
本发明涉及换热器、换热器热管理技术、换热器性能测试、热设计领域,特别涉及一种利用数字孪生系统进行换热器性能测试的方法。
背景技术
换热器是一种具有人为目的性的将冷热流体的部分热量相互转化的设备,根据应用的目的主要分为蒸发器,冷凝器,加热器和冷却器,在能源动力、食品加工、空调热泵、石油化工等众多领域中发挥着重要作用。而数字孪生是一种近年来新兴的实现信息物理融合的重要技术,该技术基于虚实交互和数模驱动,通过物理模型与传感器数据的更新,通过多物理场完成计算仿真,在计算机中构建出一个与物理实体相同步的虚拟模型,利用以虚控实实现智能调控、利用以虚预实实现风险预测、利用以虚优实实现实体优化。
现有的换热器及其运行的整体设备或环境中存在如下问题:
1.现有换热器技术通常不具备工质流动可视化功能,由于换热器的设计制造中通常需要满足耐高温、耐腐蚀、耐高压等诸多要求,因此换热器通常基于成本及可实现性等因素考虑而采用不锈钢等金属材料,这些材料不具有可视化特点,而随着换热器领域的技术发展,气液两相换热器由于其具有更好的均温性、更高的换热系数、更少的充注量、更大的换热潜能、更紧凑的体积等诸多因素受到更多的青睐,在气液两相换热器中气液两相的流动形态及分布会对换热性能产生巨大的影响,且不同的温差、流量、换热器内部压力等众多因素都会影响换热器内的两相流流型,换热器内层流湍流以及二次回流的区域分布不明朗,传热恶化区域难找到,压降
与湍流度异常区域难发现;
2.现有换热器技术无法及时反馈各段热负荷与换热性能,在换热器实际运行过程中,具有温度测量条件的换热器可通过进出口温差计算换热器整体性能是否达标,该方法只能对换热器整体进行性能评估,无法衡量换热器内部各段的运行状况,当换热发生异常时无法准确定位异常区域,无法做到准确快速维护保养,甚至需要停机检修,从而带来难以估量的时间成本与检修维护成本,在部分家用空调、汽车热泵、数据中心等场合中,技术人员甚至只有在其他设备出现工作异常甚至烧毁等情况发生后才能得知换热器出现故障,现有技术难以对换热器各段的热负荷及换热系数进行准确的计算与反馈,特别是涉及两相流的换热器,换热情况更加复杂;
3.现有换热器技术难以对换热器及其辅助运行的其他设备或部件的运行情况进行评估,无法根据当前运行情况或历史运行记录对换热器寿命进行预测,对突发事件无法把握,不能提前预警做到相应部署,可供技术员或维修员获取的信息不全面、不准确,监管调度工作难度大、效率低;
4.现有换热器技术在设计制造时通常根据特定指标优化建造,所设计出的换热器往往在某种特定工质、特定温度(或温度范围)、特定压力(或压力范围)、特定流量(或流量范围)具有最优的换热性能,且设计过程中通常仅仅利用预先计划的相关参数完成设计,而在实际生产中往往因为设备性能差异、热负荷区别、环境条件、管道阀门开度等诸多因素,使得换热器的运行环境与设计时的最优环境相差较大,且随着运行时间的延长,设备老化、腐蚀生锈、积灰结垢等其他因素,会使得换热器性能与预设条件的理想性能差别更加明显,现有换热器技术难以做到出厂后的性能及时把控,因而技术人员或工厂师傅难以根据换热器所处实际的工作环境调节最优的运行流量、温差、管内压力等,使得现有换热器技术难以发挥其性能的最佳状态。
现有技术或发明虽取得了一定的进步,但仍然存在较多的技术局限性或适用范围无法很好地涵盖换热器领域。例如CN112052564A公开了一种基于机器学习的换热器预测性维护方法与系统,该技术利用机器学习实时计算换热器换热面沾污状态变化,通过系数曲线设立阈值,并以此制定实现板式换热器的清洗预测功能。该技术的局限性在于:1.适用范围小,仅可适用于标准的板式换热器,对微通道换热器、蛇形管换热器、管壳式换热器、定制的板式换热器等其他换热器都无法实现准确预测;2.假设条件与模型简化多,由于该系统不具备三维等比例建模及模型拓扑功能、网格划分与自适应功能等,仅利用传热机理模型和行业先验知识完成计算与预测,无法实现内部流场和温度场的计算和分析;3.功能简单,神经网络模型仅建立了板式换热器的传热特征参数与沾污热阻的映射关系,无法对换热器各段的运行情况进行实时反馈,使用者只能得到何时需要对换热器进行清洗的指导意见,而无法获取换热器的性能变化、工质流动、运行安全状态等其他数据。
CN112859789A公开了一种基于CFD构建数据中心数字孪生体的方法及系统,可通过CFD技术对数据中心的热过程进行仿真物理属性及过程,具有实用性和可部署性。但是该技术也存在一定的局限性:1.该技术针对的是一个具有固定面积、高度和形状的机房空间的CFD仿真和数字孪生体的构建,所有的流体皆为简单的单相显热换热,而换热器的单位体积热负荷更大,通常需要考虑气液相变换热过程,相变过程需要考虑复杂的多物理场耦合传热关系以及多相流的相间传质关系,因而该技术无法适用于换热器的CFD仿真及数字孪生的构建;2.该技术中未对等比例三维模型构建优化及网格生成与自适应进行细节描述,推测其仅能导入由人工构建好的模型及网格,一方面人为构建的模型与网格受到操作者水平的影响较大,可能建成的模型或网格结果因人而异,计算结果具有偶然性,甚至会出现计算发散;3.该数字孪生系统中虽然使用cGAN自动校准方法,却未包含监控系统等数据的安全隐私保护功能,也不能根据数据孪生体的计算结果实现反馈调节;4.该技术虽基于CFD方法实现,却未包含数值计算方法智能选择或改良,边界条件设定逻辑优化、亚松弛因子智能调整等功能,由此可能会对CFD计算结果的准确性带来影响,进而可能导致数值模拟结果与物理实体结果之间存在较大差别。
此外,CN114925529A公开了一种凝汽器数字孪生模型的状态校正方法、系统、设备及介质。该技术通过实际观测数据对凝汽器孪生模型的状态进行矫正,进而估计出凝汽器冷却水流量。然而该技术存在局限性,包括但不限于:1.该技术利用卡尔曼滤波算法对数字孪生模型进行校正,与上述技术的局限性类似,仅做到了物理实体到数字孪生模型的单向调节/校正,而不能实现固体域与流体域的温度场或流场的镜像,并且也无法通过AI算法和机器学习实现由数字孪生系统到物理实体的安全性调控或为工程师提供指导性的操作建议;2.此技术的输入信号为冷却水的出口温度、凝汽器的工作压力和热井水位的观测数据,数据来源仅可以满足较为简单的凝汽器的数字孪生系统的基本需要,无法适用于换热情况更加复杂,热流密度与热负荷更高的换热器,更无法对多相流换热工况进行同步、校正或预测;3.该技术功能单一,无法实现对物理实体的三维建模、自动拓扑优化等功能,无法进行数值仿真模拟也无传热关联式公式计算端口,不能对工程师给出实时的热质传递参数,整体性较差,距工程的应用存在较远距离。
基于现有技术的不足,迫切需要开发一种换热器性能测试数字孪生系统方案,以克服上述一种或多种问题。
发明内容
本发明要解决的技术问题是提供一种能够实时为使用者提供换热器性能测试、两相流流动状态分析、换热器运行状况评估、具有预测功能、可在换热器设计阶段提供指导或参考作用的利用数字孪生系统进行换热器性能测试的方法。
为克服上述现有技术存在的不足,本发明采用的技术方案为:一种利用数字孪生系统进行换热器性能测试的方法,包括换热器性能测试数字孪生综合管理平台、AI学习模块、数据采集模块、仪器设备、调控模块、数据存储模块、门禁系统、视频监控、环境数据、安全加密模块、换热器3D建模模块、换热工质物性参数储备库、CFD仿真计算模块、换热关联式计算模块、结果分析模块、风险分析模块、移动终端,其中:
所述换热器性能测试数字孪生综合管理平台是整个数字孪生系统的控制中心,是人机交互的窗口,整个数字孪生系统运行的情况,包括系统内各个模块采集、计算、传输或存储的数据或图形和表格等,皆可在所述换热器性能测试数字孪生综合管理平台中实时浏览和修改,也可在此发出强制启动或停止指令。
所述AI学习模块集成了机器学习神经网络功能,主要作用是广泛采集来自于数据采集模块收集的大量仪器设备的信息、数据存储模块收集到的大量环境数据以及工作人员操作记录,所述AI学习模块中日积月累,逐渐形成庞大的数据网络并完成机器训练学习,通过算法对系统持续优化,当无人为手动干预的情况下所述AI学习模块可以使所述换热器性能测试数字孪生综合管理平台做出的决策更加合理,使CFD仿真计算模块模拟的结果更接近实际,使风险分析与故障预测结果更加准确。
所述数据采集模块可将所述仪器设备传输出的流量信号、温度信号和压力信号精确读取与收集,并将实时传输的电压信号、电流信号或阻值信号转化为数字信号供计算机识别读取。
所述仪器设备布置于换热器及其循环系统和相关连接管路中,包括但不限于热电偶、热电阻、齿轮流量计、电磁流量计、质量流量计、压力变送器、工质泵等仪器设备,其作用是收集监控换热器各部的温度、流量、压力数据。
所述调控模块的功能是将远程操作的技术人员或工程师的指令以及所述换热器性能测试数字孪生综合管理平台根据AI学习模块智能发出的计算机指令向仪器设备传达,通过控制工质泵功率、换热器系统流量、电子阀阀门开度、辅助加热/冷却开关等设备,实现操作人员远程对换热器控制调节、无人化智能控制的效果。
所述数据存储模块主要组成为机械硬盘HDD和固态硬盘SSD,功能是收集来自于门禁系统、视频监控、环境数据以及相关操作信息和历史记录等,其中机械硬盘HDD主要存储超过24小时的历史数据,固态硬盘SSD主要存储24小时以内的数据,这些数据一方面为AI学习模块神经网络和机器学习构建丰富数据库,对维持本发明的正常运行具有重要作用,另一方面可为相关人员有需求时提供历史数据查询、拷贝、参考、证明等。
所述门禁系统可以为本发明中及换热器系统所处空间提供门禁保护功能,有利于对换热器及本发明一种换热器性能测试数字孪生系统的安全管理,防止闲杂人等或非授权人员造成不必要的危害损失,也有利于责任到人和值班考勤工作的落实。
所述视频监控可以为本发明中及换热器系统所处空间提供视频音频记录,有利于管理人员对换热器周围情况的了解,可以记录操作人员的相关行为,及时发现安全隐患,快速安排人员调动,准确做到责任到人。
所述环境数据可以为远程操作或观察人员提供本发明及换热器系统所处空间的环境情况,
包括但不限于环境温度、湿度、外界气压、局部PH、空气流速,可以为远程技术人员、管理人员提供实时数据,为所述换热器性能测试数字孪生综合管理平台的智能评估和调控指令提供相关辅助依据等。
所述安全加密模块为本发明的视频音频存储、操作者信息、历史操作记录、环境数据、风险分析数据、故障预测信息、三维模型数据、CFD计算结果、换热关联式计算结果、涉密数据库等提供安全加密功能,可防止保密信息泄露,维护本发明的信息数据安全。
所述换热器3D建模模块可根据换热器进出口管路尺寸、形状、位置,换热管翅片种类、结构、尺寸、形状,换热管内部肋片、螺纹,换热管长度、形状、相对位置,自动完成模型优化及修补漏洞的工作,建立模型细节丰富、还原度高的换热器及其配套设施的虚拟三维模型。
所述换热工质物性参数储备库存储有换热器所使用工质的各类物性参数,是本发明数字孪生系统组成中重要的输入参数,对于某一种工质,不是纯粹的数据累加,而是一个物性参数的综合性数据库,包含着物性参数与温度、压力、两相干度等参数的相互影响和相互作用,对后续的虚实映射关系的准确性、完整性和可靠性具有重要意义。
所述CFD仿真计算模块可根据所述数据采集模块采集到的温度和压力数据,自动调用计算所需要的所有的工质物性参数,可自动生成足够优秀网格质量、网格单元数合理的三维网格模型,可通过所述数据采集模块监测到的实时数据根据算法识别出当前实际换热器内部所进行的换热工况,自适应选择能量方程、动量方程、质量方程和计算模型,也可以二次编程开发源项。
进一步地,根据换热工质类别和换热器壁面材料确定壁面接触角,所述壁面接触角指在固、液、气三相交界处,自固液界面经过液体内部到气液界面之间的夹角,是壁面润湿程度的量度,气液两相流在固体域内流动过程流型分布、流动状态及特点等诸多流动特性皆会受到此参数的影响。因而壁面接触角的准确选择,对数字孪生系统的准确镜像具有重要意义。
进一步地,本发明可根据所述数据采集模块采集到的相关数据和预先设定,完成传热边界条件设定和网格计算域条件的设定工作。
进一步地,本发明可结合工程师、技术人员的预设参数、AI学习模块的优化建议,同时依靠所述换热器性能测试数字孪生综合管理平台的算力智能完成计算域内初始化,随着工程师、技术人员预设参数的调整、所述AI学习模块神经网络学习的深入以及所述换热器性能测试数字孪生综合管理平台算力的提升,这一步骤可以使得计算域初始化结果即可无限接近于数值计算的最终结果,一方面节约计算时间和成本,另一方面有助于计算的收敛,残差的降低,计算结果准确性的提高,稳态计算迭代次数的减少和在保证库仑数达到要求的前提下瞬态计算时间步长的增大。
进一步地,本发明可根据网格计算域调节、传热边界条件、层流或湍流模型及各项计算方程,自动选择合适的计算方法,这些方法包括但不限于速度压力耦合方法、梯度、动量、湍流粘性耗散、湍流动能等的空间离散相的计算方法。
进一步地,本发明可根据AI智能选择合适的时间步长和亚松弛因子等,也可根据技术人员的需要随时对算例进行调整。
需要说明的是,所述CFD计算模块的能力不是自本发明实施以来一成不变的,而是性能和准确度可以逐渐升级优化的模块,也可按照技术人员、管理人员等的需要,进行OTA或其他方法进行升级。
所述换热关联式计算模块中集成了传热学学术领域和工程领域中经典的、可靠性强的、大量的传热关联式,覆盖范围广,涵盖各类换热器,包含各类翅片和各种管内增强换热结构,涉及工质的各种工作过程(单相换热或相变换热),也包含不同雷诺数和不同热流密度的适用范围,所述换热关联式计算模块可自动选择最适合的算法和公式完成传热传质计算。
所述结果分析模块可将所述CFD计算模块和所述换热关联式计算模块计算的结果通过数据列表、图形等多种方式展示和呈现,本质上是从换热器物理实体出发,依靠本发明获取并分析静态或动态数据,经过数据处理和计算后作为模型输入参数驱动数字孪生系统运行,从而实现了数值孪生对换热器物理实体状态的精准描述。
所述风险分析模块可将所述结果分析模块与所述AI学习模块传输的数据进行整合分析,专门提供换热器运行状况评估、故障检测、风险预测服务,对人员操作、机器运维、工质流动情况等难以直接观测和控制的实体换热器运行提供分析指导和优化方案。并可准确地预估检修维护、更换设备的时间和位置,可方便本发明使用者提前部署,减小因设备维护更换带来的时间空档带来的停机损失,换热器运营状况、健康程度等一目了然,可减小安全隐患。
具体地,所述风险分析模块是从数字孪生系统出发,描述换热器物理实体的运行机制及其实时状态,将仿真结果和换热关联式计算的结果通过神经网络AI算法,最终转化为计算机控制指令或建议,通过所述调控模块可以实时、准确传输回所述仪器设备,实现对换热器物理实体状态的动态调控。
所述移动终端即具有相应连接的移动设备,可以远程查看实时数据、操控设备、修改运行参数、调节预设的人工智能模式或偏好。
与现有技术相比,本发明的有益效果包括但不限于:
1.本发明可在传统非透明材料换热器中实现工质流动可视化,既满足换热器的设计制造中耐高温、耐腐蚀、耐高压、低成本等要求,也无需对现有已投入运行的换热器设备进行改造更换,便可以通过本发明观察工质单相或气液两相的流动形态及分布,进而可以分析流型对换热性能产生的影响,清晰地观察到换热器内层流湍流以及二次回流的区域分布,快速定位传热恶化区域、压降与湍流度异常区域,便于工程师及时对指定区域设计优化和工况调整,有利于换
热器长期高效稳定的运行;
2.本发明可实时反馈换热器各段热负荷与换热性能,不仅能够对换热器整体进行性能评估,
还可以评估换热器内部各段的运行状况,技术人员、管理人员甚至是获得授权的任意人员都可以在所述换热器性能测试数字孪生综合管理平台或是移动终端上远程知悉换热器的运行状态,当换热发生异常时可准确定位异常区域,便于工作人员快速维护保养,无需停机检修,避免额
外的时间成本与检修维护成本;
3.本发明可以对换热器及其辅助的其他设备或部件的运行情况进行评估,可以根据当前运行情况或历史运行记录对换热器寿命进行预测,可以极大程度地减少突发事件的数量,也可在意外发生前提前预警,便于工作人员提前准备部署应对措施,减少健康和财产损失,可供技术员或维修员实时获取较为全面、准确的信息,有效降低监管调度难度,提高工作效率;
4.本发明由于可以为技术人员、管理人员等提供换热器各部位的实时数据,因而可以在实际生产中减弱因实际运行条件与设计条件差异带来的设备性能衰弱问题,提前感知换热器设备老化、腐蚀生锈、积灰结垢等情况,可以让换热器的使用者做到购买换热器设备后对其性能状况的把握,有助于工作人员根据换热器所处实际的工作环境调节最优的运行流量、温差、管内压力等,使得发挥其性能的最佳状态,也有利于换热器的设计优化和产品升级改造工作。
区别于传统单一的仿真,本发明通过信息交互与模块连接实现了虚拟空间对换热器物理实体的镜像映射,为物理实体的实时感知、控制、预测和优化做了充分的支撑,使数字孪生交互的实时有章可循、有据可依。
此外,本发明亦可以用于换热器设计阶段,即设计师或工程师等可以通过向本发明的数字孪生系统输入设计参数影响输入端,数字孪生系统对设计参数下换热器的运行参数进行计算仿真,输出数据,给出性能分析结果,由此设计师或工程师可以快速判断设计是否符合预期热负荷,准确定位设计不合理的结构,进而可以针对性地进行调整优化。
附图说明
为了更清楚地说明本发明申请实施例中的技术方案和基本思路,下面将对实施例描述中所需要使用的附图作简单地介绍。
显而易见地,下面描述中的附图仅仅是本申请的一个实施例,对于本领域普通的技术人员来讲,在不付出创造性劳动的前提下,还可以根据附图获得其他的图形。
图1为本发明实施例的系统图;
图2为本发明实施例中所述CFD计算模块的运行逻辑图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,
以使本发明的优点和特征能够更容易被本领域的技术人员理解,从而对本发明的保护范围做出更为明晰的界定。需要说明的是,基于本发明中的实施例,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接的在不脱离本发明的原理的前提下进行的若干非创造性的延伸和加工,这些等效变换、延伸和加工也应视为本发明的保护范围。
本发明提供一种技术方案:一种利用数字孪生系统进行换热器性能测试的方法,包括换热器性能测试数字孪生综合管理平台、AI学习模块、数据采集模块、仪器设备、调控模块、数据存储模块、门禁系统、视频监控、环境数据、安全加密模块、换热器3D建模模块、换热工质物性参数储备库、CFD仿真计算模块、换热关联式计算模块、结果分析模块、风险分析模块和移
动终端,其中:
换热器性能测试数字孪生综合管理平台是本发明实施例的人机交互窗口,是本发明实施例的“大脑”和“眼睛”,作为中心枢纽承担了信息集中、交流、共享等重要功能,为换热器的数字孪生模型动态更新、对实体换热器的实时控制和决策方案的实时优化源源不断运送数据资源,操作人员可在操作中心、个人移动PC或是手机上通过与换热器性能测试数字孪生综合管理平台的信息交互,实现了对换热器物理实体的状态预测、性能优化、主动控制和反馈调节,实现了模型高精度动态更新、服务数模驱动等功能。在具体实施过程中,所述换热器性能测试数字孪生综合管理平台既可以根据强大的AI功能给出合理的指令传达到本发明实施例的其他部分,也可以由工作人员直接手动控制和调节,或是对AI权限和偏好做出调整。
所述AI学习模块与所述换热器性能测试数字孪生综合管理平台的信息传递共享为双向连接,所述AI学习模块是本发明实施例最终实现镜像、仿真、预测、优化等功能的重要保障,保证了交互数据的格式和内容符合准确性要求,能正确收集和处理换热器物理实体的实时信息,并将这些信息利用深度学习进行特征提取和降维处理,进而优化及其学习训练过程,快速制定推理计划,避免过拟合现象发生。
具体地,作为优选,AI学习模块的预测模型由编码器和解码器两部分组成,其中编码器采用长短记忆循环神经网络LSTM,可对由所述数据采集模块、所述环境数据等采集到的输入特征进行特征提取,AI学习模块中的历史数据通过LSTM编码得到最终隐层状态值h并输入到预测模型的解码器部分,编码器的每一个时间点后都接着一个解码器,解码器根据历史编码器的时间序列特征和数值采用MLP注意力机制为不同时间点的隐藏状态赋予权重,来预测未来解码器长度的序列值,运算寻找时间相关性最大的隐藏层状态,最终得到未来时间点的预测值。将
最终隐层状态值h用于计算序列内部的权值,计算公式如下:
F(h)=f(ha,hb)=α(Wha+W2hb+β)+Ha,ba,b∈[1,2,…,n]
其中,W表示AI学习模块中每个换热器监测数据计算的权重矩阵,α表示激活函数,β表示偏移量,Ha,b表示当前序列中工况参数a和b之间的关系,也就是顺序编码Ha,b,F(h)表示整个序列计算所有的f(ha,hb)最后得到的权重矩阵。
在输出层面,AI学习模块中假设输入的任一数据样本为Yn,则输出层的神经元可表达为:
其中,N为隐藏层神经元个数,I为输出层神经元个数,n为训练样本组数,x为输入层与输出层间的权值,i和j表示矩阵行数与列数。
作为优选方案,基函数为高斯函数,可表示为:
其中,tjm为基函数中心,M为所述数据采集模块和所述环境数据等输入层的神经元个数,
σj为高斯函数方差。作为优选方案,所述AI学习模块中机器学习过程可使用经过遗传算法GA优化的混合多层感知器人工神经网络MLPANNs和径向基数人工神经网络RBFANN模型,在换热器数字孪生模型的数据处理中对膨胀系数有较好的评估,具有准确的精度。
具体地,所述AI学习模块中连接的系统数据库包括但不限于MATLAB、NISTRefprop,
MySQL、iDataCenter、Excel。
所述AI学习模块中数据预处理后仅需算法选择,作为优选应包括:线性回归、随机森林回归、最小二乘法+L2正则化,弹性网络回归、多项式回归、BP神经网络、支撑向量机回归。
所述数据采集模块主要依靠数据采集器或数据采集板和计算机共同完成,作为优选,数据采集器或采集板精度应当满足六位半精度要求,从而保证采集数据的准确度和可靠度。
作为本发明实施例数字孪生系统与换热器物理实体沟通交流的桥梁和纽带,所述仪器设备与数据采集模块相连接,主要依靠各类型流量计采集传输流量信号、各类型温度传感器采集传输温度信号、各类型压力变送器或传感器传输压力信号,同时所述仪器设备受所述调控模块控制和制约。各类传感器设置的安装位置、安装数量、设备型号和仪器量程等可根据实际换热器的类型、热负荷、工作条件、尺寸和结构等,由工程师结合精度需求和监测需要等进行确定。
所述调控模块受所述换热器性能测试数字孪生综合管理平台直接控制,将所述换热器性能测试数字孪生综合管理平台发出的数字信号转化为仪器设备可理解和执行的机器语言,从而实现“大脑”对“四肢”的操控。
作为优选的方案,所述数据存储模块由机械硬盘HDD和固态硬盘SSD组成,其中机械硬盘HDD主要存储超过24小时的历史数据便于数据稳定安全存储,固态硬盘SSD主要存储24小时以内的数据便于快速读取调用和写入数据,为AI学习模块神经网络机器学习提供庞大的数据库,可以随时供技术活管理人员按需输出所需数据内容。
作为优选的方案,所述门禁系统采用线上用户名密码识别、手机短信验证识别,线下人脸识别、指纹识别和门禁卡识别多位一体的综合识别模式,线上用户登陆依托所述安全加密模块实现安全登陆,同时所述安全加密模块对换热器数字孪生系统中实时传输和存储的涉密数据信息进行安全保护,线下工作人员利用生物信息或授权门禁卡进入。
作为优选,可利用SeetaFace开源人脸检测、矫正和识别的数据库,具体地,SeetaFaceDetection实现人脸检测功能,SeetaFace Alignment实现人脸矫正功能,SeetaFace Identification实现人脸识别功能。
进一步地,工程师或技术人员可修改SeetaFace源代码,生成模型文件和库文件供LabView完成调用,进而辅助推进系统信息传递进程。
所述视频监控与所述数据存储模块直接连接,同时可接受所述换热器性能测试数字孪生综合管理平台的指挥调度,可以对本发明实施例内特定区域的视频图像资源进行整合,为换热器运行中的各项活动提供完成的视频图像,可加强对重点区域、重点位置的监控管理,可利用计算机图像视觉分析技术对监控摄像头所获取的非结构化数据进行采集分析,进一步地,在所述换热器性能测试数字孪生综合管理平台利用半结构化语言将信息传输至风险分析模块,可以有效地协助技术人员和管理人员及时应对突发情况,也有利于加强安保。
所述环境数据与数据存储模块相连接,可将各类型传感器采集到的环境数据存储于数据存储模块中,进而实现与所述换热器性能测试数字孪生综合管理平台的通信,可监测实况场景下的温度、相对湿度、环境PH值、污染指数等,当数据发生异常变化或超出阈值时自动报警,使得工作人员或系统及早做出应对措施,减小环境因素对设备运行的影响,也可避免人员中毒、设备爆炸、火灾等隐患。
所述换热器3D建模模块与所述换热器性能测试数字孪生综合管理平台和换热工质物性参数储备库直接相连,可自动导入授权用户提供的已有三维模型,也可根据使用者提供的换热器基本信息建立换热器三维模型,该模型包括但不限于以下特征:换热器进出口管路尺寸、形状、位置,换热管翅片种类、结构、尺寸、形状,换热管内部肋片、螺纹,换热管长度、形状、相对位置,所述换热器3D建模模块可自动完成模型优化,修补缺漏,自动完成拓扑和重新拓扑等操作,使三维模型更为准确。
所述换热工质物性参数储备库存储有换热器所使用工质的详细的物性参数,为CFD仿真计算模块和换热关联式计算模块提供工质物性参数数据,包括但不限于:密度表(随温度、压力变化)、比定压热容表(随温度、压力变化)、焓值(随温度、压力、干度变化)、熵值(随温度、压力、干度变化)、汽化潜热表(随温度变化)、表面张力系数表(随温度变化)、接触角(流体与壁面)、导热系数表(随温度变化)等,所述换热工质物性参数储备库是本发明的正常运行重要的一环,直接关系着数字孪生系统中CFD仿真计算和换热关联式计算等的精准度,也影响着
AI学习模块神经网络机器学习、识别和判断的准确性。
作为优选方案,所述风险分析模块可采用典型的贝叶斯网络、SVM、ANN等监督学习方法,
可以从二元分类问题扩展为多类别分类问题,可将当前换热器各类监测数据或系统状态与历史记录进行对比,通过归纳分类,相似判断等方式,再结合所述数据存储模块存储的庞大数据库信息,分析出固有环境变化与突发异常现象,进而达到故障检测、预测风险的目标。
所述换热关联式计算模块中集成了大量的传热关联式,这些关联式包含各类换热器,如蛇形管换热器,套管换热器,印刷电路板换热器(PCHE)、微通道扁管换热器等,也包含各类翅片,如波纹翅片、平直翅片、锯齿形翅片、多孔翅片等,还包含了管内增强换热结构,如管内肋片,螺旋结构等,同时包含工质的工作过程,如冷凝过程、蒸发过程、单相换热过程等,也包含不同雷诺数、不同热流密度的流体力学和传热学的综合考虑,所述换热关联式计算模块可根据所述数据采集模块采集到的实时信息进行判断,在大量的关联式和经验公式中选择对应的算法和公式完成传热传质计算,在数字孪生系统中构建出一个与实际换热器平行的虚拟换热器,便于技术人员和管理人员对换热器各部分的运行情况的了解、调整和决策。
所述结果分析模块可将所述CFD计算模块和所述换热关联式计算模块的计算结果进行收集、汇总、后处理、存储、分析,可将计算结果转化为折线图、柱状图、饼图、散点图等,也可实时转化为速度云图、压力云图、相分布图、湍流动能分布图、速度矢量图、迹线图等,也可实时显示数值,可以将结果自动对比整合、生成分析报告。
所述移动终端即指用户手机、个人便携式PC、平板电脑等可以连接本发明的移动设备,本发明可为使用者全天候全时段提供换热器的实时运行状况,即使用者可从移动终端随时查看换热器各项参数。
所述CFD仿真计算模块工作的基本逻辑如图2所示,根据所述数据采集模块采集到的温度和压力数据,自动调用计算所需要的所有的工质物性参数,所述CFD仿真计算模块自动将所述换热器3D建模模块中的三维模型生成网格质量足够优秀,网格单元数合理的结构化或非结构化或混合的网格模型,所述网格质量目标的实现主要依赖计算算法实现,也可由技术人员人为导入已绘制好的网格模型,网格单元数的数量依靠技术人员预设的参数或AI学习模块经过机器学习智能选择的最优网格单元尺寸决定,所述CFD仿真计算模块可通过所述数据采集模块监测到的实时数据根据算法识别出当前实际换热器内部所进行的换热工况是单相换热或两相换热,进而选择相对应的能量方程、动量方程、质量方程,并且也可以通过工程师技术人员的人为干预或依靠AI学习模块建立符合条件的源项,进一步地优化CFD计算条件,当判定位两相换热时,本发明可自动选择合适的多相流模型(如VOF模型、Mixture模型、欧拉模型)和表面张力模型,特殊地,也可由技术人员介入这一过程,通过自编程的方程和模型替换原有方案。
进一步地,所述CFD仿真计算模块根据检测到的流量数据,结合管内流体工质的当前的密度和管内水力直径,计算出当前工质的流速,再结合工质粘度计算出无量纲数雷诺数的大小,根据这一判据选择层流模型(雷诺数小于2300)或湍流模型(雷诺数大于等于2300),可选择的湍流模型有标准k-ε,RNG k-ε,可实现的k-ε,标准k-ω,k-ωSST等模型,也可通过技术人员或工程师根据实际需要自编程导入模型。
进一步地,所述CFD仿真计算模块可根据所述通过数据采集模块采集到的相关数据,结合所选层流/湍流模型,利用网格进行y+数计算,根据计算域y+数计算结果与工程需求进行比对,
进一步地,判断所建立网格和层流/湍流模型选择是否合理,若不合理则重复步骤,如图2所示,直至y+数满足相关要求,根据y+数分布情况选择壁面函数模型。进一步地,根据流体种类和换热器材料及表面特性确定壁面接触角,根据仪器设备采集到的温度、压力和流量数据设定CFD计算中必要的传热边界条件和网格计算域条件。AI学习模块主要功能是分析和预测换热器物理实体的未来状态,而与AI学习模块不同的是,AI智能初始化通过CFD计算模块中上一迭代步的计算结果自动作为下一步的初始化条件,当计算步是初始迭代步时,根据仪器设备采集到的温度、压力和流量数据,利用人工智能实现温度场或相分布场的镜像。
操作者在使用本发明时,可以在移动端或计算机前,通过门禁系统与安全加密模块进入操作界面,实现对整个数字孪生系统中各个模块的监测与控制,当需要观察换热器内的气液两相流的流动形态时点击鼠标或触摸显示屏进入对应界面即可完成查看,当需要观察换热器实时热负荷时,也是通过点击鼠标或触摸显示屏便可以查看到数据和图形图表,以此类推。此外,除了可以观察和监测外,还可以通过远程控制将指令提供数字孪生系统反馈至物理实体中,具体方式为,工程师或操作者在移动设备端或电脑前输入对应的指令要求,通过换热器性能测试数字孪生综合管理平台对调控模块发出信号,调控模块将数字信号转化为电信号实现对换热器连接系统中电磁阀、工质泵、热负荷功率等实现对流量、温度和压力的调控,也可在危急时刻实现对物理实体的紧急停止保护,同时也可以实现远程开机,利用监控模块实现对操作工人的远程调遣。当本发明用于换热器设计时,设计师和工程师可以通过换热器性能测试数字孪生综合管理平台手动输入设计拟定参数,利用本发明实现虚拟运行,设计师和工程师使用本发明可以防止参数设定错误造成严重的生命威胁和经济财产损失,也可以快速判断某一方案是否可以实现预期的技术指标。
具体地,以一个实施案例进行描述,以便于使用者更直观的了解本发明的特点。一种平行流扁管微通道换热器,所述平行流扁管微通道换热器的特征是由24个边长为0.4mm的方形截面微通道构成,通道内粗糙度为20微米,微通道间壁厚0.24mm,外壁厚度为0.6mm,内部流动工质为R134a制冷剂,饱和温度为10℃,饱和压力为414.61kPa。本实施例中,平行流扁管微通道换热器共分为五层,每层长度为800mm,每隔200mm布置1个PT-100热电阻作为温度监测点,每层平行流扁管微通道换热器的入口一侧布置各布置一个压力变送器,各层之间通过集流器两两联通,换热器流入口与流出口处分别布置有温度传感器(PT-100)、压力传感器和流量传感器(质量流量计)。按照上述方案为换热器连接仪器仪表,通过数据采集模块收集上述传感器的实时数据,传输至AI学习模块为机器学习提供数据源、丰富数据库,AI学习模块采用长短记忆循环神经网络LSTM实现数据的输入特征提取,机器学习过程使用经过遗传算法GA优化的混合多层感知器人工神经网络MLPANNs和径向基数人工神经网络RBFANN模型。同时数据实时上传至换热器性能测试数字孪生综合管理平台,数据存储模块由机械硬盘HDD和固态硬盘SSD组成,对数据存储模块内的数据采用注意力机制MLP解码器来预测未来解码器长度的序列值。利用SeetaFace开源人脸检测、矫正和识别的数据库,利用MATLAB与LabView实现人机数据交互,使用最小二乘法+L2正则化算法,基函数采用高斯函数。由于流动中微通道内的雷诺数为2602,CFD计算中使用可实现的k-ε模型,自动生成的网格y+数接近于1,壁面函数模型使用Enhanced Wall Function,风险分析模块采用典型的贝叶斯网络监督学习方法,其他步骤或流程如上文实施方案所述,这里不再赘述。操作人员与工程师在指挥中心通过显示器、大屏幕等远程对换热器的数字孪生体的各参数进行监控与调整,同时根据视频监控对现场工人进行指挥和引导,安全员根据换热器运行中各监测点的数据和环境数据对换热器的安全高效运行进行把控,如遇险情可以远程增大制冷剂流量、直接调节甚至关停危险源,管理人员与也可以坐在办公室或家中利用移动终端对换热器的运行状况实时观察,后勤维护人员也可以根据风险分析模块提供的数据提前安排维护保养、清洁、维修等工作,必要时可提前购置新的替代的平行流扁管微通道换热器以减少设备更换带来的时间损失。
需要特别说明的是,本发明实施例中所提到的连接、相连等表述并非简单的物理连接,而是一种广义的信息连接方法,例如可通过NFC、蓝牙、WIFI、WAN等传输技术实时传送至所述移动终端,也可通过WIFI、ZigBee、LAN等传输方式向所述换热器性能测试数字孪生综合管理平台和所述数据存储模块等进行实时传输与存储。
需要注意的是,本发明实施例中的所有计算过程也可以通过云计算的方式实现,可减小计算集群的投入成本。
需要特别说明的是,本发明实施例的技术构建思路是:以换热器物理实体的信息感知为根基,以数值计算和数据处理为支撑,以智能建议、风险预测为核心,以换热器信息动态可视化为目标。本发明的一种利用数字孪生系统进行换热器性能测试的方法,其显著进步包括但不限于:
1.换热器流体工质实时监测数据的处理分析技术。该技术可以做到高实时性的数据交互强稳定性的数据传输交互、高准确度的多物理场数值模拟仿真,此外可以将所述AI学习模块和所述风险分析模块中的智能建议高速生成与回传到所述换热器性能测试数字孪生综合管理平台中
供使用者参考;
2.高还原度、精准三维建模技术。本发明能够将用户提供的换热器参数准确在虚拟数字孪生系统中通过三维模型的构建进行还原、拓扑和修正,准确记录、镜像和反映真实换热器的
运行状态,实现数字孪生系统精确实时传输信息的需要;
3.合理而可靠的风险评估和预测技术。通过样本数据的丰富、神经网络算法的优化和机器学习的不断深入,本发明实施例可以精确预测换热器物理实体未来一段时间内的运行状态,也可准确评估风险、给出换热器的预计寿命和维护建议,例如可以根据检测定点压力、流量变化等数据对比历史数据分析换热器泄露区域,换热器内部堵塞区域所处位置,通过监测换热器壁面温度判断出两相流传热恶化区域方位等,通过交互技术及不确定性分析来预测安全性指标未来状态及相应的置信区间。
尽管已经做出一些解释和限定,本领域技术人员应当理解本发明不限于这里所述的特定实施例,因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,也应当属于本发明的保护范围。
Claims (9)
1.一种利用数字孪生系统进行换热器性能测试的方法,数字孪生系统包括换热器性能测试数字孪生综合管理平台、AI学习模块、数据采集模块、仪器设备、调控模块、数据存储模块、门禁系统、视频监控、环境数据、安全加密模块、换热器3D建模模块、换热工质物性参数储备库、CFD仿真计算模块、换热关联式计算模块、结果分析模块、风险分析模块、移动终端,其特征在于:
所述换热器性能测试数字孪生综合管理平台与调控模块、换热器3D建模模块数据传输相连,与AI学习模块和安全加密模块双向信息交互;所述换热器3D建模模块可根据换热器模型参数生成镜像三维模型,所述换热工质物性参数储备库与所述CFD仿真计算模块和所述换热关联式计算模块相连,所述CFD仿真计算模块和所述换热关联式计算模块根据所述数据采集模块传输的实时数据,在所述换热器3D建模模块生成的计算域或计算模型中平行完成计算工作,所述结果分析模块与CFD仿真计算模块和所述换热关联式计算模块直接相连,可将计算结果及时生成数据分布云图和变化图表,所述风险分析模块依靠AI学习模块的算力支持和信息支撑,可分析和预测换热器物理实体的未来状态;所述移动终端与所述结果分析模块和所述风险分析模块数据交互共享,通过安全加密模块对所述换热器性能测试数字孪生综合管理平台以及数据存储模块的数据进行加密,所述门禁系统、视频监控和环境数据与数据存储模块相连并存储,所述仪器设备受调控模块调控,所述调控模块的控制指令由所述换热器性能测试数字孪生综合管理平台发出,所述数据采集模块收集来自于所述仪器设备传输的换热器物理实体的监测信号。
2.根据权利要求1所述的一种利用数字孪生系统进行换热器性能测试的方法,其特征在于:换热器性能测试数字孪生综合管理平台具有数字孪生模型动态更新、对实体换热器的实时控制和决策方案的实时优化的作用,实现远程操控信息交互,模型高精度动态更新、服务数模驱动功能,还包括依靠AI给出合理的指令,自动对系统内其他部分实施智能调节,以及由工作人员直接手动控制,对AI权限和偏好进行模式预设和快速切换。
3.根据权利要求1所述的一种利用数字孪生系统进行换热器性能测试的方法,其特征在于:AI学习模块的预测模型由编码器和解码器两部分组成,其中编码器采用长短记忆循环神经网络LSTM,对由所述数据采集模块、所述环境数据采集到的输入特征进行特征提取,解码器根据历史编码器的时间序列特征和数值采用MLP注意力机制来预测未来解码器长度的序列值,AI学习模块中的历史数据通过LSTM编码得到最终隐层状态值并输入到预测模型的解码器部分,编码器的每一个时间点后都接着一个解码器,解码器中通过MLP注意力机制为不同时间点的隐藏状态赋予权重,运算寻找时间相关性最大的隐藏层状态,最终得到未来时间点的预测值,机器学习过程使用经过遗传算法GA优化的混合多层感知器人工神经网络MLPANNs和径向基数人工神经网络RBFANN模型,包括能够收集和处理换热器物理实体的实时信息,并将这些信息利用深度学习进行特征提取和降维处理。
4.根据权利要求1所述的一种利用数字孪生系统进行换热器性能测试的方法,其特征在于:所述环境数据可监测实况场景下的温度、相对湿度、环境PH值、污染指数,当数据发生异常变化或超出阈值时自动报警,促进工作人员或系统及早做出应对措施。
5.根据权利要求1所述的一种利用数字孪生系统进行换热器性能测试的方法,其特征在于:根据所述CFD仿真计算模块和所述换热关联式计算模块的计算结果合理采用典型的贝叶斯网络、SVM、ANN监督学习方法,减小因设备维护更换的时间空档带来的换热器停机损失。
6.根据权利要求1所述的一种利用数字孪生系统进行换热器性能测试的方法,其特征在于:换热器3D建模模块可自动导入授权用户提供的已有三维模型,也可根据使用者提供的换热器基本信息建立换热器三维模型,其模型细节特征包括但不限于:换热器进出口管路和换热管翅片种类的结构、尺寸、形状以及换热管内部肋片、螺纹,换热管长度、形状、相对位置,所述换热器3D建模模块可自动完成模型优化,修补缺漏,自动完成拓扑和重新拓扑操作。
7.根据权利要求1所述的一种利用数字孪生系统进行换热器性能测试的方法,其特征在于:结果分析模块将所述CFD计算模块和所述换热关联式计算模块的计算结果进行收集、汇总、后处理,将结果快速转化为统计表、图、速度云图、压力云图、相分布图、湍流动能分布图、速度矢量图或迹线图,将结果自动对比整合、生成分析报告。
8.根据权利要求1所述的一种利用数字孪生系统进行换热器性能测试的方法,其特征在于:CFD仿真计算模块能够根据所述数据采集模块采集的数据,自动调用计算所需要的所有的工质物性参数,自动完成建模与网格单元划分过程,网格单元数的数量依靠技术人员预设的参数或AI学习模块经过机器学习智能选择的最优网格单元尺寸决定,能够自动识别换热工况来选择合理的求解方程、多相流和湍流模型、表面张力模型、壁面函数,技术人员也能够干预上述过程对方案进行修改补充;所述的CFD仿真计算能够进行y+数计算并将计算结果与预期的工程需求进行对照与调整,能够根据流体种类和换热器材料及表面特性确定壁面接触角,能够根据仪器设备采集到的温度、压力和流量数据设定CFD计算中必要的传热边界条件和网格计算域条件,能够通过AI进行初始化与算法优化。
9.根据权利要求1所述的一种利用数字孪生系统进行换热器性能测试的方法,其特征在于:工程师和技术人员能够远程对本发明中数字孪生体的各项数据进行监控,并能够通过本发明的反馈调节机制对换热器物理实体的工况进行调节,管理人员能够通过监控模块对现场工人进行指挥和引导,安全员根据换热器运行中各监测点的数据和环境数据对换热器的安全运行和高效运行进行把控,所有获得授权的移动终端能够对换热器的运行状况实时观察,后勤维护人员能够根据风险分析模块提供的数据及建议提前安排保养、清洁、维修与更换等工作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211689127.XA CN115906711A (zh) | 2022-12-27 | 2022-12-27 | 一种利用数字孪生系统进行换热器性能测试的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211689127.XA CN115906711A (zh) | 2022-12-27 | 2022-12-27 | 一种利用数字孪生系统进行换热器性能测试的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115906711A true CN115906711A (zh) | 2023-04-04 |
Family
ID=86482347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211689127.XA Pending CN115906711A (zh) | 2022-12-27 | 2022-12-27 | 一种利用数字孪生系统进行换热器性能测试的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115906711A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116431378A (zh) * | 2023-06-13 | 2023-07-14 | 成都实时技术股份有限公司 | 一种产品嵌入式系统故障数据分析方法 |
CN117369308A (zh) * | 2023-11-20 | 2024-01-09 | 合肥中科深谷科技发展有限公司 | 基于数字孪生的机器人硬件在环实时仿真控制系统及方法 |
CN117477648A (zh) * | 2023-11-09 | 2024-01-30 | 商运(江苏)科创发展有限公司 | 基于数字孪生技术的风电装备建模及性能评估方法 |
CN117762172A (zh) * | 2023-12-20 | 2024-03-26 | 无锡市汇联自动化系统有限公司 | 一种多路温度采集控制系统 |
CN117704880B (zh) * | 2023-12-13 | 2024-05-07 | 中建-大成建筑有限责任公司 | 一种蒸发器的节能温度监测方法及系统 |
-
2022
- 2022-12-27 CN CN202211689127.XA patent/CN115906711A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116431378A (zh) * | 2023-06-13 | 2023-07-14 | 成都实时技术股份有限公司 | 一种产品嵌入式系统故障数据分析方法 |
CN116431378B (zh) * | 2023-06-13 | 2023-08-18 | 成都实时技术股份有限公司 | 一种产品嵌入式系统故障数据分析方法 |
CN117477648A (zh) * | 2023-11-09 | 2024-01-30 | 商运(江苏)科创发展有限公司 | 基于数字孪生技术的风电装备建模及性能评估方法 |
CN117477648B (zh) * | 2023-11-09 | 2024-03-08 | 商运(江苏)科创发展有限公司 | 基于数字孪生技术的风电装备建模及性能评估方法 |
CN117369308A (zh) * | 2023-11-20 | 2024-01-09 | 合肥中科深谷科技发展有限公司 | 基于数字孪生的机器人硬件在环实时仿真控制系统及方法 |
CN117369308B (zh) * | 2023-11-20 | 2024-04-23 | 合肥中科深谷科技发展有限公司 | 基于数字孪生的机器人硬件在环实时仿真控制系统及方法 |
CN117704880B (zh) * | 2023-12-13 | 2024-05-07 | 中建-大成建筑有限责任公司 | 一种蒸发器的节能温度监测方法及系统 |
CN117762172A (zh) * | 2023-12-20 | 2024-03-26 | 无锡市汇联自动化系统有限公司 | 一种多路温度采集控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115906711A (zh) | 一种利用数字孪生系统进行换热器性能测试的方法 | |
Hosamo et al. | A Digital Twin predictive maintenance framework of air handling units based on automatic fault detection and diagnostics | |
Yu et al. | A review of fault detection and diagnosis methodologies on air-handling units | |
Mawson et al. | Deep learning techniques for energy forecasting and condition monitoring in the manufacturing sector | |
Capozzoli et al. | Fault detection analysis using data mining techniques for a cluster of smart office buildings | |
Wang et al. | A robust fault detection and diagnosis strategy for multiple faults of VAV air handling units | |
Liu et al. | Advanced controls on energy reliability, flexibility, resilience, and occupant-centric control for smart and energy-efficient buildings—a state-of-the-art review | |
CN105184395A (zh) | 含余热利用系统的火电机组的初参数确定方法 | |
CN111486555A (zh) | 一种人工智能ai专家系统进行中央空调节能调控的方法 | |
Yu et al. | A nonlinear autoregressive with exogenous inputs artificial neural network model for building thermal load prediction | |
Zimmermann et al. | Automatic HVAC fault detection and diagnosis system generation based on heat flow models | |
CN117196159A (zh) | 基于互联网大数据分析的智慧水务分区计量系统 | |
Lazarević et al. | A novel approach to real-time modelling of the district heating substation system using LabVIEW | |
Quinones et al. | Thermal design and rating of a shell and tube heat exchanger using a matlab® GUI | |
US10429828B2 (en) | Plant simulation device and plant simulation method with first parameter adjustable at start and second parameter adjustable during operation of the plant | |
Zhou et al. | Reliability assessment based on multisource information fusion method for high pressure natural gas compressors | |
Quintã et al. | Virtual test bench for the design of control strategies for water heaters | |
Malinowski et al. | Neural model for forecasting temperature in a distribution network of cooling water supplied to systems producing petroleum products | |
Fong et al. | A hybrid multiple sensor fault detection, diagnosis and reconstruction algorithm for chiller plants | |
Keller et al. | Integrating the specification, acquisition and processing of building performance information | |
Jia | Model-based generic approaches for automated fault detection, diagnosis, evaluation (FDDE) and for accurate control of field-operated centrifugal chillers | |
Yang et al. | A Combined ARIMA-PPR Model for Short-Term Load Forecasting | |
Kundu et al. | A Stochastic Multi-Criteria Decision-Making Algorithm for Dynamic Load Prioritization in Grid-Interactive Efficient Buildings | |
Mounce et al. | Development of artificial intelligence systems for analysis of water supply system data | |
Haves et al. | A semi-automated commissioning tool for VAV air-handling units: functional test analyzer |
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 |