CN116910698A - 热交换器的寿命预测方法、装置、存储介质和电子设备 - Google Patents
热交换器的寿命预测方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN116910698A CN116910698A CN202310851754.7A CN202310851754A CN116910698A CN 116910698 A CN116910698 A CN 116910698A CN 202310851754 A CN202310851754 A CN 202310851754A CN 116910698 A CN116910698 A CN 116910698A
- Authority
- CN
- China
- Prior art keywords
- heat exchanger
- data
- thermal resistance
- prediction
- calculating
- 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
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 62
- 238000012937 correction Methods 0.000 claims abstract description 35
- 238000007781 pre-processing Methods 0.000 claims abstract description 33
- 238000004364 calculation method Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims description 27
- 238000012546 transfer Methods 0.000 claims description 19
- 238000009499 grossing Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 17
- 239000000498 cooling water Substances 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 230000006403 short-term memory Effects 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 26
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000000737 periodic effect Effects 0.000 abstract description 4
- 241001123248 Arma Species 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000001816 cooling Methods 0.000 description 7
- 238000010438 heat treatment Methods 0.000 description 7
- 239000013535 sea water Substances 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 206010022000 influenza Diseases 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及热交换器的寿命预测方法、装置、存储介质和电子设备,包括:获取热交换器的一次监测参数;对一次监测参数进行预处理,获得预处理数据;基于预处理数据进行指标计算,获得热交换器的实时污垢热阻;对实时污垢热阻进行修正,获得污垢热阻的修正值;根据污垢热阻的修正值并结合预测模型进行计算,获得预测结果;基于预测结果对热交换器的寿命进行预测。本发明通过表征热交换器结垢失效状态和结垢量的实时污垢热阻对热交换器进行寿命预测,既能避免事后维护的造成的经济损失问题,也可以避免周期性防护不能平衡的问题,不需要停机检测或增加额外的分析设备,并减小复杂工况的影响,优化现场的维护策略,降低成本。
Description
技术领域
本发明涉及热交换器的技术领域,更具体地说,涉及一种热交换器的寿命预测方法、装置、存储介质和电子设备。
背景技术
热交换器作为一种通过中间固体表面从一种流体到另一种流体进行有效传热的设备,其中间壁式中的管壳式热交换器在石油化工和核电领域应用较为广泛。但是热交换器往往在高温高压、大温差、放射性等恶劣的环境下服役,在运行过程中经受温度、压力、机械负荷、介质腐蚀等作用,长期工作运行下会引起压降增大、热交换器介质内漏、密封失效、内部结垢等故障,导致热交换器性能逐渐下降,可靠性降低。据调查,90%以上的换热设备都存在各种由于结垢引发的运行问题。然而,结垢隐藏在设备内部,因此很难检测到。热交换器故障不仅降低了换热性能,而且也增大了泵的负荷能力,甚至导致整个循环系统瘫痪,造成能源和材料的浪费,给工业经济带来了巨大的损失。
当下主流的热交换器故障检测及运维方法仍然是事后维护、周期预防性维护和状态维护等。事后维护是“有故障才维护”的方式,它是以设备是否完好或是否能用为依据的维护,只在设备部分或全部故障后再恢复其原始状态,也就是用坏后再修理,属于非计划性维护;周期性防护根据故障或中断历史,主动停止使用某一设备或设备子系统,然后对其进行拆卸、修理、更换零件、重新装配并恢复使用,目的是为了防止重大意外故障的发生;近些年来,状态维护得到了一定的发展,状态维修是对系统设备采取一些状态检测技术,将系统设备可能发生功能故障的各种物理信息进行周期性检测、分析、诊断,根据对物理信息的分析推断出系统设备当前所处的运行状态,系统设备的运行状态的发展情况为依据安排必要的预防性维修计划。
然而,事后维护可能造成巨大的经济损失;周期性防护则完全根据设备历史故障数据,通过统计学分析的方法实现事故前维护,难以在故障和维护之间找到合适的平衡点;状态维护相较于事后维护,能够降低设备故障带来的损失,但需要故障发生到一定程度的时候才能准备维护,无法为现场的运维人员预留“提前准备”的时间。此外,状态维护通常需要停机检测或需要专门的状态监测设备进行状态监测,维护成本高。
发明内容
本发明要解决的技术问题在于,提供一种热交换器的寿命预测方法、装置、存储介质和电子设备。
本发明解决其技术问题所采用的技术方案是:构造一种热交换器的寿命预测方法,包括以下步骤:
获取热交换器的一次监测参数;
对所述一次监测参数进行预处理,获得预处理数据;
基于所述预处理数据进行指标计算,获得所述热交换器的实时污垢热阻;
对所述实时污垢热阻进行修正,获得污垢热阻的修正值;
根据所述污垢热阻的修正值并结合预测模型进行计算,获得预测结果;
基于所述预测结果对所述热交换器的寿命进行预测。
在本发明所述的热交换器的寿命预测方法中,所述获取热交换器的一次监测参数包括:
通过分别设置在所述热交换器的冷侧入口和冷侧出口的温度传感器、压力传感器以及流量传感器进行监测,获得所述热交换器的冷侧入口温度、冷侧入口压力、冷侧入口流量、冷侧出口温度、冷侧出口压力以及冷侧出口流量;
通过分别设置在所述热交换器的热侧入口和热侧出口的温度传感器、压力传感器以及流量传感器进行监测,获得所述热交换器的热侧入口温度、热侧入口压力、热侧入口流量、热侧出口温度、热侧出口压力以及热侧出口流量;
通过设置在所述热交换器冷侧的压降传感器进行监测,获得所述热交换器的冷侧压降;
通过设置在所述热交换器冷侧的压降传感器进行监测,获得所述热交换器的热侧压降;
将所述冷侧入口温度、所述冷侧入口压力、所述冷侧入口流量、所述冷侧出口温度、所述冷侧出口压力、所述冷侧出口流量、所述热侧入口温度、热侧入口压力、所述热侧入口流量、所述热侧出口温度、所述热侧出口压力、所述热侧出口流量、所述冷侧压降以及所述热侧压降存储在数据库中。
在本发明所述的热交换器的寿命预测方法中,所述对所述一次监测参数进行预处理,获得预处理数据包括:
对所述一次监测参数进行异常数据剔除,获得稳定运行数据;
对所述稳定运行数据进行数据平滑处理,获得平滑数据;
基于所述平滑数据进行工况识别,形成工况识别数据库。
在本发明所述的热交换器的寿命预测方法中,所述对所述一次监测参数进行异常数据剔除,获得稳定运行数据包括:
确定无数据记录工况的范围和超量程记录的范围;
根据所述无数据记录工况的范围和超量程记录的范围,确定清洗阈值;
根据所述清洗阈值对所述一次监测参数进行异常数据剔除,获得所述稳定运行数据。
在本发明所述的热交换器的寿命预测方法中,所述对所述稳定运行数据进行数据平滑处理,获得平滑数据包括:
采用指数移动平均法、滑动平均法或者中值滤波法对所述稳定运行数据进行数据平滑处理,获得平滑数据。
在本发明所述的热交换器的寿命预测方法中,所述基于所述预处理数据进行指标计算,获得所述热交换器的实时污垢热阻包括:
基于所述预处理数据进行计算,获得所述热交换器的总污垢热阻;
计算所述热交换器的洁净污垢热阻;
根据所述总污垢热阻和所述洁净污垢热阻进行计算,获得所述热交换器的实时污垢热阻。
在本发明所述的热交换器的寿命预测方法中,所述基于所述预处理数据进行计算,获得所述热交换器的总污垢热阻包括:
根据所述预处理数据计算所述热交换器的热侧功率,获得所述热交换器的热侧功率;
根据所述预处理数据计算所述热交换器的冷侧功率,获得所述热交换器的冷侧功率;
根据所述预处理数据计算所述热交换器的对数平均温度,获得所述热交换器的对数平均温度;
根据所述热交换器的热侧功率、冷侧功率、对数平均温度以及所述热交换器的换热面积进行计算,获得所述热交换器的总传热系数;
对所述热交换器的总传热系数进行取倒计算,获得所述热交换器的总污垢热阻。
在本发明所述的热交换器的寿命预测方法中,所述计算所述热交换器的洁净污垢热阻包括:
获取所述热交换器的换热壁面的厚度和导热系数;
获取所述热交换器冷却水系统侧的对流换热系数和所述热交换器重要厂用水系统侧的对流换热系数;
根据所述厚度、所述导热系数、所述冷却水系统侧的对流换热系数和所述重要厂用水系统侧的对流换热系数进行计算,获得所述热交换器的洁净污垢热阻。
在本发明所述的热交换器的寿命预测方法中,所述根据所述总污垢热阻和所述洁净污垢热阻进行计算,获得所述热交换器的实时污垢热阻包括:
将所述总污垢热阻和所述洁净污垢热阻进行作差运算,获得所述热交换器的实时污垢热阻。
在本发明所述的热交换器的寿命预测方法中,所述预测模型包括:自回归滑动平均模型和长短期记忆网络模型。
在本发明所述的热交换器的寿命预测方法中,所述根据所述污垢热阻的修正值并结合预测模型进行计算,获得预测结果包括:
获取所述热交换器在短时间段内的多个污垢热阻修正值;
基于所述在短时间段内的多个污垢热阻修正值进行处理,获得观察值时间序列;
对所述在短时间段内的多个污垢热阻修正值进行降采样处理,获得采样频率;
确定模型预测长度;
根据所述采样频率读取输入数据;
基于所述输入数据并采用所述自回归滑动平均模型进行计算,获得所述预测结果。
在本发明所述的热交换器的寿命预测方法中,所述根据所述污垢热阻的修正值并结合预测模型进行计算,获得预测结果包括:
获取所述热交换器在长时间段内的多个污垢热阻修正值;
基于所述在长时间段内的多个污垢热阻修正值进行处理,获得观察值时间序列;
设置所述长短期记忆网络模型的超参数及学习率;
设置预测长度;
基于所述观察值时间序列、所述超参数、所述学习率以及所述预测长度并采用所述长短期记忆网络模型进行计算,获得所述预测结果。
本发明还提供一种热交换器的寿命预测装置,包括:
数据获取单元,用于获取热交换器的一次监测参数;
预处理单元,用于对所述一次监测参数进行预处理,获得预处理数据;
指标计算单元,用于基于所述预处理数据进行指标计算,获得所述热交换器的实时污垢热阻;
修正单元,用于对所述实时污垢热阻进行修正,获得污垢热阻的修正值;
模型训练单元,用于根据所述污垢热阻的修正值并结合预测模型进行计算,获得预测结果;
预测单元,用于基于所述预测结果对所述热交换器的寿命进行预测。
在本发明所述的热交换器的寿命预测装置中,所述预处理单元包括:
异常处理模块,用于对所述一次监测参数进行异常数据剔除,获得稳定运行数据;
平滑处理模块,用于对所述稳定运行数据进行数据平滑处理,获得平滑数据;
工况识别模块,用于基于所述平滑数据进行工况识别,形成工况识别数据库。
在本发明所述的热交换器的寿命预测装置中,所述指标计算单元包括:
第一计算模块,用于基于所述预处理数据进行计算,获得所述热交换器的总污垢热阻;
第二计算模块,用于计算所述热交换器的洁净污垢热阻;
第三计算模块,用于根据所述总污垢热阻和所述洁净污垢热阻进行计算,获得所述热交换器的实时污垢热阻。
本发明还提供一种存储介质,所述存储介质存储有计算机程序,所述计算机程序适于处理器进行加载,以执行如上所述的热交换器的寿命预测方法的步骤。
本发明还提供一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,执行如上所述的热交换器的寿命预测方法的步骤。
实施本发明的热交换器的寿命预测方法、装置、存储介质和电子设备,具有以下有益效果:包括:获取热交换器的一次监测参数;对一次监测参数进行预处理,获得预处理数据;基于预处理数据进行指标计算,获得热交换器的实时污垢热阻;对实时污垢热阻进行修正,获得污垢热阻的修正值;根据污垢热阻的修正值并结合预测模型进行计算,获得预测结果;基于预测结果对热交换器的寿命进行预测。本发明通过表征热交换器结垢失效状态和结垢量的实时污垢热阻对热交换器进行寿命预测,既能避免事后维护的造成的经济损失问题,也可以避免周期性防护不能平衡的问题,不需要停机检测或增加额外的分析设备,并减小复杂工况的影响,优化现场的维护策略,降低成本。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明提供的热交换器的寿命预测方法的流程示意图;
图2是本发明提供的冷却水热交换器寿命预测技术流程图;
图3是本发明提供的设备及测点示意图;
图4是本发明提供的热交换器的寿命预测装置的原理框图。
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、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1示出了本发明提供的热交换器的寿命预测方法一优选实施例。该热交换器的寿命预测方法可以对核电站冷却水热交换器进行剩余寿命预测,通过建立复杂工况下污垢热阻超参数库,减少复杂工况对污垢热阻指标模型的影响,并通过寿命预测算法对热交换器的性能指标进行趋势回归和预测。
具体的,如图1所示,该热交换器的寿命预测方法包括以下步骤:
步骤S101、获取热交换器的一次监测参数。
本实施例中,一次监测参数包括:热交换器的冷侧入口温度、热交换器的冷侧入口压力、热交换器的冷侧入口流量、热交换器的冷侧出口温度、热交换器的冷侧出口压力、热交换器的冷侧出口流量、热交换器的热侧入口温度、热交换器的热侧入口压力、热交换器的热侧入口流量、热交换器的热侧出口温度、热交换器的热侧出口压力、热交换器的热侧出口流量、热交换器的冷侧压降以及热交换器的热侧压降。其中,一次监测参数即为利用与设备相连接的传感器直接传感获取到的监测参数。具体如表1所示。
序号 | 传感器位置 | 监测参数 |
1 | 热交换器冷侧入口 | 温度、压力、流量 |
2 | 热交换器冷侧出口 | 温度、压力、流量 |
3 | 热交换器热侧入口 | 温度、压力、流量 |
4 | 热交换器热侧出口 | 温度、压力、流量 |
5 | 热交换器冷侧 | 压降 |
6 | 热交换器热侧 | 压降 |
表1:一次监测参数表
本实施例中,获取热交换器的一次监测参数包括:通过分别设置在热交换器的冷侧入口和冷侧出口的温度传感器、压力传感器以及流量传感器进行监测,获得热交换器的冷侧入口温度、冷侧入口压力、冷侧入口流量、冷侧出口温度、冷侧出口压力以及冷侧出口流量;通过分别设置在热交换器的热侧入口和热侧出口的温度传感器、压力传感器以及流量传感器进行监测,获得热交换器的热侧入口温度、热侧入口压力、热侧入口流量、热侧出口温度、热侧出口压力以及热侧出口流量;通过设置在热交换器冷侧的压降传感器进行监测,获得热交换器的冷侧压降;通过设置在热交换器冷侧的压降传感器进行监测,获得热交换器的热侧压降;将冷侧入口温度、冷侧入口压力、冷侧入口流量、冷侧出口温度、冷侧出口压力、冷侧出口流量、热侧入口温度、热侧入口压力、热侧入口流量、热侧出口温度、热侧出口压力、热侧出口流量、冷侧压降以及热侧压降存储在数据库中。
本发明是基于核电站设备冷却水热交换器设备原有硬件建立,从设备的各项传感器获取实时数据,并储存在数据库中。具体的,如图3所示,图3中SEC(重要厂用水系统)为海水侧;RRI(设备冷却水系统)为设备冷却水侧;MP为压力传感器/压降传感器;MT、YT、LT为温度传感器;MD、YD为流量流感器。本实施例中,如图3所示,主要利用004MP进行海水侧压降传感;002MD和002YD进行海水侧和设备冷却水侧的流量传感器;002MT、004YT、072MT和082MT进行海水侧和设备冷却水侧进出口温度传感器。如图2所示,本实施例中,主要针对一次监测参数进行数据采集和存储,其中,采样频率可以设置为10s~300s/次。
步骤S102、对一次监测参数进行预处理,获得预处理数据。
本实施例中,对一次监测参数进行预处理,获得预处理数据包括:对一次监测参数进行异常数据剔除,获得稳定运行数据;对稳定运行数据进行数据平滑处理,获得平滑数据;基于平滑数据进行工况识别,形成工况识别数据库。
具体的,如图2所示,在完成数据采集后并将一次监测参数存储在数据库后,需先对一次监测参数进行预处理。即从数据库中直接调用一次监测参数并进行预处理,即对一次监测参数进行异常处理、平滑处理以及工况识别。其中,图2中的温度计、流量计、压力计即对应温度传感器、流量传感器、压力传感器。
具体的,由于热交换器设备存在用户切换的人为操纵条件,因此,存在无数据记录(如零流量等)或者超量程记录(数值超过仪表量程)等工况,因此,需要对这部分数据进行初步剔除。
本实施例中,对一次监测参数进行异常数据剔除,获得稳定运行数据包括:确定无数据记录工况的范围和超量程记录的范围;根据无数据记录工况的范围和超量程记录的范围,确定清洗阈值;根据清洗阈值对一次监测参数进行异常数据剔除,获得稳定运行数据。
具体的,以冷侧流量为例,热交换器正常运行时冷侧流量常年维持在4000m3/h附近,由于工况的切换,数据存在超量程和无数据的情况。设置流量下限为3500m3/h,流量上限为4500m3/h,可以初步剔除掉人为操作设备对数据造成的影响。之后,依次对热侧流量、冷侧温度、热侧温度和压力分别进行如上操作,可以得到热交换器相对稳定运行的数据。
在实际应用中,现场数据可能有别于上述经验值时,可以设置人工输入窗口,以人工输入的方式确定稳定工况下各个参数的范围。如未输入,则用0和仪表量程上限作为默认值进行异常数据剔除的限值。
本实施例中,对稳定运行数据进行数据平滑处理,获得平滑数据包括:
采用指数移动平均法、滑动平均法或者中值滤波法对稳定运行数据进行数据平滑处理,获得平滑数据。即本实施例中,可以采用指数移动平均法、滑动平均法或者中值滤波法对稳定运行数据进行数据平滑处理,获得平滑数据。
具体的,以指数移动平均法为例进行说明。指数移动平均(Exponential MovingAverage,EMA)法(也就EMA算法)是在普通移动平均算法基础上加大了离当前观察点最近的一定周期内目标的权重,减小了离当前观察点较远周期的目标的权重,使得EMA算法保留了平滑目标噪声的优点,且对目标近期的变化更为敏感,能够有效消除单一工况中数据的波动与离群点对预测模型造成的干扰。
具体的,EMA算法可定义为:
(1)式中,EMAN表示时间序列x在第n个点的EMA处理结果,其中N作为EMA平滑系数决定了一段时间序列的平滑结果,N越大意味着,相较于N越小而言,更远的历史数据影响更大,这意味着xn更加平滑,但同时也意味着xn失去了更多本来自己的特征;N越小则意味着,相较于N越大而言,更远的历史数据影响更小,平滑的结果将更加具有当前数据波动的特征。xn和xn-k都代表了时序数据x的特征点(即第n个数据和第n-k个数据),其中k是模型的内置参数,用于遍历序列x的全部数据。
通过(1)式,设置输入为时间序列和移动窗口步长,输出为平滑后的时间序列,则在设置合适的时间窗口长度后,即可利用(1)式对时序数据进行处理,获得平滑数据。
本实施例中,热交换器的寿命预测目的是为了提取设备性能退化的趋势性因素,消除部分极端变化的工况有助于建立寿命预测模型,因此,通过进行工况识别,可以识别出稳定运行的工况,获得稳定运行工况的监测数据。
具体的,在进行工况识别时,利用一次监测参数作为工况识别的数据,其中,工况识别的数据包括:温度、压力、流量等,进而进行工况识别数据库。然后进行功率一致性计算。其中,一致性计算具体包括:利用工况识别数据库中的流量、温度等参数,先分别计算冷侧和热侧的功率:
Qc=qsec·ρsec·(tco-tci)·Cp,sec (2)。
Qh=qrri·ρrri·(thi-tho)·Cp,rri (3)。
(2)式和(3)式中,Qc为冷侧的功率,Qh为热侧的功率,qsec为冷侧的体积流量,qrri为热侧的体积流量,ρsec为冷侧介质的密度,ρrri为热侧介质的密度,tco、tci、thi、tho分别为冷侧出口温度、冷侧入口温度、热侧入口温度和热侧出口温度,Cp,sec、tp,rri分别为冷侧的定压比热容和热侧的定压比热容。
然而,再计算功率一致性,其中,功率一致性(用μ表示)可通过下式计算得到:
最后,进行功率一致性判别。具体为:若功率一致性μ大于0.1,则认为当前工况处于快速变化的工况,不将这组工况数据作为后续的指标构建。
步骤S103、基于预处理数据进行指标计算,获得热交换器的实时污垢热阻。
本实施例中,在完成步骤S102的数据预处理后,可以利用所得到的预处理数据计算能够表征热交换器结垢失效状态的指标,即热交换器的实时污垢热阻。
具体的,本实施例中,基于预处理数据进行指标计算,获得热交换器的实时污垢热阻包括:基于预处理数据进行计算,获得热交换器的总污垢热阻;计算热交换器的洁净污垢热阻;根据总污垢热阻和洁净污垢热阻进行计算,获得热交换器的实时污垢热阻。
其中,基于预处理数据进行计算,获得热交换器的总污垢热阻包括:根据预处理数据计算热交换器的热侧功率,获得热交换器的热侧功率;根据预处理数据计算热交换器的冷侧功率,获得热交换器的冷侧功率;根据预处理数据计算热交换器的对数平均温度,获得热交换器的对数平均温度;根据热交换器的热侧功率、冷侧功率、对数平均温度以及热交换器的换热面积进行计算,获得热交换器的总传热系数;对热交换器的总传热系数进行取倒计算,获得热交换器的总污垢热阻。
本实施例中,计算热交换器的洁净污垢热阻包括:获取热交换器的换热壁面的厚度和导热系数;获取热交换器冷却水系统侧的对流换热系数和热交换器重要厂用水系统侧的对流换热系数;根据厚度、导热系数、冷却水系统侧的对流换热系数和重要厂用水系统侧的对流换热系数进行计算,获得热交换器的洁净污垢热阻。
本实施例中,根据总污垢热阻和洁净污垢热阻进行计算,获得热交换器的实时污垢热阻包括:将总污垢热阻和洁净污垢热阻进行作差运算,获得热交换器的实时污垢热阻。
具体的,本实施例中,实时污垢热阻可通过下式计算得到:
Rf=Rtotal-Rclean (5)。
(5)式中,Rf是实时污垢热阻,Rtotal为总污垢热阻,Rclean为当前工况下剔除污垢后的热阻值(即洁净污垢热阻)。其中,总污垢热阻Rtotal为总传热系数Ktotal的倒数。总传热系数Ktotal的计算方法如下:
(6)式中,Qh、Qc分别为热交换器热侧和冷侧的功率,A为换热面积,ΔTm为对数平均温度。
其中,Qc和Qh可以分别根据上述(2)式和(3)式计算得到;ΔTm可以根据下式进行计算得到:
洁净污垢热阻Rclean的方程如下:
(8)式中δw和λw分别为换热壁面的厚度和导热系数,αh,clean和αc,clean为RRI侧和SEC侧的对流换热系数,在工程上主要利用经验公式计算对流换系数,即如下所示:
(9)式中,C为努塞尔系数,是待定系数之一;Re为雷诺数,n为雷诺数指数,是待定系数之一;Pr为普朗特数,m为普朗特指数,为待定系数之一;μf和μw分别为介质温度和壁面温度下介质的粘度;L为流道的特征长度;λ为介质的导热系数。其中,当流体被加热时,m=0.4;被冷却时,m=0.3,C=0.15~0.4,n=0.65~0.85。
步骤S104、对实时污垢热阻进行修正,获得污垢热阻的修正值。
由于现场工况复杂,一方面受到冷侧海水的涨落等的周期性影响,另一方面受到上游核岛设备换热需求的制约,导致设备冷却水热交换器的温度、流量等存在较大波动变化的情况,这会导致单一的污垢热阻经验公式不能满足用于状态监测与故障预警的功能需求,因此,需要对这种工况波动带来的影响进行修正。
其中,具体的修正方法如下:
选择用于计算洁净污垢热阻的历史健康数据。具体操作为:
第一步、选择认为电厂热交换器洁净的热交换器数据形成输入矩阵X=[u1,u2,…]e+m,其中,e为数据维度,m为数据长度,u1、u2、…为工况数据,由温度、流量等一次监测参数以及传热效率、流动功耗等二次监测指标组成。选取的数据需要尽量覆盖设备入口温度和流量覆盖的范围,并分割成数个健康工况矩阵的数据di=[u1,u2,…]e+n。
第二步、利用各个健康工况矩阵di计算各个洁净工况下的传热系数(Ki):
第三步、设此时无污垢附着,则总污垢热阻为:
第四步、输入di的总热阻序列和监测的流量序列以及两种介质的导热系数序列和粘度系数序列,利用最小二乘法求取洁净污垢热阻方程的超参数A、B、C、x、y,并将计算得到的超参数和对应健康工况数据di存入数据库中以待调用。其中,超参数A、B、C、x、y可以根据下式计算得到:
Rclean=A·(μx-y·λy-1·q-x)SEC+B·(μx-y·λy-1·q-x)RRI+C (12)。
(12)式中,A、B、C、x、y为模型待定超参数;μ、λ和q分别为介质的粘度、导热系数和质量流量。
第五步、根据当前的监测数据(即入口温度、流量等),从数据库中调用符合工况区间的超参数A、B、C、x、y,并计算此时的洁净污垢热阻Rclean和总热阻Rtotal,最终输出当前时间的污垢热阻(即污垢热阻的修正值)。
步骤S105、根据污垢热阻的修正值并结合预测模型进行计算,获得预测结果。
本实施例中,预测模块可以包括:自回归滑动平均模型(ARMA Autoregressivemoving average,自回归滑动平均)和长短期记忆网络模型(Long Short-Term Memory,长短期记忆网络)。
自回归滑动平均模型是研究时间序列的重要方法,由自回归模型(简称AR模型)与移动平均模型(简称MA模型)为基础“混合”构成。长短期记忆网络是RNN(Recurrent NeuralNetworks,循环神经网络)的一种变体,其核心细胞状态以及“门”结构。与传统的神经网络中隐含层为含有激活函数的神经元不同,LSTM隐含层的基本单位是一个具有自我连接的记忆块,其中设置记忆细胞来保存时间状态,设置遗忘门,输入门和输出门,输入和输出门分别控制输入和输出模块的激活。
具体的,本实施例中,采用ARMA模型进行短期内快速预测,采用LSTM神经网络模型进行长期预测,并依靠设置阈值实现对结垢故障的预警。
本实施例中,根据污垢热阻的修正值并结合预测模型进行计算,获得预测结果包括:获取热交换器在短时间段内的多个污垢热阻修正值;基于在短时间段内的多个污垢热阻修正值进行处理,获得观察值时间序列;对在短时间段内的多个污垢热阻修正值进行降采样处理,获得采样频率;确定模型预测长度;根据采样频率读取输入数据;基于输入数据并采用自回归滑动平均模型进行计算,获得预测结果。
具体的,基于ARMA模型的寿命预测包括如下步骤:
第一步、选取一到两周的数据,并对所选取的数据进行预处理构建出相应长度的观察值时间序列(即将一到两周的一次监测参数根据上述方法进行预处理后得到时间序列,处理出的时间序列需满足模型需求的数据量)。
第二步、进行降采样处理。具体的,由于电厂采样频率很高,为了满足ARMA模型的训练要求,需要进行降采样。例如,可以采用移动窗口平均的方法,并每天的数据量从8640个/每天降低到24个每天。即由于电厂采样频率为10s一次,若用原数据做模型训练会导致训练时间长、效果差,因此,本发明需要进行降采样处理,以提高模型训练的效果,同时缩短训练时长。
第三步、选取ARMA模型预测长度。具体的,在不改变采样频率的前提下一般预测长度3天左右。
第四步、构建ARMA模型,输入降采样后的数据,自动优化寻找模型参数及训练,输出ARMA模型预测结果。
本实施例中,根据污垢热阻的修正值并结合预测模型进行计算,获得预测结果包括:获取热交换器在长时间段内的多个污垢热阻修正值;基于在长时间段内的多个污垢热阻修正值进行处理,获得观察值时间序列;设置长短期记忆网络模型的超参数及学习率;设置预测长度;基于观察值时间序列、超参数、学习率以及预测长度并采用长短期记忆网络模型进行计算,获得预测结果。
具体的,基于LSTM模型的寿命预测包括如下步骤:
第一步、选取两个月的数据(同样地,这里的数据为进行修正后的实时污垢热阻的修正值),并对所选取的数据进行预处理构建出相应长度的观察值时间序列。
第二步、构建LSTM模型,设置超参数BatchSize、Epochs和Neurons及学习率等。
第三步、设置需要预测的序列长度(一般选取两周左右)。
第四步、输入观测值时间序列,输出预测结果。
步骤S106、基于预测结果对热交换器的寿命进行预测。
本发明基于核电站设备冷却水换热器设备原有的监测设备(包括设备冷却水侧和海水侧进出口的温度传感器、流量传感器和海水侧压降传感器)建立,无需额外新增设备。通过结合换热器机理和现场运行策略制定了数据预处理方法,并构建了污垢热阻作为指示设备结垢状态的指标。污垢热阻指标能够直接反应结垢量,更有利于现场人员对失效情况进行判断。此外,为了进一步降低多变工况对污垢热阻指标准确性的影响,提出了一种复杂工况修正办法。
针对两周以内短时预测需求和两周以外长时预测需求(周预测与月预测),建立ARMA和LSTM两种时序问题分析的机器学习模型,利用ARMA回归模型简单计算迅速的特点实现短时快速分析预测,利用LSTM神经网络模型能够更好的挖掘隐藏在大数据内时序特征的特点实现更长时间尺度上的趋势预测,从而实现提高现场运维效率、降低运维成本。需要说明的是,机器学习模型除了上述模型外,还可以采用另外的机器学习算法,如支持向量机回归模型等能够实现时序数据回归预测的方法模型。
如图4所示,本发明还提供一种热交换器的寿命预测装置,包括:
数据获取单元401,用于获取热交换器的一次监测参数。
预处理单元402,用于对一次监测参数进行预处理,获得预处理数据。
本实施例中,预处理单元402包括:异常处理模块,用于对一次监测参数进行异常数据剔除,获得稳定运行数据;平滑处理模块,用于对稳定运行数据进行数据平滑处理,获得平滑数据;工况识别模块,用于基于平滑数据进行工况识别,形成工况识别数据库。
指标计算单元403,用于基于预处理数据进行指标计算,获得热交换器的实时污垢热阻。
本实施例中,指标计算单元403包括:第一计算模块,用于基于预处理数据进行计算,获得热交换器的总污垢热阻;第二计算模块,用于计算热交换器的洁净污垢热阻;第三计算模块,用于根据总污垢热阻和洁净污垢热阻进行计算,获得热交换器的实时污垢热阻。
修正单元404,用于对实时污垢热阻进行修正,获得污垢热阻的修正值。
模型训练单元405,用于根据污垢热阻的修正值并结合预测模型进行计算,获得预测结果。
预测单元406,用于基于预测结果对热交换器的寿命进行预测。
具体的,这里的热交换器的寿命预测装置中各单元之间具体的配合操作过程具体可以参照上述热交换器的寿命预测方法,这里不再赘述。
另,本发明的一种电子设备,包括存储器和处理器;存储器用于存储计算机程序;处理器用于执行计算机程序实现如上面任意一项的热交换器的寿命预测方法。具体的,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过电子设备下载和安装并且执行时,执行本发明实施例的方法中限定的上述功能。本发明中的电子设备可为笔记本、台式机、平板电脑、智能手机等终端,也可为服务器。
另,本发明的一种存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上面任意一项的热交换器的寿命预测方法。具体的,需要说明的是,本发明上述的存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于是电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:
电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据此实施,并不能限制本发明的保护范围。凡跟本发明权利要求范围所做的均等变化与修饰,均应属于本发明权利要求的涵盖范围。
Claims (17)
1.一种热交换器的寿命预测方法,其特征在于,包括以下步骤:
获取热交换器的一次监测参数;
对所述一次监测参数进行预处理,获得预处理数据;
基于所述预处理数据进行指标计算,获得所述热交换器的实时污垢热阻;
对所述实时污垢热阻进行修正,获得污垢热阻的修正值;
根据所述污垢热阻的修正值并结合预测模型进行计算,获得预测结果;
基于所述预测结果对所述热交换器的寿命进行预测。
2.根据权利要求1所述的热交换器的寿命预测方法,其特征在于,所述获取热交换器的一次监测参数包括:
通过分别设置在所述热交换器的冷侧入口和冷侧出口的温度传感器、压力传感器以及流量传感器进行监测,获得所述热交换器的冷侧入口温度、冷侧入口压力、冷侧入口流量、冷侧出口温度、冷侧出口压力以及冷侧出口流量;
通过分别设置在所述热交换器的热侧入口和热侧出口的温度传感器、压力传感器以及流量传感器进行监测,获得所述热交换器的热侧入口温度、热侧入口压力、热侧入口流量、热侧出口温度、热侧出口压力以及热侧出口流量;
通过设置在所述热交换器冷侧的压降传感器进行监测,获得所述热交换器的冷侧压降;
通过设置在所述热交换器冷侧的压降传感器进行监测,获得所述热交换器的热侧压降;
将所述冷侧入口温度、所述冷侧入口压力、所述冷侧入口流量、所述冷侧出口温度、所述冷侧出口压力、所述冷侧出口流量、所述热侧入口温度、热侧入口压力、所述热侧入口流量、所述热侧出口温度、所述热侧出口压力、所述热侧出口流量、所述冷侧压降以及所述热侧压降存储在数据库中。
3.根据权利要求1所述的热交换器的寿命预测方法,其特征在于,所述对所述一次监测参数进行预处理,获得预处理数据包括:
对所述一次监测参数进行异常数据剔除,获得稳定运行数据;
对所述稳定运行数据进行数据平滑处理,获得平滑数据;
基于所述平滑数据进行工况识别,形成工况识别数据库。
4.根据权利要求3所述的热交换器的寿命预测方法,其特征在于,所述对所述一次监测参数进行异常数据剔除,获得稳定运行数据包括:
确定无数据记录工况的范围和超量程记录的范围;
根据所述无数据记录工况的范围和超量程记录的范围,确定清洗阈值;
根据所述清洗阈值对所述一次监测参数进行异常数据剔除,获得所述稳定运行数据。
5.根据权利要求3所述的热交换器的寿命预测方法,其特征在于,所述对所述稳定运行数据进行数据平滑处理,获得平滑数据包括:
采用指数移动平均法、滑动平均法或者中值滤波法对所述稳定运行数据进行数据平滑处理,获得平滑数据。
6.根据权利要求1所述的热交换器的寿命预测方法,其特征在于,所述基于所述预处理数据进行指标计算,获得所述热交换器的实时污垢热阻包括:
基于所述预处理数据进行计算,获得所述热交换器的总污垢热阻;
计算所述热交换器的洁净污垢热阻;
根据所述总污垢热阻和所述洁净污垢热阻进行计算,获得所述热交换器的实时污垢热阻。
7.根据权利要求6所述的热交换器的寿命预测方法,其特征在于,所述基于所述预处理数据进行计算,获得所述热交换器的总污垢热阻包括:
根据所述预处理数据计算所述热交换器的热侧功率,获得所述热交换器的热侧功率;
根据所述预处理数据计算所述热交换器的冷侧功率,获得所述热交换器的冷侧功率;
根据所述预处理数据计算所述热交换器的对数平均温度,获得所述热交换器的对数平均温度;
根据所述热交换器的热侧功率、冷侧功率、对数平均温度以及所述热交换器的换热面积进行计算,获得所述热交换器的总传热系数;
对所述热交换器的总传热系数进行取倒计算,获得所述热交换器的总污垢热阻。
8.根据权利要求6所述的热交换器的寿命预测方法,其特征在于,所述计算所述热交换器的洁净污垢热阻包括:
获取所述热交换器的换热壁面的厚度和导热系数;
获取所述热交换器冷却水系统侧的对流换热系数和所述热交换器重要厂用水系统侧的对流换热系数;
根据所述厚度、所述导热系数、所述冷却水系统侧的对流换热系数和所述重要厂用水系统侧的对流换热系数进行计算,获得所述热交换器的洁净污垢热阻。
9.根据权利要求6所述的热交换器的寿命预测方法,其特征在于,所述根据所述总污垢热阻和所述洁净污垢热阻进行计算,获得所述热交换器的实时污垢热阻包括:
将所述总污垢热阻和所述洁净污垢热阻进行作差运算,获得所述热交换器的实时污垢热阻。
10.根据权利要求1所述的热交换器的寿命预测方法,其特征在于,所述预测模型包括:自回归滑动平均模型和长短期记忆网络模型。
11.根据权利要求10所述的热交换器的寿命预测方法,其特征在于,所述根据所述污垢热阻的修正值并结合预测模型进行计算,获得预测结果包括:
获取所述热交换器在短时间段内的多个污垢热阻修正值;
基于所述在短时间段内的多个污垢热阻修正值进行处理,获得观察值时间序列;
对所述在短时间段内的多个污垢热阻修正值进行降采样处理,获得采样频率;
确定模型预测长度;
根据所述采样频率读取输入数据;
基于所述输入数据并采用所述自回归滑动平均模型进行计算,获得所述预测结果。
12.根据权利要求10所述的热交换器的寿命预测方法,其特征在于,所述根据所述污垢热阻的修正值并结合预测模型进行计算,获得预测结果包括:
获取所述热交换器在长时间段内的多个污垢热阻修正值;
基于所述在长时间段内的多个污垢热阻修正值进行处理,获得观察值时间序列;
设置所述长短期记忆网络模型的超参数及学习率;
设置预测长度;
基于所述观察值时间序列、所述超参数、所述学习率以及所述预测长度并采用所述长短期记忆网络模型进行计算,获得所述预测结果。
13.一种热交换器的寿命预测装置,其特征在于,包括:
数据获取单元,用于获取热交换器的一次监测参数;
预处理单元,用于对所述一次监测参数进行预处理,获得预处理数据;
指标计算单元,用于基于所述预处理数据进行指标计算,获得所述热交换器的实时污垢热阻;
修正单元,用于对所述实时污垢热阻进行修正,获得污垢热阻的修正值;
模型训练单元,用于根据所述污垢热阻的修正值并结合预测模型进行计算,获得预测结果;
预测单元,用于基于所述预测结果对所述热交换器的寿命进行预测。
14.根据权利要求13所述的热交换器的寿命预测装置,其特征在于,所述预处理单元包括:
异常处理模块,用于对所述一次监测参数进行异常数据剔除,获得稳定运行数据;
平滑处理模块,用于对所述稳定运行数据进行数据平滑处理,获得平滑数据;
工况识别模块,用于基于所述平滑数据进行工况识别,形成工况识别数据库。
15.根据权利要求13所述的热交换器的寿命预测装置,其特征在于,所述指标计算单元包括:
第一计算模块,用于基于所述预处理数据进行计算,获得所述热交换器的总污垢热阻;
第二计算模块,用于计算所述热交换器的洁净污垢热阻;
第三计算模块,用于根据所述总污垢热阻和所述洁净污垢热阻进行计算,获得所述热交换器的实时污垢热阻。
16.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序适于处理器进行加载,以执行如权利要求1至12任一项所述的热交换器的寿命预测方法的步骤。
17.一种电子设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,执行如权利要求1至12任一项所述的热交换器的寿命预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310851754.7A CN116910698A (zh) | 2023-07-11 | 2023-07-11 | 热交换器的寿命预测方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310851754.7A CN116910698A (zh) | 2023-07-11 | 2023-07-11 | 热交换器的寿命预测方法、装置、存储介质和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116910698A true CN116910698A (zh) | 2023-10-20 |
Family
ID=88352434
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310851754.7A Pending CN116910698A (zh) | 2023-07-11 | 2023-07-11 | 热交换器的寿命预测方法、装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116910698A (zh) |
-
2023
- 2023-07-11 CN CN202310851754.7A patent/CN116910698A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Coble et al. | A review of prognostics and health management applications in nuclear power plants | |
CN101501593B (zh) | 用于分析核蒸汽发生器资产管理方案的经济效果的方法 | |
Wang et al. | Supervisory control and data acquisition data‐based non‐linear state estimation technique for wind turbine gearbox condition monitoring | |
Chen et al. | An approach for optimal measurements selection on gas turbine engine fault diagnosis | |
Månsson et al. | A machine learning approach to fault detection in district heating substations | |
Ferrano Jr et al. | Prediction of thermal storage loads using a neural network | |
CN112629585A (zh) | 基于多维参数估计的设备在线监测方法及装置 | |
Li et al. | Normal behavior models for the condition assessment of wind turbine generator systems | |
WO2007038533A2 (en) | System to predict corrosion and scaling, program product, and related methods | |
Doolgindachbaporn et al. | Data driven transformer thermal model for condition monitoring | |
Kalogirou et al. | Development of a neural network-based fault diagnostic system for solar thermal applications | |
CN115128513A (zh) | 一种基于热量的电容器异常检测方法及相关装置 | |
Abolmohammadi et al. | Economic statistical design of adaptive ̄ X X¯ control charts based on quality loss functions | |
Zhang et al. | A systematic nonstationary causality analysis framework for root cause diagnosis of faults in manufacturing processes | |
Uhrig | Trends in computational intelligence in nuclear engineering | |
Mateus et al. | Improved GRU prediction of paper pulp press variables using different pre-processing methods | |
CN116910698A (zh) | 热交换器的寿命预测方法、装置、存储介质和电子设备 | |
Pinciroli et al. | A semi-supervised method for the characterization of degradation of nuclear power plants steam generators | |
Ramuhalli et al. | Uncertainty quantification techniques for sensor calibration monitoring in nuclear power plants | |
Liu et al. | New dynamic reliability assessment method based on process capability index and fault importance index | |
Andrijić et al. | Fouling detection in industrial heat exchanger using number of transfer units method, neural network, and nonlinear finite impulse response models | |
Hines et al. | Trends in computational intelligence in nuclear engineering | |
Wanasundara et al. | Detecting thermal anomalies in buildings using frequency and temporal domains analysis | |
Chen et al. | Prediction of Automatic Scram during Abnormal Conditions of Nuclear Power Plants Based on Long Short‐Term Memory (LSTM) and Dropout | |
Liu et al. | Predictive maintenance system for high-end equipment in nuclear power plant under limited degradation knowledge |
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 |