CN117251957B - 用于锅炉配件工艺过程的仿真优化系统与方法 - Google Patents
用于锅炉配件工艺过程的仿真优化系统与方法 Download PDFInfo
- Publication number
- CN117251957B CN117251957B CN202311526860.4A CN202311526860A CN117251957B CN 117251957 B CN117251957 B CN 117251957B CN 202311526860 A CN202311526860 A CN 202311526860A CN 117251957 B CN117251957 B CN 117251957B
- Authority
- CN
- China
- Prior art keywords
- simulation
- dynamic
- performance test
- steady
- boiler
- 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
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000008569 process Effects 0.000 title claims abstract description 19
- 238000005457 optimization Methods 0.000 title claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 50
- 238000011056 performance test Methods 0.000 claims abstract description 45
- 238000005094 computer simulation Methods 0.000 claims abstract description 35
- 230000035772 mutation Effects 0.000 claims abstract description 30
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 238000004519 manufacturing process Methods 0.000 claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 8
- 238000005520 cutting process Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 15
- 230000002068 genetic effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 abstract description 7
- 239000012530 fluid Substances 0.000 description 24
- 238000009826 distribution Methods 0.000 description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 239000000567 combustion gas Substances 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000009776 industrial production Methods 0.000 description 4
- 238000001816 cooling Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- WYTGDNHDOZPMIW-RCBQFDQVSA-N alstonine Natural products C1=CC2=C3C=CC=CC3=NC2=C2N1C[C@H]1[C@H](C)OC=C(C(=O)OC)[C@H]1C2 WYTGDNHDOZPMIW-RCBQFDQVSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009022 nonlinear effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000011076 safety test Methods 0.000 description 2
- 238000002076 thermal analysis method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Fluid Mechanics (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种用于锅炉配件工艺过程的仿真优化方法，包括：基于稳态的仿真方法，确定待测点；将负荷突变量与待测点处的信息参数，输入至训练好的卷积神经网络算法中，以确定测试序列；根据测试序列与多个稳态仿真的性能测试结果，计算出动态仿真的性能测试结果；基于动态仿真的性能测试结果，通过迭代的方式进行优化，以满足安全生产的要求。本发明重点探讨了锅炉炉膛内部由于负荷突变造成的仿真模型不准确的问题，通过结合神经网络算法与稳态的仿真分析，对负荷突变引发的动态的仿真分析进行评估，以获得更为准确的结果。
Description
技术领域
本发明属于锅炉安全性检测领域，更具体的，涉及一种用于锅炉配件工艺过程的仿真优化系统与方法。
背景技术
在工业生产中，工厂的生产线会随着产品的变化进行运转切换。对于锅炉而言，其水蒸气与热水的需求也会发生变化。此外，一些突发事件（例如：电力中断、设备故障或生产事故等）也会导致锅炉的负荷发生骤变。为了确保生产过程中锅炉的安全性，需要对锅炉的配件进行安全性的测试，尤其有必要对蛇形管与翅冷壁进行安全性（例如：压力损失所导致）的仿真，从而确保其在极端条件下也能安全的运行。
在现代工业生产中，工厂的生产线经常需要根据产品的需求进行切换，以满足市场的多样化需求。这种生产线的灵活性虽然为企业带来了巨大的经济效益，但同时也带来了一系列的技术挑战。
其中，锅炉作为工业生产中的核心设备，其稳定、安全的运行对整个生产过程至关重要。首先，锅炉在生产过程中需要提供稳定的水蒸气和热水。随着生产线的切换，这些需求可能会发生快速的变化。例如，某一生产线可能需要大量的蒸汽进行加热，而另一生产线则可能只需要少量的热水进行冷却。这种需求的变化对锅炉的运行提出了很高的要求，需要锅炉能够在短时间内进行调整，以满足不同的需求。其次，工业生产中总是存在一些不可预测的突发事件，如电力中断、设备故障或生产事故等。这些事件可能会导致锅炉的负荷发生骤变，从而对锅炉的安全性造成威胁。例如，电力中断可能导致锅炉的控制系统失效，而设备故障可能导致锅炉的某一部分超负荷运行。为了确保锅炉在这些极端情况下的安全性，对锅炉的各个配件进行安全性测试变得尤为重要。特别是锅炉中的蛇形管和翅冷壁，这两个部件在锅炉中起到了关键的作用。蛇形管负责传递热量，而翅冷壁则负责散热。如果这两个部件发生故障，可能会导致锅炉的整体性能下降，甚至发生安全事故。
发明内容
为解决现有技术中存在的不足，本发明的目的在于解决上述缺陷，进而提出一种用于锅炉配件工艺过程的仿真优化系统与方法。
本发明采用如下的技术方案。
本发明第一方面公开了一种用于锅炉配件工艺过程的仿真优化方法，包括步骤1~步骤4；
步骤1，基于稳态的仿真方法，确定待测点；
步骤2，将负荷突变量与待测点处的信息参数，输入至训练好的卷积神经网络算法中，以确定测试序列；
步骤3，根据测试序列与多个稳态仿真的性能测试结果，计算出动态仿真的性能测试结果；
步骤4，基于动态仿真的性能测试结果，通过迭代的方式进行优化，以满足安全生产的要求。
进一步的，稳态的仿真方法为执行步骤S1~步骤S2；
步骤S1，构建锅炉炉膛内所有锅炉配件的几何模型；
步骤S2，基于锅炉配件的几何模型，进行仿真实验，确定锅炉配件的性能。
进一步的，步骤2具体包括步骤2.1~步骤2.2；
步骤2.1，将待测点处的信息参数，输入至训练好的卷积神经网络算法中，输出对应的步长；
步骤2.2，基于对应的步长，依照负荷突变量进行切割，以确定测试序列。
进一步的，待测点的信息参数至少包括待测点位置处的曲率、方向性、应力、材料的热传导率；负荷突变量包括突变前的边界条件的初始参数、突变后的边界条件的初始参数以及突变时间。
进一步的，卷积神经网络模型的训练包括步骤C1~步骤C3；
步骤C1，获取动态历史数据；
步骤C2，将动态历史数据按照多个不同的步长，依次切割为多个不同的测试序列，并计算出每一个测试序列对应的动态仿真的性能测试结果；选择动态仿真的性能测试结果与动态历史数据实际的性能测试结果的偏差值，以偏差值最小的步长作为最终输出值；
步骤C3，利用所有动态历史数据的负荷突变量、待测点处的信息参数以及最终输出值，以训练卷积神经网络模型。
进一步的，步骤C2中将动态历史数据按照多个不同的步长，依次切割为多个不同的测试序列，具体为利用遗传算法随机化的生成不同的测试序列；相应的，最终输出值修改为测试序列。
本发明第二方面公开了一种用于锅炉配件工艺过程的仿真优化系统，包括：仿真测试模块、神经网络模块、逻辑计算模块与决策建议模块；
仿真测试模块用于执行稳态的仿真方法，并确定待测点；
神经网络模块用于将负荷突变量与待测点处的信息参数，输入至训练好的卷积神经网络算法中，以确定测试序列；
逻辑计算模块用于根据测试序列，将动态仿真切割为多个稳态仿真，并根据多个稳态仿真的性能测试结果，计算出动态仿真的性能测试结果；
决策建议模块与仿真测试模块相结合，用于基于动态仿真的性能测试结果，通过迭代的方式进行优化，以满足安全生产的要求。
本发明的有益效果在于，与现有技术相比，本发明具有以下优点：
本发明重点探讨了锅炉炉膛内部由于负荷突变造成的仿真模型不准确的问题，通过结合神经网络算法与稳态的仿真分析，对负荷突变引发的动态的仿真分析进行评估，以获得更为准确的结果。
附图说明
图1是一种用于锅炉配件工艺过程的仿真优化方法的流程图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
通常，用于锅炉配件工艺过程的稳态的仿真方法，可以包括步骤S1~步骤S3。
步骤S1，构建锅炉炉膛内所有锅炉配件的几何模型。
上述锅炉配件主要包括蛇形管和翅冷壁。蛇形管位于炉膛内，其内部填充有流体，通常是水。锅炉的工作原理就是要将燃烧燃料产生的热量，通过炉膛内的燃烧气体，传递给蛇形管内部的流体，使其转化为蒸汽，从而用于各种应用场景。因此，蛇形管的设计是为了最大化与燃烧气体的接触面积，从而提高燃烧气体与流体之间的热交换效率。翅冷壁设置于炉膛内壁上，通常设计为突出的翅片或肋片，用于增加炉壁的表面积，其内部填充有流体，通常也是水，用于冷却以防止炉壁过热。通常，蛇形管与翅冷壁在炉膛内可以是交错设计的，它们均与燃烧气体接触。
更具体的，几何模型可以通过CAD等软件进行构建，包括：定义几何形状，确定边界条件，网格划分，确定物理属性与材料参数等。
边界条件包括：初始参数与设定阈值，初始参数包括设定一个已知的流体的流速、蛇形管的入口的温度、蛇形管的出口的温度、入口的压力、出口的压力等；设定阈值包括材料的最大温度值、最大承受压力值、最大应力值等。
需要注意的是，对于蛇形管内的流体而言，通常假设在管壁上的速度为0，即流体不会沿着管壁滑动。
在网格划分中，蛇形管的弯曲区域或者其他更为复杂的区域处，可能需要更细的网格，从而确保仿真的准确性。
步骤S2，基于锅炉配件的几何模型，进行仿真实验，确定锅炉配件的性能。
仿真实验包括但不限于流场分析实验、热力分析实验等。通常，可以采用SolidWorks Simulation等软件以进行仿真实验。可理解的，仿真实验以基本参数（例如：流体的密度、比热容）与边界条件作为输入，最终输出流体在各个位置处的压力分布、温度分布等，从而确定锅炉配件的性能。
更具体的，在流场分析实验中，可以通过Navier-Stokes方程描述流体动力学的过程，如下式所示：
其中，是流体的密度，/>是流体的速度矢量，/>是时间，/>为偏导数符号，/>是梯度算子，/>，/>为流体的压力，/>为流体的动力粘度，/>是拉普拉斯算子。
在热力分析实验中，可以通过能量方程描述热传递过程，如下式所示：
其中，是流体的比热容，/>是流体的温度，/>是流体的热导率。
步骤S3，基于锅炉配件的性能，通过迭代的方式进行优化，以满足安全生产的要求。
更具体的，假设步骤S2中仿真结果表明，在蛇形管的某个弯曲部分存在应力集中的问题，超过了蛇形管材料的应力最大值。可以通过预设的手段，例如：增加该部分管壁的厚度，或减少弯曲的曲率以减少应力集中。通过预设的手段改进原有设计后，对改进后的设计还需再次进行仿真实验，直至最后一次改进的设计能满足安全生产的要求。
工厂的生产线经常需要根据产品的需求进行切换，也就是说，锅炉的负荷可能会在短时间内突变。例如，当锅炉的负荷增加时，燃烧强度增大，会导致炉膛温度陡然间上升，以及燃烧气体所产生的压力也上升，进而导致蛇形管内部的水和流速都可能增加。事实上，对锅炉部件进行性能检测时，正需要对突变的情形加以考虑，才能够确保锅炉部件的成品的安全性能。然而，负荷突变会导致稳态的仿真方法不再适用，这是因为突变会导致一些物理过程的非线性效应加剧，尤其是蛇形管或翅冷壁的温度值与压力值。
基于此，本发明公开了一种用于锅炉配件工艺过程的仿真优化方法，如图1所示，包括步骤1~步骤4。
步骤1，基于稳态的仿真方法，确定待测点。
具体的，稳态的仿真方法即为上述的步骤S1~步骤S2，通过稳态的仿真方法，可以得到流体在各个位置处的压力分布、温度分布，通过这些分布关系，从而能够大致的确定锅炉部件的哪些位置处还需要进行动态的仿真测试。亦即确定待测点。可理解的，在稳态的仿真测试中，待测点处的温度、压力、应力有可能已经达到临界阈值，那么还需要在动态的仿真测试中，判断待测点处的温度、压力、应力是否会超出临界阈值。其中，待测点的数量可以是多个。
步骤2，将负荷突变量与待测点处的信息参数，输入至训练好的卷积神经网络算法中，以确定测试序列。
对于蛇形管而言，待测点通常可以是曲率弯曲较大的地方。而对于翅冷壁来说，待测点也通常可以是其突出的部位。因此，待测点的信息参数至少包括待测点位置处的曲率、方向性、应力、材料的热传导率等等，同时还应当包括次一级的信息参数，例如待测点位置处出入口的流体的流速、温度、压力等。
负荷突变量包括突变前的边界条件的初始参数、突变后的边界条件的初始参数以及突变时间。
步骤2具体包括步骤2.1~步骤2.2。
步骤2.1，将负荷突变量与待测点处的信息参数，输入至训练好的卷积神经网络算法中，输出对应的步长。
可理解的，待测点处的信息参数在输入至卷积神经网络算法前，还需要进行归一化处理。
卷积神经网络可以包括：卷积层、特征提取层、池化层以及全连接层。卷积层用于对待测点处的信息参数进行卷积；特征提取层用于从卷积后的结果，提取对应的特征数据；池化层用于对特征数据进行降维，即计算出每一个待测点处的信息参数对应的特征向量；全连接层基于特征向量输出步长。
步骤2.2，基于对应的步长，依照负荷突变量进行切割，以确定测试序列。
步骤2.2可以是通过步长，平均的进行切割，以确定测试序列。例如在第一实施例中，负荷突变的设定参数在突变前为初始的流体的流速为1m/s，入口的温度为38℃，出口的温度为38℃，入口的压力为130psi，出口的压力为132psi；在突变前为初始的流体的流速为1.5m/s，入口的温度为38℃，出口的温度为38℃，入口的压力为141psi，出口的压力为142psi。假设步长以流速作为单位，例如为0.1，则示例性的，测试序列中元素的个数为6个，以及第k个元素的流体的流速为(1+(k-1)*0.1)m/s，以及出口的压力为(132+(k-1)*2)psi。其中，k的范围为0~5。
步骤3，根据测试序列与多个稳态仿真的性能测试结果，计算出动态仿真的性能测试结果。
需要说明的是，步骤3中所述的多个稳态仿真基于步骤3中的所述动态仿真切割得到。
考虑到动态仿真结果并不准确，因此需要将动态仿真按照适当的步长，切割成多个可近似为稳态的仿真，从而确保仿真的准确性。然而一方面，步长太大，会导致切割后的多个稳态仿真的结果并不准确；另一方面，步长太小导致稳态仿真的数量太多，也有可能导致多个稳态仿真的性能测试结果合并为动态仿真的性能测试结果这个步骤的准确性降低。因此，需要通过分析待测点的信息参数，以确定合适的步长，从而综合得到最优的结果。
可理解的，对于步骤3中，第k个稳态仿真中边界条件的初始参数即为测试序列中第k个元素。第k个稳态仿真通过执行步骤S1~步骤S2的仿真方法，得到其对应的性能测试结果。与步骤S2区别的是，此处的性能测试结果并不需要是流体在各个位置处的压力分布、温度分布等等，而是专指为待测点处的压力、温度等等。
具体的，根据多个稳态仿真的性能测试结果，计算出动态仿真的性能测试结果，可以是通过积分求和的方式计算得到。
步骤4，基于动态仿真的性能测试结果，通过迭代的方式进行优化，以满足安全生产的要求。
可理解的，步骤4与步骤S3的意思描述一致。
从步骤1~步骤4不难看出，最核心的问题在于如何训练卷积神经网络，从而确定合适的步长。其中，卷积神经网络模型的训练包括步骤C1~步骤C3。
步骤C1，获取动态历史数据。
其中，动态历史数据指的是在实际的负荷突变下所测得的性能测试结果，通常是对负荷突变导致锅炉部件的损坏或故障后进行追踪所得到的结果。
可理解的，动态历史数据至少包括负荷突变量、待测点（通常是损坏点或故障点）处的信息参数，以及实际的性能测试结果。
步骤C2，将动态历史数据按照多个不同的步长，依次切割为多个不同的测试序列，并计算出每一个测试序列对应的动态仿真的性能测试结果；选择动态仿真的性能测试结果与动态历史数据实际的性能测试结果的偏差值，以偏差值最小的步长作为最终输出值。
具体的，步骤C2可以采用二分法来获得最终步长，具体包括步骤C21~步骤C23。
步骤C21，选择第一步长s1与第二步长s2，且s1
步骤C22，根据第一步长s1与第二步长s2，二分计算出第三步长s3。
通常，步长s3等于s1与s2的平均值，例如算数平均值或几何平均值。
步骤C23，分别计算出所有步长对应的动态仿真的性能测试结果与动态历史数据实际的性能测试结果的偏差值。
步骤C24，若s1的偏差值最大，则将s3代替第一步长；若s2的偏差值最大，则将s3代替第二步长；直至第一步长s1与第二步长s2之差小于预设的步长阈值，将第三步长确定为最终步长。
步骤C3，利用所有动态历史数据的负荷突变量、待测点处的信息参数以及最终输出值，以训练卷积神经网络模型。
分析表明，负荷突变会导致一些物理过程的非线性效应加剧，更集中的体现在负荷突变的中期所造成的一系列影响，例如由于流体的流速突然变化所产生的水锤现象、湍流现象、腐蚀磨损现象等。因此，上述将步长平均化将导致在负荷突变的前期与后期，不必要的切割；以及在负荷突变的中期切割不足导致稳态的仿真方法精准度下降。
此时，卷积神经网络的输出不再是最终步长，而是一个长度不确定的测试序列。基于此，可以结合遗传算法（Genetic Algorithm，GA）随机化的生成种群，其中，种群中的每一个个体代表一个步骤C2中的一个测试序列。可以理解的是，遗传算法通常随机选择2个个体作为父母，并结合它们的基因产生新的后代，即交叉策略，还可以通过某个小的概率随机修改个体的某些基因，以增加种群的多样性，即变异策略。
由于事先已经知晓负荷突变的中期需要进行多次切割。因此，遗传算法中的父与母这两个个体可以围绕这一特性进行切割。以第一实施例为例，父个体依然可以设定为平均切割，即第k个元素的流体的流速为(1+(k-1)*0.1)m/s；而母个体则可以加大中期的切割频率，即第k个元素的流体的流速依次为[1，1.21，1.24，1.26，1.29，1.5]，其中，k的范围是1~6。
基于此，步骤C2中将动态历史数据按照多个不同的步长，依次切割为多个不同的测试序列，可以具体为利用遗传算法随机化的生成不同的测试序列；相应的，最终输出值为测试序列，而非最终步长。
相应的，本发明还公开了一种用于锅炉配件工艺过程的仿真优化系统，包括：仿真测试模块、神经网络模块、逻辑计算模块与决策建议模块；
仿真测试模块用于执行稳态的仿真方法，并确定待测点；
神经网络模块用于将负荷突变量与待测点处的信息参数，输入至训练好的卷积神经网络算法中，以确定测试序列；
逻辑计算模块用于根据测试序列，将动态仿真切割为多个稳态仿真，并根据多个稳态仿真的性能测试结果，计算出动态仿真的性能测试结果；
决策建议模块与仿真测试模块相结合，用于基于动态仿真的性能测试结果，通过迭代的方式进行优化，以满足安全生产的要求。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (4)
1.一种用于锅炉配件工艺过程的仿真优化方法，其特征在于，包括步骤1~步骤4；
步骤1，基于稳态的仿真方法，确定待测点；
步骤2，将负荷突变量与待测点处的信息参数，输入至训练好的卷积神经网络算法中，以确定测试序列；步骤2具体包括步骤2.1~步骤2.2；
步骤2.1，将待测点处的信息参数，输入至训练好的卷积神经网络算法中，输出对应的步长；
步骤2.2，基于对应的步长，依照负荷突变量进行切割，以确定测试序列；
卷积神经网络模型的训练包括步骤C1~步骤C3；
步骤C1，获取动态历史数据；
步骤C2，将动态历史数据按照多个不同的步长，依次切割为多个不同的测试序列，并计算出每一个测试序列对应的动态仿真的性能测试结果；选择动态仿真的性能测试结果与动态历史数据实际的性能测试结果的偏差值，以偏差值最小的步长作为最终输出值；
步骤C2中将动态历史数据按照多个不同的步长，依次切割为多个不同的测试序列，具体为利用遗传算法随机化的生成不同的测试序列；相应的，最终输出值修改为测试序列；
其中，遗传算法中的父个体为平均切割，母个体为加大中期的切割频率；
步骤C2采用二分法来获得最终输出值，具体包括步骤C21~步骤C23；
步骤C21，选择第一步长s1与第二步长s2；
步骤C22，根据第一步长s1与第二步长s2，二分计算出第三步长s3；
步骤C23，分别计算出所有步长对应的动态仿真的性能测试结果与动态历史数据实际的性能测试结果的偏差值；
步骤C24，若s1的偏差值最大，则将s3代替第一步长；若s2的偏差值最大，则将s3代替第二步长；直至第一步长s1与第二步长s2之差小于预设的步长阈值，将第三步长确定为最终步长；
步骤C3，利用所有动态历史数据的负荷突变量、待测点处的信息参数以及最终输出值，以训练卷积神经网络模型；
步骤3，根据测试序列与多个稳态仿真的性能测试结果，计算出动态仿真的性能测试结果；
其中，根据多个稳态仿真的性能测试结果，计算出动态仿真的性能测试结果，为通过积分求和的方式计算得到；
步骤4，基于动态仿真的性能测试结果，通过迭代的方式进行优化，以满足安全生产的要求。
2.根据权利要求1所述的一种用于锅炉配件工艺过程的仿真优化方法，其特征在于，稳态的仿真方法为执行步骤S1~步骤S2；
步骤S1，构建锅炉炉膛内所有锅炉配件的几何模型；
步骤S2，基于锅炉配件的几何模型，进行仿真实验，确定锅炉配件的性能。
3.根据权利要求1所述的一种用于锅炉配件工艺过程的仿真优化方法，其特征在于，待测点的信息参数至少包括待测点位置处的曲率、方向性、应力、材料的热传导率；负荷突变量包括突变前的边界条件的初始参数、突变后的边界条件的初始参数以及突变时间。
4.一种用于锅炉配件工艺过程的仿真优化系统，用于执行权利要求1-3任一所述的方法，其特征在于，所述系统包括：仿真测试模块、神经网络模块、逻辑计算模块与决策建议模块；
仿真测试模块用于执行稳态的仿真方法，并确定待测点；
神经网络模块用于将负荷突变量与待测点处的信息参数，输入至训练好的卷积神经网络算法中，以确定测试序列；
逻辑计算模块用于根据测试序列，将动态仿真切割为多个稳态仿真，并根据多个稳态仿真的性能测试结果，计算出动态仿真的性能测试结果；
决策建议模块与仿真测试模块相结合，用于基于动态仿真的性能测试结果，通过迭代的方式进行优化，以满足安全生产的要求。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311526860.4A CN117251957B (zh) | 2023-11-16 | 2023-11-16 | 用于锅炉配件工艺过程的仿真优化系统与方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311526860.4A CN117251957B (zh) | 2023-11-16 | 2023-11-16 | 用于锅炉配件工艺过程的仿真优化系统与方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117251957A CN117251957A (zh) | 2023-12-19 |
| CN117251957B true CN117251957B (zh) | 2024-02-13 |
Family
ID=89135355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311526860.4A Active CN117251957B (zh) | 2023-11-16 | 2023-11-16 | 用于锅炉配件工艺过程的仿真优化系统与方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117251957B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110943453A (zh) * | 2019-12-23 | 2020-03-31 | 北京交通大学 | 面向迁移学习的电力系统故障样本生成和模型构建方法 |
| CN112906787A (zh) * | 2021-02-10 | 2021-06-04 | 宁波诺丁汉新材料研究院有限公司 | 一种工业锅炉故障识别方法及系统 |
| CN113553765A (zh) * | 2021-07-14 | 2021-10-26 | 煤科院节能技术有限公司 | 锅炉运行过程的动态仿真模拟方法、装置及系统 |
| CN113987294A (zh) * | 2021-11-10 | 2022-01-28 | 国网上海市电力公司 | 一种基于遗传优化gru神经网络的cvt在线故障诊断方法 |
| CN115409369A (zh) * | 2022-08-29 | 2022-11-29 | 常州英集动力科技有限公司 | 基于机理和数据混合驱动的综合能源系统可靠性评估方法 |
| CN115438102A (zh) * | 2022-11-09 | 2022-12-06 | 成都新希望金融信息有限公司 | 时空数据异常识别方法、装置和电子设备 |
| CN116432515A (zh) * | 2023-02-16 | 2023-07-14 | 国能信控互联技术有限公司 | 一种基于人工智能的锅炉效率操作指令优化方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112149373B (zh) * | 2020-09-25 | 2022-06-03 | 武汉大学 | 一种复杂模拟电路故障识别与估计方法及系统 |
-
2023
- 2023-11-16 CN CN202311526860.4A patent/CN117251957B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110943453A (zh) * | 2019-12-23 | 2020-03-31 | 北京交通大学 | 面向迁移学习的电力系统故障样本生成和模型构建方法 |
| CN112906787A (zh) * | 2021-02-10 | 2021-06-04 | 宁波诺丁汉新材料研究院有限公司 | 一种工业锅炉故障识别方法及系统 |
| CN113553765A (zh) * | 2021-07-14 | 2021-10-26 | 煤科院节能技术有限公司 | 锅炉运行过程的动态仿真模拟方法、装置及系统 |
| CN113987294A (zh) * | 2021-11-10 | 2022-01-28 | 国网上海市电力公司 | 一种基于遗传优化gru神经网络的cvt在线故障诊断方法 |
| CN115409369A (zh) * | 2022-08-29 | 2022-11-29 | 常州英集动力科技有限公司 | 基于机理和数据混合驱动的综合能源系统可靠性评估方法 |
| CN115438102A (zh) * | 2022-11-09 | 2022-12-06 | 成都新希望金融信息有限公司 | 时空数据异常识别方法、装置和电子设备 |
| CN116432515A (zh) * | 2023-02-16 | 2023-07-14 | 国能信控互联技术有限公司 | 一种基于人工智能的锅炉效率操作指令优化方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117251957A (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sun et al. | Thermal characteristics of in-tube upward supercritical CO2 flows and a new heat transfer prediction model based on artificial neural networks (ANN) | |
| CN106777526B (zh) | 基于遗传算法的高温高压离心式叶轮多学科优化方法 | |
| Xu et al. | Optimization design with an advanced genetic algorithm for a compact air-air heat exchanger applied in aero engine | |
| Wen et al. | Numerical investigation on the multi-objective optimization of a shell-and-tube heat exchanger with helical baffles | |
| CN117251957B (zh) | 用于锅炉配件工艺过程的仿真优化系统与方法 | |
| Jang et al. | An algorithm to determine heating lines for plate forming by line heating method | |
| Hanafizadeh et al. | A novel method for inlet duct geometry improvement of heat recovery steam generators | |
| Cao et al. | Multi-objective optimization of micro-fin helical coil tubes based on the prediction of artificial neural networks and entropy generation theory | |
| Jena et al. | Multi-objective optimization of design parameters of a shell & tube type heat exchanger using genetic algorithm | |
| Li et al. | Optimization of heat exchangers with dimpled surfaces to improve the performance in thermoelectric generators using a Kriging model | |
| Akbar et al. | Effect of wire pitch on capacity of single staggered wire and tube heat exchanger using computational fluid dynamic simulation | |
| CN104399792B (zh) | 一种基于朴素贝叶斯分类器的水火弯板焰道点判定方法 | |
| Yeo et al. | Simulating the implications of oxide scale formations in austenitic steels of ultra-supercritical fossil power plants | |
| CN110008579B (zh) | 垂直翅片管式热交换器的设计方法 | |
| TW202123054A (zh) | 預測模型的建立裝置、建立方法與產品品質監控系統 | |
| CN114417743A (zh) | 一种基于peeq值评估排气歧管的cae分析方法 | |
| CN114925572A (zh) | 一种动力电池水冷流板的流道拓扑优化设计方法 | |
| WO2015200158A1 (en) | Method for analysis of 3d features using a 2d probabilistic analysis | |
| CN115935781A (zh) | 直流盆式绝缘子的几何形态优化方法、装置、设备及介质 | |
| Arsana et al. | Simulation study on efficiency of woven matrix wire and tube heat exchanger | |
| Cho et al. | Performance estimation of freeze protection system for outdoor fire piping by using AI algorithm | |
| CN117273404B (zh) | 基于大数据分析的锅炉的自动排程方法 | |
| JP4577835B2 (ja) | 蓄熱槽群の熱流動の解析方法 | |
| CN115358028B (zh) | 一种换热螺旋盘管设计方法及系统 | |
| Trojan et al. | Effect of scale deposits on the internal surfaces of the tubes on the superheater operation |
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 |