CN204478910U - 一种冷却塔漂水调节系统 - Google Patents

一种冷却塔漂水调节系统 Download PDF

Info

Publication number
CN204478910U
CN204478910U CN201520144843.9U CN201520144843U CN204478910U CN 204478910 U CN204478910 U CN 204478910U CN 201520144843 U CN201520144843 U CN 201520144843U CN 204478910 U CN204478910 U CN 204478910U
Authority
CN
China
Prior art keywords
cooling tower
drift ice
water
model
detecting unit
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.)
Expired - Fee Related
Application number
CN201520144843.9U
Other languages
English (en)
Inventor
张育仁
张研
帕提曼热扎克
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhu Kai Bo Industry Co Ltd
Original Assignee
Wuhu Kai Bo Industry Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhu Kai Bo Industry Co Ltd filed Critical Wuhu Kai Bo Industry Co Ltd
Priority to CN201520144843.9U priority Critical patent/CN204478910U/zh
Application granted granted Critical
Publication of CN204478910U publication Critical patent/CN204478910U/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Abstract

本实用新型涉及一种冷却塔漂水调节系统,属于冷却塔系统领域,该系统包括:检测单元,检测冷却塔通风口处的通风量、冷却塔的循环水量和布水装置的转速;处理器,连接检测单元并接收检测单元的信号;人机交互终端,连接处理器,显示处理器的处理数据。本实用新型系统能够检测冷却塔中的通风量、冷却塔的循环水量和布水装置的转速,分析冷却塔的漂水问题,解决了由于循环水量过大、通风量过大或者布水装置的转速过快等原因造成的严重冷却塔漂水问题。本实用新型中利用了粒子群优化RBF模型进行数据分析待测参数,从而得出调节漂水问题的解决方案,解决了现有技术对冷却塔漂水问题分析的不足和对漂水问题解决方法的不当。

Description

一种冷却塔漂水调节系统
技术领域
[0001] 本实用新型涉及冷却塔系统领域,具体涉及一种冷却塔漂水调节系统。
背景技术
[0002] 冷却塔是利用水与空气流动接触后进行冷热交换产生蒸汽,蒸汽挥发带走热量达 到蒸发散热、对流传热和辐射传热等原理来散去工业上或制冷空调中产生的余热来降低水 温的蒸发散热装置。
[0003] 现有的冷却塔由于冷却塔运行系统中循环水量过大、通风量过大或者布水装置的 转速过快等原因都会造成严重冷却塔漂水问题,空气带走大量水滴,造成热效率下降,同时 造成了水资源的浪费。现有技术都是通过设置挡水件进行减缓冷却塔漂水现象,没有对漂 水的深层原因进行检测和分析,不能从根本问题解决问题。
发明内容
[0004] 为了克服现有技术对冷却塔漂水问题分析的不足和对漂水问题解决方法的不当, 本实用新型提供一种冷却塔漂水调节系统。
[0005] 本实用新型的技术方案是:一种冷却塔漂水调节系统,该系统包括:
[0006] 检测单元,检测冷却塔通风口处的通风量、冷却塔的循环水量和布水装置的转 速;
[0007] 处理器,连接检测单元并接收检测单元的信号;
[0008] 人机交互终端,连接处理器,显示处理器的处理数据。
[0009] 所述检测单元包括风量传感器、水量传感器和转速传感器,分别测量冷却塔的通 风量、循环水量和布水装置的转速。
[0010] 所述处理器包括数据库,处理器采用粒子群优化RBF模型进行数据分析和处理, 利用数据库中数据对模型进行机器训练。
[0011] 所述人机交互终端包括显示器和输入装置,显示器显示处理器的信息,输入装置 连接处理器。
[0012] 本实用新型有如下积极效果:本实用新型系统中的检测单元能够检测冷却塔中 的通风量、冷却塔的循环水量和布水装置的转速,通过监测这些数据,分析冷却塔的漂水问 题,解决了由于循环水量过大、通风量过大或者布水装置的转速过快等原因造成的严重冷 却塔漂水问题。而且本实用新型中利用了粒子群优化RBF模型进行数据分析待测参数,从 而得出调节漂水问题的解决方案,工作人员可以在人机交互终端看到系统的检测参数和漂 水问题的情况和系统给出的调节方案,操作简单实用,方便工作人员及时维修。
附图说明
[0013] 图1是本实用新型中冷却塔漂水调节系统的工作框图;
[0014] 图2是本实用新型中冷却塔漂水调节系统方法的工作流程图;
[0015]图3是本实用新型中粒子群优化RBF模型的工作流程图。
具体实施方式
[0016] 下面对照附图,通过对实施例的描述,本实用新型的具体实施方式如所涉及的各 构件的形状、构造、各部分之间的相互位置及连接关系、各部分的作用及工作原理、制造工 艺及操作使用方法等,作进一步详细的说明,以帮助本领域技术人员对本实用新型的发明 构思、技术方案有更完整、准确和深入的理解。
[0017] 一种冷却塔漂水调节系统,如图1所示,该系统包括检测单元、处理器和人机交互 终端,三者依次电连接,也可以选择无线连接方式。
[0018] 检测单元,包括风量传感器、水量传感器和转速传感器,风量传感器安装在冷却塔 通风口处测量冷却塔的通风量,避免由于通风量过大导致的漂水的问题。水量传感器安装 在冷却塔的进出水口,和填料的上下层处,监测冷却塔的循环水量和经过填料层的冷却水 水量是否变化过大,从而避免循环水量过大或过小造成的漂水问题,和填料层中有偏流造 成的漂水问题。转速传感器安装在布水装置上测量布水装置的转速,避免由于布水装置过 快造成的漂水问题,检测单元中传感器检测到的数据参数均会发送给处理器,由处理器进 行判断冷却塔漂水问题。
[0019] 处理器,连接检测单元并接收检测单元的信号,采用粒子群优化RBF模型进行数 据分析和处理,处理器还设置有数据库,方便粒子群优化RBF模型利用数据进行机器训练。 智能算法模型的应用,主要在于通过分析待测参数,从而得出调节漂水问题的解决方案。
[0020] 人机交互终端,包括显示器和输入装置,显示器显示处理器发送的的信号信息,输 入装置连接处理器,可以通过输入装置可以随意查看系统参数和工作情况还有检测的漂水 状态,不需要工作人员到处走动式的查看,节省了大量时间。
[0021] 一种冷却塔漂水调节系统的方法,如图2所示,该方法步骤包括:
[0022] 步骤一、建立RBF模型,利用粒子群算法优化训练RBF模型参数,得到最优模型。
[0023]RBF神经网络是一种局部逼近网络,它能够以任意精度逼近任意连续函数,学习速 度快,精度高,在逼近能力、分类能力和学习速度等方而均优于BP网络。RBF神经网络模型 分为三个部分,如图3所示:RBF神经网络构建、RBF神经网络训练和RBF神经网络识别。
[0024]RBF神经网络的结构和网络和构建:径向基函数神经网络(radialbasis functionneuralnetwork)是一种具有单隐层的3层前馈网络。它的基本思想是:用RBF 作为隐层节点的"基"构成隐层空间,这样就可以将输入矢量不通过权值连接映射到隐层空 间。当RBF的中心点确定后,这种映射关系也就确定了。其中,隐层节点的基函数采用距离 函数,而激活函数采用径向基函数(如高斯函数)。
[0025] 径向基函数是一种局部分布的中心点径向对称衰减的非负非线性函数,这种"局 部特性"使得RBF网络成为一种局部响应神经网络。而且,隐层到输出层的映射是线性的, 即网络的输出是隐节点输出的线性组合。现在也己证明,径向基网络也能够以任意精度逼 近任意连续函数,并且它的学习速度比BP网络快,并能避免局部极小值问题。
[0026]RBF神经网络的训练:RBF神经网络的训练算法以目标函数最小化为准则对隐层 各个节点的中心点与偏差以及输出权值进行调整修正。在此,使用带有动量因子的梯度下 降法对网络的各个参数进行修改。网络的目标函数为:
Figure CN204478910UD00051
[0028] 式中式(1)中,
Figure CN204478910UD00052
为神经网络的输出与期望值的差值,n为训练样本的 个数。根据目标函数,推导出更新输出层权值的公式为:
Figure CN204478910UD00053
[0030] 隐层节点中心点的计算公式为:
Figure CN204478910UD00054
[0032] 隐层节点偏差值计算公式为:
Figure CN204478910UD00055
[0034] 以上三式中,!)为学习速率
Figure CN204478910UD00056
[0035] RBF神经网络的识别:测试数据经过RBF神经网络的预测模型输出最佳预测值,得 到最逼近的函数。
[0036] RBF神经网络虽然可以以任意精度逼近任意连续函数,并且它的学习速度比BP网 络快,并能避免局部极小值问题。但是RBF神经网络是一种局部逼近网络,不能对全局数据 进行准确的预测,而粒子群算法是一种高效的全局寻优算法,可用于机器学习算法的参数 优化设置,粒子群算法和RBF神经网络相结合,能够实现功能互补,更好的预测点火提前角 系统。
[0037] 粒子群算法(particleswarmoptimization,PS0)中,初始化粒子群时,应不 断判断直到各粒子随机的初始值满足所优化的相关向量机中的约束条件。每个粒子a的每 个分量通过自身学习和向其他粒子学习,不断更新自身速度和位置,达到全局最优,调整自 己的进化方向,以及避免陷入局部最优。同时,PS0算法采用不同于遗传算法的随机搜索策 略,操作起来要比遗传算法简便得多,因此在解决某些优化问题时显示出更卓越的性能。
[0038] 所以,粒子群优化RBF模型的步骤包括:
[0039] A.初始化粒子群:确定粒子群的规模,初始位置和速度,根据约束条件对每个粒 子a初始化;
[0040] B.计算每一个粒子的目标函数值,即所要优化函数的值;
[0041] C.更新每一个粒子a的位置局部最优值Pbest和全局最优值Gbest;
[0042] D.更新每一个粒子a的飞行速度和位置;
[0043] E.判断数据是否达到RBF模型标准,达到标准跳出循环,并计算相关系数,否则返 回的步骤B,直到满足迭代的次数;
[0044] F.返回最优a的值,并将最优化的参数传递给RBF模型,经过超参数优化训练后 得到的RBF模型,即可用于数据的分类和处理。
[0045] 步骤二、采用粒子群优化RBF模型诊断分析待测冷却塔漂水参数,得出冷却塔漂 水状态信息。待测冷却塔漂水参数为冷却塔通风口处的通风量参数、冷却塔的循环水量参 数和布水装置的转速参数。
[0046] RBF模型分析待测冷却塔漂水参数的流程为:
[0047] a.建立数据库,进行数据预处理。模型进行分析待测数据之前都必须进行机器训 练,数据库的建立就是为机器训练做准备。预处理是对数据进行归一化处理,归一化可以加 快训练网络的收敛性,归一化的具体作用是归纳统一样本的统计分布性。
[0048] b.利用数据库数据对粒子群优化的RBF模型进行机器训练,模型经过数据的试运 行和调整后,才能保证模型对待测数据分析的准确性。
[0049] c.待测参数输入粒子群优化RBF模型,得出冷却塔漂水问题的原因并输出结论到 显示器。
[0050] 当出现漂水问题时,由于循环水量过大或过小导致的漂水时,需调节阀门至合适 水量;当通风量过大时,需降低风机转速或调整风机叶片至合适角度;当填料层的上下层 水流量不同时,是由于填料层中出现偏流现象导致的漂水问题,则需工作人员查看填料层 的状态并解决;当转速传感器测到布水装置的转速过快时,需调节至合适转速,从而减弱漂 水问题。
[0051] 步骤三、输出的冷却塔漂水状态信息结果。根据粒子群优化RBF模型对待测数据 的分析结果,得出漂水状态的信息,并提供相应的漂水问题的解决方案。系统监测数据和解 决方案均会显示在人机交互终端,方便工作人员查看和及时维修。
[0052] 上面结合附图对本实用新型进行了示例性描述,显然本实用新型具体实现并不受 上述方式的限制,只要采用了本实用新型的方法构思和技术方案进行的各种非实质性的改 进,或未经改进将本实用新型的构思和技术方案直接应用于其它场合的,均在本实用新型 的保护范围之内。

Claims (4)

1. 一种冷却塔漂水调节系统,其特征在于,该系统包括: 检测单元,检测冷却塔通风口处的通风量、冷却塔的循环水量和布水装置的转速; 处理器,连接检测单元并接收检测单元的信号; 人机交互终端,连接处理器,显示处理器的处理数据。
2. 根据权利要求1所述的冷却塔漂水调节系统,其特征在于,所述检测单元包括风量 传感器、水量传感器和转速传感器,分别测量冷却塔的通风量、循环水量和布水装置的转 速。
3. 根据权利要求1所述的冷却塔漂水调节系统,其特征在于,所述处理器包括数据库, 处理器采用粒子群优化RBF模型进行数据分析和处理,利用数据库中数据对模型进行机器 训练。
4. 根据权利要求1所述的冷却塔漂水调节系统,其特征在于,所述人机交互终端包括 显示器和输入装置,显示器显示处理器的信息,输入装置连接处理器。
CN201520144843.9U 2015-03-13 2015-03-13 一种冷却塔漂水调节系统 Expired - Fee Related CN204478910U (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201520144843.9U CN204478910U (zh) 2015-03-13 2015-03-13 一种冷却塔漂水调节系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201520144843.9U CN204478910U (zh) 2015-03-13 2015-03-13 一种冷却塔漂水调节系统

Publications (1)

Publication Number Publication Date
CN204478910U true CN204478910U (zh) 2015-07-15

Family

ID=53634696

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201520144843.9U Expired - Fee Related CN204478910U (zh) 2015-03-13 2015-03-13 一种冷却塔漂水调节系统

Country Status (1)

Country Link
CN (1) CN204478910U (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104713409A (zh) * 2015-03-13 2015-06-17 芜湖凯博实业股份有限公司 一种冷却塔漂水调节系统及其方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104713409A (zh) * 2015-03-13 2015-06-17 芜湖凯博实业股份有限公司 一种冷却塔漂水调节系统及其方法
CN104713409B (zh) * 2015-03-13 2018-01-12 芜湖凯博实业股份有限公司 一种冷却塔漂水调节系统及其方法

Similar Documents

Publication Publication Date Title
CN103912966B (zh) 一种地源热泵制冷系统优化控制方法
JP5572799B2 (ja) 空調システム制御装置
Ma et al. Building energy research in Hong Kong: a review
CN105378391A (zh) 针对hvac需求响应的在线优化方案
Yang et al. Performance prediction of a hybrid microgeneration system using Adaptive Neuro-Fuzzy Inference System (ANFIS) technique
CN108469185B (zh) 一种间接空冷系统防冻回水温度控制方法
CN103699944A (zh) 一种多预测模式的风电光伏发电功率预测系统
Lu et al. Performance predictions of ground source heat pump system based on random forest and back propagation neural network models
Yan et al. The performance prediction of ground source heat pump system based on monitoring data and data mining technology
CN109765797A (zh) 一种空调节能仿真系统
Huang et al. A new zone temperature predictive modeling for energy saving in buildings
US10684598B1 (en) Building management system with efficient model generation for system identification
Zendehboudi et al. Performance investigation of the cross-flow closed-type heat-source tower using experiments and an adaptive neuro-fuzzy inference system model
CN112884012A (zh) 基于支持向量机原理的建筑能耗预测方法
CN105468054B (zh) 刹车温度监控装置的智能控制方法
CN102419827B (zh) 基于rbf神经网络的沸腾换热预测方法
CN204478910U (zh) 一种冷却塔漂水调节系统
Sretenović et al. Support vector machine for the prediction of heating energy use
KR20180138371A (ko) 데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법
CN107133286B (zh) 一种机房温度参数分布场三维图的生成与分析方法和系统
Chesser et al. Air source heat pump in-situ performance
Ma et al. Test and evaluation of energy saving potentials in a complex building central chilling system using genetic algorithm
CN104713409A (zh) 一种冷却塔漂水调节系统及其方法
CN204478911U (zh) 冷却塔集水盘故障监测系统
Zheng et al. Development and implementation of a virtual outside air wet-bulb temperature sensor for improving water-cooled chiller plant energy efficiency

Legal Events

Date Code Title Description
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20150715

Termination date: 20170313

CF01 Termination of patent right due to non-payment of annual fee