板式换热器冷却水污垢热阻预测的偏最小二乘回归法

　　引 言

　　90%以上的换热设备存在着不同程度的结垢问题,污垢的存在使换热设备的传热能力降低,介质流动阻力增大,造成经济损失[1]。数据表明:污垢造成的损失约占工业总产值的013%[1]。水冷器设计的不确定度,不计污垢影响一般可控制在20%以内[2],计入污垢影响则可达100%甚至更大[1]。根据冷却水水质参数在一定的条件下预测冷却水系统的结垢情况,对防止或抑制污垢生长,改进和优化冷却水系统,水处理技术及污垢清洗技术具有极大的意义。但水冷器污垢的形成是一个很复杂的物理、化学和生物过程,受很多因素的影响。这些因素大致可分为3类:¹水质参数;º壁面材料、加工方式;»流速、水温等运行参数。但是,由于这些参数都随时空的变化而变化,造成理论分析预测污垢特性极为困难。

　　目前预测冷却水系统污垢的模型主要有:多模型组合、T-S模型、神经网络、支持向量机、偏最小二乘回归等。文献[3]充分考虑影响污垢形成的各因素,将灰色理论引入污垢预测,在较短时间内确定污垢热阻的变化趋势,并能适应冷凝器工况参数的动态变化,比常规渐近模型的预测精度更好。樊绍胜等[4-5]用T-S模型和多模型组合预测冷凝器污垢:文献[4]将污垢分解为软垢和硬垢部分,并分别采用T-S模糊模型描述软垢和硬垢的增长趋势,进而通过二者的结合获得了较为精确的污垢预测,与渐近污垢模型及改进的渐近污垢模型相比,该方法可以有效地预测冷凝器周期性结垢现象,在冷凝器工况参数变化时也适用;文献[5]以冷却水流速、冷凝器压力所对应的排气温度、冷却水入口温度、冷却水浊度、预测时域为输入变量,以胶球清洗周期内的污垢热阻预测值为输出变量,采用经验模型、自适应指数平滑模型、灰色模型、T-S模糊模型等多种模型预测污垢的增长,并通过遗传算法对模型参数、各模型输出之间的组合系数进行自适应滚动优化调整,对文中样本预测的相对误差在4%以内,该方法短期污垢预测效果好,中长期污垢预测精度较高。柴海棣等[6]以实验装置中的3处壁温、污管的出入口温度、污管中流体的流速和污管热阻为输入,建立基于径向基神经网络的污垢预测模型,对筛选出的160组数据进行预测。与BP网络相比,该网络预测污垢热阻的收敛速度和仿真精度都优于BP网络。彭珍等[7]选择循环水出口温度、循环水进口温度、下游壁温、循环水流速作为特征量输入,利用3层前馈网络对实验得到的100个训练样本进行训练。20组换热管污垢热阻的实测值与预测值的比较结果表明:采用训练后的RBF神经网络模型对污垢热阻进行预测,预测值与实测值基本吻合,误差较小。徐志明等[8]搭建了污垢实验系统以测得管壁温度和出、入口温度等参数,并将这些参数作为模型的输入变量,以污垢热阻值作为模型的输出变量,利用最小二乘支持向量回归机搭建污垢预测模型,利用历时70 h的130组数据样本,预测光管的污垢特性,最大预测(泛化)误差小于815%,在掌握了现场参数的变化规律之后,经过简单的修改或调整,该模型能很好地适应工况参数的动态变化,且预测误差很小。赵波等[9]基于污垢形成机制的初步认识,定性分析了硬度(钙、镁离子)、碱度、pH值、溶解氧、浊度、铁离子浓度等水质因素对污垢形成的影响,将其和时间作为输入变量,污垢热阻作为输出变量,建立基于支持向量机的冷却水污垢热阻预测模型,并以另一运行周期数据检验模型预测精度以及实验系统的不确定度,平均误差为81874%。张莹等[10]以某电厂300MW机组配套冷凝器作为研究对象,其型号为N-17000-1,冷却面积为17000m2,冷却水量为35307 t#h-1,铜管根数为18800根。以80个胶球清洗周期不同工况下的1462组数据作为研究样本,提出了基于局部加权偏最小二乘回归算法的污垢预测算法。该模型在已测量的污垢数据局部模型内对新测数据进行偏最小二乘回归分析,模型参数、各模型之间加权系数的自适应优化调整方法是自适应算法,适应冷凝器水质及工况参数的动态变化情况。结果表明与渐近式模型、神经网络相比局部加权偏最小二乘回归学习算法的污垢模型有更好的预测精度,与热阻法相近。