数字孪生驱动的热交换器降阶建模及智能感知方法研究
CIESC Journal（2023）
Abstract
管壳式热交换器是能源系统中的重要组成部分,长时间的运行容易在导热管内造成结垢故障,导致热交换器传热效率下降、流动阻力增加、耗能增加、系统压力下降等问题.结垢故障往往隐藏在设备内部,通过运行数据监测或者仿真手段往往不足以感知和预测多工况下的设备状态,数字化的热交换器状态监测技术为解决问题提供了新思路,但存在数字孪生体难以构建、降阶效果不理想、结垢数据难以获取等问题.为了能够建立数字孪生驱动的热交换器高保真降阶模型,提出了一种基于本征正交分解的径向基自适应模型降阶方法.基于物理信息的自适应采样算法采集更有效的样本数据,利用POD-RBF建立高保真降阶模型,开展热交换器的结垢故障的仿真实验,通过BP神经网络进行热交换器的结垢感知和预测.实验结果表明所建立的自适应采样降阶模型与不使用采样的降阶模型相比求解效率提高了1倍,与全阶模型的误差在4%左右,通过降阶模型快速生成更符合物理机理的结垢数据,预测误差保持在0.0554 mm左右,能有效地对换热器的结垢进行感知和预测.
MoreTranslated text
Key words
heat exchanger,digital twin,model order reduction,condition monitoring,fault diagnosis
AI Read Science
Must-Reading Tree
Example
Generate MRT to find the research sequence of this paper
Chat Paper
Summary is being generated by the instructions you defined