使用神经网络和梯度提升在炼油厂预热列车热交换机中的数据驱动污染检测

科学领域:

• 化学工程
• 过程监控
• 人工智能

背景情况:

• 炼油厂原油蒸装置 (CDU) 的热交换器污染对能源效率和运行可靠性产生重大影响.
• 早期发现污染对于防止性能下降和经济损失至关重要.

研究的目的:

• 在CDU预热列车中开发和比较实时检测污染的虚拟传感方法.
• 评估数据驱动 (LSTM,XGB) 和半实证 (ɛ-NTU) 模型在预测换热器性能和识别污染方面的性能.

主要方法:

• 使用长期短期记忆 (LSTM) 神经网络和极端梯度增强 (XGB) 进行数据驱动的建模.
• 使用e-NTU方法作为半经验基线进行比较.
• 在清洁的操作数据上训练模型,以确定基线性能和检测指示污染的偏差.

主要成果:

• 在捕捉污染检测的动态操作趋势方面,LSTM模型表现出高准确性.
• XGB模型提供了一个计算效率高的替代方案,但对新条件的推断有局限性.
• 与e-NTU方法相比,LSTM和XGB模型都显示出更高的污染检测灵敏度.
• 由单个污染的交换机造成的低效率与大量的二氧化碳排放和经济损失有关.

结论:

• 支持人工智能的虚拟传感器为工业换热器的实时污染监测提供了强大的工具.
• 实施这些工具可以提高预测性维护,提高能源效率,减少炼油厂对环境的影响.