一种蒸发器结垢预测模型的优化方法及装置与流程

本发明属于蒸发器技术领域，尤其涉及一种蒸发器结垢预测模型的优化方法及装置。

背景技术：

蒸发器就是用加热的方法，将原料液中含有不挥发性溶质的溶液加热至沸腾状况，使部分溶剂汽化并被移除，从而提高溶剂中溶质浓度，并广泛的应用在化学工业、食品工业、制药等工业中。但是蒸发器在长期使用过程中会结垢。一旦蒸发器结垢，会导致蒸汽消耗量将显著增加，浪费大量的能源。所以对蒸发器结垢做预测性维护是非常必要的。不但可以节约大量的能源，同时也提升了设备的效率。合理的安排除垢，有效的避免了极端情况下的紧急停机，为工厂带来了效益的提升。

现有技术中，目前多采用现场检查，然后通过事后判断，在能源消耗量显著增加后才开始按照预定的方案，安排对蒸发器的关键部位进行清洗等维护。这样事后维护时，就已经造成了蒸发器换热效率的降低，能源浪费既成事实，并且对生产经营效益造成一定不利影响。然而，受现场物联状况的制约，设备机理建模又很难实现。

技术实现要素：

有鉴于此，本发明实施例提供了一种蒸发器结垢预测模型的优化方法、装置、终端设备及计算机可读存储介质，以解决现有技术中受现场物联状况的制约，无法有效精准的判断蒸发器结垢，并及时除垢的技术问题。

本发明实施例的第一方面提供了一种蒸发器结垢预测模型的优化方法，包括：

利用预设的第一预测模型，通过蒸发器的历史数据、周期数据和物联数据确定结垢预测数据；

根据结垢预测数据对所述蒸发器进行除垢；

利用除垢后的蒸发器获得模型优化测试数据；

根据蒸发器的标准数据，和所述模型优化测试数据，确定所述第一预测模型的模型优化指标；

当模型优化指标满足预设条件，对所述第一预测模型进行修正，得到第二预测模型。

本发明实施例的第二方面提供了一种蒸发器结垢预测模型的优化装置，包括：

结垢预测数据模块，用于利用预设的第一预测模型，通过蒸发器的历史数据、周期数据和物联数据确定结垢预测数据；

除垢指令模块，用于根据结垢预测数据对所述蒸发器进行除垢；

测试数据模块，用于利用除垢后的蒸发器获得模型测试数据；

优化指标模块，用于当所述模型测试数据满足预设条件，根据蒸发器的标准数据，和所述模型测试数据，确定所述第一预测模型的模型优化指标；

修正模块，用于根据所述模型优化指标，对所述第一预测模型进行修正，得到第二预测模型。

本发明实施例的第三方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述物联设备数据模拟方法的步骤。

本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述物联设备数据模拟方法的步骤。

本发明实施例提供的一种数据采集方法的有益效果至少在于：本发明实施例首先利用预设的第一预测模型，通过蒸发器的历史数据、周期数据和物联数据确定结垢预测数据，其次根据结垢预测数据对所述蒸发器进行除垢，然后利用除垢后的蒸发器获得模型测试数据，再然后当所述模型测试数据满足预设条件，根据蒸发器的标准数据，和所述模型测试数据，确定所述第一预测模型的模型优化指标，最后根据所述模型优化指标，对所述第一预测模型进行修正，得到第二预测模型，以使得用户能够更加精准、高效的进行结垢预测，从而有效的节约了成本，避免了能源的浪费。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例提供的蒸发器结垢预测模型的优化方法的实现流程示意图；

图2是本发明实施例提供的确定结垢预测数据的示意图；

图3是本发明实施例提供的确定结垢预测数据的示意图；

图4是本发明实施例提供的确定结垢预测数据的示意图；

图5是本发明实施例提供的获得初始参数的示意图；

图6是本发明实施例提供的确定第一预测模型的模型优化指标的示意图；

图7是本发明实施例提供的蒸发器结垢预测模型的优化装置的结构示意图；

图8是本发明实施例提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。若未特别指明，实施例中所用的技术手段为本领域技术人员所熟知的常规手段。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

如图1所示，是本发明实施例提供的蒸发器结垢预测模型的优化方法的实现流程示意图，该方法包括：

步骤s10：利用预设的第一预测模型，通过蒸发器的历史数据、周期数据和物联数据确定结垢预测数据。

其中历史数据为蒸汽耗量、完成液生成量、除垢临界值等。

周期数据为收集蒸发器每个周期的数据，收集周期数据方法为除垢蒸发器正常运行的第一天作为周期起点，下一次除垢后正常运行第一天作为终点。

物联数据为阀门开关、环境数据、蒸汽流量、管道直径、完成液量等。

将该历史数据、该周期数据、和该物联数据通过预设的该第一预测模型运算，获得上述结垢预测数据。

步骤s20：根据结垢预测数据对所述蒸发器进行除垢。

蒸发器常见的除垢方式有化学清洗和物理清洗。多数清洗方法采用化学清洗——酸洗，这种方法对各种沉积都有效，比物理清洗省时。弊端就是化学清洗对系统和其他金属部件有腐蚀性，容易出现腐蚀设备管线的事情，而且在排放时污染环境。

根据步骤s10得到的上述结垢预测数据，得知进行除垢的时间节点，以及结垢的程度，进行及时除垢。有效避免因没有及时除垢导致的能源浪费。

步骤s30：利用除垢后的蒸发器获得模型测试数据。

将蒸发器除垢后的第一次使用得到的蒸汽耗量，完成液生成量等数值作为该模型测试数据。因为第一次除垢之后得到的测试数据，能够更精准的体现了除垢效果如何，也能够避免其他因素的干扰精准度。

步骤s40：当所述模型测试数据满足预设条件，根据蒸发器的标准数据，和所述模型测试数据，确定所述第一预测模型的模型优化指标。

该预设条件为该模型测试数据小于标准数据，当不满足该预设条件，即该测试数据大于等于标准数据，则无需对该第一预测模型进行优化；当满足该预设条件，即该该预测数据小于标准数据，则对所述第一预测模型进行优化。

以该测试数据优于该标准数据，作为该第一预测模型的模型优化指标。

步骤s50：根据所述模型优化指标，对所述第一预测模型进行修正，得到第二预测模型。

通过上述模型优化指标，计算上述测试数据与标准数据的百分比，通过多个百分比进行平均计算，获得总百分比，并将上述除垢临界值乘以该总百分比，从而完成对该第一模型数据进行修正，更新模型参数后，得到新的预测模型，也就是该第二预测模型。

如图2所示，是本发明实施例提供了一种蒸发器结垢预测模型的优化方法，其中步骤s10包括：

步骤s11：通过预测模型中的至少一种预测算法得到相应的预测值。

上述预测模型由多种预测算法组合而成，可以包括例如线性回归模型、指数回归模型、多元回归模型、弹性网络回归模型等算法组合而成。利用上述步骤s10包括的历史数据、周期数据和物联数据，通过该多种预测算法，获得与之对应的预测值。每个预测值为相应的数据对应的该预测算法预测得到的结果。

步骤s12：根据各所述预测值确定所述结垢预测数据。

通过步骤s11得到的所有上述预测值，经过预测有效度进行计算，得到上述结垢预测数据。

如图3所示，是本发明实施例提供了一种蒸发器结垢预测模型的优化方法，其中步骤s12包括：

步骤s121：利用针对各所述预测算法配置的权重，对各所述预测值进行加权计算，以确定所述结垢预测数据。

根据步骤s120获得的该权重，对该权重进行加权计算，得到该结构预测数据。

如图4所示，是本发明实施例提供了一种蒸发器结垢预测模型的优化方法，其中在步骤s121之前，还包括：

步骤s120:利用预测有效度算法确定各所述预测算法的权重。

预测有效度算法实质为——过去一段时间内组合预测误差平方和最小。以该预测有效度算法来求各个预测模型的权重。

ei,t＝yt-yi,t，其中ei,t为第i种该预测算法在第t时刻的该预测值的误差，yt为第t时刻的实际值，yi,t为t时刻第i种模型的该预测值；

根据上述该预测值的误差ei,t，得到fi＝[ei,1,ei,2,...,ei,n]^t，fi为第i种该预测算法的上述预测值的误差的向量，t为矩阵向量转置；

根据该向量fi，得到误差矩阵e，e＝[f1,f2,...,fr]，r为r种不同预测算法；

根据误差矩阵e，得到信息误差矩阵er，

rr为一个标准向量，令rr＝[1,1,...,1]^t为元素全为1的r维向量，为r种该预测算法的权重向量；

设w为每个该预测算法的权重，该模型测试数据的误差平方和为s，

由公式(1)得到线性规划

根据公式(2)得到权重

如图5所示，是本发明实施例提供了一种蒸发器结垢预测模型的优化方法，其中在图1-图4中的任一步骤，还包括：

步骤s100：利用所述历史数据，配置所述第一预测模型的初始参数。

将蒸发器的蒸发耗量、完成液生成量、除垢临界值等该历史数据进行初始化，获得上述第一预测模型的初始参数。对上述数据进行初始化可有效避免模型训练速度变慢，崩溃，直至失败。

如图6所示，是本发明实施例提供了一种蒸发器结垢预测模型的优化方法，其中步骤s40包括：

步骤s41：确定蒸发器在没有结垢时的性能参数为标准数据。

以蒸发器没有结垢时候的蒸汽耗量，完成液生成量等数值作为上述标准数据。这样能够保证该标准数值的精准性，受其他条件影响也最小。

步骤s42：当所述模型测试数据小于所述标准数据，根据所述测试数据与所述标准数据比值确定所述模型优化指标。

当上述模型测试数据小于上述标准数据时，则上述模型优化指标为：测试数据除以标准数据得到的百分比值，通过多个该百分比值进行平均计算，得出总体百分比值，并且将模型中的除垢临界值乘以该总体百分比，得到模型优化指标。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

如图7所示，本发明实施例的目的还在于提供一种蒸发器结垢预测模型的优化装置，包括结垢预测数据模块61、除垢指令模块62、测试数据模块63、优化指标模块64以及修正模块65。其中，结垢预测数据模块61，用于利用预设的第一预测模型，通过蒸发器的历史数据、周期数据和物联数据确定结垢预测数据；除垢指令模块62，用于根据结垢预测数据对所述蒸发器进行除垢；测试数据模块63，用于利用除垢后的蒸发器获得模型测试数据；优化指标模块64，用于当所述模型测试数据满足预设条件，根据蒸发器的标准数据，和所述模型测试数据，确定所述第一预测模型的模型优化指标；修正模块65，用于根据所述模型优化指标，对所述第一预测模型进行修正，得到第二预测模型。

如图8所示，图8是本发明实施例提供的终端设备的示意图。如图8所示，所述终端设备7，包括存储器71、处理器70以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72，所述处理器70执行所述计算机程序72时实现如所述物联设备的数据模拟方法的步骤。例如图1-图6所示的步骤s10至s50。

所述终端设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器70、所述存储器71。本领域技术人员可以理解，图8仅仅是终端设备7的示例，并不构成对终端设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器70可以是中央处理单元(centralprocessingunit，cpu)，还可以是其它通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器71可以是所述终端设备7的内部存储单元，例如终端设备7的硬盘或内存。所述存储器71也可以是终端设备7的外部存储设备，例如所述终端设备7上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端设备所需的其它程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

具体可以如下，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中的存储器中所包含的计算机可读存储介质；也可以是单独存在，未装配入终端设备中的计算机可读存储介质。所述计算机可读存储介质存储有一个或者一个以上计算机程序：

计算机可读存储介质，包括所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述物联设备数据模拟方法的步骤。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。