[发明专利]基于数字孪生的工业加热炉温度场预测方法

说明书

一种基于数字孪生的工业加热炉温度场预测方法：建立工业加热炉的数据集，包括工况数据和根据CFD仿真温度场确定温度场；进行数据处理：对工况各数据进行归一化处理、根据温度场还原炉膛平面温度云图；改进cGAN网络的损失函数；训练改进的cGAN网络；在完成网络训练之后，得到一个以工况作为输入，温度矩阵作为输出的生成器，再分别将不同平面的工况数据输入所述的生成器，最终得到工业加热炉温度场。本发明大大节省了计算过程的时间空间消耗，并且能够获得实时温度场。同时，深度学习得到的映射模型具有较好的迁移能力，这为很多研究场景提供了更多更快捷的数据来源。

技术领域

本发明涉及一种工业加热炉温度场预测方法。特别是涉及一种基于数字孪生的工业加热炉温度场预测方法。

背景技术

工业加热炉是工业炼化装置的重要设备，是否安全运行直接影响到装置的使用寿命、生产能力和经济效益。工业加热炉燃烧过程不稳定，在运行过程中，可能会在随机位置出现局部超温。而工业加热炉的炉管多由易结焦工艺介质构成，若加热炉的某局部位置长时间运行在超温状态，会导致炉管损耗和破坏，因此必须采取措施优化加热炉温度场的燃烧状况。但加热炉设备庞大、环境恶劣，因此难以对有关物理量参数进行在线测量，导致燃烧调整得不到可靠的依据，燃烧优化运行难以实现，只能建立工业加热炉温度场的数字孪生模型。

数字孪生模型充分利用物理模型、传感器数据、运行历史数据等，集成多学科、多物理量、多尺度的仿真过程，在虚拟空间中完成对物理实体的映射，从而反映物理实体的运行过程。

CFD是计算流体力学(Computational Fluid Dynamics)的缩写，CFD也是数字孪生模型的一种。CFD利用数值分析的方法，解决涉及流体流动的问题。工业加热炉温度、流量等工况数据可以作为CFD计算的依据，从而可以得到工业加热炉内部的一系列点的温度计算值。 CFD可以计算出十分详尽丰富的工业加热炉三维温度场数据。但CFD计算量大，收敛慢，难以获得实时温度场。

基于深度学习的建模方法也属于数字孪生模型，它运用到深度神经网络(DeepNeural Network，简称DNN)，具有很强的近似和收敛能力。对于工业过程中复杂非线性过程，DNN 表现出很好的性能。但DNN完全由数据驱动，它的性能依赖于数据集的丰富程度。

因此有研究者提出CFD与DNN相结合的方案，即先使用CFD计算出有限的仿真温度场，并且进行数据扩充，然后将仿真温度场作为训练标签进行训练。cGAN是 GAN(GenerativeAdversarialNets，生成对抗网络)的改进版本。GAN包含生成器和判别器两部分，生成器利用输入的随机噪声生成特定的数据，判别器的作用是判断输入数据的真假，即分辨出输入数据为生成器的输出数据还是真实数据。生成器的优化目标在于生成的数据分布更接近真实数据，使得判别器无法分辨。判别器的优化目标为增强辨别能力，尽可能分辨出生成数据与真实数据。随着网络迭代次数的增加，生成器与判别器相互对抗、竞争，最终得到效果更好的生成器与判别器。cGAN在生成器和判别器的输入中加入了条件变量，对数据的生成进行条件约束，数据的生成更加具有方向性。

发明内容

本发明所要解决的技术问题是，提供一种基于数字孪生的工业加热炉温度场预测方法。

本发明所采用的技术方案是：一种基于数字孪生的工业加热炉温度场预测方法，包括如下步骤：

1)建立工业加热炉的数据集，包括工况数据和根据CFD仿真温度场确定温度场；

2)进行数据处理，包括：对工况各数据进行归一化处理、根据温度场还原炉膛平面温度云图；

3)改进cGAN网络，将cGAN网络的损失函数改为：

其中，