本发明涉及换热器故障诊断，具体涉及一种基于数据降维的换热器故障诊断方法及系统。
背景技术：
1、换热器作为现代工业中关键的热量传递设备，被广泛应用于化工、发电、食品加工、船舶和空调等多个行业。其结构的特殊性和工作环境的复杂性使得换热器在使用过程中容易出现内管束结垢、堵塞和板间泄漏等故障。这些故障不仅会降低换热器的换热效率、造成能量损失，还可能导致设备失效和生产线停产。
2、由于换热器结构的封闭性，其内部运行状态参数难以直接获取，通常只能通过测量流体在换热器进出口的状态参数来间接判断其运行状态。目前，换热器的故障诊断主要依赖于人工巡检和基于经验的判断。随着信息技术和现代控制技术的发展，数据驱动的故障诊断方法逐渐成为研究的热点。这种方法通过传感器采集数据，并运用人工智能算法进行故障识别，旨在提高诊断的准确度并降低经济成本。
3、尽管数据驱动的方法在提高故障诊断准确度方面显示出潜力，但现有的数据驱动方法仍存在一些局限性。由于传感器采集的数据维度通常较大，导致数据中存在冗余，这不仅增加了数据处理的复杂度，也影响了诊断效率。此外，高维数据中的特征往往不相互独立，这可能会引起特征之间的信息重叠，降低诊断模型的性能。
技术实现思路
1、本发明提出了一种基于数据降维的换热器故障诊断方法及系统，通过特征提取和降维解决数据维度大带来的数据冗余问题，并通过学习数据内在的表示来提高特征的独立性，从而提升故障诊断的准确性和效率。
2、为实现上述目的，本发明提供了一种基于数据降维的换热器故障诊断方法，包括以下步骤：
3、步骤s1：采集多种工况下的换热器的运行数据，根据所述运行数据以及所述运行数据对应的工况构建数据集；
4、步骤s2：提取所述数据集中数据的特征得到特征数据，对所述特征数据进行降维得到训练集，利用所述训练集训练分类模型；
5、步骤s3：采集待诊断的换热器的运行数据，提取所述待诊断的换热器的运行数据的特征，对特征进行降维得到降维数据，将所述降维数据输入训练好的分类模型，所述分类模型输出所述待诊断的换热器的状态以及所处的工况，实现换热器的故障诊断。
6、优选地，步骤s1中通过传感器采集得到换热器冷流体和热流体的进口流量、进出口温度、进口压力和进出口压力差，根据采集得到的数据计算换热器中热流体的放热量、冷流体的吸热量、冷热流体的平均温差和总传热系数，将所述冷流体和热流体的进口流量、进出口温度、进口压力和进出口压力差、热流体的放热量、冷流体的吸热量、冷热流体的平均温差、总传热系数、冷流体和热流体的温差以及热流体的放热量和冷流体的吸热量之差作为运行数据。
7、优选地，计算所述热流体的放热量和冷流体的吸热量的表达式为：
8、
9、式中，φ1为热流体的放热量；φ2为冷流体的吸热量；qm1和qm2分别为热、冷流体的质量流量；c1、c2分别为热、冷流体在进、出口温度范围内的平均定压比热容；t1'和t'2分别为热流体和冷流体的进口温度；t1”和t2"则分别表示热、冷流体的出口温度。
10、优选地，计算所述冷热流体的平均温差的表达式为：
11、
12、式中，δtm表示换热器间壁两侧流体传热的平均温差；t1'和t'2分别为热流体和冷流体的进口温度；t1”和t2"则分别表示热、冷流体的出口温度。
13、优选地，计算所述总传热系数的表达式为：
14、
15、式中，a为以换热器基管外表面为基准的传热面积；φm为换热器的平均热流量；δtm为换热器冷热流体的平均温差；φ1为热流体的放热量；φ2为冷流体的吸热量。
16、优选地，步骤s2中利用堆叠降噪自动编码器sdae对数据集进行特征提取和降维处理。
17、优选地，步骤s2中所述分类模型为随机森林模型。
18、本发明还提供了一种基于数据降维的换热器故障诊断系统，基于上述的一种基于数据降维的换热器故障诊断方法实现，包括：数据采集模块、特征提取降维模块、故障分类模块和监测模块；
19、所述数据采集模块用于采集换热器的运行数据；
20、所述特征提取降维模块对数据采集模块采集的运行数据进行特征提取和降维处理，将运行数据转换为低维特征表示；
21、所述故障分类模块根据特征提取降维模块输出的特征数据识别换热器的故障类型，实现换热器的故障诊断；
22、所述监测模块用于实时监控换热器的运行状态，确保换热器系统的稳定运行。
23、优选地，所述特征提取降维模块利用堆叠降噪自动编码器sdae对数据采集模块采集的运行数据进行特征提取和降维处理，所述堆叠降噪自动编码器sdae的无输出层包括多个隐藏层。
24、优选地，所述故障分类模块使用随机森林模型实现换热器的故障诊断。
25、本发明的有益之处至少包括：
26、1、通过对数据集进行特征提取和降维处理，可以有效地从原始数据中筛选出关键信息，去除数据中的噪声和冗余，提高模型的训练效率和诊断的准确性，使用降维后的特征数据训练分类模型，可以减少模型训练所需的时间和计算资源，同时避免了过拟合的问题；
27、2、通过在多种工况下的数据集上训练模型，提高了模型对不同工况的适应性和泛化能力，使得模型在实际应用中更为可靠。
1.一种基于数据降维的换热器故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于数据降维的换热器故障诊断方法，其特征在于：步骤s1中通过传感器采集得到换热器冷流体和热流体的进口流量、进出口温度、进口压力和进出口压力差，根据采集得到的数据计算换热器中热流体的放热量、冷流体的吸热量、冷热流体的平均温差和总传热系数，将所述冷流体和热流体的进口流量、进出口温度、进口压力和进出口压力差、热流体的放热量、冷流体的吸热量、冷热流体的平均温差、总传热系数、冷流体和热流体的温差以及热流体的放热量和冷流体的吸热量之差作为运行数据。
3.根据权利要求2所述的一种基于数据降维的换热器故障诊断方法，其特征在于：计算所述热流体的放热量和冷流体的吸热量的表达式为：
4.根据权利要求2所述的一种基于数据降维的换热器故障诊断方法，其特征在于：计算所述冷热流体的平均温差的表达式为：
5.根据权利要求2所述的一种基于数据降维的换热器故障诊断方法，其特征在于：计算所述总传热系数的表达式为：
6.根据权利要求1所述的一种基于数据降维的换热器故障诊断方法，其特征在于：步骤s2中利用堆叠降噪自动编码器sdae对数据集进行特征提取和降维处理。
7.根据权利要求1所述的一种基于数据降维的换热器故障诊断方法，其特征在于：步骤s2中所述分类模型为随机森林模型。
8.一种基于数据降维的换热器故障诊断系统，基于如权利要求1至7任一项所述的一种基于数据降维的换热器故障诊断方法实现，其特征在于，包括：数据采集模块、特征提取降维模块、故障分类模块和监测模块；
9.根据权利要求8所述的一种基于数据降维的换热器故障诊断系统，其特征在于：所述特征提取降维模块利用堆叠降噪自动编码器sdae对数据采集模块采集的运行数据进行特征提取和降维处理，所述堆叠降噪自动编码器sdae的无输出层包括多个隐藏层。
10.根据权利要求8所述的一种基于数据降维的换热器故障诊断系统，其特征在于：所述故障分类模块使用随机森林模型实现换热器的故障诊断。
