文孝強 苗慶龍 孫靈芳

(東北電力大學(xué))

國內(nèi)外學(xué)者按照污垢形成的主要物理/化學(xué)過程劃分，在污垢預(yù)測技術(shù)方面取得了許多成果：McGuire J和Swartzel K R提供了沉積率與表面能(或表面張力)的經(jīng)驗關(guān)系式[1]。Müller-Steinhagen H等提出了表面沉積新判據(jù)[2]。Xu Z M和Yang S R重新定義了污垢的誘導(dǎo)期[3，4]。Yang C F等提出了碳酸鈣析晶垢沉積率預(yù)測模型[5]，并對其誘導(dǎo)期內(nèi)和以后的沉積機理進行了探討[6]。Zubair S M等則從換熱器維護的統(tǒng)計策略出發(fā)提出了碳酸鈣的統(tǒng)計分析模型[7，8]，用于評估污垢費用[9]。Epstein N根據(jù)文獻[10～14]的研究，歸納出顆粒污垢 “自阻滯”現(xiàn)象的3個通用機理[15]。Yang S R等采用分形理論并運用導(dǎo)熱與逾滲的類比，建立了均勻散體導(dǎo)熱熱阻的逾滲模型[16～18]；張海林等進而應(yīng)用于具有一定顆粒分布的灰層污垢熱阻的確定，可望為顆粒污垢熱阻的預(yù)測提供可測參數(shù)表述的計算模型[19，20]。Crittenden B D等評述了該領(lǐng)域10余年的進展，并得出對化學(xué)反應(yīng)污垢的形成機理和重要的工藝過程參數(shù)影響的認(rèn)識還遠未完成，仍需要進一步研究這一結(jié)論[21]。此外，F(xiàn)ernandez-Torres M J等基于傳熱傳質(zhì)理論，得到了凝固污垢分析模型[22]。徐志明等基于污垢形成的隨機性，利用概率方法推導(dǎo)出了考慮初始污垢熱阻影響的污垢模型[23]。

經(jīng)過人們不懈努力，對污垢形成的基本物理、化學(xué)過程方面有了進一步的認(rèn)識，積累了許多寶貴污垢的資料和實驗數(shù)據(jù)[24～30]。近些年，基于知識的智能理論和方法在污垢的預(yù)測研究中得到了關(guān)注：付亞榮等利用BP網(wǎng)絡(luò)對油田地面集輸管道結(jié)垢進行預(yù)測和評判[31]。Enrique T等針對電廠煤粉鍋爐的結(jié)垢，采用BP網(wǎng)絡(luò)進行了在線監(jiān)測和預(yù)測[32]。侯迪波等針對間歇換熱設(shè)備的周期性結(jié)垢現(xiàn)象提出了一種基于模糊神經(jīng)網(wǎng)絡(luò)的周期性結(jié)垢預(yù)測方法[33]。樊紹勝和王耀南采用T-S模糊模型描述軟垢和硬垢的增長趨勢[34]。彭珍等利用三層前饋網(wǎng)絡(luò)對換熱管污垢熱阻進行預(yù)測，預(yù)測值與實測值基本吻合，誤差較小[35]。雖然不斷有研究者提出新的污垢預(yù)測模型，然而至今還沒有一個被普遍接受的模型。其原因在于污垢的形成過程過于復(fù)雜，對污垢形成的微觀機理還沒有完全認(rèn)識清楚。

偏最小二乘算法可以實現(xiàn)因變量對自變量的回歸，涵蓋自變量系統(tǒng)信息的同時，能較好地解釋因變量，解決了自變量間多重相關(guān)性情況下的建模問題，適合小樣本容量的回歸建模，可以有效排除系統(tǒng)噪聲干擾。另一方面，相對來說，環(huán)境溫度等參數(shù)的獲得比較容易，而且節(jié)省人力和物力，由溫度等參數(shù)推測污垢熱阻值可實現(xiàn)換熱設(shè)備污垢熱阻的在線監(jiān)測。因此，筆者將壁溫、流速、出、入口溫度等參數(shù)作為輸入，以光管換熱器為主要研究對象，利用偏最小二乘分析處理方法對換熱器污垢特性進行了實驗、建模和預(yù)測研究。

1 偏最小二乘算法

偏最小二乘算法為求解下列優(yōu)化問題[36，37]：

max(E0w1,F0c1)

(1)

變換為拉格朗日算法形式為：

(2)

分別對Γ求λ1，λ2，w1，c1的偏導(dǎo)數(shù)，并令其為0，則：

(3)

(4)

(5)

(6)

由上式可推導(dǎo)出：

(7)

則ζ1便是優(yōu)化問題的目標(biāo)函數(shù)值。經(jīng)過求解可得：

(8)

(9)

于是，可得E0和F0對t1的回歸方程：

(10)

(11)

用殘差矩陣E1、F1取代E0、F0，求第二個軸w2、c2以及第二個成分t2、u2，如此往復(fù)。若X的秩是A，則有：

(12)

(13)

2 實驗系統(tǒng)及污垢特性建模

2.1 實驗系統(tǒng)及樣本庫

圖1所示為實驗所搭建的光管實驗系統(tǒng)。管內(nèi)流動的是通過向自來水中添加CaCl2和Na2CO3藥品配制而成的析晶垢，硬度為800mg/L，在整個實驗過程中通過化學(xué)滴定法保持硬度不變。實驗光管外面是恒溫水浴，由溫控儀控制以實現(xiàn)水浴溫度恒定(本實驗水浴溫度維持在40℃)。緊貼管壁安裝有DS18B20、智能SCL-61D超聲波流量計以測得壁溫，出、入口溫度測點和工質(zhì)流量。實驗工質(zhì)由高位水箱流經(jīng)實驗管段時，在恒溫水浴箱中進行換熱，之后進入低位水箱。循環(huán)水被冷卻后再由泵打到高位水箱，然后再進入實驗管段，如此形成實驗工質(zhì)的循環(huán)。

圖1 光管實驗系統(tǒng)

實驗管為不銹鋼光管，有效換熱長度為2.235m，直徑為0.011m，壁厚為1.5mm。由于管壁掛垢是一個相對較緩慢的過程，實驗中通常每隔5～10min采集一次數(shù)據(jù)。實驗共采集到歷時50多個小時的130多組數(shù)據(jù)，取其中的60組作為訓(xùn)練樣本，其余作為測試樣本。

2.2 主成分的提取

對于本實驗換熱器，建立5個自變量1個因變量的污垢熱阻偏最小二乘模型。具體主成分提取過程為：

由此可知，當(dāng)提取兩個成分時，模型的預(yù)測能力最佳。因此可得標(biāo)準(zhǔn)化變量的回歸方程為：

(21)

轉(zhuǎn)換為原始變量的偏最小二乘回歸方程為：

y=(-0.1050x1-0.1163x2-0.0191x3+0.2965x4-0.1807x5+10.1330)×10-4

(22)

2.3 模型預(yù)測結(jié)果

擬合方程的訓(xùn)練誤差為3.06%。將測試樣本輸入訓(xùn)練好的擬合方程中，可得預(yù)測結(jié)果與實驗結(jié)果的對比如圖2所示，部分測試樣本預(yù)測結(jié)果見表1。

圖2 測試樣本污垢熱阻隨時間變化趨勢

采樣時間h入口溫度℃出口溫度℃壁溫1℃壁溫2℃壁溫3℃污垢熱阻×104m2·K·W-1預(yù)測值×104m2·K·W-1143．0644．4449．6551．1252．174．91685．2252343．2244．5849．8051．9252．895．31575．2964843．2744．6648．9150．5553．174．69704．84201137．2039．0748．6250．1751．646．28606．29881737．0638．8448．3949．7951．906．27616．18492236．9438．7948．2151．1151．846．15416．60902735．8937．7948．2950．4551．616．87176．67993235．9237．7648．5849．1351．596．54066．28693835．7837．7448．2149．8851．236．23856．59854135．6137．5347．8049．3551．826．62006．38484635．1837．2348．1049．0951．796．39596．38745235．3237．1848．0949．6251．416．74126．60465935．2437．2447．6250．0951．496．54066．73996635．3137．2848．6450．5851．646．59166．8266

圖3 測試樣本相對偏差

由圖3可知，計算得到的最大預(yù)測誤差δ<8.50%。測試樣本平均誤差2.92%。相對誤差較大的幾組預(yù)測值主要集中于污垢的誘導(dǎo)期前后，究其原因：一方面此時參數(shù)的變化相對較大，從樣本采集(包括訓(xùn)練樣本和測試樣本的采集，下同)角度則應(yīng)該縮短采樣時間間隔；而從刻畫和描述事物特征角度，也需要盡量多的采集能確切描述光管污垢本質(zhì)特征的樣本，才能更全面、更細(xì)致、更準(zhǔn)確地預(yù)測光管的污垢特性。

2.4 模型的驗證

為了驗證模型的預(yù)測能力，以另一運行周期的實驗數(shù)據(jù)來檢驗該預(yù)測模型的預(yù)測精度，預(yù)測結(jié)果如圖4所示，最大偏差為9.90%。

圖4 第二周期污垢熱阻隨時間變化趨勢

2.5 各自變量對預(yù)測模型的影響

2.5.1入口溫度對預(yù)測模型的影響

為了分析入口變量對預(yù)測模型預(yù)測精度的影響，保持其余條件不變，忽略擬合方程的入口變量，仍然選取上述60組訓(xùn)練樣本重新訓(xùn)練，提取主成分，以擬合PLS方程。

經(jīng)過運算，Q3=0.3136>0.0975，Q4=-0.1318<0.0975，所以取3個主成分，由此，可得原始變量的偏最小二乘回歸方程為：

y=(-0.2423x2+0.0823x3+0.1082x4+0.1562x5-

1.8134)×10-4

(23)

模型訓(xùn)練誤差為3.05%。代入測試樣本，得模型對測試樣本最大誤差為12.16%，平均相對誤差為2.76%。

2.5.2出口溫度對預(yù)測模型的影響

為了分析出口變量對預(yù)測模型預(yù)測精度的影響，保持其余條件不變，忽略擬合方程的入口變量，仍然選取上述60組訓(xùn)練樣本重新訓(xùn)練，提取主成分，以擬合PLS方程。經(jīng)過運算，Q3=0.2627>0.0975，Q4=-0.1341<0.0975，所以取3個主成分，由此，可得原始變量的偏最小二乘回歸方程為：

y=(-0.2194x1+0.0718x3+0.1100x4+0.1315x5-

1.4127)×10-4

(24)

模型訓(xùn)練誤差為3.13%。代入測試樣本，得模型對測試樣本最大誤差為11.99%，平均相對誤差為2.82%。

2.5.3壁溫對預(yù)測模型的影響

為了分析3個壁溫對預(yù)測模型預(yù)測精度的影響，保持其余條件不變，忽略擬合方程的壁溫1(或2，或3)，仍然選取上述60組訓(xùn)練樣本重新訓(xùn)練，提取主成分，以擬合PLS方程：經(jīng)過運算，分別忽略3個壁溫時，皆取兩個主成分。模型訓(xùn)練誤差為2.91%(忽略壁溫2時為3.03%，忽略壁溫3時為2.91%)。代入測試樣本，得模型對測試樣本最大誤差為7.98%(忽略壁溫2時為7.33%，忽略壁溫3時為8.41%)，平均相對誤差為2.78%(忽略壁溫2時為2.66%，忽略壁溫3時為2.75%)。

由以上討論結(jié)果可知，在本實驗條件下，忽略單一自變量時，皆減小了模型的訓(xùn)練誤差，而當(dāng)自變量取入口溫度、出口溫度、壁溫1、壁溫3時，模型對測試樣本的預(yù)測精度最高，為2.66%。此時對測試樣本的預(yù)測結(jié)果如圖5所示。圖6為該最優(yōu)模型對第二運行周期的預(yù)測結(jié)果。

圖5 四變量最優(yōu)模型預(yù)測結(jié)果

圖6 第二周期污垢熱阻隨時間的變化趨勢

此外，實驗管的尺寸及材料等因素不影響本預(yù)測模型的結(jié)構(gòu)；水浴溫度對模型的影響相對較小，也可以不予考慮[38]。

3 結(jié)束語

筆者搭建了實驗系統(tǒng)，測量并獲得了壁溫及出、入口溫度參數(shù)值，并將其作為自變量，以光管換熱器為主要研究對象，利用偏最小二乘算法建立了污垢特性預(yù)測模型。預(yù)測及驗證結(jié)果表明，該預(yù)測模型預(yù)測偏差皆小于8.5%，滿足工程實際要求，說明該方法所得污垢預(yù)測值能夠較真實地反映光管實際污垢特性，為設(shè)計和運行人員今后在已知水質(zhì)環(huán)境參數(shù)的條件下，提前預(yù)知換熱器污垢特性以便為有效地防垢、抑垢提供了行之有效的方法。通過分析各單一自變量對預(yù)測模型的影響，得出了四變量優(yōu)化預(yù)測模型，從而提高了模型的預(yù)測精度。此外，還分析了壁溫等對預(yù)測模型的影響。

[1] McGuire J，Swartzel K R.Influence of Solid Surface Energies on Macromolecular Adsorption from Milk[C].American Institute of Chemical Engineers National Meeting. USA，1987：31.

[2] Müller-Steinhagen H，Zhao Q，Helali-Zadeh A，et al.The Effect of Surface Properties on CaSO4Scale Formation during Convective Heat Transfer and Subcooled Flow Boiling[J].Can J Chem Eng，2000，78(1)：12～20.

[3] Xu Z M，Yang S R.A New Predictive Model for Particulate Fouling[C]. International Conference on Understanding Heat Exchanger Fouling And Its Mitigation.New York：Begell House Inc，1997：115～122.

[4] 徐志明，楊善讓.顆粒污垢剝蝕機制研究[J].工程熱物理學(xué)報，1998，19(5)：612～615.

[5] Yang C F，Xu D Q，Shen Z Q.Study on the Scaling Rate Model of CaCO3in Saturated Water System[J].Chin J Chem Eng，1995，3(2)：139～144.

[6] Yang C F. Mechanisms of Calcium Carbonate Scaling During and Post Induction Period[C].Fouling Mitigation of Industrial Heat-exchange Equipment. New York：Begell House Inc，1995：275～286.

[7] Zubair S M，Sheikh A K，Budair M O，et al. Statistical Analysis of CaCO3Scaling in Heat Exchanger Tubes[C]. Fouling Mitigation of Industrial Heat-exchange Equipment. New York：Begell House Inc，1995：287～297.

[8] Zubair S M，Sheikh A K，Budair M O，et al. A Maintenance Strategy for Heat-Transfer Subject to Fouling：A Probalistic Approach[J]. ASME J Heat Transf，1997，119(3)：575～580.

[9] Zubair S M，Sheikh A K，Sultan K M，et al. A Simplified Probabilistic Cost Model for Maintenance of Heat Exchangers Subject to Fouling[C].Understanding Heat Exchanger Fouling and Its Mitigation.New York：Begell House Inc，1997：401～409.

[10] Somerscales E F C，Knudsen J G. Fouling of Heat Transfer Equipment[M]. New York：Hemisphere Publishing Corp，1981：31～53.

[11] Bott T R. Fouling of Heat Exchangers[M]. Amsterdam：Elsevier，1995：72.

[12] Bowen B D，Epstein N. Fine Particle Deposition in Smooth Parallel-Plate Channels[J].J Colloid Interface Sci，1979，72(1)：81～97.

[13] Vasák F，Bowen B D，Chen C Y，et al.Particle Deposition in Laminar and Turbulent Flows[J].Can J Chem Eng，1995，73(6)：785～792.

[14] Rodliffe R S，Means F A.Factors Governing Particulate Corrosion Product Adhesion to Surfaces in Water Reactor Coolant Circuits[R].UK：CEGB Report RD/B/N4525 Berkeley Nuclear Laboratories，1979.

[15] Epstein N. Particle Deposition and Its Mitigation[C].Understanding Heat Exchanger Fouling and Its Mitigation.New York：Begell House Inc，1997：3～21.

[16] Yang S R，Zhang H L，Xu Z M.Determination of Fouling Thermal Conductivity of Ash Layer on Heating Surface[C]. Heat Transfer 2002，Proceedings of the 12th International Heat Transfer Conference.France：2002：423～428.

[17] Yang S R，Xu Z M，Zhao X T. A Fractal Model For Thermal Conductivity in a Disperse System of Even Particulates[J]. Heat Transfer Asian Research，2000，29(7)：535～543.

[18] 趙曉彤，楊善讓，徐志明. 粒徑均勻散體熱導(dǎo)率的分形描述[J].工程熱物理學(xué)報，1999，20(4)：477～481.

[19] 張海林，楊善讓，徐志明，等.提高重整化群精度的一個嘗試[J].工程熱物理學(xué)報，2003，24(6)：992～994.

[20] Yang S R，Zhang H L，Xu Z M，et al.Thermal Conductivity of Ash Layer Including Radiation Heat Transfer[C]. 3rd International Symposium on Heat Transfer Enhancement and Energy Conservation.Guangzhou：South China Univ Technology Press，2004：992～998.

[21] Crittenden B D，Kolaczkowski S T，Philips D Z.Chemical Reaction Fouling[C].Understanding Heat Exchanger Fouling and Its Mitigation.New York：Begell House Inc，1997：91～103.

[22] Fernandez-Torres M J，F(xiàn)itzgerald A M，Paterson W R，et al. A Theoretical Study of Freezing Fouling Limiting Behavior Based on A Heat and Mass Transfer Analysis[J].Chemical Engineering and Processing，2001，40(4)：335～344.

[23] 徐志明，郭淑清，楊善讓.基于概率分布的污垢模型[J].工程熱物理學(xué)報，2003，24(2)：322～324.

[24] Kern D Q，Seaton R E. A Theoretical Analysis of Thermal Surface Fouling[J]. Chemical Engineering and Processing，1959，4(5)：258～262.

[25] Zubair S M，Sheikh A K，Shaik M N.A Probabilistic Approach to the Maintenance of Heat Transfer Equipment Subject to Fouling[J]. Energy，1992，17(8)：769～776.

[26] Xu Z M，Guo S Q，Yang S R，et al.Analytical Fouling Model Based on Probabilistic Approachi[J].Journal of Engineering Thermophysics，2003，24(2)：322～324.

[27] Fan S S.Gray Theory Based on Prediction for Condenser Fouling[J].Journal of Electric Power Science and Technology，2007，22(2)：12～15.

[28] Fan S S，Wang H N.The Prediction of Fouling in Condenser Based on T-S Model[J].Chinese Journal of Sensors and Actuators，2005，18(1)：123～128.

[29] Chai H D，Wang W H，Zhang L S.The Methods Study of Fouling Prediction Using Radial Basis Function Network[J]. Journal of Northeast Dianli University(Natural Science Edition)，2006，26(4)：46～49.

[30] 王建國，邸昊，何芳.電磁頻率對污垢熱阻及電導(dǎo)率的影響[J].化工自動化及儀表，2012，39(6)：761～764.

[31] 付亞榮，王開炳，王敬缺.神經(jīng)網(wǎng)絡(luò)用于油田地面集輸管道結(jié)垢預(yù)測[J].西南石油學(xué)院學(xué)報，1999，21(2)：68～69.

[32] Enrique T，Cristóbal Cortés，Luis I D，et al. Monitoring and Prediction of Fouling in Coal-Fired Utility Boilers Using Neural Networks[J].Chemical Engineering Science，2000，60(18)：5035～5048.

[33] 侯迪波，楊麗明，周澤魁.基于模糊神經(jīng)網(wǎng)絡(luò)的周期性結(jié)垢預(yù)測方法研究[J].浙江大學(xué)學(xué)報，2004，38(3)：307～311.

[34] 樊紹勝，王耀南.基于T-S模型的冷凝器污垢預(yù)測[J].傳感技術(shù)學(xué)報，2005，18(1)：123～128.

[35] 彭珍，張充，吳立鋒，等.基于RBF神經(jīng)網(wǎng)絡(luò)的換熱管污垢熱阻預(yù)測[J].煤氣與熱力，2008，28(6)：26～28．

[36] 丁世飛，史忠植，靳奉祥.非線性迭代PLS信息模式識別算法[J].計算機工程，2008，4(1)：20～22.

[37] 文孝強，李國強，孫靈芳，等.基于偏最小二乘回歸算法的燃煤碳元素分析[J].東北電力大學(xué)學(xué)報，2012，32(3)：31～36.

[38] 徐志明，楊善讓，孫靈芳，等．波紋管污垢特性的試驗研究[J].工程熱物理學(xué)報，2001，22(4)：477～480.