【Ziel】 Zur Lösung des Problems, dass die herkömmliche datengestützte Vorhersage des Rückdrucks von luftgekühlten Aggregaten sich typischerweise auf Prozessparameter konzentriert und die thermodynamischen Merkmale, die in den Temperaturfeldbildern der Lamellenrohre verborgen sind, kaum berücksichtigt, wird ein rückdruckvorhersagemodell auf Basis eines hybriden Deep-Learning-Mechanismus aus maschinellem Sehen und Sprachmodell vorgeschlagen. 【Methode】 Basierend auf multimodalen Daten, die aus Infrarotbildern der Lamellenrohre und Prozessparametern der Anlage bestehen, werden ein Convolutional Neural Network (CNN), ein bidirektionales Long Short-Term Memory Netzwerk (BiLSTM) und ein Aufmerksamkeitsmechanismus (Attention) kombiniert. Das Modell verwendet CNN, um die räumlichen thermischen Merkmale der Infrarotbilder der Lamellenbündel zu extrahieren, BiLSTM zur Extraktion zeitlicher Merkmale der Betriebsparameter der Anlage, und verstärkt durch Attention kritische zeitliche Schrittinformationen, wobei auf Merkmalsebene beide Modalitäten fusioniert werden. Gleichzeitig wird zur Verbesserung der Robustheit und Genauigkeit des Modells eine Bayessche Optimierung zur Feinabstimmung der Hyperparameter des neuronalen Netzes verwendet, und durch Merkmalsauswahl und Normalisierung wird die Qualität der multimodalen Daten verbessert. 【Ergebnisse】 Experimentelle Ergebnisse zeigen, dass das vorgeschlagene BiLSTM+CNN+Attention-Modell im Vergleich zu herkömmlichem maschinellem Lernen und Deep Learning ohne Thermografie deutliche Vorteile in Genauigkeit und Generalisierungsfähigkeit aufweist und die Vorhersagegenauigkeit und Echtzeitfähigkeit des Rückdrucks erheblich verbessert. 【Fazit】 Die Forschungsergebnisse bieten eine effektive Online-Modellierungslösung für die modellprädiktive Steuerung und multiobjektive Betriebsoptimierung der Kaltseite luftgekühlter Aggregate.

Luftgekühlte Aggregate; Rückdruckvorhersage; BiLSTM; CNN; Aufmerksamkeitsmechanismus; Multimodale Daten