【Цель】 В ответ на проблему традиционного прогнозирования обратного давления воздушных охладителей, основанного на данных и в основном использующего параметры процесса с недостаточным учетом скрытых термодинамических характеристик на изображениях температурного поля ребристых труб, предлагается модель прогнозирования обратного давления на основе гибридного глубокого обучения с машинным зрением и языковой моделью. 【Метод】 На основе мульти модальных данных, состоящих из инфракрасных изображений ребристых труб и параметров работы установки, интегрируются сверточные нейронные сети (CNN), двунаправленные сети с долгой краткосрочной памятью (BiLSTM) и механизм внимания (Attention). Модель использует CNN для извлечения пространственных термальных признаков инфракрасных изображений ребристых пучков, BiLSTM — для извлечения временных признаков рабочих параметров, а механизм внимания усиливает важную информацию временных шагов. Объединение двух типов модальностей происходит на уровне признаков. Для повышения устойчивости и точности модели используется байесовская оптимизация для настройки гиперпараметров нейросети, а также улучшение качества мульти модальных данных через отбор признаков и нормализацию. 【Результаты】 Экспериментальные результаты показывают, что предложенная модель BiLSTM+CNN+Attention значительно превосходит традиционные методы машинного обучения и глубокого обучения без тепловых изображений по точности прогноза и способности к обобщению, значительно повышая точность и оперативность прогнозирования обратного давления. 【Вывод】 Результаты исследования предоставляют эффективное решение для онлайн-моделирования предиктивного управления и многоцелевой оптимизации работы холодной части воздушных охладителей.

Воздушный охладитель;Прогнозирование обратного давления;BiLSTM;CNN;Механизм внимания;Мультимодальные данные