【Objetivo】 Para abordar el problema de que la predicción de la contrapresión en enfriadores de aire tradicionales basados en datos suele centrarse en el uso de parámetros del proceso, prestando poca atención a la información oculta de características termodinámicas en las imágenes del campo de temperatura de los tubos aleteados, se propone un modelo de predicción de contrapresión basado en un mecanismo híbrido de aprendizaje profundo que combina visión por máquina y modelo de lenguaje. 【Método】 Basado en datos multimodales compuestos por imágenes infrarrojas de los tubos aleteados y parámetros del proceso de la unidad, se fusionan redes neuronales convolucionales (CNN), redes neuronales de memoria a largo plazo bidireccional (BiLSTM) y mecanismos de atención (Attention). El modelo utiliza CNN para extraer características térmicas espaciales de las imágenes infrarrojas de los haces de tubos aleteados, BiLSTM para extraer características temporales de los parámetros operativos de la unidad, y refuerza la información clave de los pasos temporales mediante el mecanismo de atención, fusionando ambas modalidades en la capa de características. Al mismo tiempo, para mejorar la robustez y precisión del modelo, se realiza la optimización bayesiana de los hiperparámetros de la red neuronal y se mejora la calidad de los datos multimodales mediante selección de características y normalización. 【Resultados】 Los resultados experimentales muestran que el modelo BiLSTM+CNN+Attention propuesto tiene claras ventajas en precisión de predicción y capacidad de generalización en comparación con el aprendizaje automático tradicional y el aprendizaje profundo sin imágenes térmicas, mejorando significativamente la precisión y la oportunidad en la predicción de contrapresión. 【Conclusión】 Los resultados de la investigación ofrecen una solución efectiva de modelado en línea para el control predictivo del modelo y la optimización operativa multiobjetivo en el extremo frío de las unidades de enfriamiento por aire.

Unidades de enfriamiento por aire; Predicción de contrapresión; BiLSTM; CNN; Mecanismo de atención; Datos multimodales