基于联合学习的蒸发器维护方法、装置和终端设备制造方法及图纸

本发明专利技术适用于能源设备维护技术领域，提供了基于联合学习的蒸发器维护方法、装置和终端设备，该方法包括：获取蒸发器完成液的历史浓度的分析报告；根据多种完成液分析方法，分别确定分析报告中各种离子浓度对应的蒸发器状态的标记，得到与完成液分析方法相同数量的样本数据集合；在联合学习架构下，将各个样本数据集合加入联合学习，根据联合学习建立用于预测各离子浓度与蒸发器状态的概率的全局模型；利用全局模型对蒸发器的完成液分析报告的预测结果对蒸发器进行维护。本发明专利技术通过完成液的分析来对蒸发器进行预测性维护，在联合学习架构下将多种完成液分析方法得到的分析结果进行融合，以得到更精确的预测结果。以提高蒸发器的维护效率。

【技术实现步骤摘要】
基于联合学习的蒸发器维护方法、装置和终端设备
本专利技术属于能源设备维护
，尤其涉及一种基于联合学习的蒸发器维护方法、装置和终端设备。
技术介绍
蒸发器就是用加热的方法，将原料液中含有不挥发性溶质的溶液加热至沸腾状况，使部分溶剂汽化并被移除，从而提高溶剂中溶质浓度。在化学工业、食品工业、制药等工业中，蒸发操作被广泛应用。例如：电解烧碱液的浓缩，食糖水溶液的浓缩及各种果汁的浓缩，有机磷农药苯溶液的浓缩脱苯，中药生产中酒精浸出液的蒸发，海水淡化等。生产的过程中，目前现场是通过事后判断，确定蒸发器是否因为结垢等因素造成能源浪费，能源耗量显著增加后才开始按照预定的方案，安排对蒸发器的关键部位进行清洗等维护。这样事后维护时，现状已经造成蒸发器换热效率降低，能源浪费已经既成事实，并且对生产经营造成一定的损伤，因此在此环节拥有一定比例的节能优化空间。
技术实现思路
有鉴于此，本专利技术实施例提供了一种基于联合学习的蒸发器维护方法、装置和终端设备，以解决蒸发器现有维护工作效率不高的问题。本专利技术实施例的第一方面，提供了一种基于联合学习的蒸发器维护方法，其包括：获取蒸发器完成液的历史浓度的分析报告；根据多种完成液分析方法，分别确定所述分析报告中各种离子浓度对应的蒸发器状态的标记，得到与所述完成液分析方法相同数量的样本数据集合；在联合学习架构下，将各个所述样本数据集合加入联合学习，根据所述联合学习建立用于预测各离子浓度与蒸发器状态的概率的全局模型；利用所述全局模型对蒸发器的完成液分析报告的预测结果对蒸发器进行维护。在一些可选实施例中，还包括：获取根据全局模型的预测结果对蒸发器进行维护的反馈结果；根据所述反馈结果更新所述样本数据集合或全局模型。在一些可选实施例中，所述在联合学习架构下，将各个所述样本数据集合加入联合学习，根据所述联合学习建立用于预测各离子浓度与蒸发器状态的概率的全局模型，包括：在联合学习架构下，将各个所述样本数据集合作为联合学习的参与方，从联合方下载最新的全局模型；各个参与方在本地利用自身拥有的所述样本数据集合对所述全局模型进行训练，将训练后的全局模型的梯度数据上传至联合方，所述联合方聚合各个参与方的梯度数据更新所述全局模型；接收联合方返回更新后的全局模型；各个参与方各自更新返回的所述全局模型。在一些可选实施例中，所述联合方中的全局模型包括聚类算法模型。在一些可选实施例中，所述聚类算法模型包括kmeans算法模型。在一些可选实施例中，所述完成液分析方法包括：结垢指数、饱和指数、稳定指数、饱和指数和饱和指数中的任一种或多种的组合。在一些可选实施例中，所述蒸发器状态包括：结垢、腐蚀或稳定中任一种状态。本专利技术实施例的第二方面，提供了一种基于联合学习的蒸发器维护装置，其包括：历史分析数据获取模块，用于获取蒸发器完成液的历史浓度的分析报告；历史分析数据标记模块，用于根据多种完成液分析方法，分别确定所述分析报告中各种离子浓度对应的蒸发器状态的标记，得到与所述完成液分析方法相同数量的样本数据集合；联合学习模型建立模块，用于在联合学习架构下，将各个所述样本数据集合加入联合学习，根据所述联合学习建立用于预测各离子浓度与蒸发器状态的概率的全局模型；蒸发器预测维护模块，用于利用所述全局模型对蒸发器的完成液分析报告的预测结果对蒸发器进行维护。本专利技术实施例的第三方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面中任一项所述方法的步骤。本专利技术实施例的第四方面，提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面中任一项所述方法的步骤。本专利技术实施例与现有技术相比存在的有益效果是：本专利技术通过完成液的分析来对蒸发器进行预测性维护，将多种完成液分析方法综合起来，利用联合学习和人工智能算法来对不同完成液分析方法得到的结果进行归类，将数量最多的结果作为最后的预测结果，以得到更精确的预测结果。进而利用该预测结果对蒸发器进行维护，以此来提高对蒸发器维护的效率。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。图1是实施例一提供的基于联合学习的蒸发器维护方法的实现流程；图2是不同温度时离子强度μ与修正系数K关系图；图3是实施例二提供的基于联合学习的蒸发器维护装置的结构示意图；图4是本实施例三提供的可以应用本专利技术基于联合学习的蒸发器维护方法和装置的终端设备示意图。具体实施方式以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本专利技术实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本专利技术。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本专利技术的描述。为了说明本专利技术所述的技术方案，下面通过具体实施例来进行说明。实施例一图1为实施例一提供的基于联合学习的蒸发器维护方法的实现流程。其中，如图1所示，该基于联合学习的蒸发器维护方法，具体包括以下步骤S01-S04。S01，获取蒸发器完成液的历史浓度的分析报告。具体的，所述分析报告包括对完成液中各种离子的浓度分析结果。S02，根据多种完成液分析方法，分别确定所述分析报告中各种离子浓度对应的蒸发器状态的标记，得到与所述完成液分析方法相同数量的样本数据集合。其中，所述蒸发器状态包括结垢、腐蚀或稳定中任一种状态。具体的，所述完成液分析方法就是用于确定完成液报告中各离子浓度对应的结垢/腐蚀/稳定状态。需要说明的是，所述完成液分析方法皆是现有分析方法。例如，所述完成液分析方法可以包括但不限于以下任一种或多种方法：1、Stiffs&Davis饱和指数。Stiffs&Davis饱和指数主要应用在CaCO3的结垢预测趋势。其公式为：SI＝pH-K-pCa-pAIK，具体的，判断依据为：当SI＞0时，有结垢趋势；当SI＝0时，临界状态；当SI＜0时，无结垢趋势。其中，SI表示饱和指数，pH表示水样pH值；pCa表示Ca离子浓度的负对数，pAIK表示总碱度的负对数，K表示修正系数，由不同温度时离子强度μ与修正系数K关系图可查得，如图2所示。2、Oddo-Tomson饱和指数。该方法主要用于计算预测硫酸盐垢。公式为：Is＝lg{[Me][An]/Kc(T，P，Si)}，其中，Is为饱和指数；[Me]为阳离子浓度；[An]为阴离子浓度；T为温度，℃；P为压力，MPa；Si为离本文档来自技高网...

【技术保护点】
1.一种基于联合学习的蒸发器维护方法，其特征在于，包括：/n获取蒸发器完成液的历史浓度的分析报告；/n根据多种完成液分析方法，分别确定所述分析报告中各种离子浓度对应的蒸发器状态的标记，得到与所述完成液分析方法相同数量的样本数据集合；/n在联合学习架构下，将各个所述样本数据集合加入联合学习，根据所述联合学习建立用于预测各离子浓度与蒸发器状态的概率的全局模型；/n利用所述全局模型对蒸发器的完成液分析报告的预测结果对蒸发器进行维护。/n

【技术特征摘要】
1.一种基于联合学习的蒸发器维护方法，其特征在于，包括：
获取蒸发器完成液的历史浓度的分析报告；
根据多种完成液分析方法，分别确定所述分析报告中各种离子浓度对应的蒸发器状态的标记，得到与所述完成液分析方法相同数量的样本数据集合；
在联合学习架构下，将各个所述样本数据集合加入联合学习，根据所述联合学习建立用于预测各离子浓度与蒸发器状态的概率的全局模型；
利用所述全局模型对蒸发器的完成液分析报告的预测结果对蒸发器进行维护。


2.根据权利要求1所述的基于联合学习的蒸发器维护方法，其特征在于，还包括：
获取根据全局模型的预测结果对蒸发器进行维护的反馈结果；
根据所述反馈结果更新所述样本数据集合或全局模型。


3.根据权利要求1所述的基于联合学习的蒸发器维护方法，其特征在于，所述在联合学习架构下，将各个所述样本数据集合加入联合学习，根据所述联合学习建立用于预测各离子浓度与蒸发器状态的概率的全局模型，包括：
在联合学习架构下，将各个所述样本数据集合作为联合学习的参与方，从联合方下载最新的全局模型；
各个参与方在本地利用自身拥有的所述样本数据集合对所述全局模型进行训练，将训练后的全局模型的梯度数据上传至联合方，所述联合方聚合各个参与方的梯度数据更新所述全局模型；
接收联合方返回更新后的全局模型；
各个参与方各自更新返回的所述全局模型。


4.根据权利要求3所述的基于联合学习的蒸发器维护方法，其特征在于，所述联合方中的全局模型包括聚类算法模型。

【专利技术属性】
技术研发人员：张燧，
申请(专利权)人：新智数字科技有限公司，
类型：发明
国别省市：北京;11