混合物理信息深度学习与容错模型预测控制器用于换热器故障检测及预测性维护

《Computers & Chemical Engineering》：Hybrid Physics-Informed Deep Learning and Fault-Tolerant Model Predictive Controller for Heat Exchanger Fault Detection and Predictive Maintenance

　　

摘要换热器是工业热系统的关键组件，由其缺陷（如结垢、泄漏和流动堵塞）引起的性能下降会严重影响运行安全和能效。本研究提出了一种基于工业过程数据并辅以基于物理的故障模拟数据混合增强的换热器故障检测、故障诊断、容错控制和预测性维护的混合智能架构。所提出的方法结合了用于时序故障检测的双向长短期记忆（BiLSTM）网络、在故障条件下维持稳定运行的容错模型预测控制（FT-MPC）策略，以及用于物理一致的传热参数预测的超网络物理信息神经网络（HxPINN）。这些模型利用模拟结垢、泄漏、堵塞以及多种同时发生故障的热水力性能偏差进行训练和评估。尽管HxPINN模型将能量平衡方程纳入学习过程以估计热负荷和总传热系数，BiLSTM模型对故障进行分类。在异常情况下，FT-MPC控制器通过利用预期的系统状态来修改控制输入并维持出口温度。为辅助维护规划，还建立了一个基于健康指数和剩余可用寿命（RUL）估计的预测性维护框架。结果表明，该系统提高了故障检测的准确性，在存在缺陷时保持控制性能，并能够实现可靠的预测性维护。为实现实时部署，整个框架还已在MATLAB/Simulink环境中实现。所建议的综合框架为工业换热器系统的智能监测、控制和维护提供了一种可靠的方法。

引言换热器是工业热系统中的关键组件，可在流体之间高效传递热量，应用于能源系统、发电、制冷和化工等领域。换热器的性能和可靠性对过程效率、能耗和运行安全具有重要影响。然而，换热器易受运行缺陷影响，包括结垢、泄漏和流动阻塞，这些缺陷会降低传热效率、增加压降，若不加处理可能导致系统失效。可靠的故障检测与诊断（FDD）以及预测性维护技术对于提高系统可靠性并降低维护成本至关重要。

近年来，人们利用基于模型和数据驱动的方法对换热器的性能监测和故障识别进行了大量研究。基于模型的故障检测方法利用换热器的热工数学模型，提供期望变量与测量变量之间的残差以进行故障诊断。结合智能技术的基于模型的故障检测与诊断框架已被证明在换热器系统的故障识别和分类中表现良好。这些方法将系统建模技术与数据驱动算法相结合，从而能够在变化的过程条件下准确检测运行异常。非线性动态建模与智能诊断方法的结合，改善了工业换热器运行中的故障分类、监测可靠性以及性能退化的早期检测（Bagyalakshmi等人，2024）。数据模型融合方法也得到了发展，通过将物理模型与数据驱动方法结合，以提高换热器系统的定量故障诊断精度（Qin等人，2024）。

随着机器学习和深度学习技术的进步，数据驱动方法已广泛应用于换热器的监测和故障检测诊断。神经网络、支持向量机和深度学习模型等机器学习方法已应用于换热器的性能预测、故障检测和预测性维护（Lee和Kim，2024；Hou等人，2025）。基于机器学习的方法在换热器建模中取得了显著成功，特别是在不同运行条件下预测热性能、检测运行故障以及建模非线性传热特性方面。与传统建模方法相比，深度学习技术展现出更优越的预测能力和灵活性，能够准确分析复杂的热动力学，并有助于工业换热器系统的智能监测与控制（Zou等人，2023）。特别是，长短期记忆（LSTM）网络已广泛应用于时间序列过程数据的建模和换热器性能退化的预测。最近的研究将物理性能指标，如对数平均温差（LMTD），与LSTM模型相结合，以预测换热器性能退化并支持预测性维护策略（Kim等人，2025）。尽管数据驱动模型具有较高的预测精度，但它们通常缺乏物理可解释性，并且当运行条件改变时可能产生不切实际的预测。通过将能量平衡和传热方程等物理规则纳入神经网络训练，已创建了物理信息机器学习模型来克服这一限制。已成功利用物理信息神经网络（PINNs）和物理信息长短期记忆（LSTM）模型对换热器性能进行建模和预测，这提高了在有限数据条件下预测的准确性和鲁棒性（Tang等人，2025）。此外，近期研究表明，基于超网络的PINN模型可用于换热器系统的数字孪生应用和实时健康监测，从而实现快速预测和预测性维护（Majumdar等人，2022）。

除故障检测和监测外，在故障条件下维持工业过程系统的稳定运行也很重要。模型预测控制（MPC）作为一种高级控制策略，因其在非线性条件和约束下处理多变量系统和过程约束的能力，在过程工业中广泛应用。近期关于先进过程控制系统的研究强调，将机器学习模型与预测控制策略相结合，可以改善工业热系统的性能、容错能力和能效（Zou等人，2023）。即使在异常运行条件和扰动下，将故障信息整合到预测控制框架中的容错控制技术也能保持系统的性能和稳定性。

尽管大量研究分别探讨了故障检测、物理信息建模和模型预测控制，但很少有研究将这些技术整合为一个统一框架，用于工业换热器的故障诊断、热性能预测、预测性维护和容错控制的同时实现。此外，现有研究很少在单一架构中将工业运行数据与物理信息深度学习和自适应控制结合起来。

在本研究中，提出了一种结合双向长短期记忆（BiLSTM）、超网络物理信息神经网络（HxPINN）和容错模型预测控制器（FT-MPC）的混合智能框架，用于管壳式换热器的故障检测、预测性维护和容错控制。其中，BiLSTM模型利用过程时间序列数据进行故障识别和分类，HxPINN模型确保传热参数（如热负荷和总传热系数）的物理一致性预测。FT-MPC控制器利用预期的系统状态和故障信息，在故障条件下维持出口温度和系统稳定性。此外，还利用健康指数和剩余可用寿命构建了预测性维护框架。所建议的框架提供了一整套用于工业换热器系统智能监测、控制和维护的集成方法。此外，本研究通过连接机器学习、热力学和控制工程，为开发实现数字孪生、自适应和强韧的过程系统做出贡献，以满足工业4.0在效率、安全和可持续性方面的目标。

章节片段

换热器本研究所考虑的系统是用作化肥工业制冷过程中氨水冷却器的管壳式换热器。换热器因其机械坚固性、高传热效率、易于维护以及能够在高温高压条件下运行，在化学和过程工业中广泛应用。在管壳式换热器结构中，一种流体通过管子（管侧），而另一种流体通过

换热器的数学建模换热器的数学模型基于能量平衡和传热原理开发。冷热流体之间的传热量使用能量平衡方程计算为Q=mh˙Cp,h(Th,in?Th,out)=mc˙Cp,c(Tc,out?Tc,in)其中Q是传热量，m˙是质量流量，Cp是比热容。

传热量也可以用总传热系数和对数平均温差表示

所提出的混合监测控制框架概述本研究提出了一个集成混合框架，用于工业管壳式换热器的故障检测、热性能预测、预测性维护和容错控制，并使用实际过程数据。该框架将数据驱动深度学习与物理信息建模相结合，以提高在退化运行条件下诊断的可靠性、预测的准确性和控制的鲁棒性。

工作流从工业数据获取开始，随后进行数据

MATLAB-Simulink实现与实时部署可行性所提出的框架在MATLAB-Simulink环境中实现，以评估其在工业换热器监测和控制中的实时适用性。该实现将故障检测、热性能预测和容错控制模块集成在一个闭环仿真架构内，从而实现数据驱动模型与过程动力学之间的持续交互。工业时间序列测量数据经过预处理后顺序输入到

工业数据分析与故障模拟所提出的混合框架使用在正常运行条件下获得的管壳式换热器工业运行数据，以及物理模拟的故障场景（包括结垢、管泄漏和流动堵塞）进行评估。数据集包括关键的热力和水力变量，如进出口温度、质量流量、压降、热负荷和总传热系数。所收集的数据经过预处理和特征

结论本研究开发了一个混合智能框架，集成了基于BiLSTM的故障诊断、基于HxPINN的热性能预测、预测性维护和基于FT-MPC的容错控制，用于工业换热器系统。所提出的架构将数据驱动学习与基于物理的知识相结合，从而在不同的运行条件下实现可靠的监测、预测和控制。

所提出的BiLSTM-HxPINN框架有效地识别了正常和故障

CRediT作者贡献声明Fathimath Shafna P T：写作–审阅与编辑，写作–原稿撰写，项目管理，方法论，概念化。Manilal A M：写作–审阅与编辑，写作–原稿撰写，指导，概念化。Fathimath Shafna P T|Manilal A M