基于LSTM算法的工业循环水在线腐蚀结垢预测系统及方法与流程
基于lstm算法的工业循环水在线腐蚀结垢预测系统及方法
技术领域
1.本发明涉及工业循环水腐蚀结垢监测领域，特别是涉及一种基于lstm算法的循环水在线腐蚀结垢预测系统。
背景技术：
2.循环水冷却系统是工业设备正常运行过程中，必不可少的的一个重要组成部分。循环水冷却系统的冷却介质基本上是水，使用流动的冷却水带走设备运行过程中产生的热量，降低设备运行过程中的温度。在工业现场的设备运行过程中，循环水冷却系统具有不间断、不停歇的特点，因此，保证循环水冷却系统能够安全正常稳定地持续运行是极其重要的。
3.循环水管道的腐蚀和结垢是循环水冷却系统中较为常见的故障。腐蚀会侵蚀管道内壁导致设备管壁变薄，结垢会产生沉积物堆积管道则影响换热器换热效率。腐蚀、结垢的产生使得循环水系统工作效率降低，从而影响生产设备的高效率使用，同时增大设备的清洗费用开支，严重时会出现管道的泄露和堵塞，致使工业系统非计划停机，造成不必要的损失。
4.目前，循环水的腐蚀和结垢速率没有可靠的在线测试装置，腐蚀和结垢的滞后性较大，导致无法准确的在线判断。因此，有必要建立一套有效的循环水腐蚀与结垢在线预测系统对循环水腐蚀与结垢倾向趋势进行科学的预测，进而指导生产稳定运行。鉴于此，提出一种基于lstm算法的循环水在线腐蚀结垢预测系统。
技术实现要素：
5.为了克服上述现有技术的不足，本发明提供基于lstm算法的循环水在线腐蚀结垢预测系统及方法，该系统在外界因素发生变化时，只需采集实时的水质指标信号，便可得出循环水系统的腐蚀结垢数据，指导生产稳定运行。
6.为了达到以上目的，本发明采用以下技术方案：
7.一种基于lstm算法的工业循环水在线腐蚀结垢预测方法，包括以下步骤：
8.获取循环水系统运行的历史水质指标和凝汽器指标、腐蚀和结垢通过腐蚀速率和粘附速率；
9.将历史水质指标和凝汽器指标和腐蚀作为训练好的lstm预测模型的输入参数，腐蚀和结垢通过腐蚀速率和粘附速率作为训练好的lstm预测模型的评价指标，对工业循环水在线腐蚀结垢进行预测；
10.输出工业循环水在线腐蚀结垢预测结果。
11.作为本发明的进一步改进，所述循环水系统运行的历史水质指标和凝汽器指标包括，ph、浊度、cod、总磷、正磷、余氯、浓缩倍率、总碱、钙离子、氯离子、镁离子、阻垢剂含量、循环水进出口温度、进汽温度。
12.作为本发明的进一步改进，lstm预测模型的训过程包括：
13.①
将原始数据经过标准化处理后，使各指标处于同一数量级，完成数据处理数据归一化；
14.②
模型训练
15.将收集的且完成数据处理数据归一化的数据作为学习数据作为lstm模型的输入参数，腐蚀和结垢通过腐蚀速率和粘附速率作为评价指标，基于梯度法对lstm模型中的权重值和偏置值进行在线寻优，训练得到lstm预测模型；
16.③
lstm模型使用测试数据测试，测试通过则得到训练好的lstm预测模型。
17.作为本发明的进一步改进，所述数据处理数据归一化是对原始数据的线性变换，使得结果映射到指定区间范围，计算方法如下：
[0018][0019]
式中，x
max
,x
min
分别为样本数据的最大值和最小值，x，x'分别为原始数据和归一化后的数据。
[0020]
作为本发明的进一步改进，所述lstm模型具有一个lstm细胞循环，通过引入输入门、遗忘门和输出门控制lstm内部信息的流动，具体实现步骤如下：
[0021]ft
＝σ(w
xf
x
t
+w
hfht-1
+bf)
[0022]it
＝σ(w
xi
x
t
+w
hiht-1
+bi)
[0023][0024][0025]ot
＝σ(w
xo
x
t
+w
hoht-1
+bo)
[0026]ht
＝o
t tanh(c
t
)
[0027]
上式中，f
t
是遗忘门的输出，σ是激活函数sigmoid，w
xf
是输入和遗忘门之间的权重；w
hf
是历史输出和遗忘门之间的权重；bf是遗忘门的偏置；i
t
是输入门的输出，w
xi
是输入和输入门之间的权重；w
hi
是历史输出和输入门之间的权重；bi是遗忘门的偏置。为候选单元状态；w
xc
是输入和单元状态之间的权重；w
hc
是历史输出和单元状态之间的权重；bc是单元状态的偏置。o
t
是输出门的输出，w
oc
是输入和输出门之间的权重；w
ho
是历史输出和输出门之间的权重；bo是输出门的偏置。x
t
表示t时刻的输入向量；h
t-1
为前一时刻的输出状态。
[0028]
一种基于lstm算法的工业循环水在线腐蚀结垢预测系统，包括：
[0029]
获取模块，用于获取循环水系统运行的历史水质指标和凝汽器指标、腐蚀和结垢通过腐蚀速率和粘附速率；
[0030]
预测模块，用于将历史水质指标和凝汽器指标和腐蚀作为训练好的lstm预测模型的输入参数，腐蚀和结垢通过腐蚀速率和粘附速率作为训练好的lstm预测模型的评价指标，对工业循环水在线腐蚀结垢进行预测；
[0031]
输出模块，用于输出工业循环水在线腐蚀结垢预测结果。
[0032]
作为本发明的进一步改进，所述获取模块中循环水系统运行的历史水质指标和凝汽器指标包括，ph、浊度、cod、总磷、正磷、余氯、浓缩倍率、总碱、钙离子、氯离子、镁离子、阻垢剂含量、循环水进出口温度、进汽温度。
[0033]
作为本发明的进一步改进，所述预测模块中，lstm预测模型的训过程包括：
[0034]
①
将原始数据经过标准化处理后，使各指标处于同一数量级，完成数据处理数据归一化；
[0035]
②
模型训练
[0036]
将收集的且完成数据处理数据归一化的数据作为学习数据作为lstm模型的输入参数，腐蚀和结垢通过腐蚀速率和粘附速率作为评价指标，基于梯度法对lstm模型中的权重值和偏置值进行在线寻优，训练得到lstm预测模型；
[0037]
③
lstm预测模型使用测试数据测试，测试通过则得到训练好的lstm预测模型。
[0038]
作为本发明的进一步改进，所述数据处理数据归一化是对原始数据的线性变换，使得结果映射到指定区间范围，计算方法如下：
[0039][0040]
式中，x
max
,x
min
分别为样本数据的最大值和最小值，x，x'分别为原始数据和归一化后的数据。
[0041]
作为本发明的进一步改进，所述lstm模型具有一个lstm细胞循环，通过引入输入门、遗忘门和输出门控制lstm内部信息的流动，具体实现步骤如下：
[0042]ft
＝σ(w
xf
x
t
+w
hfht-1
+bf)
[0043]it
＝σ(w
xi
x
t
+w
hiht-1
+bi)
[0044][0045][0046]ot
＝σ(w
xo
x
t
+w
hoht-1
+bo)
[0047]ht
＝o
t tanh(c
t
)
[0048]
上式中，f
t
是遗忘门的输出，σ是激活函数sigmoid，w
xf
是输入和遗忘门之间的权重；w
hf
是历史输出和遗忘门之间的权重；bf是遗忘门的偏置；i
t
是输入门的输出，w
xi
是输入和输入门之间的权重；w
hi
是历史输出和输入门之间的权重；bi是遗忘门的偏置。为候选单元状态；w
xc
是输入和单元状态之间的权重；w
hc
是历史输出和单元状态之间的权重；bc是单元状态的偏置。o
t
是输出门的输出，w
oc
是输入和输出门之间的权重；w
ho
是历史输出和输出门之间的权重；bo是输出门的偏置。x
t
表示t时刻的输入向量；h
t-1
为前一时刻的输出状态。
[0049]
和现有技术相比较，本发明具备如下优点：
[0050]
针对在循环冷却水处理过程复杂，受各类因素影响程度大，单一的数学模型无法对其进行描述。本发明系统在离线状态下让lstm算法对历史水质数据进行学习，建立理想的lstm预测模型，此时将该模型进行动态的水质指标输入，从而得到此时的腐蚀和结垢指标。本发明方法解决了循环水水质参数复杂，且情况多变的情况下，单纯依靠人为经验去判断循环水系统是否发生腐蚀和结垢，克服了目前腐蚀速率和粘粘速率在线测试无法长期准确测量的缺点，使用lstm预测模型进行腐蚀和结垢的预测，实现了在线“软测量”，保证了循环水系统的稳定运行。
附图说明
[0051]
图1lstm网络结构图；
[0052]
图2为训练好的模型使用测试数据测试效果图；
[0053]
图3为训练好的模型使用测试数据测试效果图；
[0054]
图4循环水在线腐蚀结垢预测系统。
具体实施方式
[0055]
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
[0056]
如图1所示，本发明提供一种基于lstm算法的工业循环水在线腐蚀结垢预测方法，包括以下步骤：
[0057]
获取循环水系统运行的历史水质指标和凝汽器指标、腐蚀和结垢通过腐蚀速率和粘附速率；
[0058]
将历史水质指标和凝汽器指标和腐蚀作为训练好的lstm预测模型的输入参数，腐蚀和结垢通过腐蚀速率和粘附速率作为训练好的lstm预测模型的评价指标，对工业循环水在线腐蚀结垢进行预测；
[0059]
输出工业循环水在线腐蚀结垢预测结果。
[0060]
发明基于lstm算法的工业循环水在线腐蚀结垢预测方法，使用工业循环水的历史数据作为训练数据，利用离线学习的方式，训练lstm预测模型，得到模型参数后，使用另一部分数据作为测试数据，测试结果合格后，将该lstm预测模型编写进工业循环水在线腐蚀结垢预测系统中；现场将循环水水质仪表信号通过通讯方式传至plc控制器，plc控制器将数据传输至opc服务器中，与工业循环水在线腐蚀结垢预测系统进行数据输入，系统给出循环水系统的腐蚀和结垢预测值，指导运行人员作出决策。
[0061]
以下举例说明本发明的具体方法。
[0062]
将循环水系统运行的历史水质指标和凝汽器指标包括，收集如下表1所示，ph、浊度、cod、总磷、正磷、余氯、浓缩倍率、总碱、钙离子、氯离子、镁离子、阻垢剂含量、循环水进出口温度、进汽温度作为lstm预测模型的输入参数，腐蚀和结垢通过腐蚀速率和粘附速率作为评价指标。
[0063]
表1循环冷却水腐蚀结垢参数列表
[0064][0065][0066]
lstm算法如框图1所示，基于梯度法对lstm模型中的权重值和偏置值进行在线寻优。具体的算法实现过程如下所示：
[0067]
①
数据处理数据归一化，归一化处理将原始数据经过标准化处理后，使各指标处于同一数量级，方便对结果进行对比分析。归一化后的数据能够加快模型求解的速度、提高模型的精度，使模型训练过程损失函数的下降趋于稳定。
[0068]
常用的归一化方法有min-max标准化。该方法是对原始数据的线性变换，使得结果映射到指定区间范围，其计算方法如式(1)所示。
[0069][0070]
式中，x
max
,x
min
分别为样本数据的最大值和最小值，x，x'分别为原始数据和归一化后的数据。考虑循环水的参数数据差异大、数据之间量纲不同的特点，直接使用原始数据训练会给模型的预测效果带来偏差，采用min-max归一化方法将所有数据归一化到[0,1]之间再进行相应模型的训练。
[0071]
②
模型训练
[0072]
lstm模型通过引入门控开关的思想，使得网络可以在较长的时间内积累有用的信
息，同时结合当前的输入去选择性的遗忘一些无用的历史信息。lstm外部循环结构与传统的循环神经网络一样，不同的是lstm内部还存在一个lstm细胞循环，通过引入输入门、遗忘门和输出门控制lstm内部信息的流动，如图1所示为lstm的细胞单元内部图。具体实现步骤如下式(2)-(7)所示
[0073]ft
＝σ(w
xf
x
t
+w
hfht-1
+bf)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0074]it
＝σ(w
xi
x
t
+w
hiht-1
+bi)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0075][0076][0077]ot
＝σ(w
xo
x
t
+w
hoht-1
+bo)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0078]ht
＝o
t
tanh(c
t
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0079]
上式中，f
t
是遗忘门的输出，σ是激活函数sigmoid，w
xf
是输入和遗忘门之间的权重；w
hf
是历史输出和遗忘门之间的权重；bf是遗忘门的偏置；i
t
是输入门的输出，w
xi
是输入和输入门之间的权重；w
hi
是历史输出和输入门之间的权重；bi是遗忘门的偏置。为候选单元状态；w
xc
是输入和单元状态之间的权重；w
hc
是历史输出和单元状态之间的权重；bc是单元状态的偏置。o
t
是输出门的输出，w
oc
是输入和输出门之间的权重；w
ho
是历史输出和输出门之间的权重；bo是输出门的偏置。x
t
表示t时刻的输入向量；h
t-1
为前一时刻的输出状态。
[0080]
将收集的数据作为学习数据进行输入，循环水的ph、浊度、cod、总磷、正磷、余氯、浓缩倍率、总碱、钙离子、氯离子、镁离子、阻垢剂含量、循环水进出口温度、进汽温度作为lstm模型的输入参数，腐蚀和结垢通过腐蚀速率和粘附速率作为评价指标。
[0081]
③
训练好的模型使用测试数据测试，得到测试效果如图2、3所示，所示数据表示lstm预测模型预测效果理想。将该预测模型保存在工业循环水在线腐蚀结垢预测系统中，待现场使用。
[0082]
本发明还提供一种基于lstm算法的工业循环水在线腐蚀结垢预测系统，包括：
[0083]
获取模块，用于获取循环水系统运行的历史水质指标和凝汽器指标、腐蚀和结垢通过腐蚀速率和粘附速率；
[0084]
预测模块，用于将历史水质指标和凝汽器指标和腐蚀作为训练好的lstm预测模型的输入参数，腐蚀和结垢通过腐蚀速率和粘附速率作为训练好的lstm预测模型的评价指标，对工业循环水在线腐蚀结垢进行预测；
[0085]
输出模块，用于输出工业循环水在线腐蚀结垢预测结果。
[0086]
其中，所述获取模块中循环水系统运行的历史水质指标和凝汽器指标包括，ph、浊度、cod、总磷、正磷、余氯、浓缩倍率、总碱、钙离子、氯离子、镁离子、阻垢剂含量、循环水进出口温度、进汽温度。
[0087]
所述预测模块中，lstm预测模型的训过程包括：
[0088]
①
将原始数据经过标准化处理后，使各指标处于同一数量级，完成数据处理数据归一化；
[0089]
②
模型训练
[0090]
将收集的且完成数据处理数据归一化的数据作为学习数据作为lstm模型的输入参数，腐蚀和结垢通过腐蚀速率和粘附速率作为评价指标，基于梯度法对lstm模型中的权
重值和偏置值进行在线寻优，训练得到lstm预测模型；
[0091]
③
lstm预测模型使用测试数据测试，测试通过则得到训练好的lstm预测模型。
[0092]
所述数据处理数据归一化是对原始数据的线性变换，使得结果映射到指定区间范围，计算方法如下：
[0093][0094]
式中，x
max
,x
min
分别为样本数据的最大值和最小值，x，x'分别为原始数据和归一化后的数据。
[0095]
所述lstm模型具有一个lstm细胞循环，通过引入输入门、遗忘门和输出门控制lstm内部信息的流动，具体实现步骤如下：
[0096]ft
＝σ(w
xf
x
t
+w
hfht-1
+bf)
[0097]it
＝σ(w
xi
x
t
+w
hiht-1
+bi)
[0098][0099][0100]ot
＝σ(w
xo
x
t
+w
hoht-1
+bo)
[0101]ht
＝o
t
tanh(c
t
)
[0102]
上式中，f
t
是遗忘门的输出，σ是激活函数sigmoid，w
xf
是输入和遗忘门之间的权重；w
hf
是历史输出和遗忘门之间的权重；bf是遗忘门的偏置；i
t
是输入门的输出，w
xi
是输入和输入门之间的权重；w
hi
是历史输出和输入门之间的权重；bi是遗忘门的偏置。为候选单元状态；w
xc
是输入和单元状态之间的权重；w
hc
是历史输出和单元状态之间的权重；bc是单元状态的偏置。o
t
是输出门的输出，w
oc
是输入和输出门之间的权重；w
ho
是历史输出和输出门之间的权重；bo是输出门的偏置。x
t
表示t时刻的输入向量；h
t-1
为前一时刻的输出状态。
[0103]
下面结合附图4对本发明的具体实施方式作进一步的说明。
[0104]
实施例
[0105]
如图4所示，将工业现场的仪表1数据通过硬接线或者rs485通讯线的方式，与控制器plc2进行通讯，plc控制器2通过opc服务器3与工业循环水在线腐蚀结垢预测系统4进行数据交换，将水质在线数据输入lstm预测模型，此时工业循环水在线腐蚀结垢预测系统可以预测出此时循环水系统的腐蚀结垢趋势，提示循环水系统运行状态，帮助运行人员作出决策。
[0106]
工业循环水在线腐蚀结垢预测系统4为本发明上述的基于lstm算法的工业循环水在线腐蚀结垢预测系统。
[0107]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。
技术特征：
1.一种基于lstm算法的工业循环水在线腐蚀结垢预测方法，其特征在于，包括以下步骤：获取循环水系统运行的历史水质指标和凝汽器指标、腐蚀和结垢通过腐蚀速率和粘附速率；将历史水质指标和凝汽器指标和腐蚀作为训练好的lstm预测模型的输入参数，腐蚀和结垢通过腐蚀速率和粘附速率作为训练好的lstm预测模型的评价指标，对工业循环水在线腐蚀结垢进行预测；输出工业循环水在线腐蚀结垢预测结果。2.根据权利要求1所述的一种基于lstm算法的工业循环水在线腐蚀结垢预测方法，其特征在于，所述循环水系统运行的历史水质指标和凝汽器指标包括，ph、浊度、cod、总磷、正磷、余氯、浓缩倍率、总碱、钙离子、氯离子、镁离子、阻垢剂含量、循环水进出口温度、进汽温度。3.根据权利要求1所述的一种基于lstm算法的工业循环水在线腐蚀结垢预测方法，其特征在于，lstm预测模型的训过程包括：
①
将原始数据经过标准化处理后，使各指标处于同一数量级，完成数据处理数据归一化；
②
模型训练将收集的且完成数据处理数据归一化的数据作为学习数据作为lstm模型的输入参数，腐蚀和结垢通过腐蚀速率和粘附速率作为评价指标，基于梯度法对lstm模型中的权重值和偏置值进行在线寻优，训练得到lstm预测模型；
③
lstm预测模型使用测试数据测试，测试通过则得到训练好的lstm预测模型。4.根据权利要求1所述的一种基于lstm算法的工业循环水在线腐蚀结垢预测方法，其特征在于，所述数据处理数据归一化是对原始数据的线性变换，使得结果映射到指定区间范围，计算方法如下：式中，x
max
,x
min
分别为样本数据的最大值和最小值，x，x'分别为原始数据和归一化后的数据。5.根据权利要求1所述的一种基于lstm算法的工业循环水在线腐蚀结垢预测方法，其特征在于，所述lstm模型具有一个lstm细胞循环，通过引入输入门、遗忘门和输出门控制lstm内部信息的流动，具体实现步骤如下：f
t
＝σ(w
xf
x
t
+w
hf
h
t-1
+b
f
)i
t
＝σ(w
xi
x
t
+w
hi
h
t-1
+b
i
))o
t
＝σ(w
xo
x
t
+w
ho
h
t-1
+b
o
)h
t
＝o
t tanh(c
t
)
上式中，f
t
是遗忘门的输出，σ是激活函数sigmoid，w
xf
是输入和遗忘门之间的权重；w
hf
是历史输出和遗忘门之间的权重；b
f
是遗忘门的偏置；i
t
是输入门的输出，w
xi
是输入和输入门之间的权重；w
hi
是历史输出和输入门之间的权重；b
i
是遗忘门的偏置；为候选单元状态；w
xc
是输入和单元状态之间的权重；w
hc
是历史输出和单元状态之间的权重；b
c
是单元状态的偏置；o
t
是输出门的输出，w
oc
是输入和输出门之间的权重；w
ho
是历史输出和输出门之间的权重；b
o
是输出门的偏置；x
t
表示t时刻的输入向量；h
t-1
为前一时刻的输出状态。6.一种基于lstm算法的工业循环水在线腐蚀结垢预测系统，其特征在于，包括：获取模块，用于获取循环水系统运行的历史水质指标和凝汽器指标、腐蚀和结垢通过腐蚀速率和粘附速率；预测模块，用于将历史水质指标和凝汽器指标和腐蚀作为训练好的lstm模型的输入参数，腐蚀和结垢通过腐蚀速率和粘附速率作为训练好的lstm预测模型的评价指标，对工业循环水在线腐蚀结垢进行预测；输出模块，用于输出工业循环水在线腐蚀结垢预测结果。7.根据权利要求6所述的一种基于lstm算法的工业循环水在线腐蚀结垢预测系统，其特征在于，所述获取模块中循环水系统运行的历史水质指标和凝汽器指标包括，ph、浊度、cod、总磷、正磷、余氯、浓缩倍率、总碱、钙离子、氯离子、镁离子、阻垢剂含量、循环水进出口温度、进汽温度。8.根据权利要求6所述的一种基于lstm算法的工业循环水在线腐蚀结垢预测方法，其特征在于，所述预测模块中，lstm预测模型的训过程包括：
①
将原始数据经过标准化处理后，使各指标处于同一数量级，完成数据处理数据归一化；
②
模型训练将收集的且完成数据处理数据归一化的数据作为学习数据作为lstm模型的输入参数，腐蚀和结垢通过腐蚀速率和粘附速率作为评价指标，基于梯度法对lstm模型中的权重值和偏置值进行在线寻优，训练得到lstm预测模型；
③
lstm预测模型使用测试数据测试，测试通过则得到训练好的lstm预测模型。9.根据权利要求8所述的一种基于lstm算法的工业循环水在线腐蚀结垢预测系统，其特征在于，所述数据处理数据归一化是对原始数据的线性变换，使得结果映射到指定区间范围，计算方法如下：式中，x
max
,x
min
分别为样本数据的最大值和最小值，x，x'分别为原始数据和归一化后的数据。10.根据权利要求8所述的一种基于lstm算法的工业循环水在线腐蚀结垢预测系统，其特征在于，所述lstm模型具有一个lstm细胞循环，通过引入输入门、遗忘门和输出门控制lstm内部信息的流动，具体实现步骤如下：f
t
＝σ(w
xf
x
t
+w
hf
h
t-1
+b
f
)
i
t
＝σ(w
xi
x
t
+w
hi
h
t-1
+b
i
))o
t
＝σ(w
xo
x
t
+w
ho
h
t-1
+b
o
)h
t
＝o
t tanh(c
t
)上式中，f
t
是遗忘门的输出，σ是激活函数sigmoid，w
xf
是输入和遗忘门之间的权重；w
hf
是历史输出和遗忘门之间的权重；b
f
是遗忘门的偏置；i
t
是输入门的输出，w
xi
是输入和输入门之间的权重；w
hi
是历史输出和输入门之间的权重；b
i
是遗忘门的偏置；为候选单元状态；w
xc
是输入和单元状态之间的权重；w
hc
是历史输出和单元状态之间的权重；b
c
是单元状态的偏置；o
t
是输出门的输出，w
oc
是输入和输出门之间的权重；w
ho
是历史输出和输出门之间的权重；b
o
是输出门的偏置；x
t
表示t时刻的输入向量；h
t-1
为前一时刻的输出状态。
技术总结
本发明公开了一种基于LSTM算法的工业循环水在线腐蚀结垢预测系统及方法，包括以下步骤：获取循环水系统运行的历史水质指标和凝汽器指标、腐蚀和结垢通过腐蚀速率和粘附速率；将历史水质指标和凝汽器指标和腐蚀作为训练好的LSTM预测模型的输入参数，腐蚀和结垢通过腐蚀速率和粘附速率作为训练好的LSTM预测模型的评价指标，对工业循环水在线腐蚀结垢进行预测；输出工业循环水在线腐蚀结垢预测结果。本发明与工业循环水在线腐蚀结垢预测系统进行数据输入，系统给出循环水系统的腐蚀和结垢预测值，指导运行人员作出决策。指导运行人员作出决策。指导运行人员作出决策。
