РОЗРОБКА МОДЕЛІ КОНДЕНСАЦІЙНОГО КОТЛА НА ОСНОВІ МЕТОДІВ МАШИННОГО НАВЧАННЯ ДЛЯ ПОБУДОВИ ЦИФРОВОГО ДВІЙНИКА

Abstract

У статті розглянуто розроблення регресійної моделі конденсаційного котла як одного з компонентів цифрового двійника системи теплозабезпечення. ККД конденсаційного котла може сягати 96%, але він напряму залежить від споживача теплової енергії, а саме від температури зворотного теплоносія. Ефективна робота конденсаційного котла має місце лише при застосуванні низькотемпературних систем теплозабезпечення будинків із відповідними теплотехнічними характеристиками. Для забезпечення цих характеристик необхідно мати інтелектуальну систему керування. Система має відстежувати низку параметрів та обмежень, таких як температури теплоносія, витрата палива, склад димових газів, стан конструкційних матеріалів рівень конденсату тощо. Цифровий двійник конденсаційного котла має інтегрувати алгоритми керування, моделі та дані для побудови режимів експлуатації в реальному часі. Він забезпечить максимальну ефективність та ресурс обладнання при дотриманні всіх необхідних експлуатаційних обмежень. Метою дослідження є отримання статистичної моделі за допомогою методів машинного навчання, вибір та ранжування набору вхідних параметрів моделі, навчання моделей та аналіз їх точності. Регресійну модель розроблено на основі даних роботи конденсаційного котла під час експлуатації. Дані функціонування котлоагрегату, на основі яких розраховувалась модель, були зібрані під час його експлуатації, за період у 30 днів. Проведено процес навчання лінійної моделі регресії. Обрано для неї набір вхідних даних та розраховано коефіцієнти. Вхідними параметрами котла є температура зворотного теплоносія і витрата природного газу. Вихідними параметрами котла є температури вихідного теплоносія і димових газів. Для спрощення кінцевої моделі, було визначено набір вхідних параметрів що мають значущий вплив на вихідні параметри. Розраховано архітектуру регресивного дерева. Обрані моделі об’єднано ансамблевим методом «голосування». Проведено оцінку точності розрахунку моделей.