Lỗ kim trong ống PTFE tạo ra tiếng rít siêu âm yếu. Độ rung của ống do sự cố sắp xảy ra có dấu hiệu âm thanh riêng. Giờ đây, hệ thống AI được gắn với một vài cảm biến âm thanh đơn giản có thể lắng nghe những âm thanh yếu ớt này và chẩn đoán nhịp tim của bộ trao đổi nhiệt, cảnh báo người vận hành về sự cố từ lâu trước khi nó trở thành một-rò rỉ ngừng hoạt động. Bộ trao đổi nhiệt dạng ống-và-ống PTFE được sử dụng rộng rãi trong các quy trình hóa học ăn mòn, dịch vụ axit và các ứng dụng có độ tinh khiết-cao. Ống của chúng trơ về mặt hóa học và không{8}}dính, nhưng chúng cũng linh hoạt và dễ bị hư hỏng cơ học do rung, mài mòn và nứt do ứng suất. Các phương pháp kiểm tra truyền thống{10}}kiểm tra độ suy giảm áp suất, kiểm tra bằng kính soi trực quan hay thậm chí là tháo bó ống-không liên tục, tốn nhiều công sức-và thường chỉ phát hiện hư hỏng sau khi nó đã làm giảm hiệu suất. Việc tích hợp trí tuệ nhân tạo với tính năng giám sát phát ra âm thanh hứa hẹn sẽ biến những con tàu thụ động, im lặng này thành tài sản tự báo cáo tích cực. cácPhát hiện hư hỏng ống PTFE phát ra âm thanh AIPhương pháp tiếp cận này liên tục lắng nghe và học cách nhận biết những âm thanh tinh vi của việc phát sinh lỗi, cho phép bảo trì dự đoán và giảm thời gian ngừng hoạt động ngoài dự kiến.
Dấu hiệu hư hỏng âm thanh trong ống PTFE
Phát xạ âm thanh (AE) đề cập đến sóng ứng suất tần số cao- được tạo ra bởi các nguồn cục bộ bên trong vật liệu hoặc cấu trúc. Trong bó ống PTFE, một số cơ chế hư hỏng tạo ra các dấu hiệu âm thanh đặc trưng:
Rò rỉ lỗ kim:Khi một chất lỏng có áp suất thoát ra qua một lỗ nhỏ trên thành ống PTFE, nó sẽ tạo ra một tia hỗn loạn tạo ra năng lượng âm thanh băng thông rộng, với hàm lượng đáng kể trong phạm vi siêu âm (30–100 kHz). Âm thanh giống như tiếng rít hoặc tiếng huýt sáo yếu ớt, tai người không nghe được nhưng có thể phát hiện được bằng cảm biến áp điện.
Ống cọ xát và băn khoăn:Các ống PTFE liền kề cọ xát với nhau hoặc vào các tấm đỡ do dòng chảy-gây ra rung động tạo ra sự phát ra âm thanh xung, không liên tục. Những tín hiệu này có thời gian tăng mạnh và nội dung tần số rộng. Khi thành ống mỏng đi, mô hình âm thanh sẽ thay đổi một cách tinh tế.
Sự hình thành và lan truyền vết nứt:PTFE là một loại polymer đàn hồi; các vết nứt vi mô hình thành dưới áp lực theo chu kỳ hoặc sự tấn công hóa học. Sự giải phóng nhanh chóng năng lượng biến dạng trong quá trình phát triển vết nứt tạo ra các vụ nổ âm thanh có biên độ cao-có thời lượng-ngắn,{2}}biên độ cao.
Dòng chảy-gây rung động:Dòng chảy bên vỏ ổn định hoặc dao động-có thể khiến toàn bộ bó ống rung lên. Rung động ban đầu thường im lặng, nhưng tác động của ống lên các giá đỡ tạo ra các sự kiện âm thanh định kỳ. Xu hướng tăng biên độ rung có thể được phát hiện trước khi hư hỏng do mỏi bắt đầu.
Mỗi nguồn trong số này có một đặc điểm âm thanh riêng biệt-có mẫu về tần số, biên độ và sự phân bố theo thời gian. Thách thức đối với việc giám sát AE truyền thống là phân biệt giữa tiếng ồn nền vô hại (ví dụ: bọt khí trong máy bơm, nhiễu loạn dòng chảy, máy móc xung quanh) và lượng phát thải liên quan đến hư hỏng thực tế-, cũng như phân loại loại và mức độ nghiêm trọng của hư hỏng.
Cách thức hoạt động của tính năng giám sát âm thanh dựa trên AI{0}}
Lắp đặt cảm biến
Cảm biến phát âm thanh nhỏ, nhạy được gắn bên ngoài trên vỏ bộ trao đổi nhiệt, tấm ống hoặc vòi vào/ra. Những cảm biến này thường là bộ chuyển đổi áp điện cộng hưởng trong phạm vi 30–150 kHz, được chọn để nhạy với tần số tạo ra do hư hỏng PTFE đồng thời tránh nhiễu cơ học có tần số thấp hơn. Nhiều cảm biến được đặt tại các vị trí chiến lược để cho phép tam giác hóa nguồn âm thanh.
Hệ thống liên tục truyền dữ liệu âm thanh thô tới bộ xử lý biên cục bộ hoặc nền tảng dựa trên đám mây. Tốc độ lấy mẫu thường là 0,5–2 MHz để ghi lại các sự kiện siêu âm với độ phân giải đủ.
Trích xuất tính năng và học máy
Mạng lưới thần kinh không thể giải thích trực tiếp các dạng sóng âm thô. Thay vào đó, chúng được chuyển hóa thànhquang phổ-biểu diễn trực quan của nội dung tần số theo thời gian. Biểu đồ phổ chuyển đổi chuỗi thời gian một{2}}một chiều thành hình ảnh hai-chiều trong đó trục x-biểu thị thời gian, tần số trục y- và cường độ màu biểu thị biên độ.
A mạng lưới thần kinh tích chập (CNN)được huấn luyện trên hàng ngàn ảnh phổ được dán nhãn. Tập dữ liệu huấn luyện bao gồm:
Hoạt động bình thường:Dòng chảy ổn định, không hư hỏng nhưng bao gồm tiếng ồn nền điển hình từ máy bơm, van và thiết bị lân cận.
Các loại thiệt hại đã biết:Được ghi lại từ các thí nghiệm được kiểm soát trong đó các ống PTFE bị cố tình làm hỏng (bị thủng, cọ xát, rung đến hỏng) trong bộ trao đổi thử nghiệm.
Dữ liệu hiện trường:Bản ghi âm từ các bộ trao đổi nhiệt đang vận hành trước, trong và sau các sự cố lỗi đã biết, được chú thích bằng hư hỏng thực tế được phát hiện trong quá trình kiểm tra tiếp theo.
CNN học cách nhận biết các kiểu riêng biệt của từng loại thiệt hại. Không giống như các hệ thống AE dựa trên ngưỡng-truyền thống dựa vào kỹ sư con người để đặt cảnh báo biên độ hoặc số lượng, mô hình AI nắm bắt các tính năng tinh vi, đa chiều mà các số liệu thống kê đơn giản không thể nhìn thấy được.
Phân loại và chẩn đoán theo thời gian thực-
Sau khi được triển khai, mô hình AI đã được đào tạo sẽ xử lý dữ liệu âm thanh mới trong thời gian-gần thực (độ trễ từ vài giây đến vài phút). Các đầu ra của hệ thống:
Lớp thiệt hại:ví dụ: "rò rỉ lỗ kim", "ống-để-hỗ trợ sự mài mòn", "phát triển vết nứt" hoặc "bình thường".
Điểm tin cậy:Xác suất (0–100%) cho biết mức độ chắc chắn của mô hình trong phân loại của nó.
Vị trí dự kiến:Bằng cách so sánh thời gian đến hoặc biên độ ở nhiều cảm biến, hệ thống có thể lập tam giác nguồn phát xạ, thường xác định chính xác ống hoặc vùng bị hỏng trong phạm vi vài cm.
AI nghe được những gì con người không thể nghe được-không chỉ vì tần số là siêu âm mà còn vì các mẫu quá phức tạp để phân tích quang phổ thủ công.
Lợi ích của AI-Giám sát âm thanh nâng cao dành cho bộ trao đổi nhiệt PTFE
Cảnh báo sớm về việc phát triển rò rỉ
Ống PTFE có thể bị hỏng do hình thành lỗ kim chậm trước khi vết rách nghiêm trọng phát triển. Rò rỉ lỗ kim ban đầu chỉ có thể tạo ra sự sụt giảm áp suất rất nhỏ và ô nhiễm chéo không đáng kể-. Sự phát ra âm thanh từ sự rò rỉ như vậy rất yếu và thường bị che khuất bởi tiếng ồn xung quanh. Một mô hình AI được đào tạo về dấu hiệu rò rỉ có thể phát hiện những tín hiệu yếu này và cảnh báo cho người vận hành vài ngày hoặc vài tuần trước khi rò rỉ trở nên nghiêm trọng đến mức buộc phải ngừng hoạt động. Điều này cho phép lập kế hoạch bảo trì trong thời gian ngừng hoạt động theo kế hoạch thay vì phản ứng với trường hợp khẩn cấp.
Phát hiện dòng chảy-Rung động gây ra
Rung động do dòng chảy gây ra là một cơ chế hư hỏng đã biết trong bó ống PTFE, đặc biệt là ở vận tốc bên của vỏ-cao hoặc khi khoảng cách giữa các tấm đỡ quá lớn. Hệ thống AI có thể liên tục giám sát-khả năng phát ra âm thanh liên quan đến rung động và theo dõi xu hướng. Nếu mô hình phát hiện sự gia tăng dần dần các sự kiện va chạm vào ống đỡ, nó có thể cảnh báo về thiệt hại đáng lo ngại sắp xảy ra. Sau đó, người vận hành có thể giảm tốc độ dòng chảy, điều chỉnh khoảng cách giữa các vách ngăn hoặc thêm các giá đỡ trung gian trong lần quay vòng tiếp theo-ngăn ngừa hỏng ống sớm.
Chạy gần hơn đến giới hạn với sự tự tin
Hiệu suất trao đổi nhiệt được cải thiện với vận tốc dòng chảy cao hơn (hệ số truyền nhiệt tốt hơn và giảm tắc nghẽn). Tuy nhiên, nguy cơ hư hỏng do rung-gây ra thường buộc phải có các giới hạn thiết kế thận trọng. Với chức năng giám sát âm thanh dựa trên AI-, bộ trao đổi nhiệt có thể được vận hành gần đến giới hạn cơ học trong khi AI lắng nghe bất kỳ dấu hiệu hư hỏng nào. Nếu phát hiện sớm rung động, hệ thống sẽ cảnh báo người vận hành giảm lưu lượng một chút, tránh hư hỏng trong khi vẫn duy trì hầu hết lợi ích về hiệu suất. Nó giống như một bác sĩ lắng nghe lồng ngực của bộ trao đổi nhiệt-chẩn đoán các vấn đề sức khỏe trước khi chúng trở nên nghiêm trọng.
Giảm chi phí kiểm tra thủ công
Việc kiểm tra bên trong định kỳ các bó ống PTFE yêu cầu tháo các đầu, kéo bó và kiểm tra trực quan từng ống-thường là hàng nghìn ống trên mỗi bộ trao đổi. Việc này tốn kém và{2}}tốn thời gian. Hệ thống âm thanh AI cung cấp khả năng chẩn đoán liên tục,{4}}theo thời gian thực có thể thay thế nhiều hoạt động kiểm tra thủ công. Chỉ khi AI báo cáo sự bất thường thì việc kiểm tra tập trung, có mục tiêu mới trở nên cần thiết, tiết kiệm đáng kể lao động và thời gian ngừng hoạt động.
Triển khai kỹ thuật và những thách thức
Lựa chọn và vị trí micrô
Mặc dù thuật ngữ "micrô" được sử dụng một cách chung chung nhưng cảm biến phát âm thanh thường là bộ chuyển đổi áp điện cộng hưởng chứ không phải micrô ghép nối với không khí thông thường. Chúng được kẹp vào vỏ kim loại hoặc tấm ống bằng gel ghép để đảm bảo truyền sóng đàn hồi hiệu quả từ bó ống đến cảm biến. Cảm biến phải chịu được nhiệt độ vỏ (có thể lên tới 150–200 độ) và môi trường ăn mòn. Cảm biến nhiệt độ-cao và phần mở rộng ống dẫn sóng hiện có sẵn cho những điều kiện như vậy.
Yêu cầu dữ liệu đào tạo
Sự thành công của bất kỳ mô hình AI nào phụ thuộc hoàn toàn vào chất lượng và số lượng dữ liệu đào tạo. Đối với hư hỏng của bộ trao đổi PTFE, việc thu thập dữ liệu âm thanh được dán nhãn là một thách thức. Nó yêu cầu thiết bị đo vận hành các bộ trao đổi nhiệt trong nhiều tháng hoặc nhiều năm, chờ đợi các lỗi thực tế và sau đó đối chiếu dữ liệu âm thanh được ghi lại với các kết quả kiểm tra. Ngoài ra, bạn có thể tiến hành thử nghiệm có kiểm soát trên các vòng lặp thử nghiệm, nhưng việc tái tạo toàn bộ phạm vi tiếng ồn nền-trong thế giới thực (máy bơm, van, nhiễu loạn) là rất khó. Những người áp dụng sớm công nghệ này đã sử dụng các phương pháp kết hợp: đào tạo về dữ liệu mô phỏng và thử nghiệm, sau đó tinh chỉnh-dữ liệu thực địa khi xảy ra lỗi.
Khả năng giải thích mô hình
CNN phân loại tín hiệu âm thanh là "rò rỉ lỗ kim" với độ tin cậy 95% là hữu ích, nhưng các kỹ sư bảo trì cũng muốn hiểu lý do tại sao mô hình lại đưa ra quyết định đó. Các kỹ thuật AI có thể giải thích được (ví dụ: bản đồ độ mặn, cơ chế chú ý) đang được tích hợp để làm nổi bật phần nào của biểu đồ phổ ảnh hưởng nhiều nhất đến việc phân loại. Điều này tạo dựng niềm tin và giúp người vận hành xác thực kết luận của AI trước khi hành động.
Tích cực sai và đáng báo động
Không có mô hình AI nào là hoàn hảo. Cảnh báo sai-khi không có hư hỏng-làm giảm sự tự tin của người vận hành và có thể khiến hệ thống bị bỏ qua. Giải pháp là thiết kế hệ thống có xác minh nhiều{4}}giai đoạn: mô hình AI tạo ra điểm nghi ngờ; nếu vượt quá ngưỡng, hệ thống sẽ yêu cầu xác nhận thứ cấp bằng thuật toán khác (ví dụ: bộ phát hiện năng lượng dựa trên quy tắc-hoặc kiến trúc mô hình khác) trước khi cảnh báo. Ngoài ra, AI có thể được lập trình để báo cáo các xu hướng (ví dụ: "xác suất rò rỉ đã tăng từ 2% lên 15% trong tuần qua") thay vì cảnh báo nhị phân, khuyến khích điều tra chủ động thay vì phản ứng hoảng loạn.
Tình trạng phát triển hiện tại
Giám sát phát xạ âm thanh dựa trên AI-cho bộ trao đổi nhiệt là một lĩnh vực mới nổi. Hầu hết các nghiên cứu được công bố đều tập trung vào các ống kim loại (ví dụ: phát hiện rò rỉ trong ống tạo hơi nước). Công việc cụ thể của PTFE-đang ở giai đoạn đầu, với các phòng thí nghiệm và một số nhà sản xuất bộ trao đổi nhiệt chuyên dụng đang phát triển hệ thống chứng minh-về-khái niệm. Một số nhà máy hóa chất đã lắp đặt hệ thống AE thử nghiệm trên bộ trao đổi PTFE như một phần của sáng kiến chuyển đổi kỹ thuật số. Các sản phẩm thương mại được tiếp thị riêng cho bộ trao đổi PTFE vẫn chưa được phổ biến rộng rãi, nhưng các nền tảng AE có mục đích chung (từ các công ty như Mistras, Vallen hoặc Physical Acoustics) có thể được điều chỉnh bằng các mô hình AI tùy chỉnh.
Yếu tố hỗ trợ chính là chi phí giảm của phần cứng điện toán biên (ví dụ: các thiết bị Raspberry Pi hoặc NVIDIA Jetson) có thể chạy suy luận mạng thần kinh cục bộ, kết hợp với các khung học sâu nguồn mở (TensorFlow, PyTorch). Một hệ thống giám sát hoàn chỉnh-bốn cảm biến, bảng thu thập dữ liệu và máy tính biên-có thể được lắp đặt với chi phí vài nghìn đô la, giúp tiết kiệm chi phí cho các bộ trao đổi quan trọng.
Tương lai:-Tự chẩn đoán thiết bị nhiệt
AI nghe được những gì con người không thể nghe được và nó học hỏi từ mọi sự kiện âm thanh. Theo thời gian, khi nhiều dữ liệu được tích lũy qua nhiều lần cài đặt, mô hình AI có thể được cải tiến liên tục. Một mô hình đám mây tập trung có thể học hỏi từ hàng nghìn bộ trao đổi, nhận ra các chế độ lỗi hiếm gặp mà một nhà máy riêng lẻ sẽ không bao giờ nhìn thấy. Cuối cùng, nhà sản xuất bộ trao đổi nhiệt có thể bao gồm các cảm biến âm thanh nhúng và chip AI tích hợp làm thiết bị tiêu chuẩn, được cung cấp cùng với mô hình cơ sở-được đào tạo trước để tiếp tục học hỏi trong quá trình vận hành.
Bảo trì dự đoán ngày càng được hỗ trợ bởi âm thanh của sự cố. Rung động, rò rỉ, ma sát và nứt đều tạo ra năng lượng âm thanh. Bằng cách áp dụng AI để diễn giải năng lượng đó, các bộ trao đổi nhiệt PTFE có thể được giám sát liên tục và không-bị xâm phạm, cung cấp khả năng chẩn đoán theo thời gian thực-mà trước đây không thể thực hiện được. Mặc dù công nghệ này vẫn đang phát triển cho các ứng dụng cụ thể của PTFE{5}}, nhưng hướng đi rất rõ ràng: bộ trao đổi nhiệt sẽ không còn là hộp thụ động, im lặng nữa. Họ sẽ nói chuyện với người vận hành, thì thầm cảnh báo về rắc rối sắp xảy ra từ rất lâu trước khi xảy ra sự cố rò rỉ-tắt.
Phần kết luận
Chức năng giám sát phát âm thanh dựa trên AI-mang đến tiềm năng biến đổi trong việc phát hiện và chẩn đoán hư hỏng ống bên trong trong bộ trao đổi ống-và-vỏ PTFE. Bằng cách ghi lại các dấu hiệu siêu âm về rò rỉ lỗ kim, độ mòn của ống, độ rung và sự phát triển của vết nứt, sau đó phân loại các mẫu này bằng cách sử dụng mạng thần kinh tích chập được huấn luyện trên các biểu đồ quang phổ có nhãn, hệ thống có thể đưa ra cảnh báo sớm về việc phát triển các lỗi, xác định chính xác vị trí của chúng và cho phép bảo trì dự đoán. Vẫn còn những thách thức-đặc biệt là nhu cầu về dữ liệu đào tạo mở rộng và tránh cảnh báo sai-nhưng chi phí cảm biến và điện toán ranh giới giảm, kết hợp với những tiến bộ trong học sâu, đang nhanh chóng biến tầm nhìn này thành hiện thực. Đối với các bộ trao đổi nhiệt PTFE hoạt động trong dịch vụ ăn mòn quan trọng, giám sát âm thanh AI hứa hẹn sẽ kéo dài tuổi thọ của thiết bị, giảm thời gian ngừng hoạt động ngoài dự kiến và cho phép vận hành gần hơn với giới hạn cơ học một cách tự tin. Bảo trì dự đoán, được hỗ trợ bởi âm thanh của sự cố, không còn là một khái niệm tương lai nữa-mà nó là một tiêu chuẩn mới nổi.
