水循环系统是锅炉系统中的重要单元，用于对锅炉的用水供给和冷却。贮存在沉淀水池中的水，经过过滤器材杂质过滤后送入离心泵的入口，流经泵体进行循环，离心泵则由电机进行驱动。
水循环冷却系统的工作流程是冷却水经离心泵加压后流至喷淋塔顶部的喷淋头，喷淋头在此与自下而上的冷却气体进入热交换。冷却水经换热后温度升高，在塔内积存起来，并保持一定液位，防止气体逸出。塔底的排水管排出的冷却水进入凉水塔，在凉水塔中冷却水由风扇鼓出的风进行冷却后，回到沉淀池，整个水循环一周。
水循环系统AI建模
为满足系统的稳定性，避免因突然发生故障造成系统停运，需要对常见故障进行预测。水循环系统故障包含泵体堵塞、机械故障、管道堵塞等，系统类的故障模型不仅与系统中的设备有关，还与生产工艺流程和操作指标相关，很难建立专家算法模型，因此目前尚没有成熟的专家算法。近年来随着大数据和机器学习技术的成熟，通过采集包括离心泵振动、进口压力、出口压力、出口流量、轴承温度及电机电流等参数，再通过AI机器学习算法进行建模和迭代的方式取得了相对于传统专家建模方式更好的效果。
水循环系统构建故障诊断模块，自动从该系统当前工艺参数中辨别和判断故障，既可避免控制人员对大量工艺参数进行检测，又可以使控制人员更全面地判断当前生产状态和预测将来的情况，从而及时采取有效应对措施。水循环系统的故障诊断对于现场控制人员来说是非常有用的。
神经网络是目前应用最多的AI算法，包括很多具体算法如BP神经网络和RBF神经网络等。BP神经网络是可以以任意的精度逼近任何的非线性函数，之前曾讲过这方面很多成功的应用，参见大数据||使用AI算法进行滚动轴承故障精准预测
RBF神经网络是另外一种常用算法，可以达到更快的收敛速度，本系统采用RBF神经网络。
RBF神经网络
RBF神将网络是一种三层神经网络，其包括输入层、隐层、输出层。从输入空间到隐层空间的变换是非线性的，而从隐层空间到输出层空间变换是线性的。RBF神经网络相对于BP神经网络有以下特点：
(1)更容易确定网络结构，不需要通过多次试验进行优化和选取。
(2)不存在局部极小点，可以保证网络最终收敛于全局最小点。
(3)收敛速度快。避免BP神经网络对于非线性网络，采用基于梯度的学习算法时，网络可能出现麻痹现象，使网络的收敛速度变得非常缓慢。
(4)避免了BP神经网络由于非线性网络存在局部极小点，权值的初始值可能会影响到网络最终的收敛性。
RBF神经网络流图如下：
RBF网络用RBF作为隐单元的“基”构成隐含层空间，这样就可以将输入矢量直接映射到隐空间，而不需要通过权连接。当RBF的中心点确定以后，这种映射关系也就确定了。而隐含层空间到输出空间的映射是线性的，即网络的输出是隐单元输出的线性加权和，此处的权即为网络可调参数。其中，隐含层的作用是把向量从低维度的p映射到高维度的h，这样低维度线性不可分的情况到高维度就可以变得线性可分了，主要就是核函数的思想。这样，网络由输入到输出的映射是非线性的，而网络输出对可调参数而言却又是线性的。网络的权就可由线性方程组直接解出，从而大大加快学习速度并避免局部极小问题。
系统实施步骤
通过传感器采集的数据建立锅炉水循环系统故障诊断RBF神经网络，运用该神经网络进行水循环系统的故障诊断。使用AI算法进行故障预测关键步骤如下：
1、边缘层数据采集：利使用一体化数据采集器进行现场信号采集，包括离心泵振动、进口压力、出口压力、出口流量、轴承温度、电机电流等。
进口压力、出口压力、出口流量、轴承温度、电机电流等传感器信号可以输出电压进行采集；而离心泵振动信号是采用的加速度传感器，加速度传感器输出的信号需要通过用IEPE调理模块转换为电压信号。
2、边缘层信号预处理:原始数据包含现场干扰信息，会对建模带来较大的误差，需要在边缘设备进行滤波。
3、设备云机器学习框架：选用Keras TensorFlow，Keras 可以在 Theano 、 TensorFlow和 CNTK等主流神经网络框架作为后端，实现轻量级和快速开发，几行 Keras 代码就能比原生的 TensorFlow 代码实现更多的功能。根据采集到的信息，选取70%数据作为输入样本，30%数据作为验证样本。对输出状态进行编码输出，构建BP神经网络,进行迭代训练。
8、云计算迭代：持续的训练和迭代会提高它的精确度，经过多次迭代之后达到了期望的误差值。由于神经网络需要消耗较多的计算资源，需要使用云计算的并行处理能力。
9、云计算结果可视化：通过garafana等组件进行可视化展示
参考资源
工业互联网成功融合了IT与OT技术并陆续落地应用。基于grafana的数据可视化仪表板，基于神经网络的TensorFlow深度学习框架与大数据分析，基于Docker容器的快速部署、边缘计算等技术在垂直行业工业互联网架构中得到充分展现；而振动监测与频谱分析、专家算法等设备健康诊断方案也成为互联网企业云计算的重要组成部分。
- 研华测试与测量解决方案2018Q4-振动监测与机器学习篇
- 设备云||TensorFlow深度学习框架及应用
- 设备云||Grafana可视化组件及健康诊断应用
- 机器学习||智能制造中的人工智能算法
- 机器学习||CNC健康诊断云平台智能分析系统
- 大数据||使用AI算法进行滚动轴承故障精准预测
