供熱管網(wǎng)泄漏故障診斷技術(shù)

王 業(yè)

(太原市建筑設(shè)計(jì)研究院，山西太原 030002)

1 概述

供熱管網(wǎng)故障診斷是利用一定的硬件或者軟件檢測工具對系統(tǒng)的運(yùn)行狀態(tài)和異常情況做出判斷。首先要對供熱管網(wǎng)系統(tǒng)進(jìn)行檢測，判斷其是否發(fā)生故障;若判斷發(fā)生故障，就要對故障類型、故障特征等信息進(jìn)行綜合分析，診斷發(fā)生故障的部位及原因，及時(shí)發(fā)出報(bào)警信號并針對具體故障給出解決方案，使供熱管網(wǎng)及時(shí)恢復(fù)正常運(yùn)行。供熱管網(wǎng)故障診斷是保證系統(tǒng)運(yùn)行的可靠性與安全性的重要保障，便于供熱管網(wǎng)系統(tǒng)的優(yōu)化運(yùn)行管理。通常情況下，供熱管網(wǎng)發(fā)生的故障是可修復(fù)的。其中最常見的就是泄漏故障，引發(fā)泄漏故障的因素有很多，如設(shè)計(jì)缺陷、結(jié)構(gòu)缺陷、操作維修失誤、周圍環(huán)境、自然災(zāi)害、人為破壞等。

2 供熱管網(wǎng)泄漏故障診斷方法與研究現(xiàn)狀

根據(jù)診斷儀器設(shè)備和應(yīng)用原理的不同，供熱管網(wǎng)泄漏診斷方法大體可以分為兩類:基于硬件的供熱管網(wǎng)泄漏診斷方法和基于軟件的供熱管網(wǎng)泄漏診斷方法。

2．1 基于硬件的供熱管網(wǎng)泄漏診斷方法

基于硬件的供熱管網(wǎng)泄漏診斷方法主要是根據(jù)一些聲學(xué)、光學(xué)、熱學(xué)等基本原理的檢漏方法，例如人工測漏法、紅外線法、放射性示蹤劑檢漏法等。

早期的泄漏診斷方法偏重于硬件泄漏的開發(fā)，主要是依靠人工或者硬件檢測儀器對管道的管壁和周圍環(huán)境參數(shù)進(jìn)行監(jiān)測以實(shí)現(xiàn)泄漏檢測。硬件泄漏診斷輕便靈活、設(shè)備安裝方便、適應(yīng)性強(qiáng)，造價(jià)低廉，在早期被廣泛應(yīng)用，但是這類方法易受外界干擾，抗干擾能力差，診斷結(jié)果不準(zhǔn)確，精度低。

2．2 基于軟件的供熱管網(wǎng)泄漏診斷方法

基于軟件的供熱管網(wǎng)泄漏診斷方法是利用計(jì)算機(jī)數(shù)據(jù)采集系統(tǒng)實(shí)時(shí)采集供熱管網(wǎng)的運(yùn)行參數(shù)，如流量、壓力、溫度等，把這些參數(shù)傳輸給中心控制器，然后通過一些特定的算法對實(shí)時(shí)運(yùn)行參數(shù)進(jìn)行分析計(jì)算得出發(fā)生泄漏的具體管道，通過一些復(fù)雜的算法還可以診斷出具體的泄漏點(diǎn)。隨著計(jì)算機(jī)和自動控制技術(shù)的飛速發(fā)展，出現(xiàn)了許多基于軟件的管網(wǎng)泄漏診斷方法，例如基于數(shù)學(xué)模型和基于信號處理的管網(wǎng)泄漏診斷方法。

3 人工智能供熱管網(wǎng)泄漏診斷方法

人工智能是利用計(jì)算機(jī)模擬人腦的思維活動過程來解決一些復(fù)雜問題的學(xué)科，從1956年第一次正式提出，至今已有50多年的發(fā)展歷程，特別是從20世紀(jì)80年代起，計(jì)算機(jī)技術(shù)進(jìn)入了黃金發(fā)展期，人工智能技術(shù)也取得了很大的突破，例如1997年5月美國IBM公司開發(fā)的深藍(lán)超級計(jì)算機(jī)擊敗了國際象棋世界冠軍卡斯巴羅夫，用事實(shí)證明了人工智能的強(qiáng)大潛力。迄今為止人工智能已被廣泛應(yīng)用到模式識別、專家系統(tǒng)、智能搜索、自動程序設(shè)計(jì)、智能控制等領(lǐng)域，發(fā)展成了一門應(yīng)用廣泛的交叉和前沿科學(xué)。

人工智能依據(jù)其強(qiáng)大的信息綜合處理能力已逐漸取代其他故障診斷技術(shù)，成為目前供熱管網(wǎng)泄漏故障診斷研究和應(yīng)用的主導(dǎo)方向?？梢园压峁芫W(wǎng)的泄漏故障診斷看作是一個模式識別問題，發(fā)生泄漏時(shí)，根據(jù)工況變化情況判斷確定泄漏管段和泄漏量，并對泄漏點(diǎn)進(jìn)行定位。目前經(jīng)常用于供熱管網(wǎng)泄漏故障診斷的人工智能方法有:專家系統(tǒng)法、模糊邏輯法、人工神經(jīng)網(wǎng)絡(luò)法等。

3．1 基于專家系統(tǒng)的供熱管網(wǎng)泄漏故障診斷技術(shù)

專家系統(tǒng)是最早用于供熱管網(wǎng)泄漏診斷的人工智能方法，把針對供熱管網(wǎng)泄漏故障的大量專家經(jīng)驗(yàn)和知識存儲到樣本庫中，模擬人類專家的推理判斷過程?；趯＜蚁到y(tǒng)的供熱管網(wǎng)泄漏診斷系統(tǒng)由泄漏知識庫、推理機(jī)、輸入和輸出組成。泄漏知識庫由大量的管道檢漏專家經(jīng)驗(yàn)和規(guī)則組成，是系統(tǒng)的核心部分。系統(tǒng)輸入為管網(wǎng)的實(shí)時(shí)運(yùn)行參數(shù)，推理機(jī)依據(jù)知識庫的知識對系統(tǒng)的運(yùn)行參數(shù)進(jìn)行邏輯分析推理得出泄漏診斷結(jié)果作為輸出。管網(wǎng)的知識庫由一些行業(yè)專家通過長期積累的實(shí)踐經(jīng)驗(yàn)構(gòu)成，受專家本人主觀因素的影響，而且一般的供熱管網(wǎng)結(jié)構(gòu)比較復(fù)雜，對于新建的供熱管網(wǎng)或者原供熱管網(wǎng)稍有變化，對應(yīng)的知識庫就需要改變，所以建立比較完善的專家知識庫很困難?，F(xiàn)在很少采用單獨(dú)的專家系統(tǒng)進(jìn)行管網(wǎng)泄漏診斷。

3．2 基于模糊理論的供熱管網(wǎng)泄漏故障診斷技術(shù)

模糊理論是用數(shù)學(xué)方法處理復(fù)雜不確定問題的一門學(xué)科，用隸屬函數(shù)表征元素屬于某集合的概率，這樣描述模糊性問題比起經(jīng)典集合論更為合理?；谀：碚摰墓峁芫W(wǎng)泄漏故障診斷技術(shù)壓力變化情況作為泄漏故障征兆，但是卻沒有精確的壓力變化度量標(biāo)準(zhǔn)來衡量管網(wǎng)是否發(fā)生泄漏，存在一定的模糊性。根據(jù)模糊集合論中的隸屬度函數(shù)和模糊關(guān)系矩陣來描述泄漏故障與征兆之間的關(guān)系，用精確的數(shù)字來描述泄漏故障發(fā)生的中間過渡階段的不分明性，通過建立相應(yīng)的隸屬度函數(shù)即可將這種模糊性轉(zhuǎn)化為精確的數(shù)值描述。傳統(tǒng)的模糊推理系統(tǒng)只能依靠專家的知識經(jīng)驗(yàn)選定模糊隸屬度函數(shù)和模糊規(guī)則，而供熱管網(wǎng)系統(tǒng)一般都比較復(fù)雜，環(huán)境影響因素多，僅依靠專家經(jīng)驗(yàn)建立的模糊推理系統(tǒng)很難得到滿意的診斷結(jié)果。

傳統(tǒng)的模糊推理系統(tǒng)只能依靠專家的知識經(jīng)驗(yàn)選定模糊隸屬度函數(shù)和模糊規(guī)則，而供熱管網(wǎng)系統(tǒng)一般都比較復(fù)雜，環(huán)境影響因素較多，僅依靠專家經(jīng)驗(yàn)建立的模糊推理系統(tǒng)很難得到滿意的診斷結(jié)果?？梢园焉窠?jīng)網(wǎng)絡(luò)應(yīng)用到模糊推理系統(tǒng)中，發(fā)揮神經(jīng)網(wǎng)絡(luò)的自適應(yīng)自學(xué)習(xí)能力，能夠進(jìn)行復(fù)雜的邏輯操作和非線性映射。通過對神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)，自動產(chǎn)生并不斷的修正得到最佳的模糊隸屬度函數(shù)及模糊規(guī)則，避免了傳統(tǒng)模糊推理系統(tǒng)易受到人的主觀意識影響的缺陷，從而提高管網(wǎng)泄漏診斷系統(tǒng)的準(zhǔn)確性。

3．3 基于神經(jīng)網(wǎng)絡(luò)的供熱管網(wǎng)泄漏故障診斷技術(shù)

神經(jīng)網(wǎng)絡(luò)是一種模擬人類大腦神經(jīng)元信息處理過程的數(shù)學(xué)模型，雖然起步較晚，但是發(fā)展迅速，與許多學(xué)科進(jìn)行交叉研究，應(yīng)用范圍不斷擴(kuò)大。因?yàn)槠溆袕?qiáng)大的并行計(jì)算能力、自適應(yīng)學(xué)習(xí)能力和聯(lián)想能力，很適合對供熱管網(wǎng)實(shí)時(shí)運(yùn)行狀況進(jìn)行分類識別和故障診斷。人工神經(jīng)網(wǎng)絡(luò)有較強(qiáng)的自學(xué)習(xí)能力，當(dāng)供熱管網(wǎng)系統(tǒng)復(fù)雜或數(shù)據(jù)較多時(shí)就會出現(xiàn)訓(xùn)練速度慢、易陷入局部極小值等問題，影響診斷結(jié)果的準(zhǔn)確度。人工神經(jīng)網(wǎng)絡(luò)方法除了與其他智能方法結(jié)合構(gòu)成管網(wǎng)泄漏故障診斷系統(tǒng)以外，還可以采取一些優(yōu)化算法如遺傳優(yōu)化、蟻群優(yōu)化、粒子群優(yōu)化等克服其收斂速度慢等缺點(diǎn)，得到理想的診斷結(jié)果。

綜上所述，不同的人工智能方法有各自的優(yōu)缺點(diǎn)，將兩種優(yōu)缺互補(bǔ)的人工智能技術(shù)結(jié)合起來彌補(bǔ)各自的不足之處，可以提高診斷精度，這種混合泄漏診斷法是泄漏診斷研究的一個發(fā)展趨勢。

人工智能之所以能成功的應(yīng)用于故障診斷，主要是因?yàn)槠渚哂幸韵碌奶卣?

1)人工智能泄漏故障診斷技術(shù)不需要建立精確的數(shù)學(xué)模型，輸入量和輸出量之間的解析關(guān)系是通過大量的學(xué)習(xí)樣本來獲得的，這樣就避免了一些復(fù)雜系統(tǒng)故障影響因素眾多、模擬過程困難的問題。

2)泛化能力強(qiáng):人工智能泄漏故障診斷技術(shù)通過對已知泄漏模式進(jìn)行學(xué)習(xí)，歸納出輸入與輸出之間的關(guān)系并儲存起來，不僅可以診斷出與學(xué)習(xí)樣本相同的故障，對于沒有學(xué)習(xí)過的未知泄漏模式，提取其故障特征與學(xué)習(xí)后存儲的信息進(jìn)行分析比較，得到對應(yīng)的故障類型。

3)容錯能力強(qiáng):人工智能泄漏故障診斷技術(shù)允許學(xué)習(xí)樣本中個別樣本帶有較大的誤差甚至完全錯誤。個別樣本出現(xiàn)的誤差不會影響到其訓(xùn)練過程，不僅可以抵抗個別輸入數(shù)據(jù)的誤差干擾，而且還能濾除一些系統(tǒng)噪聲，例如通過電子設(shè)備采集信號作為樣本數(shù)據(jù)，會得到設(shè)備的系統(tǒng)誤差的影響情況，對網(wǎng)絡(luò)進(jìn)行修正，使其在有噪聲的環(huán)境下也能做出正確的診斷。

［1］徐忠堂．發(fā)展中的中國城市集中供熱［J］．城市發(fā)展研究，2009(4):25-26．

［2］吉忠平．大型供熱管網(wǎng)安全問題的分析與思考［J］．同煤科技，2011，3(1):20-21．

［3］趙桂林．區(qū)域供熱管網(wǎng)運(yùn)行故障診斷的算法研究及系統(tǒng)仿真［D］．杭州:浙江大學(xué)，2004．

［4］雷翠紅．供熱管網(wǎng)泄漏故障診斷的研究［D］．哈爾濱:哈爾濱工業(yè)大學(xué)，2010．

［5］楊開林，郭宗周．熱力管網(wǎng)泄漏檢測數(shù)學(xué)模型［J］．水利學(xué)報(bào)，1996，5(5):50-56．

［6］孫 巍．供熱管網(wǎng)的建模分析以及水力平衡調(diào)節(jié)［D］．北京:北京化工大學(xué)，2008．

［7］郭 佳．基于BP人工神經(jīng)網(wǎng)絡(luò)的供熱管網(wǎng)安全結(jié)構(gòu)模型［D］．北京:北京建筑工程學(xué)院，2012．

［8］雷翠紅．供熱管網(wǎng)的二級BP神經(jīng)網(wǎng)絡(luò)故障診斷［J］．哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2011，42(2):75-79．