供熱管網泄漏故障診斷技術

王 業

(太原市建筑設計研究院，山西太原 030002)

1 概述

供熱管網故障診斷是利用一定的硬件或者軟件檢測工具對系統的運行狀態和異常情況做出判斷。首先要對供熱管網系統進行檢測，判斷其是否發生故障;若判斷發生故障，就要對故障類型、故障特征等信息進行綜合分析，診斷發生故障的部位及原因，及時發出報警信號并針對具體故障給出解決方案，使供熱管網及時恢復正常運行。供熱管網故障診斷是保證系統運行的可靠性與安全性的重要保障，便于供熱管網系統的優化運行管理。通常情況下，供熱管網發生的故障是可修復的。其中最常見的就是泄漏故障，引發泄漏故障的因素有很多，如設計缺陷、結構缺陷、操作維修失誤、周圍環境、自然災害、人為破壞等。

2 供熱管網泄漏故障診斷方法與研究現狀

根據診斷儀器設備和應用原理的不同，供熱管網泄漏診斷方法大體可以分為兩類:基于硬件的供熱管網泄漏診斷方法和基于軟件的供熱管網泄漏診斷方法。

2．1 基于硬件的供熱管網泄漏診斷方法

基于硬件的供熱管網泄漏診斷方法主要是根據一些聲學、光學、熱學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，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境參數進行監測以實現泄漏檢測。硬件泄漏診斷輕便靈活、設備安裝方便、適應性強，造價低廉，在早期被廣泛應用，但是這類方法易受外界干擾，抗干擾能力差，診斷結果不準確，精度低。

2．2 基于軟件的供熱管網泄漏診斷方法

基于軟件的供熱管網泄漏診斷方法是利用計算機數據采集系統實時采集供熱管網的運行參數，如流量、壓力、溫度等，把這些參數傳輸給中心控制器，然后通過一些特定的算法對實時運行參數進行分析計算得出發生泄漏的具體管道，通過一些復雜的算法還可以診斷出具體的泄漏點。隨著計算機和自動控制技術的飛速發展，出現了許多基于軟件的管網泄漏診斷方法，例如基于數學模型和基于信號處理的管網泄漏診斷方法。

3 人工智能供熱管網泄漏診斷方法

人工智能是利用計算機模擬人腦的思維活動過程來解決一些復雜問題的學科，從1956年第一次正式提出，至今已有50多年的發展歷程，特別是從20世紀80年代起，計算機技術進入了黃金發展期，人工智能技術也取得了很大的突破，例如1997年5月美國IBM公司開發的深藍超級計算機擊敗了國際象棋世界冠軍卡斯巴羅夫，用事實證明了人工智能的強大潛力。迄今為止人工智能已被廣泛應用到模式識別、專家系統、智能搜索、自動程序設計、智能控制等領域，發展成了一門應用廣泛的交叉和前沿科學。

人工智能依據其強大的信息綜合處理能力已逐漸取代其他故障診斷技術，成為目前供熱管網泄漏故障診斷研究和應用的主導方向。可以把供熱管網的泄漏故障診斷看作是一個模式識別問題，發生泄漏時，根據工況變化情況判斷確定泄漏管段和泄漏量，并對泄漏點進行定位。目前經常用于供熱管網泄漏故障診斷的人工智能方法有:專家系統法、模糊邏輯法、人工神經網絡法等。

3．1 基于專家系統的供熱管網泄漏故障診斷技術

專家系統是最早用于供熱管網泄漏診斷的人工智能方法，把針對供熱管網泄漏故障的大量專家經驗和知識存儲到樣本庫中，模擬人類專家的推理判斷過程。基于專家系統的供熱管網泄漏診斷系統由泄漏知識庫、推理機、輸入和輸出組成。泄漏知識庫由大量的管道檢漏專家經驗和規則組成，是系統的核心部分。系統輸入為管網的實時運行參數，推理機依據知識庫的知識對系統的運行參數進行邏輯分析推理得出泄漏診斷結果作為輸出。管網的知識庫由一些行業專家通過長期積累的實踐經驗構成，受專家本人主觀因素的影響，而且一般的供熱管網結構比較復雜，對于新建的供熱管網或者原供熱管網稍有變化，對應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。現在很少采用單獨的專家系統進行管網泄漏診斷。

3．2 基于模糊理論的供熱管網泄漏故障診斷技術

模糊理論是用數學方法處理復雜不確定問題的一門學科，用隸屬函數表征元素屬于某集合的概率，這樣描述模糊性問題比起經典集合論更為合理。基于模糊理論的供熱管網泄漏故障診斷技術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準來衡量管網是否發生泄漏，存在一定的模糊性。根據模糊集合論中的隸屬度函數和模糊關系矩陣來描述泄漏故障與征兆之間的關系，用精確的數字來描述泄漏故障發生的中間過渡階段的不分明性，通過建立相應的隸屬度函數即可將這種模糊性轉化為精確的數值描述。傳統的模糊推理系統只能依靠專家的知識經驗選定模糊隸屬度函數和模糊規則，而供熱管網系統一般都比較復雜，環境影響因素多，僅依靠專家經驗建立的模糊推理系統很難得到滿意的診斷結果。

傳統的模糊推理系統只能依靠專家的知識經驗選定模糊隸屬度函數和模糊規則，而供熱管網系統一般都比較復雜，環境影響因素較多，僅依靠專家經驗建立的模糊推理系統很難得到滿意的診斷結果。可以把神經網絡應用到模糊推理系統中，發揮神經網絡的自適應自學習能力，能夠進行復雜的邏輯操作和非線性映射。通過對神經網絡的訓練學習，自動產生并不斷的修正得到最佳的模糊隸屬度函數及模糊規則，避免了傳統模糊推理系統易受到人的主觀意識影響的缺陷，從而提高管網泄漏診斷系統的準確性。

3．3 基于神經網絡的供熱管網泄漏故障診斷技術

神經網絡是一種模擬人類大腦神經元信息處理過程的數學模型，雖然起步較晚，但是發展迅速，與許多學科進行交叉研究，應用范圍不斷擴大。因為其有強大的并行計算能力、自適應學習能力和聯想能力，很適合對供熱管網實時運行狀況進行分類識別和故障診斷。人工神經網絡有較強的自學習能力，當供熱管網系統復雜或數據較多時就會出現訓練速度慢、易陷入局部極小值等問題，影響診斷結果的準確度。人工神經網絡方法除了與其他智能方法結合構成管網泄漏故障診斷系統以外，還可以采取一些優化算法如遺傳優化、蟻群優化、粒子群優化等克服其收斂速度慢等缺點，得到理想的診斷結果。

綜上所述，不同的人工智能方法有各自的優缺點，將兩種優缺互補的人工智能技術結合起來彌補各自的不足之處，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展趨勢。

人工智能之所以能成功的應用于故障診斷，主要是因為其具有以下的特征:

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

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

3)容錯能力強:人工智能泄漏故障診斷技術允許學習樣本中個別樣本帶有較大的誤差甚至完全錯誤。個別樣本出現的誤差不會影響到其訓練過程，不僅可以抵抗個別輸入數據的誤差干擾，而且還能濾除一些系統噪聲，例如通過電子設備采集信號作為樣本數據，會得到設備的系統誤差的影響情況，對網絡進行修正，使其在有噪聲的環境下也能做出正確的診斷。

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

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

［3］趙桂林．區域供熱管網運行故障診斷的算法研究及系統仿真［D］．杭州:浙江大學，2004．

［4］雷翠紅．供熱管網泄漏故障診斷的研究［D］．哈爾濱:哈爾濱工業大學，2010．

［5］楊開林，郭宗周．熱力管網泄漏檢測數學模型［J］．水利學報，1996，5(5):50-56．

［6］孫 巍．供熱管網的建模分析以及水力平衡調節［D］．北京:北京化工大學，2008．

［7］郭 佳．基于BP人工神經網絡的供熱管網安全結構模型［D］．北京:北京建筑工程學院，2012．

［8］雷翠紅．供熱管網的二級BP神經網絡故障診斷［J］．哈爾濱工業大學學報，2011，42(2):75-79．