基于傳感網絡的熱網管路故障診斷算法研究

李鳳祥

摘要：文章針對集中供暖系統及其相關故障展開研究分析，對常見的故障診斷方法做了較為全面的調查和總結。在此基礎上，文章給出了熱力管網泄漏故障和阻塞故障診斷策略，先確定故障種類，再確定故障的位置和程度，最后，詳細設計了分類和預測的BP神經網絡結構，實現熱網管路故障診斷。

關鍵詞：供熱系統；仿真建模；BP神經網絡；故障診斷；監測預警

中圖分類號：TN929文獻標志碼：A0引言近年來，神經網絡因具有抗干擾性、泛化能力強、學習速度快等優勢，在故障分類診斷上得到越來越多的運用。本文主要研究的故障診斷算法是BP神經網絡，該網絡具有較為柔性的網絡結構，對非線性問題具有很好的映射能力，是目前神經網絡中使用最廣泛的［1］。在深入研究BP神經網絡的基礎上，本文對損失函數、動態學習率等進行了改進，結合“二分法”“進退法”等對神經節點的最優個數進行了優化。在此基礎上，分析熱網管路系統運行數據的特征，對原始樣本數據進行了預處理，建立起相應的故障診斷總體架構。

1故障診斷的架構建立數據是供熱管路故障診斷研究的基礎。首先，需要充分了解樣本數據，分析數據各特征變化趨勢以及取值范圍；再建立相關故障診斷模型；最終，實現對故障的準確判斷。

1.1運行數據的特征分析傳感網絡采集熱力管網的運行數據主要包括節點壓力、溫度以及管段流量等特征參數。當管路發生故障時，運行數據在故障位置附近設置的監測點的壓力、流量、溫度等數據值都會發生變化。各參數受影響的程度大小與距離故障點的遠近有關，距離越遠，其變化程度就越小，數據也就越接近于正常值。

1.2故障診斷的總體架構本文研究的熱力管網故障包括泄漏故障和阻塞故障，研究方法是先確定故障種類，再確定故障的位置和程度。根據上述方法設計的故障診斷模型如圖1所示，首先，需要對原始樣本數據做標準化處理，并從中選擇合適的特征參數作為算法的輸入；然后，通過改進后的BP神經網絡對供暖系統有無異常進行判斷，識別出故障所屬的類別，作為一次診斷；最后，針對不同故障輸出的具體故障位置、故障程度等信息，作為二次診斷。也就是在給定數據樣本的情況下，故障模型最終會告知有無故障，若有故障則會給出故障類型、故障位置以及故障程度等信息。這種方法能夠更好更快地對供熱管網中存在的故障隱患進行排查，保證系統運行的安全性、穩定性。

2熱網故障診斷的算法選擇在比對分析常見故障診斷算法后，本文選擇具有誤差反向傳播能力的BP神經網絡作為主要研究算法，并與極限學習機以及鄰近算法等進行比較分析，驗證研究結果的正確合理性。

2.1BP神經網絡的結構及原理

2.2其他故障的診斷方法本研究除了對BP神經網絡故障診斷進行了深入研究以外，還對比了其他較為典型的故障診斷方法：極限學習機（ELM）和鄰近算法（KNN）。

2.2.1極限學習機（ELM）極限學習機（ELM）的實現是基于Huang等［2］提出的兩個定理，當節點個數與樣本個數一樣時，則對于任意選擇的節點連接權值和閾值，該網絡算法能夠零誤差地逼近樣本數據；當網絡存在節點個數比樣本數少的隱含層時，ELM可以讓樣本誤差無限趨近于零，在一些問題中具有較好的泛化性能以及學習速率。其學習過程就是在N個訓練數據上，通過計算最小的經驗誤差來獲得一個三層隨機前饋神經網絡模型，即：

2.2.2鄰近算法（KNN）K鄰近算法（KNN）是較為經典的分類算法，其分類方式是通過比較樣本數據間的距離或相似程度來實現的［3］。KNN只需要根據已知的訓練集結果就能對未知的測試集輸出進行預測。該方法認為，在特征空間中與待預測樣本的最接近的K個數據作為輸入時，這些數據的輸出類別大多是相同的。其計算步驟如下。

3故障診斷的算法結構本文選擇BP神經網絡作為熱網故障診斷算法。針對故障診斷的特殊需求，本文對BP神經網絡神經元節點個數、損失函數進行優化改進，調整動態學習率的變化策略，確定激活函數以及隱含層數等參數的選取。對于故障類型、故障位置的多分類診斷以及對故障程度的回歸預測問題，采用不同的數據預處理方式和網絡結構。

3.1故障類型及位置診斷熱網管路故障的識別以及故障位置的判斷都屬于多分類問題，設計診斷的BP算法模型結構如下：輸入參數包含熱網內的節點壓力（61個）、溫度（29個）以及管道流量（12個）等，總共輸入個數用n表示；隱含層、輸出層激活函數分別選用Relu和Sigmoid；輸出層采用one-hot編碼，從模型的輸出值中選擇最大的作為診斷結果，即對于m個分類，如果是輸出θi最大，則認為診斷結果為類別i。對于故障分類，類別包含有正常、阻塞以及泄露；對于故障位置診斷，類別分別有故障區域1…區域40。

對于故障類型識別，網絡結構選擇單隱含層，節點個數設置為51，反向傳播使用動態修改學習率的方法，初始學習率為0.2，其他相關參數設置如下：

ReduceLROnPlateau（opt，mode='min'，factor=0.7，patience=35，min_lr=0，eps=1e-08）

對于泄露位置診斷，BP算法為雙隱含層，網絡節點個數為66；對于阻塞位置診斷，神經元個數設置為61，網絡結構選擇單隱含層，其余的網絡參數不變。

3.2故障程度預測對于熱網管路故障程度的預測屬于回歸問題，用于對其診斷的BP算法模型網絡輸入同樣包含管網中的節點壓力、溫度以及管道流量等參數，激活函數均選用Sigmoid，輸出層設計為一個節點（即故障程度值）。將輸出層輸出值與真實值比較即可判斷模型預測是否準確。

對于泄漏量預測，BP算法網絡選擇的隱含層數為2層，隱含層節點個數為54，網絡設置改進MSE的δ取值為0.001。對于阻塞程度預測，研究經過試驗對比調整合適的網絡參數，選擇的隱含層數為2層，節點個數為51，設置損失函數的δ取值為0.004。

4結語本文針對熱網管路故障診斷問題，在比較分析BP神經網絡、極限學習機ELM和鄰近算法KNN后，選用BP神經網絡進行故障診斷。并設計了網絡結構，分別對損失函數、動態學習率以及神經元最優個數搜尋方法進行了改進，同時對隱含層數、激活函數等網絡參數進行了合理的選擇及調整。

參考文獻

［1］常引.基于BP人工神經網絡的陜西省農民收入預測研究［D］.咸陽：西北農林科技大學，2008.

［2］HUANG G B，WANG D H，LAN Y.Extreme learning machines：a survey［J］.International Journal of Machine Learning & Cybernetics，2011（2）：107-122.

［3］張碩.基于KNN算法的空間手勢識別研究與應用［D］.長春：吉林大學，2017.

（編輯 沈強）

Research on fault diagnosis algorithm for heating network pipeline based on sensor networkLi? Fengxiang

（Guidao jiaotong Polytechnic Institute， Shenyang 110023， China）Abstract：? In this paper， the central heating system and its related faults are studied and analyzed， and the common fault diagnosis methods are comprehensively investigated and summarized. On this basis， the diagnosis strategy of leakage fault and blocking fault of heat pipe network is given. First， the fault type is determined， and then the location and degree of the fault are determined. The BP neural network structure of classification and prediction is designed in detail to realize the fault diagnosis of heat supply network pipeline.

Key words： Heating system; BP neural network; Fault diagnosis; Classification and prediction