張 建 軍
(太原市建筑設計研究院,山西 太原 030000)
供熱管網泄漏故障診斷技術的研究
張 建 軍
(太原市建筑設計研究院,山西 太原 030000)
對目前現(xiàn)有的供熱管網檢漏技術進行了介紹,分析了供熱管網泄漏的原因,提出了一種基于BP神經網絡的供熱管網泄漏故障診斷模型,指出其不僅可以診斷出泄漏管段和泄漏量,還可以定位泄漏點。
供熱管網,泄漏診斷,BP神經網絡
隨著社會經濟的快速發(fā)展,人們對生活水平和品質的要求日益提高。節(jié)能、方便、環(huán)保的城市集中供熱局部取代了原先傳統(tǒng)的小型供熱方式,在我國達到國家冬季采暖要求的大中型城市幾乎都已經建設了城市集中供熱系統(tǒng),甚至一些縣、鎮(zhèn)、新型農村都在逐步建設并完善其城市供熱系統(tǒng)。供熱管網熱源也由傳統(tǒng)的小型鍋爐等單熱源發(fā)展成為區(qū)域鍋爐房、熱電廠等多熱源,供熱方式由枝狀管網供熱發(fā)展為環(huán)狀管網供熱,供熱能力和范圍都有了顯著的提升。
隨著供熱系統(tǒng)不斷擴大,系統(tǒng)越來越復雜,水力工況的變化情況也越來越難控制,因此供熱管網的故障時有發(fā)生。供熱管網受到運行時間、管道材料、局部構件質量、外界環(huán)境、自然災害等因素的影響,管道內外腐蝕、管道下沉、鄰近其他管道的泄漏、管道焊縫開裂、閥門、波紋管補償器腐蝕破損等現(xiàn)象造成管網故障,其中最常見的就是泄漏故障。供熱管網泄漏會造成不必要的熱量損耗、水資源的流失,還會直接影響到人民的生活質量,造成嚴重的經濟損失。供熱管網發(fā)生泄漏故障的時間和地點大多無規(guī)律所尋,傳統(tǒng)的人工檢漏方法耗時長,需要花費較大的人力和物力,而且檢漏準確度低、可靠性差。為了提高供熱質量,保證供熱系統(tǒng)運行的可靠性和安全性,尋求一種準確、快速的診斷和定位供熱管網泄漏故障的技術勢在必行。
城市供熱管道泄漏一般是由管道故障和元部件故障引起的,管道故障有管道腐蝕、焊縫破裂等,元部件故障主要包括閥門和補償器故障。
1.1 管道故障
1)管道腐蝕。
一般管段腐蝕為電化學腐蝕、化學腐蝕和雜散電流腐蝕,熱媒溫度越高、管徑越小的管段,發(fā)生腐蝕的概率越大,管道腐蝕是供熱管網發(fā)生故障的主要原因。
2)焊縫破裂。
供熱管網大部分管道都敷設在地下,由于氣候溫度變化引起土層的不均勻脹縮、升降,導致管道焊口、鑄鐵管機械接口處受到剪切力的破壞,或者由于氣溫的驟變、違章建筑物壓占管線、重車碾壓導致管道發(fā)生斷裂。
1.2 元部件故障
1)閥門故障。
由于閥門閥體腐蝕、閥門法蘭泄漏、開關失靈、絲杠腐蝕等原因而造成閥門損壞發(fā)生故障,閥門閥體腐蝕和法蘭泄漏是導致閥門損壞的主要原因。
2)補償器損壞。
補償器中易發(fā)生故障的是波紋管補償器,因為其由不銹鋼制成,水中所含的氯離子使波紋管發(fā)生腐蝕,導致補償器多層被腐蝕穿透,出現(xiàn)多層裂開的現(xiàn)象。
目前市場上的管道泄漏檢測手段比較豐富,但一般適用于供水、供燃氣、供油等系統(tǒng),由于供熱管網熱媒溫度高、敷設條件等因素的影響,真正適合城市供熱管道的檢測技術仍然非常有限?,F(xiàn)行的供熱管網檢漏和泄漏定位的方法都是借鑒其他管網特別是給水、燃氣管網得來的,應用在供熱管網上存在不可克服的難題和局限性。供熱管網發(fā)生泄漏時,會引起流量、壓力、熱媒溫度及聲音等物理屬性的異常變化,因此在進行供熱管網泄漏檢測時,可以根據(jù)上述異常情況來判斷。
2.1 人工檢漏
目前國內大多數(shù)熱力公司均采用傳統(tǒng)的人工檢漏方法,主要由實踐經驗豐富的工程人員根據(jù)發(fā)生泄漏時供熱管網的壓力和聲音振動等物理屬性的異常變化來判斷發(fā)生泄漏的管段和具體泄漏位置。此方法簡單方便,但是容易受到人為和外界因素的干擾,準確度低,可靠性差。
2.2 聲發(fā)射檢漏技術
目前國外相關部門和學者主要研究利用聲發(fā)射技術來進行供熱管道泄漏的檢測與定位。聲發(fā)射技術可以實時動態(tài)監(jiān)測而且覆蓋面大,是一種無損檢漏方法,原理是:供熱管道內熱媒發(fā)生泄漏時產生一種連續(xù)聲發(fā)射信號并在管道內傳播,根據(jù)聲波信號的強弱振幅等能反映結構的某些特征,如泄漏的具體位置和泄漏量等。但是根據(jù)聲發(fā)射現(xiàn)象進行檢漏的技術涉及到的影響因素很多,是一個非常復雜的問題,如泄漏孔徑大小、形狀以及液體壓力、湍流和固液耦合等,要想建立精確的數(shù)學物理模型基本不可能,且受到聲發(fā)射源多樣性、信號的突發(fā)性和不確定性等自身特性以及聲發(fā)射源到傳感器的傳播路徑、傳感器的準確度、環(huán)境噪聲和聲發(fā)射測量系統(tǒng)等多種復雜因素的影響,聲發(fā)射傳感器輸出的聲發(fā)射電信號波形與真實的信號相差很大,診斷結果準確度很低。因此,聲發(fā)射檢漏技術的關鍵就是對聲發(fā)射信號進行分析識別,剔除上述因素對信號的影響,還原真實的聲發(fā)射信號。但是目前還沒有廣泛認可并能有效用于供熱管道聲發(fā)射泄漏檢測的試驗方法和現(xiàn)場應用。
2.3 基于數(shù)學模型的檢漏技術
供熱管網發(fā)生泄漏時,會引起熱媒在管道中的流速、壓力等參數(shù)的變化,為了能夠準確反映水力工況的變化,根據(jù)連續(xù)性方程、質量守恒方程、動量守恒方程和能量守恒方程等來構建供熱管網的動態(tài)水力模型。求解此數(shù)學模型就可得到實時的管網水力工況,得到管網內流場分布,并與實測值進行比較,如果兩者的偏差大于正常的波動范圍,則可判斷管網發(fā)生泄漏,然后根據(jù)管道內壓力梯度值的變化來定位泄漏點。為了提高數(shù)學模型的準確度,在建模時需要充分考慮溫度、壓力、流體密度和摩擦因子等因素對管網水力工況的影響,再根據(jù)給定的邊界條件求解水力工況數(shù)學模型。隨著供熱管網的不斷擴大,系統(tǒng)越來越復雜,很難達到建立數(shù)學模型規(guī)定的理想條件,必須忽略一些因素的影響,因此求解的結果與實際值存在偏差,影響數(shù)學模型檢漏技術的準確度。
上述的檢漏技術都存在一定的局限性,隨著人工智能應用領域的不斷擴展,基于人工智能的供熱管網泄漏故障診斷技術也越來越受到國內外專家學者的重視,針對供熱管網故障診斷的現(xiàn)代智能方法研究也不斷增多。
人工神經網絡是一種模擬人類認知過程的方法,根據(jù)其非線性逼近能力、自適應能力以及強大的信息綜合處理能力,再結合計算機強大的運算功能,不需要建立精確的數(shù)學模型,單純的通過神經網絡權值和閥值的調整即可得到良好的擬合效果。基于人工神經網絡供熱管網管道泄漏診斷的方法,是利用人工神經網絡的自適應能力學習供熱管網的各種工況,并且通過大量工況樣本的學習過程,可以對運行狀況來進行分類識別,以判斷管網是否發(fā)生泄漏。
本文提出的BP神經網絡是至今為止應用最廣泛的神經網絡方法,也是目前供熱管網故障診斷的研究熱點之一。
3.1 BP神經網絡
BP(Back-Propagation)意為誤差逆?zhèn)鞑?,BP神經網絡是一種典型的多層前向網絡,由輸入層、一個或多個隱含層、輸出層組成,一般三層的BP神經網絡就可以實現(xiàn)高度非線性映射。相鄰層的神經元通過權閾值實現(xiàn)全相連接,BP算法的學習過程由正向和反向傳播兩部分組成,信息正向傳播過程中,輸入信息從輸入層經隱含層逐層計算傳向輸出層,每一層的狀態(tài)只影響下一層,得到每個單元的實際輸出值。如果輸出層結果與實際值有偏差,那么轉入反向傳播過程,計算輸出值的誤差變化值,根據(jù)此差值調節(jié)網絡的權值和閥值。這兩個過程不斷反復,使誤差達到最小,網絡的學習過程就是不斷調整權重的過程。
三層BP網絡結構圖見圖1。
3.2 基于BP神經網絡的供熱管網故障診斷模型
供熱管網故障診斷的BP神經網絡模型根據(jù)系統(tǒng)結構及實際維護需要,可分為兩部分:一級網絡進行供熱管網泄漏管段的診斷,二級網絡進行泄漏量診斷和泄漏點定位。一、二級網絡模型均采用最常用的三層結構BP神經網絡模型。一級、二級網絡的輸入故障特征向量為各監(jiān)測點的壓力變化情況;隱含層節(jié)點數(shù)經多次反復試算后確定;一級網絡的輸出故障特征向量為各管段發(fā)生泄漏的概率,二級網絡的輸出層有兩個神經元,分別代表漏水位置和泄漏量。漏水位置為該漏水點距其所在管段起點的距離與此管段總長度的比值,泄漏量為泄水量與熱網總循環(huán)水量的比值。在實際應用中,BP神經網絡泄漏診斷模型的精度受訓練樣本、網絡結構、學習速率等因素的影響。
基于BP神經網絡的供熱管網泄漏故障診斷模型的研究發(fā)展迅速,并經過實例驗證檢漏的準確度可達到90%以上,但是由于BP神經網絡有收斂速度慢、易陷入局部極值的不足,影響泄漏定位和泄漏量診斷的精度,有待進一步研究。
[1] 楊開林,郭宗周.熱力管網泄漏檢測數(shù)學模型[J].水利學報,1996,5(5):50-56.
[2] 石兆玉,陳 弘.故障空間(FDS)法在供熱管網故障診斷中的應用[J].區(qū)域供熱,1994(3):17-19.
[3] 金富根.熱網泄漏檢測及控制方法[J].煤氣與熱力,2008,28(2):11-13.
[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(yè)大學,2010.
Research on leakage diagnosis of heat-supply pipeline network
ZHANG Jian-jun
(TaiyuanArchitecturalDesignInstitute,Taiyuan030000,China)
The paper introduces the current leakage inspection of the heat-supply pipeline network, analyzes the reasons for the heat-supply pipeline network, points out the leakage diagnosis model of the heat-supply pipeline network is based on BP neural network, and points out it can be used in the diagnosis of the leakage and the leaking volume and locate the leaking part.
heat-supply pipeline network, leakage diagnosis, BP neural network
1009-6825(2014)11-0137-03
2014-02-02
張建軍(1987- ),男,助理工程師
TU995.3
A