供热管网泄漏故障诊断技术的研究

张 建 军

(太原市建筑设计研究院，山西 太原 030000)

供热管网泄漏故障诊断技术的研究

张 建 军

(太原市建筑设计研究院，山西 太原 030000)

对目前现有的供热管网检漏技术进行了介绍，分析了供热管网泄漏的原因，提出了一种基于BP神经网络的供热管网泄漏故障诊断模型，指出其不仅可以诊断出泄漏管段和泄漏量，还可以定位泄漏点。

供热管网，泄漏诊断，BP神经网络

0 引言

随着社会经济的快速发展，人们对生活水平和品质的要求日益提高。节能、方便、环保的城市集中供热局部取代了原先传统的小型供热方式，在我国达到国家冬季采暖要求的大中型城市几乎都已经建设了城市集中供热系统，甚至一些县、镇、新型农村都在逐步建设并完善其城市供热系统。供热管网热源也由传统的小型锅炉等单热源发展成为区域锅炉房、热电厂等多热源，供热方式由枝状管网供热发展为环状管网供热，供热能力和范围都有了显著的提升。

随着供热系统不断扩大，系统越来越复杂，水力工况的变化情况也越来越难控制，因此供热管网的故障时有发生。供热管网受到运行时间、管道材料、局部构件质量、外界环境、自然灾害等因素的影响，管道内外腐蚀、管道下沉、邻近其他管道的泄漏、管道焊缝开裂、阀门、波纹管补偿器腐蚀破损等现象造成管网故障，其中最常见的就是泄漏故障。供热管网泄漏会造成不必要的热量损耗、水资源的流失，还会直接影响到人民的生活质量，造成严重的经济损失。供热管网发生泄漏故障的时间和地点大多无规律所寻，传统的人工检漏方法耗时长，需要花费较大的人力和物力，而且检漏准确度低、可靠性差。为了提高供热质量，保证供热系统运行的可靠性和安全性，寻求一种准确、快速的诊断和定位供热管网泄漏故障的技术势在必行。

1 供热管网泄漏原因

城市供热管道泄漏一般是由管道故障和元部件故障引起的，管道故障有管道腐蚀、焊缝破裂等，元部件故障主要包括阀门和补偿器故障。

1.1 管道故障

1)管道腐蚀。

一般管段腐蚀为电化学腐蚀、化学腐蚀和杂散电流腐蚀，热媒温度越高、管径越小的管段，发生腐蚀的概率越大，管道腐蚀是供热管网发生故障的主要原因。

2)焊缝破裂。

供热管网大部分管道都敷设在地下，由于气候温度变化引起土层的不均匀胀缩、升降，导致管道焊口、铸铁管机械接口处受到剪切力的破坏，或者由于气温的骤变、违章建筑物压占管线、重车碾压导致管道发生断裂。

1.2 元部件故障

1)阀门故障。

由于阀门阀体腐蚀、阀门法兰泄漏、开关失灵、丝杠腐蚀等原因而造成阀门损坏发生故障，阀门阀体腐蚀和法兰泄漏是导致阀门损坏的主要原因。

2)补偿器损坏。

补偿器中易发生故障的是波纹管补偿器，因为其由不锈钢制成，水中所含的氯离子使波纹管发生腐蚀，导致补偿器多层被腐蚀穿透，出现多层裂开的现象。

2 供热管网泄漏故障诊断方法和研究现状

目前市场上的管道泄漏检测手段比较丰富，但一般适用于供水、供燃气、供油等系统，由于供热管网热媒温度高、敷设条件等因素的影响，真正适合城市供热管道的检测技术仍然非常有限。现行的供热管网检漏和泄漏定位的方法都是借鉴其他管网特别是给水、燃气管网得来的，应用在供热管网上存在不可克服的难题和局限性。供热管网发生泄漏时，会引起流量、压力、热媒温度及声音等物理属性的异常变化，因此在进行供热管网泄漏检测时，可以根据上述异常情况来判断。

2.1 人工检漏

目前国内大多数热力公司均采用传统的人工检漏方法，主要由实践经验丰富的工程人员根据发生泄漏时供热管网的压力和声音振动等物理属性的异常变化来判断发生泄漏的管段和具体泄漏位置。此方法简单方便，但是容易受到人为和外界因素的干扰，准确度低，可靠性差。

2.2 声发射检漏技术

目前国外相关部门和学者主要研究利用声发射技术来进行供热管道泄漏的检测与定位。声发射技术可以实时动态监测而且覆盖面大，是一种无损检漏方法，原理是：供热管道内热媒发生泄漏时产生一种连续声发射信号并在管道内传播，根据声波信号的强弱振幅等能反映结构的某些特征，如泄漏的具体位置和泄漏量等。但是根据声发射现象进行检漏的技术涉及到的影响因素很多，是一个非常复杂的问题，如泄漏孔径大小、形状以及液体压力、湍流和固液耦合等，要想建立精确的数学物理模型基本不可能，且受到声发射源多样性、信号的突发性和不确定性等自身特性以及声发射源到传感器的传播路径、传感器的准确度、环境噪声和声发射测量系统等多种复杂因素的影响，声发射传感器输出的声发射电信号波形与真实的信号相差很大，诊断结果准确度很低。因此，声发射检漏技术的关键就是对声发射信号进行分析识别，剔除上述因素对信号的影响，还原真实的声发射信号。但是目前还没有广泛认可并能有效用于供热管道声发射泄漏检测的试验方法和现场应用。

2.3 基于数学模型的检漏技术

供热管网发生泄漏时，会引起热媒在管道中的流速、压力等参数的变化，为了能够准确反映水力工况的变化，根据连续性方程、质量守恒方程、动量守恒方程和能量守恒方程等来构建供热管网的动态水力模型。求解此数学模型就可得到实时的管网水力工况，得到管网内流场分布，并与实测值进行比较，如果两者的偏差大于正常的波动范围，则可判断管网发生泄漏，然后根据管道内压力梯度值的变化来定位泄漏点。为了提高数学模型的准确度，在建模时需要充分考虑温度、压力、流体密度和摩擦因子等因素对管网水力工况的影响，再根据给定的边界条件求解水力工况数学模型。随着供热管网的不断扩大，系统越来越复杂，很难达到建立数学模型规定的理想条件，必须忽略一些因素的影响，因此求解的结果与实际值存在偏差，影响数学模型检漏技术的准确度。

3 基于人工智能的供热管网泄漏故障诊断技术

上述的检漏技术都存在一定的局限性，随着人工智能应用领域的不断扩展，基于人工智能的供热管网泄漏故障诊断技术也越来越受到国内外专家学者的重视，针对供热管网故障诊断的现代智能方法研究也不断增多。

人工神经网络是一种模拟人类认知过程的方法，根据其非线性逼近能力、自适应能力以及强大的信息综合处理能力，再结合计算机强大的运算功能，不需要建立精确的数学模型，单纯的通过神经网络权值和阀值的调整即可得到良好的拟合效果。基于人工神经网络供热管网管道泄漏诊断的方法，是利用人工神经网络的自适应能力学习供热管网的各种工况，并且通过大量工况样本的学习过程，可以对运行状况来进行分类识别，以判断管网是否发生泄漏。

本文提出的BP神经网络是至今为止应用最广泛的神经网络方法，也是目前供热管网故障诊断的研究热点之一。

3.1 BP神经网络

BP(Back-Propagation)意为误差逆传播，BP神经网络是一种典型的多层前向网络，由输入层、一个或多个隐含层、输出层组成，一般三层的BP神经网络就可以实现高度非线性映射。相邻层的神经元通过权阈值实现全相连接，BP算法的学习过程由正向和反向传播两部分组成，信息正向传播过程中，输入信息从输入层经隐含层逐层计算传向输出层，每一层的状态只影响下一层，得到每个单元的实际输出值。如果输出层结果与实际值有偏差，那么转入反向传播过程，计算输出值的误差变化值，根据此差值调节网络的权值和阀值。这两个过程不断反复，使误差达到最小，网络的学习过程就是不断调整权重的过程。

三层BP网络结构图见图1。

3.2 基于BP神经网络的供热管网故障诊断模型

供热管网故障诊断的BP神经网络模型根据系统结构及实际维护需要，可分为两部分：一级网络进行供热管网泄漏管段的诊断，二级网络进行泄漏量诊断和泄漏点定位。一、二级网络模型均采用最常用的三层结构BP神经网络模型。一级、二级网络的输入故障特征向量为各监测点的压力变化情况；隐含层节点数经多次反复试算后确定；一级网络的输出故障特征向量为各管段发生泄漏的概率，二级网络的输出层有两个神经元，分别代表漏水位置和泄漏量。漏水位置为该漏水点距其所在管段起点的距离与此管段总长度的比值，泄漏量为泄水量与热网总循环水量的比值。在实际应用中，BP神经网络泄漏诊断模型的精度受训练样本、网络结构、学习速率等因素的影响。

4 结语

基于BP神经网络的供热管网泄漏故障诊断模型的研究发展迅速，并经过实例验证检漏的准确度可达到90%以上，但是由于BP神经网络有收敛速度慢、易陷入局部极值的不足，影响泄漏定位和泄漏量诊断的精度，有待进一步研究。

[1] 杨开林，郭宗周.热力管网泄漏检测数学模型[J].水利学报，1996,5(5):50-56.

[2] 石兆玉，陈 弘.故障空间(FDS)法在供热管网故障诊断中的应用[J].区域供热，1994(3):17-19.

[3] 金富根.热网泄漏检测及控制方法[J].煤气与热力，2008，28(2)：11-13.

[4] 雷翠红.供热管网泄漏故障诊断的研究[D].哈尔滨：哈尔滨工业大学，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

张建军(1987- )，男，助理工程师

TU995.3

A