基于传感网络的热网管路故障诊断算法研究

李凤祥

摘要：文章针对集中供暖系统及其相关故障展开研究分析，对常见的故障诊断方法做了较为全面的调查和总结。在此基础上，文章给出了热力管网泄漏故障和阻塞故障诊断策略，先确定故障种类，再确定故障的位置和程度，最后，详细设计了分类和预测的BP神经网络结构，实现热网管路故障诊断。

关键词：供热系统；仿真建模；BP神经网络；故障诊断；监测预警

中图分类号：TN929文献标志码：A0引言近年来，神经网络因具有抗干扰性、泛化能力强、学习速度快等优势，在故障分类诊断上得到越来越多的运用。本文主要研究的故障诊断算法是BP神经网络，该网络具有较为柔性的网络结构，对非线性问题具有很好的映射能力，是目前神经网络中使用最广泛的［1］。在深入研究BP神经网络的基础上，本文对损失函数、动态学习率等进行了改进，结合“二分法”“进退法”等对神经节点的最优个数进行了优化。在此基础上，分析热网管路系统运行数据的特征，对原始样本数据进行了预处理，建立起相应的故障诊断总体架构。

1故障诊断的架构建立数据是供热管路故障诊断研究的基础。首先，需要充分了解样本数据，分析数据各特征变化趋势以及取值范围；再建立相关故障诊断模型；最终，实现对故障的准确判断。

1.1运行数据的特征分析传感网络采集热力管网的运行数据主要包括节点压力、温度以及管段流量等特征参数。当管路发生故障时，运行数据在故障位置附近设置的监测点的压力、流量、温度等数据值都会发生变化。各参数受影响的程度大小与距离故障点的远近有关，距离越远，其变化程度就越小，数据也就越接近于正常值。

1.2故障诊断的总体架构本文研究的热力管网故障包括泄漏故障和阻塞故障，研究方法是先确定故障种类，再确定故障的位置和程度。根据上述方法设计的故障诊断模型如图1所示，首先，需要对原始样本数据做标准化处理，并从中选择合适的特征参数作为算法的输入；然后，通过改进后的BP神经网络对供暖系统有无异常进行判断，识别出故障所属的类别，作为一次诊断；最后，针对不同故障输出的具体故障位置、故障程度等信息，作为二次诊断。也就是在给定数据样本的情况下，故障模型最终会告知有无故障，若有故障则会给出故障类型、故障位置以及故障程度等信息。这种方法能够更好更快地对供热管网中存在的故障隐患进行排查，保证系统运行的安全性、稳定性。

2热网故障诊断的算法选择在比对分析常见故障诊断算法后，本文选择具有误差反向传播能力的BP神经网络作为主要研究算法，并与极限学习机以及邻近算法等进行比较分析，验证研究结果的正确合理性。

2.1BP神经网络的结构及原理

2.2其他故障的诊断方法本研究除了对BP神经网络故障诊断进行了深入研究以外，还对比了其他较为典型的故障诊断方法：极限学习机（ELM）和邻近算法（KNN）。

2.2.1极限学习机（ELM）极限学习机（ELM）的实现是基于Huang等［2］提出的两个定理，当节点个数与样本个数一样时，则对于任意选择的节点连接权值和阈值，该网络算法能够零误差地逼近样本数据；当网络存在节点个数比样本数少的隐含层时，ELM可以让样本误差无限趋近于零，在一些问题中具有较好的泛化性能以及学习速率。其学习过程就是在N个训练数据上，通过计算最小的经验误差来获得一个三层随机前馈神经网络模型，即：

2.2.2邻近算法（KNN）K邻近算法（KNN）是较为经典的分类算法，其分类方式是通过比较样本数据间的距离或相似程度来实现的［3］。KNN只需要根据已知的训练集结果就能对未知的测试集输出进行预测。该方法认为，在特征空间中与待预测样本的最接近的K个数据作为输入时，这些数据的输出类别大多是相同的。其计算步骤如下。

3故障診断的算法结构本文选择BP神经网络作为热网故障诊断算法。针对故障诊断的特殊需求，本文对BP神经网络神经元节点个数、损失函数进行优化改进，调整动态学习率的变化策略，确定激活函数以及隐含层数等参数的选取。对于故障类型、故障位置的多分类诊断以及对故障程度的回归预测问题，采用不同的数据预处理方式和网络结构。

3.1故障类型及位置诊断热网管路故障的识别以及故障位置的判断都属于多分类问题，设计诊断的BP算法模型结构如下：输入参数包含热网内的节点压力（61个）、温度（29个）以及管道流量（12个）等，总共输入个数用n表示；隐含层、输出层激活函数分别选用Relu和Sigmoid；输出层采用one-hot编码，从模型的输出值中选择最大的作为诊断结果，即对于m个分类，如果是输出θi最大，则认为诊断结果为类别i。对于故障分类，类别包含有正常、阻塞以及泄露；对于故障位置诊断，类别分别有故障区域1…区域40。

对于故障类型识别，网络结构选择单隐含层，节点个数设置为51，反向传播使用动态修改学习率的方法，初始学习率为0.2，其他相关参数设置如下：

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

对于泄露位置诊断，BP算法为双隐含层，网络节点个数为66；对于阻塞位置诊断，神经元个数设置为61，网络结构选择单隐含层，其余的网络参数不变。

3.2故障程度预测对于热网管路故障程度的预测属于回归问题，用于对其诊断的BP算法模型网络输入同样包含管网中的节点压力、温度以及管道流量等参数，激活函数均选用Sigmoid，输出层设计为一个节点（即故障程度值）。将输出层输出值与真实值比较即可判断模型预测是否准确。

对于泄漏量预测，BP算法网络选择的隐含层数为2层，隐含层节点个数为54，网络设置改进MSE的δ取值为0.001。对于阻塞程度预测，研究经过试验对比调整合适的网络参数，选择的隐含层数为2层，节点个数为51，设置损失函数的δ取值为0.004。

4結语本文针对热网管路故障诊断问题，在比较分析BP神经网络、极限学习机ELM和邻近算法KNN后，选用BP神经网络进行故障诊断。并设计了网络结构，分别对损失函数、动态学习率以及神经元最优个数搜寻方法进行了改进，同时对隐含层数、激活函数等网络参数进行了合理的选择及调整。

参考文献

［1］常引.基于BP人工神经网络的陕西省农民收入预测研究［D］.咸阳：西北农林科技大学，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］张硕.基于KNN算法的空间手势识别研究与应用［D］.长春：吉林大学，2017.

（编辑 沈强）

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