李鳳祥

摘要：文章針對(duì)集中供暖系統(tǒng)及其相關(guān)故障展開(kāi)研究分析，對(duì)常見(jiàn)的故障診斷方法做了較為全面的調(diào)查和總結(jié)。在此基礎(chǔ)上，文章給出了熱力管網(wǎng)泄漏故障和阻塞故障診斷策略，先確定故障種類(lèi)，再確定故障的位置和程度，最后，詳細(xì)設(shè)計(jì)了分類(lèi)和預(yù)測(cè)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)熱網(wǎng)管路故障診斷。

關(guān)鍵詞：供熱系統(tǒng)；仿真建模；BP神經(jīng)網(wǎng)絡(luò)；故障診斷；監(jiān)測(cè)預(yù)警

中圖分類(lèi)號(hào)：TN929文獻(xiàn)標(biāo)志碼：A0引言近年來(lái)，神經(jīng)網(wǎng)絡(luò)因具有抗干擾性、泛化能力強(qiáng)、學(xué)習(xí)速度快等優(yōu)勢(shì)，在故障分類(lèi)診斷上得到越來(lái)越多的運(yùn)用。本文主要研究的故障診斷算法是BP神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)具有較為柔性的網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)非線(xiàn)性問(wèn)題具有很好的映射能力，是目前神經(jīng)網(wǎng)絡(luò)中使用最廣泛的［1］。在深入研究BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，本文對(duì)損失函數(shù)、動(dòng)態(tài)學(xué)習(xí)率等進(jìn)行了改進(jìn)，結(jié)合“二分法”“進(jìn)退法”等對(duì)神經(jīng)節(jié)點(diǎn)的最優(yōu)個(gè)數(shù)進(jìn)行了優(yōu)化。在此基礎(chǔ)上，分析熱網(wǎng)管路系統(tǒng)運(yùn)行數(shù)據(jù)的特征，對(duì)原始樣本數(shù)據(jù)進(jìn)行了預(yù)處理，建立起相應(yīng)的故障診斷總體架構(gòu)。

1故障診斷的架構(gòu)建立數(shù)據(jù)是供熱管路故障診斷研究的基礎(chǔ)。首先，需要充分了解樣本數(shù)據(jù)，分析數(shù)據(jù)各特征變化趨勢(shì)以及取值范圍；再建立相關(guān)故障診斷模型；最終，實(shí)現(xiàn)對(duì)故障的準(zhǔn)確判斷。

1.1運(yùn)行數(shù)據(jù)的特征分析傳感網(wǎng)絡(luò)采集熱力管網(wǎng)的運(yùn)行數(shù)據(jù)主要包括節(jié)點(diǎn)壓力、溫度以及管段流量等特征參數(shù)。當(dāng)管路發(fā)生故障時(shí)，運(yùn)行數(shù)據(jù)在故障位置附近設(shè)置的監(jiān)測(cè)點(diǎn)的壓力、流量、溫度等數(shù)據(jù)值都會(huì)發(fā)生變化。各參數(shù)受影響的程度大小與距離故障點(diǎn)的遠(yuǎn)近有關(guān)，距離越遠(yuǎn)，其變化程度就越小，數(shù)據(jù)也就越接近于正常值。

1.2故障診斷的總體架構(gòu)本文研究的熱力管網(wǎng)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(lèi)，再確定故障的位置和程度。根據(jù)上述方法設(shè)計(jì)的故障診斷模型如圖1所示，首先，需要對(duì)原始樣本數(shù)據(jù)做標(biāo)準(zhǔn)化處理，并從中選擇合適的特征參數(shù)作為算法的輸入；然后，通過(guò)改進(jìn)后的BP神經(jīng)網(wǎng)絡(luò)對(duì)供暖系統(tǒng)有無(wú)異常進(jìn)行判斷，識(shí)別出故障所屬的類(lèi)別，作為一次診斷；最后，針對(duì)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(shù)據(jù)樣本的情況下，故障模型最終會(huì)告知有無(wú)故障，若有故障則會(huì)給出故障類(lèi)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(duì)供熱管網(wǎng)中存在的故障隱患進(jìn)行排查，保證系統(tǒng)運(yùn)行的安全性、穩(wěn)定性。

2熱網(wǎng)故障診斷的算法選擇在比對(duì)分析常見(jiàn)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(jīng)網(wǎng)絡(luò)作為主要研究算法，并與極限學(xué)習(xí)機(jī)以及鄰近算法等進(jìn)行比較分析，驗(yàn)證研究結(jié)果的正確合理性。

2.1BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及原理

2.2其他故障的診斷方法本研究除了對(duì)BP神經(jīng)網(wǎng)絡(luò)故障診斷進(jìn)行了深入研究以外，還對(duì)比了其他較為典型的故障診斷方法：極限學(xué)習(xí)機(jī)（ELM）和鄰近算法（KNN）。

2.2.1極限學(xué)習(xí)機(jī)（ELM）極限學(xué)習(xí)機(jī)（ELM）的實(shí)現(xiàn)是基于Huang等［2］提出的兩個(gè)定理，當(dāng)節(jié)點(diǎn)個(gè)數(shù)與樣本個(gè)數(shù)一樣時(shí)，則對(duì)于任意選擇的節(jié)點(diǎn)連接權(quán)值和閾值，該網(wǎng)絡(luò)算法能夠零誤差地逼近樣本數(shù)據(jù)；當(dāng)網(wǎng)絡(luò)存在節(jié)點(diǎn)個(gè)數(shù)比樣本數(shù)少的隱含層時(shí)，ELM可以讓樣本誤差無(wú)限趨近于零，在一些問(wèn)題中具有較好的泛化性能以及學(xué)習(xí)速率。其學(xué)習(xí)過(guò)程就是在N個(gè)訓(xùn)練數(shù)據(jù)上，通過(guò)計(jì)算最小的經(jīng)驗(yàn)誤差來(lái)獲得一個(gè)三層隨機(jī)前饋神經(jīng)網(wǎng)絡(luò)模型，即：

2.2.2鄰近算法（KNN）K鄰近算法（KNN）是較為經(jīng)典的分類(lèi)算法，其分類(lèi)方式是通過(guò)比較樣本數(shù)據(jù)間的距離或相似程度來(lái)實(shí)現(xiàn)的［3］。KNN只需要根據(jù)已知的訓(xùn)練集結(jié)果就能對(duì)未知的測(cè)試集輸出進(jìn)行預(yù)測(cè)。該方法認(rèn)為，在特征空間中與待預(yù)測(cè)樣本的最接近的K個(gè)數(shù)據(jù)作為輸入時(shí)，這些數(shù)據(jù)的輸出類(lèi)別大多是相同的。其計(jì)算步驟如下。

3故障診斷的算法結(jié)構(gòu)本文選擇BP神經(jīng)網(wǎng)絡(luò)作為熱網(wǎng)故障診斷算法。針對(duì)故障診斷的特殊需求，本文對(duì)BP神經(jīng)網(wǎng)絡(luò)神經(jīng)元節(jié)點(diǎn)個(gè)數(shù)、損失函數(shù)進(jìn)行優(yōu)化改進(jìn)，調(diào)整動(dòng)態(tài)學(xué)習(xí)率的變化策略，確定激活函數(shù)以及隱含層數(shù)等參數(shù)的選取。對(duì)于故障類(lèi)型、故障位置的多分類(lèi)診斷以及對(duì)故障程度的回歸預(yù)測(cè)問(wèn)題，采用不同的數(shù)據(jù)預(yù)處理方式和網(wǎng)絡(luò)結(jié)構(gòu)。

3.1故障類(lèi)型及位置診斷熱網(wǎng)管路故障的識(shí)別以及故障位置的判斷都屬于多分類(lèi)問(wèn)題，設(shè)計(jì)診斷的BP算法模型結(jié)構(gòu)如下：輸入?yún)?shù)包含熱網(wǎng)內(nèi)的節(jié)點(diǎn)壓力（61個(gè)）、溫度（29個(gè)）以及管道流量（12個(gè)）等，總共輸入個(gè)數(shù)用n表示；隱含層、輸出層激活函數(shù)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(jié)果，即對(duì)于m個(gè)分類(lèi)，如果是輸出θi最大，則認(rèn)為診斷結(jié)果為類(lèi)別i。對(duì)于故障分類(lèi)，類(lèi)別包含有正常、阻塞以及泄露；對(duì)于故障位置診斷，類(lèi)別分別有故障區(qū)域1…區(qū)域40。

對(duì)于故障類(lèi)型識(shí)別，網(wǎng)絡(luò)結(jié)構(gòu)選擇單隱含層，節(jié)點(diǎn)個(gè)數(shù)設(shè)置為51，反向傳播使用動(dòng)態(tài)修改學(xué)習(xí)率的方法，初始學(xué)習(xí)率為0.2，其他相關(guān)參數(shù)設(shè)置如下：

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

對(duì)于泄露位置診斷，BP算法為雙隱含層，網(wǎng)絡(luò)節(jié)點(diǎn)個(gè)數(shù)為66；對(duì)于阻塞位置診斷，神經(jīng)元個(gè)數(shù)設(shè)置為61，網(wǎng)絡(luò)結(jié)構(gòu)選擇單隱含層，其余的網(wǎng)絡(luò)參數(shù)不變。

3.2故障程度預(yù)測(cè)對(duì)于熱網(wǎng)管路故障程度的預(yù)測(cè)屬于回歸問(wèn)題，用于對(duì)其診斷的BP算法模型網(wǎng)絡(luò)輸入同樣包含管網(wǎng)中的節(jié)點(diǎn)壓力、溫度以及管道流量等參數(shù)，激活函數(shù)均選用Sigmoid，輸出層設(shè)計(jì)為一個(gè)節(jié)點(diǎn)（即故障程度值）。將輸出層輸出值與真實(shí)值比較即可判斷模型預(yù)測(cè)是否準(zhǔn)確。

對(duì)于泄漏量預(yù)測(cè)，BP算法網(wǎng)絡(luò)選擇的隱含層數(shù)為2層，隱含層節(jié)點(diǎn)個(gè)數(shù)為54，網(wǎng)絡(luò)設(shè)置改進(jìn)MSE的δ取值為0.001。對(duì)于阻塞程度預(yù)測(cè)，研究經(jīng)過(guò)試驗(yàn)對(duì)比調(diào)整合適的網(wǎng)絡(luò)參數(shù)，選擇的隱含層數(shù)為2層，節(jié)點(diǎn)個(gè)數(shù)為51，設(shè)置損失函數(shù)的δ取值為0.004。

4結(jié)語(yǔ)本文針對(duì)熱網(wǎng)管路故障診斷問(wèn)題，在比較分析BP神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)ELM和鄰近算法KNN后，選用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷。并設(shè)計(jì)了網(wǎng)絡(luò)結(jié)構(gòu)，分別對(duì)損失函數(shù)、動(dòng)態(tài)學(xué)習(xí)率以及神經(jīng)元最優(yōu)個(gè)數(shù)搜尋方法進(jìn)行了改進(jìn)，同時(shí)對(duì)隱含層數(shù)、激活函數(shù)等網(wǎng)絡(luò)參數(shù)進(jìn)行了合理的選擇及調(diào)整。

參考文獻(xiàn)

［1］常引.基于BP人工神經(jīng)網(wǎng)絡(luò)的陜西省農(nóng)民收入預(yù)測(cè)研究［D］.咸陽(yáng)：西北農(nóng)林科技大學(xué)，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(shì)識(shí)別研究與應(yīng)用［D］.長(zhǎng)春：吉林大學(xué)，2017.

（編輯 沈強(qiáng)）

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