本發(fā)明涉及閥門內(nèi)漏量監(jiān)測(cè)的技術(shù)領(lǐng)域，特別是涉及熱力系統(tǒng)閥門內(nèi)漏量監(jiān)測(cè)方法。

背景技術(shù)：

閥門是工業(yè)生產(chǎn)中面廣而量大的一種設(shè)備，是流體輸送系統(tǒng)中極其重要的控制部件，可用于控制水、空氣、蒸汽、各種腐蝕性介質(zhì)、泥漿、油品、液態(tài)金屬和放射性介質(zhì)等各種類型流體的流動(dòng)。其基本功能是切斷或接通管路介質(zhì)的流通，改變介質(zhì)的流動(dòng)方向，控制介質(zhì)的壓力和流量，保護(hù)管路和設(shè)備的正常運(yùn)行。閥門在電廠中應(yīng)用廣泛，它負(fù)責(zé)連接電廠中各子系統(tǒng)，是確保電廠能否安全運(yùn)行的重要附件，其可靠性水平對(duì)系統(tǒng)的安全性能和維修成本影響尤其突出。

由于電廠閥門長(zhǎng)期處于高溫高壓的環(huán)境下，內(nèi)部泄漏故障頻繁發(fā)生。閥門內(nèi)漏影響電廠安全生產(chǎn)：閥門內(nèi)漏將使運(yùn)行中設(shè)備無法隔離消缺，安全措施無法執(zhí)行到位，嚴(yán)重威脅檢修工作人員的生命安全；閥門內(nèi)漏可能會(huì)對(duì)管路彎頭或擴(kuò)容器等造成沖刷，嚴(yán)重時(shí)甚至引起機(jī)外管路爆管，給設(shè)備的現(xiàn)場(chǎng)工作人員帶來人身危害，造成機(jī)組非計(jì)劃停運(yùn)；以高壓旁路閥門泄漏為例，減溫水嚴(yán)重泄漏將導(dǎo)致機(jī)組啟停階段冷再熱蒸汽管道積水，引發(fā)水錘甚至產(chǎn)生汽輪機(jī)進(jìn)水的嚴(yán)重事故。同時(shí)，閥門內(nèi)漏將嚴(yán)重影響機(jī)組經(jīng)濟(jì)性，以疏水閥門內(nèi)漏為例，據(jù)統(tǒng)計(jì)：40％的內(nèi)漏影響機(jī)組熱耗率在1％左右；60％的內(nèi)漏影響機(jī)組熱耗率在1％以上；個(gè)別機(jī)組疏水閥門內(nèi)漏影響機(jī)組熱耗率在4％左右。閥門內(nèi)漏還會(huì)降低機(jī)組工作效率，增加設(shè)備維修費(fèi)用。由于不同泄漏源具有不同的泄漏機(jī)理，其造成故障發(fā)展趨勢(shì)和嚴(yán)重程度各異，所需取的維修策略也應(yīng)該不一樣。有些可以在生產(chǎn)運(yùn)行中通過采取相應(yīng)措施解決，而有些則需要停機(jī)檢修或更換閥門。據(jù)統(tǒng)計(jì)，在大修時(shí)，50％以上的閥門都是不需要被拆修解體的，在不明內(nèi)漏原因的情況下，對(duì)閥門進(jìn)行拆修解體，不僅白費(fèi)了人力、物力，還可能造成一些人為損壞。

因此希望有一種熱力系統(tǒng)閥門內(nèi)漏量監(jiān)測(cè)方法可以克服或至少減輕現(xiàn)有技術(shù)的上述缺陷。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種熱力系統(tǒng)閥門內(nèi)漏量監(jiān)測(cè)方法來克服現(xiàn)有技術(shù)中存在的上述問題。

為實(shí)現(xiàn)上述目的，本發(fā)明提供一種熱力系統(tǒng)閥門內(nèi)漏量監(jiān)測(cè)方法，所述監(jiān)測(cè)方法包括以下步驟：

(1)通過閥門內(nèi)漏建模來獲取閥門內(nèi)漏量與特征參數(shù)間樣本大數(shù)據(jù)；

(2)數(shù)據(jù)預(yù)處理，為提高識(shí)別模型的學(xué)習(xí)精度和效率，對(duì)步驟(1)中所述閥門內(nèi)漏量與特征參數(shù)間樣本大數(shù)據(jù)進(jìn)行有效性驗(yàn)證，并剔除錯(cuò)誤數(shù)據(jù)對(duì)數(shù)據(jù)進(jìn)行歸一化處理；

(3)基于改進(jìn)SVM非線性組合識(shí)別模型的方法，將BP神經(jīng)網(wǎng)絡(luò)識(shí)別模型、RBF徑向識(shí)別模型和GRNN神經(jīng)網(wǎng)絡(luò)識(shí)別模型進(jìn)行結(jié)合，計(jì)算在特定特征參數(shù)下熱力系統(tǒng)閥門內(nèi)漏量，從而實(shí)現(xiàn)對(duì)閥門內(nèi)漏量的監(jiān)測(cè)。

優(yōu)選地，所述步驟(1)包括：通過測(cè)量獲得熱力系統(tǒng)管道長(zhǎng)度、內(nèi)徑、外徑以及保溫層厚度，隨后建立管道微元段徑向方向溫度場(chǎng)；建立管道微元段軸向方向溫度場(chǎng)，沿管道工質(zhì)流動(dòng)方向，對(duì)每一微元段逐段計(jì)算，最終得到閥門前管道溫度場(chǎng)，每一個(gè)泄漏量對(duì)應(yīng)一個(gè)管壁溫。

優(yōu)選地，將所述熱力系統(tǒng)管道劃分為多個(gè)微元管段，根據(jù)傳熱學(xué)原理對(duì)所述微元管段進(jìn)行徑向和軸向建模，并利用迭代法沿工質(zhì)流動(dòng)方向求解；根據(jù)第N段所述微元管段的沿程阻力損失和換熱量計(jì)算第N段所述微元管段出口參數(shù)，并以此作為第N+1段所述微元管段的進(jìn)口參數(shù)，直至獲得閥門前的最后一個(gè)微元管段的壁面溫度，建立起溫度場(chǎng)與特征參數(shù)間的大樣本模型。

優(yōu)選地，所述基于改進(jìn)SVM非線性組合識(shí)別模型的方法的步驟(3)包括以下具體步驟：

步驟A：用所述BP神經(jīng)網(wǎng)絡(luò)識(shí)別模型、RBF徑向基識(shí)別模型和GRNN神經(jīng)網(wǎng)絡(luò)識(shí)別模型對(duì)步驟(2)中預(yù)處理的閥門內(nèi)漏量與特征參數(shù)間樣本大數(shù)據(jù)分別進(jìn)行識(shí)別，將獲得到的各種識(shí)別方法的識(shí)別值與實(shí)際值形成新的測(cè)試樣本與訓(xùn)練樣本，將其作為改進(jìn)SVM非線性組合模型的樣本；

步驟B：初始化SVM模型，對(duì)拉格朗日乘子α_i、及閾值b進(jìn)行隨機(jī)賦值；

步驟C：將新的訓(xùn)練樣本建立為符合SVM算法的目標(biāo)函數(shù)，利用LIBSVM算法對(duì)其進(jìn)行求解，得到拉格朗日乘子α_i、及閾值b的值；

步驟D：將經(jīng)過步驟C計(jì)算的拉格朗日乘子α_i、及閾值b值帶入到目標(biāo)函數(shù)中，用測(cè)試樣本計(jì)算基于改進(jìn)SVM非線性組合識(shí)別模型在特定特征參數(shù)下的閥門泄漏量；

步驟E：將經(jīng)過步驟D計(jì)算的閥門泄漏量和閥門實(shí)際的泄漏量進(jìn)行比對(duì)，計(jì)算誤差，當(dāng)誤差小于確定的精度時(shí)，則結(jié)束學(xué)習(xí)過程，若達(dá)不到確定精度，則返回步驟B繼續(xù)進(jìn)行學(xué)習(xí)；

步驟F：利用學(xué)習(xí)完成后的組合識(shí)別模型在輸入特定特征參數(shù)后進(jìn)行計(jì)算，得出熱力系統(tǒng)閥門內(nèi)漏量，實(shí)現(xiàn)對(duì)閥門內(nèi)漏量的監(jiān)測(cè)。

優(yōu)選地，所述步驟(3)中的所述BP神經(jīng)網(wǎng)絡(luò)識(shí)別模型為包含1層隱含層的三層網(wǎng)絡(luò)結(jié)構(gòu)，輸入層神經(jīng)元數(shù)為3個(gè)，所述輸入層神經(jīng)元分別為熱力系統(tǒng)管道入口工質(zhì)壓力、入口工質(zhì)溫度和閥門前管壁溫度；輸出層神經(jīng)元為閥門泄漏量；中間層神經(jīng)元的數(shù)量采用逐步實(shí)驗(yàn)法，以訓(xùn)練樣本均方根誤差最小為目標(biāo)來確定，所述中間層神經(jīng)元的數(shù)量為12個(gè)；隱含層神經(jīng)元傳遞函數(shù)采用S型正切函數(shù)，輸出層神經(jīng)元傳遞函數(shù)采用S型對(duì)數(shù)函數(shù)，訓(xùn)練算法采用Levenberg-Marquardt算法。

優(yōu)選地，所述步驟(3)中的所述RBF徑向識(shí)別模型采用輸入層、隱含層、輸出層的三層結(jié)構(gòu)，輸入層神經(jīng)元數(shù)量為3個(gè)，輸入層神經(jīng)元分別為熱力系統(tǒng)管道入口工質(zhì)壓力、入口工質(zhì)溫度和閥門前管壁溫度；輸出層神經(jīng)元為閥門泄漏量；對(duì)于隱含層高斯函數(shù)中心，采用正交最小二乘法進(jìn)行選取，并應(yīng)用最小二乘法對(duì)網(wǎng)絡(luò)輸出權(quán)值進(jìn)行訓(xùn)練。

優(yōu)選地，所述步驟(3)中所述GRNN神經(jīng)網(wǎng)絡(luò)識(shí)別模型的結(jié)構(gòu)和神經(jīng)元之間的連接權(quán)值由所述步驟(1)中所述閥門內(nèi)漏量與特征參數(shù)間樣本大數(shù)據(jù)確定，所述GRNN神經(jīng)網(wǎng)絡(luò)識(shí)別模型的平滑參數(shù)由試驗(yàn)法進(jìn)行確定，根據(jù)樣本特征，選擇平滑參數(shù)為0.1-0.9，并以步長(zhǎng)為0.05變化。

針對(duì)目前國(guó)內(nèi)外熱力系統(tǒng)閥門內(nèi)漏量監(jiān)測(cè)方法存在的不適用或精度不高的現(xiàn)狀，本發(fā)明公開了一種熱力系統(tǒng)閥門內(nèi)漏量監(jiān)測(cè)方法，所述熱力系統(tǒng)閥門內(nèi)漏量監(jiān)測(cè)方法實(shí)現(xiàn)了對(duì)閥門泄漏進(jìn)行監(jiān)測(cè)，提高了閥門內(nèi)漏量監(jiān)測(cè)的準(zhǔn)確率。

附圖說明

圖1是熱力系統(tǒng)閥門內(nèi)漏量監(jiān)測(cè)方法的流程圖。

圖2是熱力系統(tǒng)管道及閥門的基本工作原理示意圖。

具體實(shí)施方式

為使本發(fā)明實(shí)施的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行更加詳細(xì)的描述。在附圖中，自始至終相同或類似的標(biāo)號(hào)表示相同或類似的元件或具有相同或類似功能的元件。所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。下面通過參考附圖描述的實(shí)施例是示例性的，旨在用于解釋本發(fā)明，而不能理解為對(duì)本發(fā)明的限制?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。下面結(jié)合附圖對(duì)本發(fā)明的實(shí)施例進(jìn)行詳細(xì)說明。

本發(fā)明的熱力系統(tǒng)閥門內(nèi)漏量監(jiān)測(cè)方法包括以下步驟：

(1)通過閥門內(nèi)漏建模來獲取閥門內(nèi)漏量與特征參數(shù)間樣本大數(shù)據(jù)；

(2)數(shù)據(jù)預(yù)處理，為提高識(shí)別模型的學(xué)習(xí)精度和效率，對(duì)步驟(1)中所述閥門內(nèi)漏量與特征參數(shù)間樣本大數(shù)據(jù)進(jìn)行有效性驗(yàn)證，并剔除錯(cuò)誤數(shù)據(jù)對(duì)數(shù)據(jù)進(jìn)行歸一化處理；

(3)基于改進(jìn)SVM非線性組合識(shí)別模型的方法，將BP神經(jīng)網(wǎng)絡(luò)識(shí)別模型、RBF徑向識(shí)別模型和GRNN神經(jīng)網(wǎng)絡(luò)識(shí)別模型進(jìn)行結(jié)合，計(jì)算在特定特征參數(shù)下熱力系統(tǒng)閥門內(nèi)漏量，從而實(shí)現(xiàn)對(duì)閥門內(nèi)漏量的監(jiān)測(cè)。

如圖1所示是本發(fā)明提供的總體流程圖，主要包括三個(gè)步驟：

(1)閥門內(nèi)漏建模。通過建立管道微元段徑向與軸向方向的溫度場(chǎng)獲取閥門內(nèi)漏量與特征參數(shù)間樣本大數(shù)據(jù)。

(2)數(shù)據(jù)預(yù)處理。為提高識(shí)別模型的學(xué)習(xí)精度和效率，對(duì)數(shù)據(jù)進(jìn)行有效性驗(yàn)證，并剔除錯(cuò)誤數(shù)據(jù)和數(shù)據(jù)歸一化。

(3)內(nèi)漏量組合識(shí)別建模。采用基于BP神經(jīng)網(wǎng)絡(luò)識(shí)別模型、RBF徑向基識(shí)別模型、GRNN神經(jīng)網(wǎng)絡(luò)識(shí)別模型，同時(shí)結(jié)合改進(jìn)SVM的識(shí)別方法，得到非線性組合識(shí)別模型，通過該組合識(shí)別模型對(duì)預(yù)處理后的數(shù)據(jù)進(jìn)行處理，最終實(shí)現(xiàn)對(duì)閥門內(nèi)漏量的監(jiān)測(cè)。

如圖2所示是本發(fā)明的熱力管道及閥門基本工作原理，已知熱力系統(tǒng)管道入口工質(zhì)的溫度t₀、壓力P₀，實(shí)際測(cè)得閥門前管壁溫度t，可計(jì)算出閥門泄漏量G。即得到如下函數(shù)關(guān)系式：

G＝f(P₀,t₀,L,D,D1,H,t)

式中：P₀：熱力管道入口工質(zhì)壓力；t₀：熱力管道入口工質(zhì)溫度；t：閥門前管壁溫度；L：管道長(zhǎng)度；D：管道內(nèi)徑；：管道外徑；H：保溫層厚度。

當(dāng)熱力管道確定后，只要知道P₀,t₀,t，就可以確定閥門泄漏量。為此，建立熱力管道溫度場(chǎng)，在已知管道入口工質(zhì)的溫度、壓力情況下，計(jì)算得到在不同泄漏量下閥門前管壁溫度。即得到如下函數(shù)關(guān)系式：

t＝g(P₀,t₀,L,D,D1,H,G)

通過獲得的泄漏量與工質(zhì)及閥門前管道壁溫等數(shù)據(jù)，建立訓(xùn)練樣本集，以之輸入構(gòu)建好的混合智能訓(xùn)練模型，得到非線性函數(shù)模型結(jié)果。從而確定閥門泄漏量，實(shí)現(xiàn)閥門內(nèi)漏量的監(jiān)測(cè)。

如圖1熱力系統(tǒng)閥門內(nèi)漏量監(jiān)測(cè)方法具體實(shí)施過程是：

步驟1：通過閥門內(nèi)漏建模獲取閥門內(nèi)漏量與特征參數(shù)間大樣本數(shù)據(jù)。

為了計(jì)算管道系統(tǒng)在不同泄漏工況下的溫度場(chǎng)分布，將管道系統(tǒng)劃分為若干個(gè)微元段，每一個(gè)微元段可視為簡(jiǎn)單的圓筒，將每一個(gè)微元段管道看作一個(gè)控制體，建立徑向傳熱模型。由于工質(zhì)在不斷放熱，所以工質(zhì)沿著流動(dòng)方向溫度逐漸降低，通過建立微元段之間的溫度場(chǎng)關(guān)系，即軸向方向溫度場(chǎng)模型，可從入口段逐段算得閥門前管壁溫度場(chǎng)。

步驟101：建立管道微元段徑向方向溫度場(chǎng)。

管內(nèi)工質(zhì)在徑向的換熱方式依次工質(zhì)與管內(nèi)壁間的對(duì)流換熱，管壁及保溫層的導(dǎo)熱換熱，以及保溫層外壁與自然界間的對(duì)流換熱。因?yàn)楸貙优c管壁的縱向?qū)釤崃亢苄?，所以這四種徑向換熱方式的熱量可近似看作相等。由于管道縱向溫度梯度不大，則可將管壁與保溫層的散熱看做多層圓筒壁導(dǎo)熱問題。

導(dǎo)熱傳遞的熱量計(jì)算公式為：

式中，k為管壁或保溫層的導(dǎo)熱系數(shù)，W/(m·K)；Δt為內(nèi)外壁溫度差，℃；d₁、d₂、L分別為管壁或保溫層的內(nèi)徑、外徑與長(zhǎng)度，m。

對(duì)流換熱傳遞熱量計(jì)算公式為：

式中，k為流體的導(dǎo)熱系數(shù)，W/(m·K)；d_eq為管道的當(dāng)量直為管道的當(dāng)量直徑，m；F為換熱面積，m²；Δt為傳熱溫差，℃；Nu為努謝爾特?cái)?shù)。

(1)工質(zhì)與管內(nèi)壁間對(duì)流換熱時(shí)的Nu

管道對(duì)管道內(nèi)壁的傳熱是管內(nèi)受迫對(duì)流放熱，其努謝爾特?cái)?shù)關(guān)系式為：

層流時(shí)：

該式要求若小于2，則Nu＝3.66。

湍流時(shí)：

當(dāng)工質(zhì)為蒸汽時(shí)，閥門泄漏量較小情況下，工質(zhì)溫度逐漸降至飽和溫度，蒸汽開始在管內(nèi)凝結(jié)，管內(nèi)的蒸汽沒有完全凝結(jié)時(shí)：

式(3)～式(6)中，Pr為普朗特?cái)?shù)，Re為雷諾數(shù)，η_f與η_w分別為平均工質(zhì)與壁面處工質(zhì)的動(dòng)力黏性系數(shù)，p_l、v_l分別為飽和水的密度、運(yùn)動(dòng)黏度系數(shù)，p_v、w_v為飽和蒸汽的密度和速度，x₁、x₂為計(jì)算微元段進(jìn)出口的蒸汽干度。

(2)保溫層外壁與自然界間對(duì)流換熱時(shí)的Nu

在一般情況下，熱力管道保溫層外壁與周圍環(huán)境的熱交換方式主要是自然對(duì)流，其水平與豎直圓柱自然對(duì)流換熱的準(zhǔn)則方程式為：

式中，Ra＝Gr·Pr，稱為瑞利數(shù)。

步驟102：建立管道微元段軸向方向溫度場(chǎng)。

采用單元體進(jìn)口工質(zhì)參數(shù)作為該單元體工質(zhì)的定性參數(shù)，單元體出口工質(zhì)的壓強(qiáng)P_out與溫度出口工質(zhì)T_out通過式(8)-式(10)求出，從而確定下一段單元體進(jìn)口工質(zhì)的定性參數(shù)。

式中:Q_fr工質(zhì)在單元體內(nèi)的放熱量，G閥門泄漏量，c_p該單元體工質(zhì)的比定壓熱容，Δt該單元體進(jìn)出口工質(zhì)的溫差，ρ該單元體進(jìn)口工質(zhì)的密度，D閥前管道內(nèi)徑，v工質(zhì)流過該單元體的平均速度，η沿程阻力系數(shù)，ΔP工質(zhì)通過該單元體產(chǎn)生的壓降，P_in該單元體進(jìn)口工質(zhì)的壓強(qiáng)，P_out該單元體出口工質(zhì)的壓強(qiáng)，L單元體長(zhǎng)度。

采用迭代方法求解，將整個(gè)管道在邏輯上分為N段，沿工質(zhì)流動(dòng)方向逐段計(jì)算，直至閥門前。

步驟2數(shù)據(jù)預(yù)處理。包括數(shù)據(jù)有效性驗(yàn)證、剔出錯(cuò)誤數(shù)據(jù)和數(shù)據(jù)歸一化。

為了提高識(shí)別模型的學(xué)習(xí)精度和效率，需要對(duì)上一步中獲得的閥門內(nèi)漏量與特征參數(shù)間大樣本數(shù)據(jù)進(jìn)行預(yù)處理，進(jìn)行數(shù)據(jù)有效性驗(yàn)證，借助實(shí)驗(yàn)或?qū)崪y(cè)數(shù)據(jù)，對(duì)樣本中的閥門內(nèi)漏量與其特征值的映射關(guān)系進(jìn)行校驗(yàn)和調(diào)整，并剔出錯(cuò)誤數(shù)據(jù)，主要包括管道入口工質(zhì)測(cè)量?jī)x表故障時(shí)的數(shù)據(jù)以及其對(duì)應(yīng)求出的閥門內(nèi)漏量等。同時(shí)，因?yàn)樯窠?jīng)元訓(xùn)練存在飽和問題，需要對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理，本實(shí)施例將數(shù)據(jù)歸一化到[0.1，0.9]區(qū)間，通過如下公式實(shí)現(xiàn)：

式中：X為樣本中數(shù)據(jù)，如計(jì)算出的閥門泄漏量，X_min為樣本中的數(shù)據(jù)最小值，X_max為樣本中的數(shù)據(jù)最大值，Y為樣本數(shù)據(jù)歸一化結(jié)果。

步驟3：閥門內(nèi)漏量組合識(shí)別建模

采用基于改進(jìn)SVM的非線性組合識(shí)別模型，是將BP神經(jīng)網(wǎng)絡(luò)識(shí)別模型、RBF徑向基識(shí)別模型、GRNN神經(jīng)網(wǎng)絡(luò)識(shí)別模型結(jié)合起來，綜合利用這三種識(shí)別方法的優(yōu)點(diǎn)，以提高系統(tǒng)的識(shí)別的準(zhǔn)確性。其工作過程包括兩個(gè)步驟：(1)針對(duì)三種神經(jīng)網(wǎng)絡(luò)識(shí)別模型分別建模；用BP神經(jīng)網(wǎng)絡(luò)識(shí)別模型、RBF徑向基識(shí)別模型、GRNN神經(jīng)網(wǎng)絡(luò)識(shí)別模型對(duì)預(yù)處理后的閥門內(nèi)漏量與特征參數(shù)間樣本大數(shù)據(jù)分別進(jìn)行建模，得到的各種識(shí)別方法的預(yù)測(cè)值及其實(shí)際值；(2)利用三種神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果，形成新的測(cè)試樣本與訓(xùn)練樣本，進(jìn)行改進(jìn)SVM組合識(shí)別模型的建模。

步驟301：三種神經(jīng)網(wǎng)絡(luò)識(shí)別模型分別建模。

用BP神經(jīng)網(wǎng)絡(luò)識(shí)別模型、RBF徑向基識(shí)別模型、GRNN神經(jīng)網(wǎng)絡(luò)識(shí)別模型對(duì)預(yù)處理后的閥門內(nèi)漏量與特征參數(shù)間樣本大數(shù)據(jù)分別進(jìn)行建模，得到的各種識(shí)別方法的預(yù)測(cè)值及其實(shí)際值；

(1)BP神經(jīng)網(wǎng)絡(luò)識(shí)別模型建模

BP神經(jīng)網(wǎng)絡(luò)是指基于誤差反向傳播算法的多層前向神經(jīng)網(wǎng)絡(luò)，它能以任意精度逼近任何非線性映射，具有分布式信息存儲(chǔ)與處理結(jié)構(gòu)，具有一定的容錯(cuò)性和較好的魯棒特性，在很多預(yù)測(cè)領(lǐng)域中都得到了廣泛的應(yīng)用。

本方法中，BP神經(jīng)網(wǎng)絡(luò)采用只包含1層隱含層的三層網(wǎng)絡(luò)結(jié)構(gòu)，輸入層神經(jīng)元數(shù)為3個(gè)，根據(jù)樣本中特征參數(shù)，分別為管道入口工質(zhì)壓力、管道入口工質(zhì)溫度、閥門前管壁溫度。輸出層神經(jīng)元數(shù)為1個(gè)，即閥門泄漏量。中間層神經(jīng)元個(gè)數(shù)采用逐步實(shí)驗(yàn)法來確定，以訓(xùn)練樣本均方根誤差最小為目標(biāo)來確定，為12個(gè)。隱含層神經(jīng)元傳遞函數(shù)采用S型正切函數(shù)，輸出層神經(jīng)元傳遞函數(shù)采用S型對(duì)數(shù)函數(shù)，訓(xùn)練算法采用Levenberg-Marquardt算法。

(2)RBF徑向基識(shí)別模型

因?yàn)锽P神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程中會(huì)有局部收斂的可能，且收斂與初始值有很大關(guān)系。而RBF徑向基識(shí)別模型具有很強(qiáng)的非線性映射能力，是一種很好的前饋式識(shí)別模型。所以，綜合利用RBF徑向基識(shí)別模型來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程中收斂對(duì)初始值的過度依賴和出現(xiàn)的局部性收斂的問題。

本方法中，RBF徑向識(shí)別模型分為三層，分別是輸入層、隱層、輸出層，輸入層神經(jīng)元數(shù)為3個(gè)，根據(jù)樣本中特征參數(shù)，分別為管道入口工質(zhì)壓力、管道入口工質(zhì)溫度、閥門前管壁溫度。輸出層神經(jīng)元數(shù)為1個(gè)，即閥門泄漏量。對(duì)于隱含層高斯函數(shù)中心，采用正交最小二乘法進(jìn)行選取，并應(yīng)用最小二乘法對(duì)網(wǎng)絡(luò)輸出權(quán)值進(jìn)行訓(xùn)練，其學(xué)習(xí)訓(xùn)練的目標(biāo)是總誤差達(dá)到最小。

(3)GRNN神經(jīng)網(wǎng)絡(luò)識(shí)別模型

BP神經(jīng)網(wǎng)絡(luò)與RBF徑向基進(jìn)行識(shí)別時(shí)，會(huì)出現(xiàn)陷入局部極小、訓(xùn)練效率低以及收斂速度慢等不足?？紤]到這些，引入GRNN神經(jīng)網(wǎng)絡(luò)識(shí)別模型進(jìn)行優(yōu)化，其在可以進(jìn)行全局逼近的同時(shí)還具有最好的逼近性質(zhì)，對(duì)比BP神經(jīng)網(wǎng)絡(luò)與RBF徑向基，其逼近能力、分類能力、學(xué)習(xí)速度能力都很突出。

學(xué)習(xí)樣本確定后，GRNN神經(jīng)網(wǎng)絡(luò)中的結(jié)構(gòu)和神經(jīng)元之間的連接權(quán)值也就被確定下來，識(shí)別模型的訓(xùn)練過程即為確定平滑參數(shù)的過程，平滑參數(shù)選擇試驗(yàn)法進(jìn)行確定，由于樣本采用了歸一化處理，因此選擇平滑參數(shù)為0.1-0.9，并以步長(zhǎng)為0.05變化。

步驟302：改進(jìn)SVM的非線性組合識(shí)別模型建模

支持向量機(jī)(SVM)所具有的最大的優(yōu)點(diǎn)就是能很好的解決維數(shù)災(zāi)難、局部極值、過學(xué)習(xí)以及常見預(yù)測(cè)手段結(jié)果差距過的的情況。LIBSVM算法，是針對(duì)SVM算法的一種改進(jìn)，這種改進(jìn)的SVM算法汲取了其他算法的優(yōu)點(diǎn)，使優(yōu)化問題成為一個(gè)典型的二次優(yōu)化問題，且使其具有解析解，對(duì)于普通的問題應(yīng)用數(shù)值求解的方法此種算法的計(jì)算速度較為迅速，計(jì)算的精度更高并且占用到的計(jì)算資源更少。

在LIBSVM算法中核函數(shù)的選擇對(duì)閥門管道泄漏量的預(yù)測(cè)結(jié)果精度的影響很大，核函數(shù)的選擇結(jié)果直接影響算法的計(jì)算結(jié)果。核函數(shù)包括線性核函數(shù)、多項(xiàng)式核函數(shù)、徑向基核函數(shù)。本發(fā)明分別針對(duì)這四種核函數(shù)進(jìn)行了試算，經(jīng)過對(duì)計(jì)算結(jié)果的比較分析，最終選擇了高斯徑向基核函數(shù)作為L(zhǎng)IBSVM算法的核函數(shù)，其公式為：

選定核函數(shù)后，LIBSVM算法中的正規(guī)化常數(shù)C的確定也很重要，對(duì)算法的實(shí)現(xiàn)有重要的影響，正常情況下，C的取值在10和100之間，當(dāng)C的值超出100后，也會(huì)造成欠學(xué)習(xí)的現(xiàn)象，本發(fā)明中取C的值為10。

采用LIBSVM算法進(jìn)行線性回歸，利用如下算法對(duì)拉格朗日乘子α_i、及閾值b進(jìn)行確定：

(1)用BP神經(jīng)網(wǎng)絡(luò)識(shí)別模型、RBF徑向基識(shí)別模型、GRNN神經(jīng)網(wǎng)絡(luò)識(shí)別模型對(duì)預(yù)處理后的閥門內(nèi)漏量與特征參數(shù)間樣本大數(shù)據(jù)分別進(jìn)行識(shí)別，得到的各種識(shí)別方法的預(yù)測(cè)值及其實(shí)際值形成新的測(cè)試樣本與訓(xùn)練樣本，將其作為L(zhǎng)IBSVM組合模型的樣本；

(2)初始化SVM模型，對(duì)拉格朗日乘子α_i、及閾值b進(jìn)行隨機(jī)賦值；

(3)將新的訓(xùn)練樣本建立為符合SVM算法的目標(biāo)函數(shù)，利用LIBSVM算法對(duì)其進(jìn)行求解，得到拉格朗日乘子α_i、及閾值b的值；

(4)把得到的三個(gè)參數(shù)的值帶入到目標(biāo)函數(shù)中，用測(cè)試樣本計(jì)算基于SVM組合識(shí)別模型在特定特征參數(shù)下的閥門泄漏量；

(5)和閥門實(shí)際的泄漏量進(jìn)行比對(duì)，計(jì)算出誤差。當(dāng)誤差小于確定的精度時(shí)，則結(jié)束學(xué)習(xí)過程，若達(dá)不到確定精度，則返回步驟(2)繼續(xù)進(jìn)行學(xué)習(xí)。

學(xué)習(xí)完成后，在通過精確測(cè)量獲得管道長(zhǎng)度、內(nèi)徑、外徑、周圍環(huán)境溫度以及保溫層厚度的的情況下，輸入管道入口工質(zhì)壓力、管道入口工質(zhì)溫度、閥門前管壁溫度，利用該識(shí)別模型就可以對(duì)一定范圍內(nèi)的特征參數(shù)下的閥門泄漏量進(jìn)行識(shí)別與監(jiān)測(cè)。

本發(fā)明在已知熱力管道長(zhǎng)度、管道內(nèi)徑、管道外徑、保溫層厚度等參數(shù)的情況下，以管道入口工質(zhì)壓力、管道入口工質(zhì)溫度、閥門前管壁溫度等參數(shù)作為輸入，經(jīng)過基于改進(jìn)SVM的非線性組合識(shí)別模型進(jìn)行處理，得到閥門內(nèi)漏量，該方法可以根據(jù)特定參數(shù)對(duì)閥門泄漏量進(jìn)行定量判斷，對(duì)閥門安全性以及閥門內(nèi)漏的現(xiàn)場(chǎng)診斷具有重要意義。

最后需要指出的是：以上實(shí)施例僅用以說明本發(fā)明的技術(shù)方案，而非對(duì)其限制。盡管參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的精神和范圍。