一种热力系统阀门内漏量监测方法技术领域
本发明涉及阀门内漏量监测的技术领域，特别是涉及热力系统阀门内漏量监测方
法。
背景技术
阀门是工业生产中面广而量大的一种设备，是流体输送系统中极其重要的控制部
件，可用于控制水、空气、蒸汽、各种腐蚀性介质、泥浆、油品、液态金属和放射性介质等各种
类型流体的流动。其基本功能是切断或接通管路介质的流通，改变介质的流动方向，控制介
质的压力和流量，保护管路和设备的正常运行。阀门在电厂中应用广泛，它负责连接电厂中
各子系统，是确保电厂能否安全运行的重要附件，其可靠性水平对系统的安全性能和维修
成本影响尤其突出。
由于电厂阀门长期处于高温高压的环境下，内部泄漏故障频繁发生。阀门内漏影
响电厂安全生产：阀门内漏将使运行中设备无法隔离消缺，安全措施无法执行到位，严重威
胁检修工作人员的生命安全；阀门内漏可能会对管路弯头或扩容器等造成冲刷，严重时甚
至引起机外管路爆管，给设备的现场工作人员带来人身危害，造成机组非计划停运；以高压
旁路阀门泄漏为例，减温水严重泄漏将导致机组启停阶段冷再热蒸汽管道积水，引发水锤
甚至产生汽轮机进水的严重事故。同时，阀门内漏将严重影响机组经济性，以疏水阀门内漏
为例，据统计：40％的内漏影响机组热耗率在1％左右；60％的内漏影响机组热耗率在1％以
上；个别机组疏水阀门内漏影响机组热耗率在4％左右。阀门内漏还会降低机组工作效率，
增加设备维修费用。由于不同泄漏源具有不同的泄漏机理，其造成故障发展趋势和严重程
度各异，所需取的维修策略也应该不一样。有些可以在生产运行中通过采取相应措施解决，
而有些则需要停机检修或更换阀门。据统计，在大修时，50％以上的阀门都是不需要被拆修
解体的，在不明内漏原因的情况下，对阀门进行拆修解体，不仅白费了人力、物力，还可能造
成一些人为损坏。
因此希望有一种热力系统阀门内漏量监测方法可以克服或至少减轻现有技术的
上述缺陷。
发明内容
本发明的目的在于提供一种热力系统阀门内漏量监测方法来克服现有技术中存
在的上述问题。
为实现上述目的，本发明提供一种热力系统阀门内漏量监测方法，所述监测方法
包括以下步骤：
(1)通过阀门内漏建模来获取阀门内漏量与特征参数间样本大数据；
(2)数据预处理，为提高识别模型的学习精度和效率，对步骤(1)中所述阀门内漏
量与特征参数间样本大数据进行有效性验证，并剔除错误数据对数据进行归一化处理；
(3)基于改进SVM非线性组合识别模型的方法，将BP神经网络识别模型、RBF径向识
别模型和GRNN神经网络识别模型进行结合，计算在特定特征参数下热力系统阀门内漏量，
从而实现对阀门内漏量的监测。
优选地，所述步骤(1)包括：通过测量获得热力系统管道长度、内径、外径以及保温
层厚度，随后建立管道微元段径向方向温度场；建立管道微元段轴向方向温度场，沿管道工
质流动方向，对每一微元段逐段计算，最终得到阀门前管道温度场，每一个泄漏量对应一个
管壁温。
优选地，将所述热力系统管道划分为多个微元管段，根据传热学原理对所述微元
管段进行径向和轴向建模，并利用迭代法沿工质流动方向求解；根据第N段所述微元管段的
沿程阻力损失和换热量计算第N段所述微元管段出口参数，并以此作为第N+1段所述微元管
段的进口参数，直至获得阀门前的最后一个微元管段的壁面温度，建立起温度场与特征参
数间的大样本模型。
优选地，所述基于改进SVM非线性组合识别模型的方法的步骤(3)包括以下具体步
骤：
步骤A：用所述BP神经网络识别模型、RBF径向基识别模型和GRNN神经网络识别模
型对步骤(2)中预处理的阀门内漏量与特征参数间样本大数据分别进行识别，将获得到的
各种识别方法的识别值与实际值形成新的测试样本与训练样本，将其作为改进SVM非线性
组合模型的样本；
步骤B：初始化SVM模型，对拉格朗日乘子αi、及阈值b进行随机赋值；
步骤C：将新的训练样本建立为符合SVM算法的目标函数，利用LIBSVM算法对其进
行求解，得到拉格朗日乘子αi、及阈值b的值；
步骤D：将经过步骤C计算的拉格朗日乘子αi、及阈值b值带入到目标函数中，用
测试样本计算基于改进SVM非线性组合识别模型在特定特征参数下的阀门泄漏量；
步骤E：将经过步骤D计算的阀门泄漏量和阀门实际的泄漏量进行比对，计算误差，
当误差小于确定的精度时，则结束学习过程，若达不到确定精度，则返回步骤B继续进行学
习；
步骤F：利用学习完成后的组合识别模型在输入特定特征参数后进行计算，得出热
力系统阀门内漏量，实现对阀门内漏量的监测。
优选地，所述步骤(3)中的所述BP神经网络识别模型为包含1层隐含层的三层网络
结构，输入层神经元数为3个，所述输入层神经元分别为热力系统管道入口工质压力、入口
工质温度和阀门前管壁温度；输出层神经元为阀门泄漏量；中间层神经元的数量采用逐步
实验法，以训练样本均方根误差最小为目标来确定，所述中间层神经元的数量为12个；隐含
层神经元传递函数采用S型正切函数，输出层神经元传递函数采用S型对数函数，训练算法
采用Levenberg-Marquardt算法。
优选地，所述步骤(3)中的所述RBF径向识别模型采用输入层、隐含层、输出层的三
层结构，输入层神经元数量为3个，输入层神经元分别为热力系统管道入口工质压力、入口
工质温度和阀门前管壁温度；输出层神经元为阀门泄漏量；对于隐含层高斯函数中心，采用
正交最小二乘法进行选取，并应用最小二乘法对网络输出权值进行训练。
优选地，所述步骤(3)中所述GRNN神经网络识别模型的结构和神经元之间的连接
权值由所述步骤(1)中所述阀门内漏量与特征参数间样本大数据确定，所述GRNN神经网络
识别模型的平滑参数由试验法进行确定，根据样本特征，选择平滑参数为0.1-0.9，并以步
长为0.05变化。
针对目前国内外热力系统阀门内漏量监测方法存在的不适用或精度不高的现状，
本发明公开了一种热力系统阀门内漏量监测方法，所述热力系统阀门内漏量监测方法实现
了对阀门泄漏进行监测，提高了阀门内漏量监测的准确率。
附图说明
图1是热力系统阀门内漏量监测方法的流程图。
图2是热力系统管道及阀门的基本工作原理示意图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中
的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类
似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明
一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用
于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人
员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。下
面结合附图对本发明的实施例进行详细说明。
本发明的热力系统阀门内漏量监测方法包括以下步骤：
(1)通过阀门内漏建模来获取阀门内漏量与特征参数间样本大数据；
(2)数据预处理，为提高识别模型的学习精度和效率，对步骤(1)中所述阀门内漏
量与特征参数间样本大数据进行有效性验证，并剔除错误数据对数据进行归一化处理；
(3)基于改进SVM非线性组合识别模型的方法，将BP神经网络识别模型、RBF径向识
别模型和GRNN神经网络识别模型进行结合，计算在特定特征参数下热力系统阀门内漏量，
从而实现对阀门内漏量的监测。
如图1所示是本发明提供的总体流程图，主要包括三个步骤：
(1)阀门内漏建模。通过建立管道微元段径向与轴向方向的温度场获取阀门内漏
量与特征参数间样本大数据。
(2)数据预处理。为提高识别模型的学习精度和效率，对数据进行有效性验证，并
剔除错误数据和数据归一化。
(3)内漏量组合识别建模。采用基于BP神经网络识别模型、RBF径向基识别模型、
GRNN神经网络识别模型，同时结合改进SVM的识别方法，得到非线性组合识别模型，通过该
组合识别模型对预处理后的数据进行处理，最终实现对阀门内漏量的监测。
如图2所示是本发明的热力管道及阀门基本工作原理，已知热力系统管道入口工
质的温度t0、压力P0，实际测得阀门前管壁温度t，可计算出阀门泄漏量G。即得到如下函数关
系式：
G＝f(P0,t0,L,D,D1,H,t)
式中：P0：热力管道入口工质压力；t0：热力管道入口工质温度；t：阀门前管壁温度；
L：管道长度；D：管道内径；：管道外径；H：保温层厚度。
当热力管道确定后，只要知道P0,t0,t，就可以确定阀门泄漏量。为此，建立热力管
道温度场，在已知管道入口工质的温度、压力情况下，计算得到在不同泄漏量下阀门前管壁
温度。即得到如下函数关系式：
t＝g(P0,t0,L,D,D1,H,G)
通过获得的泄漏量与工质及阀门前管道壁温等数据，建立训练样本集，以之输入
构建好的混合智能训练模型，得到非线性函数模型结果。从而确定阀门泄漏量，实现阀门内
漏量的监测。
如图1热力系统阀门内漏量监测方法具体实施过程是：
步骤1：通过阀门内漏建模获取阀门内漏量与特征参数间大样本数据。
为了计算管道系统在不同泄漏工况下的温度场分布，将管道系统划分为若干个微
元段，每一个微元段可视为简单的圆筒，将每一个微元段管道看作一个控制体，建立径向传
热模型。由于工质在不断放热，所以工质沿着流动方向温度逐渐降低，通过建立微元段之间
的温度场关系，即轴向方向温度场模型，可从入口段逐段算得阀门前管壁温度场。
步骤101：建立管道微元段径向方向温度场。
管内工质在径向的换热方式依次工质与管内壁间的对流换热，管壁及保温层的导
热换热，以及保温层外壁与自然界间的对流换热。因为保温层与管壁的纵向导热热量很小，
所以这四种径向换热方式的热量可近似看作相等。由于管道纵向温度梯度不大，则可将管
壁与保温层的散热看做多层圆筒壁导热问题。
导热传递的热量计算公式为：
式中，k为管壁或保温层的导热系数，W/(m·K)；Δt为内外壁温度差，℃；d1、d2、L分
别为管壁或保温层的内径、外径与长度，m。
对流换热传递热量计算公式为：
式中，k为流体的导热系数，W/(m·K)；deq为管道的当量直为管道的当量直径，m；F
为换热面积，m2；Δt为传热温差，℃；Nu为努谢尔特数。
(1)工质与管内壁间对流换热时的Nu
管道对管道内壁的传热是管内受迫对流放热，其努谢尔特数关系式为：
层流时：
该式要求若小于2，则Nu＝3.66。
湍流时：
当工质为蒸汽时，阀门泄漏量较小情况下，工质温度逐渐降至饱和温度，蒸汽开始
在管内凝结，管内的蒸汽没有完全凝结时：
式(3)～式(6)中，Pr为普朗特数，Re为雷诺数，ηf与ηw分别为平均工质与壁面处工
质的动力黏性系数，pl、vl分别为饱和水的密度、运动黏度系数，pv、wv为饱和蒸汽的密度和
速度，x1、x2为计算微元段进出口的蒸汽干度。
(2)保温层外壁与自然界间对流换热时的Nu
在一般情况下，热力管道保温层外壁与周围环境的热交换方式主要是自然对流，
其水平与竖直圆柱自然对流换热的准则方程式为：
式中，Ra＝Gr·Pr，称为瑞利数。
步骤102：建立管道微元段轴向方向温度场。
采用单元体进口工质参数作为该单元体工质的定性参数，单元体出口工质的压强
Pout与温度出口工质Tout通过式(8)-式(10)求出，从而确定下一段单元体进口工质的定性参
数。
式中:Qfr工质在单元体内的放热量，G阀门泄漏量，cp该单元体工质的比定压热容，
Δt该单元体进出口工质的温差，ρ该单元体进口工质的密度，D阀前管道内径，v工质流过该
单元体的平均速度，η沿程阻力系数，ΔP工质通过该单元体产生的压降，Pin该单元体进口工
质的压强，Pout该单元体出口工质的压强，L单元体长度。
采用迭代方法求解，将整个管道在逻辑上分为N段，沿工质流动方向逐段计算，直
至阀门前。
步骤2数据预处理。包括数据有效性验证、剔出错误数据和数据归一化。
为了提高识别模型的学习精度和效率，需要对上一步中获得的阀门内漏量与特征
参数间大样本数据进行预处理，进行数据有效性验证，借助实验或实测数据，对样本中的阀
门内漏量与其特征值的映射关系进行校验和调整，并剔出错误数据，主要包括管道入口工
质测量仪表故障时的数据以及其对应求出的阀门内漏量等。同时，因为神经元训练存在饱
和问题，需要对样本数据进行归一化处理，本实施例将数据归一化到[0.1，0.9]区间，通过
如下公式实现：
式中：X为样本中数据，如计算出的阀门泄漏量，Xmin为样本中的数据最小值，Xmax为
样本中的数据最大值，Y为样本数据归一化结果。
步骤3：阀门内漏量组合识别建模
采用基于改进SVM的非线性组合识别模型，是将BP神经网络识别模型、RBF径向基
识别模型、GRNN神经网络识别模型结合起来，综合利用这三种识别方法的优点，以提高系统
的识别的准确性。其工作过程包括两个步骤：(1)针对三种神经网络识别模型分别建模；用
BP神经网络识别模型、RBF径向基识别模型、GRNN神经网络识别模型对预处理后的阀门内漏
量与特征参数间样本大数据分别进行建模，得到的各种识别方法的预测值及其实际值；(2)
利用三种神经网络识别结果，形成新的测试样本与训练样本，进行改进SVM组合识别模型的
建模。
步骤301：三种神经网络识别模型分别建模。
用BP神经网络识别模型、RBF径向基识别模型、GRNN神经网络识别模型对预处理后
的阀门内漏量与特征参数间样本大数据分别进行建模，得到的各种识别方法的预测值及其
实际值；
(1)BP神经网络识别模型建模
BP神经网络是指基于误差反向传播算法的多层前向神经网络，它能以任意精度逼
近任何非线性映射，具有分布式信息存储与处理结构，具有一定的容错性和较好的鲁棒特
性，在很多预测领域中都得到了广泛的应用。
本方法中，BP神经网络采用只包含1层隐含层的三层网络结构，输入层神经元数为
3个，根据样本中特征参数，分别为管道入口工质压力、管道入口工质温度、阀门前管壁温
度。输出层神经元数为1个，即阀门泄漏量。中间层神经元个数采用逐步实验法来确定，以训
练样本均方根误差最小为目标来确定，为12个。隐含层神经元传递函数采用S型正切函数，
输出层神经元传递函数采用S型对数函数，训练算法采用Levenberg-Marquardt算法。
(2)RBF径向基识别模型
因为BP神经网络的学习过程中会有局部收敛的可能，且收敛与初始值有很大关
系。而RBF径向基识别模型具有很强的非线性映射能力，是一种很好的前馈式识别模型。所
以，综合利用RBF径向基识别模型来优化BP神经网络的学习过程中收敛对初始值的过度依
赖和出现的局部性收敛的问题。
本方法中，RBF径向识别模型分为三层，分别是输入层、隐层、输出层，输入层神经
元数为3个，根据样本中特征参数，分别为管道入口工质压力、管道入口工质温度、阀门前管
壁温度。输出层神经元数为1个，即阀门泄漏量。对于隐含层高斯函数中心，采用正交最小二
乘法进行选取，并应用最小二乘法对网络输出权值进行训练，其学习训练的目标是总误差
达到最小。
(3)GRNN神经网络识别模型
BP神经网络与RBF径向基进行识别时，会出现陷入局部极小、训练效率低以及收敛
速度慢等不足。考虑到这些，引入GRNN神经网络识别模型进行优化，其在可以进行全局逼近
的同时还具有最好的逼近性质，对比BP神经网络与RBF径向基，其逼近能力、分类能力、学习
速度能力都很突出。
学习样本确定后，GRNN神经网络中的结构和神经元之间的连接权值也就被确定下
来，识别模型的训练过程即为确定平滑参数的过程，平滑参数选择试验法进行确定，由于样
本采用了归一化处理，因此选择平滑参数为0.1-0.9，并以步长为0.05变化。
步骤302：改进SVM的非线性组合识别模型建模
支持向量机(SVM)所具有的最大的优点就是能很好的解决维数灾难、局部极值、过
学习以及常见预测手段结果差距过的的情况。LIBSVM算法，是针对SVM算法的一种改进，这
种改进的SVM算法汲取了其他算法的优点，使优化问题成为一个典型的二次优化问题，且使
其具有解析解，对于普通的问题应用数值求解的方法此种算法的计算速度较为迅速，计算
的精度更高并且占用到的计算资源更少。
在LIBSVM算法中核函数的选择对阀门管道泄漏量的预测结果精度的影响很大，核
函数的选择结果直接影响算法的计算结果。核函数包括线性核函数、多项式核函数、径向基
核函数。本发明分别针对这四种核函数进行了试算，经过对计算结果的比较分析，最终选择
了高斯径向基核函数作为LIBSVM算法的核函数，其公式为：
选定核函数后，LIBSVM算法中的正规化常数C的确定也很重要，对算法的实现有重
要的影响，正常情况下，C的取值在10和100之间，当C的值超出100后，也会造成欠学习的现
象，本发明中取C的值为10。
采用LIBSVM算法进行线性回归，利用如下算法对拉格朗日乘子αi、及阈值b进行
确定：
(1)用BP神经网络识别模型、RBF径向基识别模型、GRNN神经网络识别模型对预处
理后的阀门内漏量与特征参数间样本大数据分别进行识别，得到的各种识别方法的预测值
及其实际值形成新的测试样本与训练样本，将其作为LIBSVM组合模型的样本；
(2)初始化SVM模型，对拉格朗日乘子αi、及阈值b进行随机赋值；
(3)将新的训练样本建立为符合SVM算法的目标函数，利用LIBSVM算法对其进行求
解，得到拉格朗日乘子αi、及阈值b的值；
(4)把得到的三个参数的值带入到目标函数中，用测试样本计算基于SVM组合识别
模型在特定特征参数下的阀门泄漏量；
(5)和阀门实际的泄漏量进行比对，计算出误差。当误差小于确定的精度时，则结
束学习过程，若达不到确定精度，则返回步骤(2)继续进行学习。
学习完成后，在通过精确测量获得管道长度、内径、外径、周围环境温度以及保温
层厚度的的情况下，输入管道入口工质压力、管道入口工质温度、阀门前管壁温度，利用该
识别模型就可以对一定范围内的特征参数下的阀门泄漏量进行识别与监测。
本发明在已知热力管道长度、管道内径、管道外径、保温层厚度等参数的情况下，
以管道入口工质压力、管道入口工质温度、阀门前管壁温度等参数作为输入，经过基于改进
SVM的非线性组合识别模型进行处理，得到阀门内漏量，该方法可以根据特定参数对阀门泄
漏量进行定量判断，对阀门安全性以及阀门内漏的现场诊断具有重要意义。
最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽
管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然
可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替
换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精
神和范围。