關于城市供熱管網泄漏故障診斷的思考

王連石

（雞西龍唐供熱有限公司，黑龍江 雞西 158100）

供熱管網系統的不斷擴大，使得整個供熱系統變得越來越復雜，當冬季取暖期到來時，極易發生泄漏或者集中供熱系統的無法正常運行、管道破裂等現象，直接影響人們的生產和生活。因此，要想全面提高供熱的水平，需要對供熱管網泄漏的故障進行診斷，在精準定位后，能夠及時對出現的泄漏進行修補，同時，新興技術的應用還能夠提早進行故障的診斷，有效避免了泄漏的出現。

1 城市供熱管網泄漏故障診斷的必要性

現階段，供熱管網系統規模不斷擴大，系統變得越來越復雜，這就給當前的供熱管網運行帶來了較大的挑戰。即供熱管網系統故障頻發。例如，管道內外發生了腐蝕性、裂縫出現等。其主要是長時間的運行、自然災害或者采用不合格的管道以及缺乏管道維修等方面的因素造成的。其中，供熱管網系統所發生的故障中泄漏故障是嚴重的故障，不僅會增加維修的成本，還會嚴重威脅到人們的生命安全。因此，供熱管網泄漏故障一旦發生，需要引起相關單位的重視。

之前，供熱管網系統發生的管網泄漏主要采用人工撿漏的方法，這種方法不僅需要浪費較長的時間，還會耗費較多的人力。并且這種傳統的撿漏方法無法保障撿漏的精準性和可靠性，還無法提高供熱的質量。因此，尋求一種最為適合的供熱管網泄漏故障診斷方法刻不容緩，這樣做的目的就是能夠提高故障診斷的精準性和高速性。

2 供熱管網泄漏故障產生的主要因素和具體的修復

2.1 管道發生的不同程度破裂

管道故障發生的主要原因與管道發生腐蝕或者發生焊接破裂等有著直接的關系。其中，管道發生腐蝕是發生管道泄漏最主要一種類型。伴隨著熱媒溫度的升高，發生的腐蝕概率也就越來越大；熱媒溫變率較大時，將會對管道產生極大的應力，若應力不均勻釋放，或應力產生的變化量大于補償量時，將會產生管道或管件撕裂的風險；而氣候溫度的影響，將會使埋設在地下的一些供熱管道產生不均勻脹縮或者升降的現象，管道的焊口將遭到一定的破壞；當氣溫升高時或者遭到城市車輛的重壓后，管道則面臨破裂的風險。

2.2 管道內部的元部件發生故障

管道內部的元部件一旦發生腐蝕或者損壞的現象，很容易引發閥門故障的現象。例如，閥門閥體發生的腐蝕現象、法蘭發生的的泄漏現象、開關失靈等現象。另外，波紋管補償器一旦發生腐蝕的現象，則會引起開裂、泄漏的現象。其主要是因為波紋管補償器材料主要為不銹鋼材料，當受到水中氯離子的侵蝕后就會發生腐蝕的現象，進而引發故障。

2.3 具體的修復方法

首先，制定和完善管道防腐保溫絕緣破損點的條件、修復方案、管和伸縮接頭的替換和修復。其次，采用電位差法對供熱管道進行測試，確定管道深度和管道外層絕緣狀態；對管道損傷和腐蝕膨脹接頭的損壞等進行更換。最后，對嚴重腐蝕的管道加設防腐隔熱保護層，制定維修更換的周期，做好防水工作等。

3 城市供熱管網泄漏診斷的方法

3.1 紅外熱泄漏檢測法

紅外熱像儀主要是利用紅外檢測器和光學成像透鏡等觀看到人們看不見的測量目標。當物體發出紅外線能量后，就會形成的熱像圖。并且，這一技術還能夠在沒有光的地方顯示出測量對象的形狀和溫度等，在通過畫出的溫度分布圖，以計算出紅外圖像對象的實際輻射溫度。一方面，供熱管道發生泄漏后，土壤溫度可能對周圍的環境產生一定的影響，并且泄漏的范圍越大，時間越長，輻射的范圍也就會擴大。因此，借助紅外熱成像儀對土壤的溫度進行檢測，能夠對溫度的變化予以把握，進而準確地找出管道泄漏的位置。另一方面，借助紅外熱成像技術能夠及時發現和監測供熱管道是否發生泄漏。例如，監測人員通過對城市供熱管道周邊的土壤溫度進行監測，能夠對管道的運行狀態予以把控，對加熱管道泄漏點及時地發現，減少重大事故的發生。同時，監測人員還需要判斷管道保溫材料是否發生損壞，主要是因為管道外墻保溫材料在生產過程中受到熱損失的影響進而產生脫落或者受損的現象。當保溫材料發生受損的現象，需要及時處理泄漏問題，這一技術不僅能夠判斷出泄漏問題，還能夠減少熱損失，達到節約能源的效果。

3.2 采取人工智能的方法，提升檢測的效率

（1）智能化和信息化的產生和出現，改變了人們的生產和生活，特別是人工智能技術在應用供熱管網泄漏故障的診斷領域中，極大地提高了檢測的質量和效率，這一先進的檢測技術將得到廣泛的應用。例如，故障診斷過程中如果缺乏精準的壓力變化衡量指標，就會增加模糊性，為了能夠靈活地應對復雜和多變的環境，通過將神經網絡引入這種故障檢測中，充分利用神經網絡的自適應和自學習能力，以對出現的模糊規則進行修正，進而有效避免出現的主觀因素造成的各項不足，顯著提升供熱管網泄漏故障診斷的精準性和時效性。

（2）人工神經網絡是借助互聯網技術對人類認知的過程進行模擬，這種方法不需要建立數學模式，能夠通過自身強大的計算功能對神經網絡權值和闕值等進行調整，從而發揮出擬合的效果。例如，每供熱期對管網進行水壓試驗，對嚴密的管網在供熱期大量積累不同水力工況下的運行數據，通過對大量工況樣本進行學習，使其能夠對供熱管網的運行狀態進行分類和識別，甚至可以用水壓圖實時差異化對比，從而及時發現泄漏的現象。

3.3 神經元網絡診斷檢測

BP主要是指誤差逆傳播，BP神經網向網絡。通過這三層BP神經網絡以實現高度非線性映射。對于輸入層和隱含層兩個相近層的神經元，通過權闕值能夠實現有效的連接，BP算法中通過正向和反向兩個傳播路徑，得出每個單元的實際輸出值絡由輸入層、一個或多個隱含層、輸出層構成，因此，BP網絡是一種典型的多層前。例如，信息正向傳播過程中，輸入信息的過程需要層層的計算才能得出實際的輸出值，即從輸入層向輸出層逐層的計算，每層都是相互影響、相互制約的。當出現與實際的輸出值有一定的偏差后，則需要轉入反向傳播過程，進而計算出輸出值的誤差變化值，并對網絡的權值和闕值等進行有效的調節。因此，只有反復對兩個過程進行計算，才能保障誤差降到最小值。而網絡學習的過程就是對權重不斷調整的過程。如圖1所示。

圖1 三層BP網絡結構圖

為了能夠滿足維修的需求或者根據BP神經網絡模型的實際結構狀況來看，可以將其分為兩個方面：第一，一級網絡能夠對供熱管網的相應泄漏管段進行全面的診斷；二級網絡能夠對出現的泄漏點或者泄漏量等進行全面的測量。第一級網絡模型和第二級網絡模型主要采用BP神經網絡模型，例如，檢測人員通過觀察每個監測點相應的力變化情況，以對第一級和第二級網絡的輸入故障特征向量進行確定；在多次的試算和反復的試驗后，對每層的節點數進行確定；計算出每個管段可能發生的泄漏概率和泄漏的概率，這些所發生的泄漏概率狀況均可以納入一級網絡具體的故障向量。第二，針對二級網絡的輸出層情況來看，主要包含兩個神經元、兩個漏水位置。漏水位置主要是管段相應起點的位置與漏水點位置之間的距離；漏水量主要是指熱網總循環水量與泄水之間的對比數值。實際應用的過程中，網絡結構、受訓練樣本、學習的速度等都對BP神經網絡泄漏診斷模型有很大的影響。

4 結語

本文在全面了解到管道泄漏發生的因素基礎上，應該及時進行供熱管道的防腐處理，同時，還需要對受力較大的部位或者焊縫處位置等進行保護，提升施工的質量，這樣才能減少由于施工造成的管道破裂發生的泄漏問題。而在這之前，更需要開展預防的工作，加大對供熱管道的故障檢測，本文以采用紅外熱泄漏檢測法、采取人工智能的方法，提升檢測的效率、神經元網絡診斷檢測等方法后，彌補了傳統供熱管道故障泄漏檢測的不足，達到提升了檢測的精準性和時效性，為人們在冬季采暖階段能夠提供保障。在之后的一段時間中，我們還需要對供熱管網系統發生的泄漏故障進行研究和分析，這樣才能為建設智能城市奠定堅實的基礎。