一种热力系统阀门内漏量监测方法技术方案

本发明专利技术公开了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。本发明专利技术为企业依据阀门泄漏状态安排检修、改变计划检修的方式提供了科学专业的依据，而且对企业减少阀门泄漏量、提高生产运行经济性起到重大作用。

Method for monitoring internal leakage of thermal system valve

The invention discloses a method for thermal system of valve leakage monitoring, the monitoring method comprises the following steps: (1) to obtain the valve leakage quantity and feature parameters of large sample data through the valve leakage modeling; (2) data preprocessing, model of learning to improve the recognition precision and efficiency, the step (1) among the parameters of sample data verify the validity of the leakage and features of the valve, and remove the error data are normalized to the data; (3) improved method of SVM identification nonlinear combined model based on BP neural network identification model, RBF radial recognition model and GRNN neural network identification model combined with the calculation of leakage within the valve thermal system in specific parameters, so as to realize the monitoring of the valve leakage amount. The invention provides a scientific basis for professional enterprises on the basis of the valve leakage state schedule maintenance, planned maintenance and change the way for enterprises to reduce the valve leakage, to a major role in improving the economic operation of the production.

【技术实现步骤摘要】
一种热力系统阀门内漏量监测方法
本专利技术涉及阀门内漏量监测的
，特别是涉及热力系统阀门内漏量监测方法。
技术介绍
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。
技术实现思路
本专利技术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，本专利技术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，本专利技术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专利技术实施的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，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，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。下面结合附图对本专利技术的实施例进行详细说明。本专利技术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所示是本专利技术提供的总体流程图，主要包本文档来自技高网...

【技术保护点】
一种热力系统阀门内漏量监测方法，其特征在于，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。

【技术特征摘要】
1.一种热力系统阀门内漏量监测方法，其特征在于，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。2.如权利要求1所述的热力系统阀门内漏量监测方法，其特征在于：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。3.如权利要求2所述的热力系统阀门内漏量监测方法，其特征在于：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。4.如权利要求1所述的热力系统阀门内漏量监测方法，其特征在于：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...

【专利技术属性】
技术研发人员：赵杰辉，谢红亮，张霖，
申请(专利权)人：深圳市天成智能控制科技有限公司，
类型：发明
国别省市：广东,44