流体机械

项目	参数
阀门通径/mm	65，78，130
内漏缺陷边长/mm	0.1，0.2，0.3
入口压力/MPa	10，20，30，40，50，60，70

项目	参数
阀门通径/mm	65，78，130
内漏缺陷边长/mm	0.1，0.2，0.3
入口压力/MPa	10，20，30，40，50，60，70

介质类型	M_液体	M_气体
液体	1	0
气体	0	1

介质类型	M_液体	M_气体
液体	1	0
气体	0	1

模型	RMSE	R²	MSE	MAE	95%置信区间覆盖率
GPR	0.186	0.97	0.034	0.078	93.55%
SVM	0.191	0.97	0.036	0.12	—
宽神经网络	0.23	0.96	0.05	0.11	—
提升树	0.27	0.95	0.071	0.137	—

模型	RMSE	R²	MSE	MAE	95%置信区间覆盖率
GPR	0.186	0.97	0.034	0.078	93.55%
SVM	0.191	0.97	0.036	0.12	—
宽神经网络	0.23	0.96	0.05	0.11	—
提升树	0.27	0.95	0.071	0.137	—

模型	RMSE	R²	MSE	MAE	95%置信区间覆盖率
Matern 5/2 GPR	0.186	0.97	0.034	0.078	93.55%
指数GPR	0.199	0.97	0.040	0.083	93.55%
二次有理GPR	0.212	0.97	0.045	0.089	96.77%
平方指数GPR	0.212	0.97	0.045	0.089	96.77%

模型	RMSE	R²	MSE	MAE	95%置信区间覆盖率
Matern 5/2 GPR	0.186	0.97	0.034	0.078	93.55%
指数GPR	0.199	0.97	0.040	0.083	93.55%
二次有理GPR	0.212	0.97	0.045	0.089	96.77%
平方指数GPR	0.212	0.97	0.045	0.089	96.77%

液/气高压闸阀内漏量化试验及预测模型构建研究

李博伦 ¹ , 彭辉 ¹ , 席岳 ¹ , 傅登伟 ¹ , 邱福寿 ¹ , 伍剑波 ² , 向晓梅 ²

流体机械 | 试验研究 2026,54(3): 10-20

收起

流体机械 |试验研究 2026 , 54 (3) : 10 -20

液/气高压闸阀内漏量化试验及预测模型构建研究

全屏

李博伦¹, 彭辉¹, 席岳¹, 傅登伟¹, 邱福寿¹, 伍剑波², 向晓梅²

作者信息

¹中国石油新疆油田分公司采油工艺研究院，新疆克拉玛依 834000

²四川大学机械工程学院，成都 610065

通讯作者:

向晓梅（1998），女，硕士，助理实验师，主要从事无损检测工作，通信地址：610065四川省成都市武侯区一环路南一段24号四川大学机械工程学院，E-mail：xxm@scu.edu.cn。

作者简介:

李博伦（1993），男，工程师，主要从事采油机械工程和高风险装置设施无损检测工作，通信地址：834000新疆维吾尔自治区克拉玛依市胜利路87号中国石油新疆油田分公司采油工艺研究院，E-mail：libolun2017@petrochina.com.cn。

Quantification experiment and prediction model construction for liquid/gas high‑pressure gate valve internal leakage

Bolun LI¹, Hui PENG¹, Yue XI¹, Dengwei FU¹, Fushou QIU¹, Jianbo WU², Xiaomei XIANG²

Affiliations

¹Oil Production Technology Research Institute，PetroChina Xinjiang Oilfield Company，Karamay 834000，China

²School of Mechanical Engineering，Sichuan University，Chengdu 610065，China

出版时间: 2026-03-30 doi: 10.3969/j.issn.1005-0329.2026.03.002

文章导航

摘要

收起

针对高压闸阀内漏威胁设备安全运行和影响系统能效优化等问题，开展内漏定量检测与状态诊断研究。通过搭建高压闸阀内漏试验平台，采用超声检测技术，进行液/气两类介质、入口压力10~70 MPa、缺陷尺寸0.1~0.3 mm、阀门通径DN65~DN130等多种组合工况下的内漏试验。结果表明，入口压力与缺陷尺寸增大时，液/气闸阀内漏流量与超声信号均呈上升趋势；阀门通径增大时，二者整体下降，这一现象主要受壁厚影响。相同条件下，气体内漏流量约为液体的10~431倍。气体超声信号整体强于液体，信号幅度约为液体的1.4~3.2倍；液/气闸阀内漏时，出口超声信号普遍强于入口，平均差值维持在7.2 dBμV RMS。基于高斯过程回归（GPR）方法，以Matern 5/2为核函数（长度尺度为1，信号方差为0.707 1），构建内漏流量预测模型，其预测精度达到93.55%。研究所得规律与模型具有较好的普适性，可为不同工况下高压闸阀内漏的定量评估与运行状态诊断，提供可靠的应用依据和理论支撑。

关键词

高压闸阀 / 内漏量化 / 超声检测 / 量化模型

Abstract

收起

To address the threats of internal leakage in high‑pressure gate valves to equipment safety and system energy efficiency optimization，research on quantitative detection and condition diagnosis of internal leakage was carried out.An internal leakage test platform for high‑pressure gate valves was established，and ultrasonic testing technology was used to conduct internal leakage tests under various combined conditions involving two media （liquid/gas），inlet pressure from 10~70 MPa，defect sizes from 0.1~0.3 mm，and valve diameters from DN65~DN130.The results show that as inlet pressure and defect size increase，both the internal leakage flow rate and the ultrasonic signal of liquid/gate valves show an increasing trend；as valve diameter increases，both decrease，a phenomenon mainly influenced by wall thickness.Under the same conditions，the gas internal leakage flow rate is approximately 10~431 times that of liquid.The gas ultrasonic signal is generally stronger than that of liquid，with signal amplitude approximately 1.4~3.2 times that of liquid；during internal leakage in liquid/gas gate valves，the outlet ultrasonic signal is generally stronger than the inlet signal，with an average difference maintained at 7.2 dBμV RMS.Based on the Gaussian process regression （GPR） method，using the Matern 5/2 kernel function （length scale of 1，signal variance of 0.707 1），an internal leakage flow rate prediction model was constructed，achieving a prediction accuracy of 93.55%.The obtained laws and the model have good universality，providing reliable application basis and theoretical support for the quantitative assessment and operating condition diagnosis of internal leakage in high‑pressure gate valves under different working conditions.

Key words

high‑pressure gate valve / internal leakage quantification / ultrasonic testing / quantification model

引用本文

李博伦, 彭辉, 席岳, 傅登伟, 邱福寿, 伍剑波, 向晓梅. 液/气高压闸阀内漏量化试验及预测模型构建研究. 流体机械, 2026 , 54 (3) : 10 -20 . DOI: 10.3969/j.issn.1005-0329.2026.03.002

Bolun LI, Hui PENG, Yue XI, Dengwei FU, Fushou QIU, Jianbo WU, Xiaomei XIANG. Quantification experiment and prediction model construction for liquid/gas high‑pressure gate valve internal leakage[J]. Fluid Machinery, 2026 , 54 (3) : 10 -20 . DOI: 10.3969/j.issn.1005-0329.2026.03.002

正文

收起

0　引言

收起

阀门作为流体控制系统的核心组件，承担着流体介质的通断控制、压力调节及流向分配等关键功能，其核心功能在于通过闸板的直线运动，实现管路介质的全开或全关控制，适用从低温低压到高温高压多种工况，可根据阀门的不同材质用于各种不同的介质，在石油化工、能源动力、核工业等领域发挥重要作用。闸阀的密封性能依赖于介质压力驱动闸板与阀座密封面的紧密贴合，尤其在高压工况下，其密封可靠性直接关系到系统运行的安全性与经济性。阀门内漏表现为阀门关闭后，仍未完全阻断介质流通，对于闸阀这类主要功能为实现管路的接通或截断控制的阀门，内漏是其主要失效形式之一。

工业领域中的闸阀，长期服役于高温高压、腐蚀性介质等恶劣环境，开关频繁。阀门启闭时，闸板与阀座密封面始终接触并相互摩擦，密封面易磨损。在接近关闭时，阀门前后压差大，密封面磨损更加严重。在介质中的杂质、介质腐蚀、蒸汽腐蚀等作用下，阀门内部的闸板、阀座等零部件，使用一段时间后易发生损害，导致阀门发生内漏^［1］。

在阀门内漏检测领域，国内外研究历经定性判断到定量分析的过程，并持续致力于实现更精确的泄漏量化。2007年，PUTTMER等^［2］以调节阀为对象，开展阀门内漏在线监测，提出阀门内漏量同压差比之间的对数关系式，实现了对调节阀实时、在线、定量检测。2009年，LEE等^［3］使用超声波和声学测量系统，进行阀门泄漏测试，通过不同泄漏条件下的泄漏数据，开发回归模型的估计方法，利用建立的估计模型、阀门尺寸和流体压力，预测与泄漏率直接相关的阀门开度比，研究表明，通过统计分析方法预测泄漏率适用于阀门泄漏评估。2011年，PRATEEPASEN等^［4］开发了基于嵌入式系统的阀门内漏监测设备，并提出一种基于信号均方根值分析模型来预测阀门泄漏率。2012年，杨晶等^［5］利用射流理论，总结阀门内漏状态产生的信号能量变化情况，发现2种模式下信号各频段的能量比呈现规律性差异。2013年，李振林等^［6］通过理论分析和试验研究，建立阀门内漏过程中，气体体积泄漏率与声发射信号特征参数均方根（AE_RMS）的量化关系，研究表明，阀门发生气体泄漏时，产生的AE_RMS能反应气体体积泄漏率，声发射检测技术对阀门泄漏率检测误差在10%以内。2017年，王琼等^［7］对闸阀、截止阀进行监测，并建立公式模型，提出阀门气体泄漏率的对数与信号平均电平之间的函数关系。2018年，刘亚楠^［8］以球阀阀芯划痕损伤为例，通过BP神经网络和Adaboost算法，对不同压力情况下阀门的声发射数据与阀门内漏数据进行回归分析，通过对比2种算法在测试集数据上的均方根误差，验证了Adaboost算法在阀门内漏速率反演中的可行性。2020年，吴建平等^［9］分析了阀门泄漏模式同超声波信号之间的关系，开展了基于超声波技术的泄漏检测现场应用，结果表明，基于超声波的泄漏检测方法可以有效识别出阀门的内外泄漏。2021年，赵翰学等^［10］研究发现，小波-BP神经网络模型可以实现对阀门内漏率的定量表征，具有较高的鲁棒性；吴文凯等^［11］提出将SVM应用于阀门液体泄漏状态分类：提取声发射信号的多个特征量，组成输入特征矩阵，定义添加阀门泄漏等级标签，对SVM训练参数进行寻优，建立输入信号特征和泄漏等级标签的分类模型；JOSE等^［12］针对移动式液压机械执行器的内泄漏，通过压力与动臂角位移信号，经事件化特征提取、粒子群优化特征，训练SVM分类器，实现内泄漏检测与严重程度分类。2023年，COLBOURNE等^［13］设计了一款检测RACHP设备丙烷泄漏的超声检漏仪，其可以响应最大安全泄漏率，检测时不被环境噪声干扰。2024年，DE GOUVEIA等^［14］针对工业管道紧急关闭阀（EDSVs）在运行中，因阀座累积损伤而影响安全功能的问题，提出提取损伤指数和直接分析完整压力或扭矩曲线的方案，通过蒙特卡罗方法生成真实与合成数据，对比3种处理方式发现，采用梯度提升分类器分析完整曲线效果最优，损伤识别准确率达99%。

综上所述，阀门内漏的检测研究已从定性判断发展到定量分析，并日益融合先进的信号处理与机器学习算法。然而，现有研究仍存在局限：定量研究多集中于低压工况（0.1~0.9 MPa）或调节阀、球阀等特定类型阀门^［15-17］，针对高压（10~70 MPa）闸阀的内漏量化研究显著不足；研究介质类型单一，缺乏液/气多介质的系统性对比与统一建模分析；多数研究基于传统统计回归或特定场景下的分类模型，在面向多工况、高维特征的泄漏流量，高精度连续值预测方面，模型的泛化能力与可靠性仍有待提升^［18-22］。

鉴于此，针对高压闸阀，在10~70 MPa的宽压力范围、液/气两类介质、多种缺陷尺寸与阀门通径的组合工况下，系统性开展内漏量化试验。采用超声检测技术，同步采集液/气内漏的声学信号，构建跨介质的统一特征数据集。引入高斯过程回归（Gaussian process regression，GPR）框架，构建可直接映射多维特征（工况参数与超声信号）至内漏流量的连续预测模型。旨在突破当前研究在高压、多介质闸阀内漏量化方面的瓶颈，研究结果可为高压闸阀的在线状态诊断与智能运维，提供理论依据与技术方法。

1　液/气高压闸阀内漏试验

收起

1.1　试验方法

试验对象为油气田采油树用闸阀，如图1所示，该类闸阀严格按照API Spec 6A，21st Edition，November 2018 Specification for Wellhead and Tree Equipment和GB/T 22513—2023《石油天然气钻采设备井口装置和采油树》设计制造，阀体采用模锻、双向密封，额定工作压力70 MPa，气体和液体介质均可使用。

图2示出闸阀关闭状态内部结构，横向流道两端为介质出入口，闸板位于中腔位置阻断介质，两侧环形阀座在弹簧预紧力作用下，保持与闸板密封接触。阀座内圈设计的环形槽引入入口介质压力，结合润滑脂的辅助作用形成多重密封，确保闸板与阀座之间的可靠密封。

闸阀内漏通常发生在长期使用后，阀门启闭过程中受到高压流体冲击振动和介质中的杂质冲刷，闸板入口面易形成冲蚀凹坑，导致入口端阀座与闸板密封面出现间隙，介质随即泄漏至闸阀的中腔，并使其压力升高。当闸板出口面与出口端阀座因磨损产生划痕（即使直径仅10 μm），高压介质便会从划痕处高速喷射而出，在闸板出口面附近形成高速射流。闸阀内漏定量检测的核心，正是对泄漏处射流产生的超声信号进行捕捉与分析^［23］。

闸阀内漏的本质是闸板与阀座密封面之间存在间隙，该间隙可能由阀座与闸板密封面的协同损伤形成。考虑控制变量及缺陷加工难度，将缺陷对象聚焦于闸板。内漏缺陷设计为闸板入口面与出口面的特征性损伤：入口面为冲蚀形成的凹坑状缺陷，出口面为条状划痕缺陷，如图3所示，其中入口面缺陷作为预设条件，重点探究出口面条状划痕缺陷对闸阀内漏特性的影响规律。

1.2　试验方案

试验工况变量如表1所示，根据不同变量组合，共有内漏试验126组。

试验工况为常温，内漏缺陷截面为边长0.1~0.3 mm的等边三角形。缺陷位置为闸板出口面导流孔下方（闸板下行即流道导通），缺陷长度根据阀门通径不同而改变，主要保证条状划痕缺陷在流道区域露出10 mm。缺陷极为细小，且闸板材料硬度较高，为保证尺寸精度，定制专用电极丝，采用电火花方法加工。

1.3　高压闸阀内漏试验平台

液体高压闸阀内漏试验平台如图4所示，包括水密封测试系统、水密封加压设备、高压闸阀、超声波探测仪、超声探头、量杯、电子秤等。高压水密封测试系统可实现0~100 MPa的精准控制。超声探头采用RS 2NL接触式超声传感器，将其连接至超声波探测仪，通过传感器的压电效应捕获高频声波，并由探测仪对信号进行放大处理，最终转化为以dBμV RMS为单位的电压信号^［24-25］。

试验时高压闸阀放置在高压测试试验间，保证人员安全。被测闸阀的入口端连接水密封测试系统的加压管路，出口端下方放置量杯收集内漏液体，在阀门出口处固定量杯阻挡飞溅的液体。试验中阀门加压时，试验人员不能进入试验间，量杯放置在电子秤上，通过摄像头远程记录入口压力稳定后1 min的内漏量。

气体高压闸阀内漏试验平台如图5所示，主要由气密封测试系统、气密封加压设备、高压闸阀、超声波探测仪、超声探头、气管、体积流量计、单向阀组成。闸阀入口端安装蒙板并连接进气管，出口端安装蒙板并连接出气管，出气管连通至高压试验间外的气体体积流量计，测得阀门实时内漏流量。体积流量计出口端连接单向阀，避免外界气体影响测量精度^［26］。

探头布置如图6所示，阀前E点和阀后F点，测量阀门流道中线与入口、出口阀体相贯线交点10 mm内的范围。

2　液/气高压闸阀内漏试验结果分析

收起

2.1　入口压力对闸阀内漏流量及超声信号的影响

液体、气体闸阀内漏流量与超声信号随入口压力的变化，分别如图7、图8所示。固定缺陷尺寸为0.2 mm，研究阀门通径的影响；固定阀门通径为DN65，研究缺陷尺寸的影响。由图7（a）（b）和图8（a）（b）可知，内漏流量与超声信号均随压力增大呈上升趋势，不受工作介质、阀门通径与缺陷尺寸的影响。相同条件下，气体内漏流量约为液体的10~431倍，主要由于气体的可压缩性。

因阀门内漏时出口端信号更具代表性，图7（c）（d）与图8（c）（d）中分析的超声信号主要为阀门出口端探头的检测结果。由图可知，液体的超声信号强度区间为-3~40 dBμV RMS，气体的超声信号强度区间为0~50 dBμV RMS，气体信号整体更强，较液体高出3 ~ 10  dBμV  RMS，对应信号幅度约为液体的1.4 ~ 3.2 倍。

液体、气体闸阀内漏时，出口与入口超声信号随入口压力变化如图9所示。

从图可见，出口超声信号始终强于入口，差值平均维持在7.2 dBμV RMS，此为闸阀内漏的特征之一。

2.2　缺陷尺寸对内漏流量及超声信号的影响

液体、气体闸阀内漏流量与超声信号随缺陷尺寸变化，分别如图10、图11所示。

由图10（a）和图11（a）可知，液/气内漏流量均随缺陷尺寸增大而增大；且随缺陷尺寸增大，其内漏流量增长幅度同步上升。由图10（b）和图11（b）可知，液体超声信号随缺陷尺寸增大而增强，但出、入口信号差值随缺陷增大而减小，特别是在30，50 MPa压力时，出、入口超声信号基本相同。气体超声信号随缺陷尺寸增大表现为先增后减的趋势，在0.2 mm缺陷时，出、入口信号差值较大，出口大于入口；在0.1，0.3 mm时，出、入口信号差值较小。

综上所述，液/气闸阀内漏流量随缺陷尺寸增大呈上升趋势；随缺陷尺寸增大，液/气闸阀内漏超声信号强度变化速率保持一致趋势，均为先快后慢。对于液体介质，缺陷越小（0.1 mm）、压力越大时，出、入口超声信号较强且分明；对于气体介质，缺陷适中（0.2 mm）、压力越大时，出、入口超声信号较强且分明。

2.3　阀门通径对闸阀内漏流量及超声信号的影响

液体、气体闸阀内漏流量与超声信号随阀门通径变化，分别如图12、图13所示。

由图12（a）和图13（a）可知，液体内漏流量随阀门通径增大，在不同的压力区间表现为不同的变化趋势，压力在50 MPa以下时，内漏流量随通径增大而减小，70 MPa时内漏流量先升后减。气体内漏流量随阀门通径增大呈先增后减趋势，不同压力下内漏流量较为接近。

由图12（b）和图13（b）可知，液体超声信号随阀门通径增大表现为先增强后减弱；气体超声信号随阀门通径增大呈持续减弱趋势。其中，液体介质内漏超声信号对中等通径（DN78）闸阀较为敏感；气体介质内漏超声信号对小通径（DN65）闸阀较为敏感。液/气介质超声信号在DN130时，相较于其他通径，均处于最低水平，且出、入口信号强度差值较小，可见阀门壁厚对超声信号传播存在一定影响。

液/气闸阀内漏时，出口端超声信号普遍强于入口端，表明泄漏引发的湍流噪声与空化效应在出口区域更为集中。

综合上述分析，如图14所示，在相同条件下，闸阀气体内漏流量约为液体的10~431倍；气体介质超声信号强于液体介质，约为液体的1.4 ~ 3.2 倍。

3　液/气高压闸阀内漏流量预测回归模型

收起

基于深度学习模型，利用内漏试验数据建立液/气高压闸阀内漏流量预测模型。模型输入为超声波探测仪在阀门进口、出口检测的超声电压信号均方根值与阀门通径、入口压力等工况参数。

3.1　数据集预处理

数据集输入变量涵盖阀门通径D、进口压力P、缺陷尺寸S、介质类型M和超声信号电压值，输出变量为内漏流量Q。

首先，在标准化处理前分割数据集，将数据划分为训练集和测试集（80%训练集+20%测试集），采用分层抽样确保分布一致。预处理时，先对类别特征M使用One‑hot encoding进行独热编码，将“液体”与“气体”转换为二值特征，如表2所示。

随后，对数值特征（离散数值变量D和S、连续变量P和超声信号电压值、输出变量Q）执行Z-score标准化，标准化公式：

X s c a l e d = X - μ t r a i n σ t r a i n

（1）

式中，

μ t r a i n

和

σ t r a i n

分别为训练集对应特征的均值和标准差。标准化参数仅基于训练集拟合，测试集使用相同参数进行变换。

训练集内部通过K折交叉验证调整参数，每个折叠独立拟合预处理步骤和模型参数。最终在完整训练集上重新训练模型，并使用测试集评估其泛化能力，确保测试集全程不参与参数拟合。

由于训练集的输出变量Q已进行标准化处理，模型训练阶段直接拟合标准化后的Q值。在对测试集进行预测后，通过训练集的标准化参数执行逆变换，以还原Q的真实量纲，逆变换公式：

Q o r i g i n a l = Q p r e d ⋅ σ Q, t r a i n + μ Q, t r a i n

（2）

式中，

σ Q, t r a i n

，

μ Q, t r a i n

分别为训练集中Q的标准差和均值。

整个过程严格遵循标准化参数仅来源于训练集的原则，确保数据处理的可追溯性与模型评估的可靠性。

3.2　模型对比

基于GPR、SVM、宽神经网络和提升树模型对数据集训练、预测，结果见表3。各类模型的测试集预测精度呈显著差异：提升树模型的预测精度显著低于其他三类模型，其RMSE，MSE及MAE均为最大值，且决定系数R²最小；SVM、宽神经网络与GPR模型则展现出良好的预测性能，预测精度依次提升。训练结果显示，GPR模型不仅在预测精度上表现最优，更在不确定性量化方面具有独特优势，其95%置信区间对真实值的覆盖比例达93.55%，为高压闸阀内漏流量的可靠性预测，提供更强的鲁棒性支撑。

3.3　GPR模型

GPR是基于高斯过程的一种回归方法，通过贝叶斯推断，直接对函数空间建模，预测新数据点的输出值及不确定性；定义在连续域上的随机过程，任意有限个点的联合分布都是多元高斯分布，由均值函数m（x）和协方差函数（核函数）k（x，x′）完全定义，核心公式如式（3）所示。

f (x) ~ g p m (x), k (x, x')

（3）

相较于传统回归模型，GPR为非参数模型，不需要预先假设数据的函数形式，通过核函数直接对数据的内在结构建模，能够自动适应数据的复杂特征，可提供预测值的方差，给出预测结果的可靠性。

3.4　核函数选择

GPR的性能高度依赖于核函数的选择，常见的核函数有Matern核、指数核、二次有理核、平方指数核。平方指数核最常用，适合平滑、连续的数据，没有明显周期性的情况；Matern核在平方指数核的基础上，增加了可调节的平滑度参数ν，通过ν参数控制平滑度，适合不同粗糙度的数据；指数核是Matern核在ν=0.5时的特例，适用于分析具有突发性变化的数据，处理更陡峭的变化；二次有理核可视为多个RBF核的加权组合，捕捉多尺度特征，适合复杂波动模式。

根据表4中各个核函数的预测精度，对比可知Matern 5/2核函数对于试验数据特性更具适应性，因此训练模型选择Matern 5/2 GPR。

Matern 5/2核函数常见表达式如式（4）所示。

k (x i, x j) = σ 2 1 + 5 x i - x j l + 5 x i - x j 2 3 l 2 × e x p - 5 x i - x j l

（4）

式中，x_i，x_j为输入向量；

σ 2

为信号方差，控制函数输出的幅值；l为长度尺度，控制函数的平滑程度，即输入空间中两点相关性随距离衰减的速度。

模型的超参数（l和

σ 2

）通过最大边际似然估计（maximum likelihood estimation，MLE）进行优化。优化目标为最大化对数边际似然函数：

l o g y X, θ = - 12 y T K + σ n 2 I - 1 y - 12 l o g K + σ n 2 I - n 2 l o g 2 π

（5）

式中，K为核函数矩阵；

σ n 2

为噪声方差；

θ = (l, σ 2)

为待优化超参数。采用基于梯度的优化算法进行求解，最终得到优化后的长度尺度l=1和信号方差

σ 2

=0.5（对应标准差

σ

=0.707 1）。

从物理意义上看，长度尺度l=1表明，在标准化后的输入空间内，特征相关性在约1个长度单位距离内保持较强，与数据归一化后的特征跨度相适应；信号方差

σ 2

=0.5表明，模型预测的输出波动范围适中，能够反映内漏流量在标准化后的典型变异幅度。二者共同体现数据经预处理后的内在结构，并支撑模型在本次试验条件下的泛化能力。

综上所述，构建量化模型采用Matern 5/2核函数，其超参数经最大似然优化后确定为长度尺度l=1，信号方差

σ 2

=0.5。在交叉验证后，该模型测试均方根误差达0.186，表明其预测准确性良好。

4　结论

收起

（1）随着入口压力与缺陷尺寸增大，液/气闸阀内漏流量与超声信号均整体呈上升趋势。

（2）对于阀门通径，液/气闸阀内漏流量与超声信号随其增大整体呈下降趋势，主要受阀门壁厚影响。

（3）液/气闸阀内漏时，出口端超声信号普遍强于入口端，差值平均维持在7.2 dBμV RMS，表明泄漏引发的湍流噪声与空化效应集中于出口区域。

（4）相同条件下，气体内漏流量约为液体的10~431倍；气体介质超声信号强于液体介质，约为液体的1.4 ~ 3.2 倍。

（5）构建闸阀内漏量化模型：Matern 5/2核函数（l=1和

σ

=0.707 1），模型预测精度达93.55%，满足工业现场高精度量化需求。

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

侯永坤.浅谈阀门的常见故障及保养维护［J］.内蒙古石油化工，2021，47（12）：53-55.

HOU Y K.Simple discussions on the common faults of valves and its maintenance［J］.Inner Mongolia Petrochemical Industry，2021，47（12）：53-55.

PUTTMER A，RAJARAMAN V.P3F-6 acoustic emission based online valve leak detection and testing［C］∥2007 IEEE Ultrasonics Symposium Proceedings.New York：IEEE，2007：1854-1857.

LEE S K，KIM D W，KIM Y S，et al.Study on statistical analysis of measured fluid leakage data and estimation of the leakage rate for power plant valve［J］.Journal of Power System Engineering，2009，13（5）：59-66.

PRATEEPASEN A，KAEWWAEWNOI W，KAEWTRAKULPONG P.Smart portable noninvasive instrument for detection of internal air leakage of a valve using acoustic emission signals［J］.Measurement，2011，44（2）：378-384.

杨晶，李录平，高倩霞，等.基于声发射检测的阀门内漏率定量诊断技术［J］.汽轮机技术，2012，54（5）：341-344.

YANG J，LI L P，GAO Q X，et al.Leakage quantitative diagnosis technology of valve based on acoustic emission detecting［J］.Turbine Technology，2012，54（5）：341-344.

李振林，张海峰，夏广辉.基于声发射理论的阀门气体内漏量化检测研究［J］.振动与冲击，2013，32（15）：77-81.

LI Z L，ZHANG H F，XIA G H.Quantitative detection of valve internal air leakage based on acoustic emission theory［J］.Journal of Vibration and Shock，2013，32（15）：77-81.

王琼，朱亮，贾润中，等.基于声发射技术气体阀门内漏率诊断研究［J］.安全、健康和环境，2017，17（1）：13-16.

WANG Q，ZHU L，JIA R Z，et al.Experimental research on valve inner leakage rate diagnosis technology based on acoustic emission detecting［J］.Safety Health & Environment，2017，17（1）：13-16.

刘亚楠.基于Adaboost算法的阀门内漏速率反演方法分析［J］.计量与测试技术，2018，45（12）：85-87.

LIU Y N.Analysis of valve internal leakage rate inversion method based on adaboost Algorithm［J］.Metrology & Measurement Technique，2018，45（12）：85-87.

吴建平，庄法坤，璩健，等.基于超声波的阀门泄漏综合检测技术应用［J］.设备管理与维修，2020（7）：143-145.

WU J P，ZHUANG F K，QU J，et al.Applicalion of comprehensive detection technology of valve leakage based on ultrasonic wave［J］.Plant Maintenance Engineering，2020（7）：143-145.

赵翰学，李振林，彭鹤，等.基于小波-BP神经网络的阀门内漏率量化方法［J］.石油机械，2021，49（5）：122-130.

ZHAO H X，LI Z L，PENG H，et al.Quantification method of valve internal leakage rate based on wavelet-BP neural network［J］.China Petroleum Machinery，2021，49（5）：122-130.

吴文凯，徐科军，叶国阳.面向阀门内漏声发射检测的支持向量机分类建模［J］.计量学报，2021，42（8）：1018-1025.

WU W K，XU K J，YE G Y.Support vector machine classification modeling for acoustic emission detection of valve internal leakage［J］.Acta Metrologica Sinica，2021，42（8）：1018-1025.

JOSE J T，DAS J，MISHRA S K，et al.Early detection and classification of internal leakage in boom actuator of mobile hydraulic machines using SVM［J］.Engineering Applications of Artificial Intelligence，2021，106：104492.

COLBOURNE D，VONSILD A L.Detection of R290 leaks in rachp equipment using ultrasonic sensors［J］.International Journal of Refrigeration，2023，151：342-353.

DE GOUVEIA S M，DE ABREU CORRÊA L，TELES D B，et al.Emergency shutdown valve damage classification by machine learning using synthetic data［J］.Engineering Failure Analysis，2024，156：107819.

张东许，李佳航，多英全，等.不同补氮程度油品罐通过呼吸阀排放油气危险性研究［J］.压力容器，2024，41（4）：43-52．

ZHANG D X，LI J H，DUO Y Q，et al．Study on the hazard of oil and gas emissions from oils tank with different nitrogen supplement levels through breathing valves［J］.Pressure Vessel Technology，2024，41（4）：43-52．

郑显伟.石化承压设备的泄漏管理及当前难题探讨［J］.压力容器，2025，42（8）：61-69.

ZHENG X W.Discussion on leakage management and current challenges of petrochemical pressure‑bearing equipment［J］.Pressure Vessel Technology，2025，42（8）：61-69.

葛涛，王玉，白宇，等.煤化工装备中关键阀内件的失效行为及表面强化技术［J］.流体机械，2024，52（2）：1-7.

GE T，WANG Y，BAI Y，et al.The failure behavior and surface strengthening technology of valve trims in coal chemical industry equipment［J］.Fluid Machinery，2024，52（2）：1-7.

李元姣，苗碧琪，王学冬，等.核电厂边界阀门内漏诊断技术对比解析［J］.科技视界，2023（18）：63-66.

LI Y J，MIAO B Q，WANG X D，et al.Comparative analysis of internal leakage diagnosis techniques for boundary valves in nuclear power plants［J］.Science & Technology Vision，2023（18）：63-66.

李元姣，苗碧琪，何巍，等.热边界阀门微小内漏时温度场计算方法研究［J］.流体机械，2024，52（4）：36-41.

LI Y J，MIAO B Q，HE W，et al.Study on calculation method of temperature field in case of slight internal leakage of thermal boundary valve［J］.Fluid Machinery，2024，52（4）：36-41.

宋学锋，李志彬，刘金铭，等.深层深井井筒完整性检测技术发展现状［J］.新疆石油天然气，2024，20（4）：8-18.

SONG X F，LI Z B，LIU J M，et al.Development status of wellbore integrity inspection technology for deep strata and deep wells［J］.Xinjiang Oil & Gas，2024，20（4）：8-18.

于永金，夏修建，王治国，等.深井、超深井固井关键技术进展及实践［J］.新疆石油天然气，2023，19（2）：24-33.

YU Y J，XIA X J，WANG Z G，et al.Progress and application of the key technologies of deep and ultra‑deep well cementing［J］.Xinjiang Oil & Gas，2023，19（2）：24-33.

李宏波，罗平亚，白杨，等.机器学习算法概述及其在钻井工程中的应用［J］.新疆石油天然气，2022，18（1）：1-13.

LI H B，LUO P Y，BAI Y，et al.Summary for machine learning algorithms and their applications in drilling engineering［J］.Xinjiang Oil & Gas，2022，18（1）：1-13.

SI Q R，ALI A，TIAN D，et al.Prediction of hydrodynamic noise in ducted propeller using flow field‑acoustic field coupled simulation technique based on novel vortex sound theory［J］.Ocean Engineering，2023，272：113907.

LEE J C，CHOI Y R，CHO J W.Pipe leakage detection using ultrasonic acoustic signals［J］.Sensors and Actuators A：Physical，2023，349：114061.

田野，陈海艳，胡江锋，等.基于平衡电磁的管道裂纹内检测技术研究与应用［J］.压力容器，2024，41（7）：63-70．

TIAN Y，CHEN H Y，HU J F，et al.Research and application of internal crack detection technology in pipeline based on balanced electromagnetic technology［J］.Pressure Vessel Technology，2024，41（7）：63-70．

KIM S.Time‑domain impedance method for transient analysis and leakage detection in reservoir pipeline valve systems［J］.Mechanical Systems and Signal Processing，2022，167：108527.

2026年第54卷第3期

119

引用本文

BibTeX

文章信息

doi: 10.3969/j.issn.1005-0329.2026.03.002

接收时间：2025-10-09
首发时间：2026-10-22
出版时间：2026-03-30

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-10-09
修回日期：2026-02-15

基金

作者信息

¹中国石油新疆油田分公司采油工艺研究院，新疆克拉玛依 834000

²四川大学机械工程学院，成都 610065

通讯作者:

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/ltjx/CN/10.3969/j.issn.1005-0329.2026.03.002

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

项目	参数
阀门通径/mm	65，78，130
内漏缺陷边长/mm	0.1，0.2，0.3
入口压力/MPa	10，20，30，40，50，60，70

项目

参数

阀门通径/mm

65，78，130

内漏缺陷边长/mm

0.1，0.2，0.3

入口压力/MPa

10，20，30，40，50，60，70

介质类型	M_液体	M_气体
液体	1	0
气体	0	1

介质类型

M_液体

M_气体

液体

气体

模型	RMSE	R²	MSE	MAE	95%置信区间覆盖率
GPR	0.186	0.97	0.034	0.078	93.55%
SVM	0.191	0.97	0.036	0.12	—
宽神经网络	0.23	0.96	0.05	0.11	—
提升树	0.27	0.95	0.071	0.137	—

模型

RMSE

R²

MSE

MAE

95%置信区间覆盖率

GPR

0.186

0.97

0.034

0.078

93.55%

SVM

0.191

0.97

0.036

0.12

—

宽神经网络

0.23

0.96

0.05

0.11

—

提升树

0.27

0.95

0.071

0.137

—

模型	RMSE	R²	MSE	MAE	95%置信区间覆盖率
Matern 5/2 GPR	0.186	0.97	0.034	0.078	93.55%
指数GPR	0.199	0.97	0.040	0.083	93.55%
二次有理GPR	0.212	0.97	0.045	0.089	96.77%
平方指数GPR	0.212	0.97	0.045	0.089	96.77%

模型

RMSE

R²

MSE

MAE

95%置信区间覆盖率

Matern 5/2 GPR

0.186

0.97

0.034

0.078

93.55%

指数GPR

0.199

0.97

0.040

0.083

93.55%

二次有理GPR

0.212

0.97

0.045

0.089

96.77%

平方指数GPR

0.212

0.97

0.045

0.089

96.77%