基于BP神經網絡的復雜布局管道泄漏檢測研究

,, ,

(武漢理工大學 能源與動力工程學院，武漢 430063)

管流輸送過程中，彎頭數量越多，對泄漏的定位精度影響越大。這是因為流體在經過彎頭處時，產生了能量損失和振蕩，導致管道兩端的壓力傳感器采集到的負壓波信號的時間不夠準確[1]。傳統的直管道泄漏檢測與定位方法不適用于復雜布局管道，有必要對復雜管道的泄漏檢測與定位規律進行研究。

1 實驗原理及方案

具有標準結構的BP神經網絡，當隱層神經元數目足夠多時，可以以任意精度逼近一個具有有限間斷點的非線性函數[2]。因而只要選擇合適的BP神經網絡輸入參數、訓練目標和隱含層節點個數，就能對復雜布局管道泄漏進行檢測與定位。

利用BP神經網絡對復雜布局管道的泄漏檢測與定位問題進行探討。研究內容包括三部分：①泄漏狀態辨識；②同一泄漏點不同泄漏量的泄漏檢測；③同一泄漏量不同泄漏點的泄漏檢測。

在實驗臺[3]中選擇如圖1所示的實驗管道，最上面19 cm的管道是垂直輸送的，管道末端為兩個帶90°彎頭的普通彎管，中間一段是直管道。

圖1 管道布局示意(單位：cm)

需要指出的是，在管道施工時，漏點1～3、漏點6～10都是直徑3 mm的孔，漏點4作為電動調節閥是直徑8 mm的孔，因而在實驗中不能精確地調節直徑3 mm孔泄漏量大小，漏點5是直徑5 mm的孔。綜合以上幾個因素，第一部分的研究以漏點1～3、漏點6～9共7個泄漏孔的數據作為狀態辨識依據，而第二部分的研究以漏點4電動調節閥作為對象，第三部分的研究以8個泄漏孔的數據作為依據。

2 神經網絡各部分參數確定

2.1 輸入層參數的確定

目前對于計算機的處理能力，如果直接將不經過任何處理的管道泄漏引發的壓力采樣信號都輸入網絡，則計算量會非常大，以致于不能收斂。因此，對于首、尾端的壓力信號，選取信號使用db4小波進行3層分解后，將低頻細節的平均值和高頻細節的最大值作為BP神經網絡的輸入。

這樣得到以一個近似的以“能量”作為輸入特征向量的表征壓力信號，據以判斷管道的工作狀態：

T=[A3首mean,D3首max,D2首max,D1首max,
A3尾mean,D3尾max，D2尾max，D1尾max]

(1)

當能量較大時，式(1)中的數值較大，不便于分析，應對特征向量進行歸一化處理。

(2)

式中：E、E′——“能量”，

(3)

(4)

以某一波形為例，在Matlab中[4]，首先用wavedec函數對信號進行多步小波分解；然后用appcoef和detcoef函數來提取小波變換后的低頻細節系數及高頻細節系數；接著用wrcoef函數來重構第3層近似和各層細節；得到低頻細節A3、高頻細節D3、D2、D1。接著再用mean函數求出低頻細節A3的平均值，用max函數求出高頻細節D3、D2、D1的最大值。

2.2 訓練目標的確定

1) 第一部分研究內容。由于是對管道泄漏狀態進行辨識，信號包括漏點1～3，漏點6～9發生泄漏。共7個狀態，所以神經網絡的輸出層使用3個神經元，由于3個神經元可以最多描述8個狀態，因而訓練目標確定為T=(0,0,1),(0,1,0),(0,1,1),(1,0,0),(1,0,1),(1,1,0),(1,1,1)，分別對應出現各種泄漏點時的工作狀態。

2) 第二部分內容。當閥的開度從5%開始調到100%后，總共有20個狀態，而且這20個狀態也已經歸一化，因而可以直接將其訓練目標確定為T=(0.05,0.10,0.15,0.20,0.25,0.30,0.35,0.40,0.45,0.50,0.55,0.60,0.65,0.70,0.75,0.80,0.85,0.90,0.95,1.00)。

3) 第三部分內容。將各泄漏點距離首端傳感器的距離作為訓練目標。作為訓練目標前，首先將其進行歸一化處理[5]。需要說明的是，由于是研究復雜管道泄漏檢測與定位規律，因而彎頭也需進行處理，所有的距離都以實際距離為準，所有有彎頭的地方都按照以往的結論進行處理，即彎頭處的長度按1.6 m計算，各泄漏點距離首端傳感器的距離及歸一化后的結果見表1。

表1 各泄漏點距首端傳感器距離及歸一化結果

根據表1的歸一化計算結果，第三部分研究內容的訓練目標確定為T=[0,0.118 1,0.206 3,0.605 7,0.710 5,0.833 6,0.915 1,1.000 0]

2.3 隱層節點數的設計

多次試驗發現，隱層節點數取輸入節點數和輸出節點數之間的值，在靠近輸入節點時，網絡的收斂速度較快[6]。但是也不能盲目地擴大節點數。因為節點數變大，雖然迭代次數變少，但網絡明顯變大，計算量變大，從而使計算時間變長。為此，提出一個單隱層隱層節點數的經驗公式：

(5)

根據這種方法，得出第一部分研究內容的隱層節點數為11個，第二部分和第三部分研究內容的隱層節點數為12個。從而確定了BP神經網絡的結構為8-11-3和8-12-1。

以第一部分研究內容為例，得到的網絡結構見圖2。

圖2 神經網絡結構

3 基于BP神經網絡的泄漏檢測

根據研究內容，對基于神經網絡的復雜布局管道泄漏檢測研究分為兩部分：①基于BP神經網絡的樣本訓練；②基于BP神經網絡的預測。具體來說，在進行樣本訓練研究時，首先將所有的樣本都作為神經網絡的輸入，以訓練目標作為神經網絡的目標；然后對每一個輸入矢量在訓練好的網絡中進行計算；得到輸出矢量，從而得到訓練值。在進行預測研究時，輸入樣本比全部的樣本少一個；對少一個的全部樣本進行神經網絡訓練，得到訓練好的網絡；然后將這個樣本放在訓練好的網絡中進行計算，從而得到預測值，將預測值與目標值進行對比，就可以得到預測誤差。

3.1 基于BP網絡的泄漏狀態辨識

對復雜管道泄漏狀態進行狀態辨識時，以每個與泄漏孔對應的狀態作為訓練目標，對這7個孔發生泄漏后的輸入矢量進行訓練和預測，得到訓練和預測輸出見表2。

表2 泄漏狀態辨識神經網絡輸出結果

由表2可見，對各個點泄漏后的輸入矢量進行訓練和預測后，實際輸出值并不是簡單的0和1。但是輸出的結果已經很接近理想輸出，其中訓練輸出的最大誤差為0.064 8，而預測輸出的最大誤差為0.179 5，這是由于訓練樣本點過少造成的。雖然輸出不是標準的0和1，但完全可以依靠程序判斷管道工作模式，進而準確判斷管道是否發生泄漏，進行泄漏狀態辨識。

3.2 基于BP網絡的泄漏量大小分析

對管道發生了不同泄漏量的泄漏檢測進行研究時，以電動調節閥的調節開度作為研究對象，以泄漏量的大小作為網絡的輸出理想結果，對這20個狀態泄漏發生后的輸入矢量進行預測和訓練，得到訓練輸出和預測輸出見表3。

由表3可見，由于訓練樣本較多，BP神經網絡非常逼近輸入網絡，在進行網絡訓練時，除了5%和10%泄漏量時訓練誤差較大以外，其余的泄漏量訓練誤差都在2%以內，這樣的訓練精度是比較滿意的。由于網絡訓練比較好，因而在進行BP神經網絡預測時，預測的效果也比較好，預測的最大誤差為5.68%，最小誤差為0.05%，這樣的誤差精度完全能滿足實際工程的需要，能準確確定泄漏量大小。

3.3 基于BP網絡的泄漏定位分析

以8個不同位置的泄漏點作為研究對象，泄漏位置見圖1。以泄漏點的不同位置歸一化后的結果作為網絡的輸出理想結果；對這8個點泄漏發生后的輸入矢量進行預測和訓練，得到訓練輸出和預測輸出后，再進行反歸一化處理；從而得到訓練及預測輸出的實際定位距離，結果及誤差見表4。

表3 泄漏量研究神經網絡輸出及誤差分析

表4 定位結果及定位誤差

由表4可見，網絡的訓練誤差非常小，這應該是因為選擇了合適的隱層及合適的訓練誤差。但是網絡的預測誤差相對來說比較大，其中最大的定位誤差達到了5.527 3%，但總的來說，定位精度大都控制在5%左右以內，這種定位誤差應該可以接受。而且定位精度誤差較大的一個根本原因就是訓練樣本太少，在一根接近7 m(直管管道長度)的管道上，只布局了8個泄漏孔來進行訓練，只要定位誤差在(8/7)/7×100%=16.326 5%以內，就可以認為誤差沒有超過不可接受的范圍。提高精度的一個好的建議是多布置幾個泄漏孔，增加訓練樣本庫。

4 結論

1) BP神經網絡的輸入參數和訓練目標必須明確，而且要能反映輸入信號的特征，可以借助經驗公式確定隱含層節點個數，但最好進行幾個經驗公式的對比，再來確定最適合的節點個數，另外所有的參數在進行處理前最好都進行歸一化，以方便數據處理。

2) 用BP神經網絡進行訓練時，所有的誤差都比較小，這也體現了BP神經網絡強大的任意非線性逼近的能力。但用BP網絡進行預測的時候，如果樣本較少，則會產生較大的誤差，樣本數目足夠多的時候，誤差也會減小。

3) 對本實驗臺來說，用BP神經網絡來預測復雜管道發生泄漏后的泄漏量大小是完全可行的；用其對是否發生泄漏進行狀態辨識，則還要進行數據的二次處理；由于訓練樣本過少，用BP網絡進行泄漏定位時產生較大的誤差，建議多增加幾個泄漏孔，也就是增加訓練樣本數，從而提高泄漏定位精度。

[1] 胡 瓊.在役管線泄漏檢測技術研究[D].武漢：武漢理工大學,2009.

[2] 葛哲學,孫志強.神經網絡理論與Matlab 2007實現[M].北京:電子工業出版社,2008.

[3] HU Qiong, FAN Shi-dong. Development of pipeline leak detection system based on LabVIEW[C]∥2008 IEEE International Symposium on Knowledge Acquisition and Modeling Workshop Proceedings,2008, Wuhan, China,2008:671-674.

[4] 葛哲學,沙 威.小波分析理論與Matlab 2007實現[M].北京:電子工業出版社,2007.

[5] 晁智強,郭小牛,盛 鋒.基于BP神經網絡的某型兩棲突擊車風扇泵泄漏量預測研究[J].液壓液氣動,2009，(9):23-25.

[6] KUNG S Y. An algebraic projection analysis for optimal hidden units size and learning rates in back-propagation learning[C]∥International Conference on Neural Network, USA,1998:363-367.