供水管道泄漏的自動檢測與診斷

吳鳳泉 李宏達

【摘 要】本文介紹了一種供水管道泄露自動檢測與診斷技術的設計和實現。通過分析國內外關于供水管道泄露檢測技術的現狀，指出早期的泄露檢測方法以及最近一些新技術方案的優(yōu)缺點。同時提出了采用基于BP算法的神經網絡來檢測與診斷泄露的方法。

【關鍵詞】供水管道；泄露檢測；神經網絡

【中圖分類號】TP393【文獻標識碼】A【文章編號】1672-5158（2013）07-0063-02

Automatic Detection and Diagnosis of Water-Supply Pipe Leakage

WU Feng-quan￡？LI Hong-da

￡¨Information center， Chengde Petroleum College， Chengde， Hebei 067000￡？

【Abstract】This paper presents the design and implementation of Automatic Detection and Diagnosis about Water-Supply Pipe Leakage. After analyzing the current methods about Water-Supply Pipe Leakage， the merits and shortcomings of some older and newer technologies aren pointed out.At the same time， a mothod of leakage detection based on BPNN is put forward.

【Key words】 Water-Supply Pipe； Leakage Detection； Neural Network

1 引言

世界各國尤其是發(fā)達國家都非常重視供水節(jié)水的管理工作。很早就開展了漏損控制技術及設備的研究、開發(fā)工作，其漏失率遠低于亞洲國家。

我國由于城市基礎設施欠賬太多、供水設備的更新、技術水平提高緩慢，加上管理體制落后于不斷發(fā)展的形勢，使管網漏損率均未達到《城市供水2000年技術進步發(fā)展規(guī)劃》所規(guī)定的目標，大多數城市供水漏失率多在25%～30%。與發(fā)達國家比較還有很大的差距。

為指導節(jié)水技術開發(fā)和推廣應用，推動節(jié)水技術進步，提高用水效率和效益，促進水資源的可持續(xù)利用，國家發(fā)展改革委、科技部會同水利部、建設部和農業(yè)部組織制訂了2005年第17號《中國節(jié)水技術政策大綱》，其中就提及到要積極采用城市供水管網的檢漏和防滲技術。

2 國內外研究現狀分析

目前，已有的管道泄漏檢測方法中，流量平衡法與壓力差法是基于物質守恒與能量守恒來判斷泄漏的發(fā)生，無法定位；應力波法是利用流體泄漏時引發(fā)的沿管壁傳播的應力波來判斷泄漏和定位，對外帶包層或埋地的管道，應力波衰減很快，長距離難以檢測，限制了這種方法的應用；SCADA模型法響應速度較快，可快速檢出管道較大的泄漏，但投資很大，沿管道需要安裝復雜的控制傳感系統(tǒng)。我國大中城市中使用的檢漏手段基本上還是人工聽漏法，這種原始的人工聽漏方法可靠性低，抗干擾性差，需要耗費大量人力。近年來，國內外發(fā)展起來一些新的基于現代控制理論、信號處理的泄漏檢測與定位技術，這些方法仍然需要大量的數學建模。

針對以上各種方案的不足，提出應用神經網絡的自組織、自學習能力進行供水管道泄露的診斷方法，這種方法只需將給水管網的各種工況下對測壓點造成影響的數據輸入神經網絡，讓其充分學習直到收斂，然后在將來的檢測中只需將測壓點數據輸入訓練好的神經網絡就可以判斷管網是否發(fā)生滲漏，并確定滲漏位置。而測壓點的數據是可以通過SCADA實時傳回來，這樣也就實現了管道泄露的實時診斷。

3 基于BP算法的神經網絡設計

三層BP神經網絡技術應用中最關鍵的構造參數包括輸入層、隱含層和輸出層的節(jié)點數，以及在神經網絡各層之間連接權值和節(jié)點閾值的初始化。

3.1 輸入層節(jié)點數

由于實際管網的節(jié)點數較多，如果全部做為神經網絡的原始訓練數據，將會導致運算量過大，且難以收斂，可以采用管道泄露前后6個監(jiān)測點（含泄漏點）水壓變化數據進行訓練。采用水壓監(jiān)測診斷故障的方法可以充分利用現有的SCADA系統(tǒng)，從而可以很容易實現。

除了管道泄露前后6個監(jiān)測點（含泄漏點）外，還包括該泄漏點處的正常工況下的水壓，因此輸入層共有7個節(jié)點，即輸入模式向量的維數為7。表1為各工況下測壓點水頭。

3.2 輸出層節(jié)點數

輸出層的節(jié)點數即各模式理想的輸出向量的維數，因為理想輸出向量必須能區(qū)分各種不同的模式，因此輸出層的節(jié)點數跟模式的個數相關。因為模式個數為7個，因此輸出層節(jié)點數可以取1個或7個等。用1個輸出層節(jié)點的神經網絡，其模式分類和辨別能力是不夠的。當取7個輸出節(jié)點時，輸出向量分別為（0，0，0，0，0，1）；（0，0，0，0，1，0）；（0，0，0，1，0，0）；（0，0，1，0， 0，0）；（0，1，0，0，0，0）；（1，0，0，0，0，0）；（0，0，0，0，1，1）。

3.3 隱含層節(jié)點數

采用適當的隱含層節(jié)點數往往是網絡成敗的關鍵。中間層節(jié)點數選用太少，網絡難以處理較復雜的問題；但若中間層節(jié)點數過多，將使網絡訓練時間急劇增加，而且過多的節(jié)點數容易使網絡訓練過度。

可以用幾何平均規(guī)則來選擇隱含層中的節(jié)點數。那么，具有n個輸入節(jié)點及m個輸出節(jié)點對三層網絡，其中間層節(jié)點數 hm n？。隱含層節(jié)點數可取7，嘗試取隱含層節(jié)點數的范圍為3～50，以對其在更大的范圍內進行優(yōu)化。

3.4 程序流程圖

圖1為三層BP神經網絡的程序流程圖。

圖5 隱含層節(jié)點數為35時的誤差曲線

3.6 網絡仿真結果

BP神經網絡仿真結果如表2所示。

從仿真結果可以看出，該神經網絡已經能夠很好的識別不同節(jié)點發(fā)生滲漏時的特征，給出的仿真結果與期望的輸出T矩陣非常相似，最大誤差小于1e-6。

3.7 驗證神經網絡

將節(jié)點10411滲漏后各節(jié)點水頭數據：

L=[37.47，35.06，35.29，37.46，33.01，29.74]

輸入已經訓練好的神經網絡，通過調用SIGMOID函數，輸出結果如表3所示。

由結果可以看出，目標輸出與實際輸出非常接近，誤差滿足10E-5精度，所以可以證明此神經網絡完全具有診斷管網泄露的能力。

4 結束語

本文所提出的基于BP神經網絡來檢測與診斷泄露的方法。該方法應用神經網絡的自組織、自學習能力進行供水管道泄露的診斷方法，只需將給水管網的各種工況下對測壓點造成影響的數據輸入神經網絡，讓其充分學習直到收斂，然后在將來的檢測中只需將測壓點數據輸入訓練好的神經網絡就可以判斷管網是否發(fā)生滲漏，并確定滲漏位置。而測壓點的數據是可以通過SCADA實時傳回來，實現了管道泄露的實時診斷。適合于城市供水管道泄露的檢測和診斷，有較好的發(fā)展前景。

參考文獻

[1] 順舟科技Z-BEE無線產品技術手冊

[2] AN965 Microchip ZigBeeTM協議棧

[3] 王巖，張國山.基于ZigBee協議的無線傳感器網絡設計.微計算機信息，2008，4-1：21-23

[4] 楊祥，趙榮陽，張遠翼.基于ZigBee的智能家庭系統(tǒng)控制終端設計.微計算機信息，2009，1-2：126-128

[5] 馬壯，楊旭東.基于PC機的DS18B20溫度采集系統(tǒng).微計算機信息，2009，1-2：108-109