基于遺傳算法優化的神經網絡在長輸管道泄漏檢測系統中的應用

丁冬，楊成禹

（長春理工大學　光電工程學院，長春　130022）

基于遺傳算法優化的神經網絡在長輸管道泄漏檢測系統中的應用

丁冬，楊成禹

（長春理工大學光電工程學院，長春130022）

針對由于輸油管道泄漏在生產生活中造成的諸多損失與危害，以吉林油田的一段長輸管道為研究對象，利用小波包變換提取管道泄漏壓力信號的特征向量，將得到的特征向量作為神經網絡的輸入，根據輸出對管道的運行狀態進行識別，再應用負壓波定位法對泄露點進行定位。在此基礎上，提出了一種基于遺傳算法優化的RBF神經網絡輸油管道檢測的方法。該方法把遺傳算法應用于神經網絡的參數確定中。實驗結果表明，優化的RBF神經網絡模型的誤差為1%左右，提高了泄漏檢測的精度與效率。

遺傳算法；RBF神經網絡；小波分析；泄漏定位

管道是原油及石油產品的主要運輸方式，現已成為我國五大運輸方式之一。但是，由于管道老化、腐蝕及其它外力破壞等原因，泄漏事故時有發生。管道泄漏事故不僅影響生產運行，造成資源浪費，而且還會污染環境，因此，當管道發生泄漏時，及時地對泄漏點進行定位檢測就顯得尤為重要［1］。

管道泄漏檢測方法很多，包括基于硬件、軟件、硬件軟件結合的方法及基于模型和非模型等方法［2］。由于影響管道因素諸多，建立一個準確數學模型進行泄漏檢測分析是比較困難的，而神經網絡模型具有識別管道泄漏信號和標準信號的能力，且可以自行的適應學習和調節網絡參數，從而及時對檢測到的泄漏進行報警［3］。在神經網絡中，應用最為廣泛的是BP神經網絡與RBF神經網絡，BP神經網絡的輸出與網絡的連接權之間呈非線性關系，因此必須采用非線性的優化方法學習，這樣不可避免地會遇到局部最優的問題，且學習速度慢。RBF網絡基于生物的局部調節和交疊接受區域知識的基礎上又與函數逼近理論相吻合，具有全局逼近性，還避免了BP那樣繁瑣的反向傳播計算，可以使學習比通常的BP方法快103～105倍［4］。

1　輸油管線泄漏檢測和定位的原理

當輸油管線發生泄漏時，由于管道內外存在壓力差使泄漏處壓力突降，進而造成管道首尾處的壓力下降，這種形式會以突變或緩慢的變化表現在曲線上。利用小波變換可以檢測變化的奇異點從而對泄漏點進行定位。

1.1小波包變換提取管道泄漏壓力信號特征向量

對于連續信號 f（t）∈L2（R）（能量有限空間），f（t）的連續小波變換定義為：

其局部極值點（α0，τ0），如果對于τ0的某一領域內的任意點τ，有，則稱（α0，τ0）為小波變換的模極大值點，對應于平滑后信號的拐點，即信號的突變點［5］。管道發生泄漏時，管道中的壓力參數就會發生變化，如不同頻率成分的相頻特征、頻譜特征等，應用“能量—模式識別”的泄漏定位檢測技術對管道泄漏壓力信號進行小波分解，將管道泄漏壓力信號中的不同分量分解到不同頻帶內，從而建立從能量變化到壓力變化的映射關系。

應用Matlab小波工具箱對采集到的壓力信號進行三層小波分解后將第三層從高頻到低頻分解為8個頻率成分的信號特征。假定原始信號中，最高頻率成分為1024，最低為0，經三層小波包分解后，按下表范圍分成8個頻率成分

表1　三層小波包分解系數對應的頻帶及能量

對各個頻帶進行時域分析，提取頻帶信息的能量，則有：

式中S3j為頻帶 j的壓力信號，其對應的能量為E3j，||Xjk為重構信號，n為壓力信號采樣點數。

將經小波包分解后的各頻帶能量值構造成表征壓力信號的特征向量，進行歸一化處理后其結果為一組可以用來判斷管道工作狀態的特征向量。

應用神經網絡工具箱對經過小波包分解后的8個頻帶內的各個小波進行能量計算，得到各節點的能量數，如圖1所示。

圖1　各小波節點對應能量百分比

對8個頻帶的能量進行歸一化處理，得到的特征向量為：

1.2基于小波變換的負壓波定位

與管道泄漏檢測的其它方法比，負壓波法的優點是可迅速檢測突發性泄漏且定位和具有較高的定位精度，原理簡單，適用性強，因此采用小波變換與負壓波結合來進行管道泄漏的檢測與定位。

如圖2所示，當管道發生泄漏時，由于管道內外存在壓力差，使泄漏處的壓力突降，在管道內產生負壓波，負壓波從泄漏點沿管道向管道兩端傳遞，波幅隨著傳輸距離而遞減，最后到達管道兩端從而產生輸差。管道兩端的壓力變送器接收管道的壓力信號并進行連續記錄。結合壓力和流量的變化特征，可以判斷是否發生泄漏，通過測量泄漏時壓力波到達管道首末兩站的時間差和壓力波的傳播速度可對泄露點進行定位。

圖2　負壓波定位法原理圖

泄漏點的定位公式為：

其中，x—泄漏點距上游站測壓點的距離，m；v'—負壓波的傳播速度，m/s；L—上、下游站間距，m；Δt—上游站壓力突變時間與下游站壓力突變時間差，s。

由負壓波定位公式可以看出，時間差Δt決定了泄漏點的定位精度，為了便于識別壓力波的突變點，被傳感器捕獲的壓力波信號需由小波變換進行消噪處理，以保證泄漏定位的精準性。

2　基于遺傳算法優化的RBF神經網絡用于管道泄漏檢測

2.1遺傳算法優化的RBF神經網絡

人工神經網絡是將人腦神經網絡的數學模型理論化，其本質是實現了一種從輸入到輸出的映射關系，再通過訓練和學習的過程來調整權值，使網絡總誤差最小，從而完成所需的輸入—輸出映射。

在RBF神經網絡設計中，輸出層權值ω，隱層節點中心c和寬度σ的初值參數的確定是重點和難點，參數的選擇不當會造成RBF網絡發散。本文采用遺傳算法優化RBF神經網絡的參數c、σ，從而大大提高了網絡速度和精度。遺傳算法步驟如下：

（1）采用二進制編碼與實數編碼相結合的編碼方式，其中隱中心采用二進制編碼，其長度為l，數量為n，故一個RBF染色體的長度為L=n×（l+1），編碼方式表現為染色體前nl個字節為隱中心Ci，后n個字節為采用實數編碼的寬度值σi。

（2）隨機生成N個染色體稱為第一代個體。

（3）對每個個體進行適應度檢測：

式中，yjk0是期望值，yjk是實際值。為防止適應度值超常等現象，用以下方法對適應度值進行標定：

式中，f'為標定后的適應度，f為原始適應度值；

fmax、fmin分別為適應度值上下界；δ為開區間（0，1）內的一個正實數。

（4）保留適應度最高的染色體到下一代。

（5）對兩個個體采取兩點交叉算法，交叉點位置分別落在隱中心Ci和寬度σi的編碼中，為防止交叉概率過高造成只收斂于一個解和交叉概率過低使搜索過程停滯不前，Pc取值為0.6。

（6）采用兩點按位變異，在參數范圍內以2個隨機數替換原有變異點實數，重造染色體，變異概率Pm取值為0.01。

（7）進化代數增加1，判斷是否達到最大進化代數。若是，選擇最優染色體，對最優染色體進行解碼，確定最終RBF網絡結構。若不是，返回步驟（3）。

2.2神經網絡的輸入和輸出

神經網絡對于泄漏的識別就是對管道運行情況的判斷。將經小波包分解后的壓力信號的特征向量作為對神經網絡的輸入向量進行訓練。其次分析神經網絡的輸出向量，確使管道每一種運行狀態都有與之相對應的輸出向量。將正常運行狀態下的標準輸出定為（0，0）；泄漏時的標準輸出定為（1，0）；調泵壓降時的標準的輸出定為（0，1）。

3　試驗結果

根據前面的研究分析得到管道泄漏信號分解后共有8個節點對應該RBF神經網絡的8個輸入端，輸出層僅含1個神經元節點，用于輸出網絡學習和預測的結果。鑒于對神經網絡控制誤差的精準性要求，經過對數次實驗誤差圖的分析，確定將隱含層的節點數選取為35個。圖3為實驗的誤差曲線圖，實驗目標精度為0.01。圖4為用遺傳算法優化后的神經網絡誤差曲線圖。

圖3　RBF神經網絡實驗誤差曲線

圖4　遺傳算法優化后的誤差曲線

從圖3可以看出，RBF神經網絡經過2561次次訓練可達精度要求，而優化后的神經網絡經930次訓練便可達到實驗精度，提高了誤差的收斂速度。

表2　神經網絡測試的輸入樣本

以吉林油田的一段長輸管道運行現場監測的數據為原始數據，獲取管道正常狀態、調泵狀態、泄漏狀態的壓力信號各2組進行仿真實驗。為改進RBF的輸入樣本，選取將這些信號進行3層小波包分解后第3層的特征向量。表2是神經網絡實驗的輸入樣本、表3是實際輸出樣本與理想輸出樣本的比較。選用以上作為實驗樣本來測試已經訓練好的RBF神經網絡。

表3　神經網絡的輸出值比較

從表3可以看出，通過遺傳算法改進的RBF神經網絡可將實際輸出值與理想輸出值的差距控制在小于0.05以內，可應用于識別管道的運行狀態。

4　結論

由實際輸出及仿真誤差曲線圖可以看出，用經小波包分解后的特征向量作為遺傳算法優化后的RBF神經網絡的輸入樣本進行訓練，通過輸出來判斷管道的3種運行狀態，從實驗結果可以看出，實際輸出值與理想輸出值的差距小于0.05近似于0，表明改進后的RBF神經網絡具有較高的估計精度，能有效的解決實際生產中的管道泄漏問題。

［1］ 梅云新.中國管道運輸的發展與建設［J］.交通運輸系統工程與信息，2005，5（2）：108-115.

［2］ 別沁，鄭云萍，付敏，等.國內外油氣輸送管道泄漏檢測技術及發展趨勢［J］.石油工程建設，2007（3）：19-22

［3］Feng D C，Dias P J M.Study on information fusion based on wavelet neural network and evidence theory in fault diagnosis［C］.2007 International Conference on Electronic Measurement and Instruments. Xi'an：IEEE Press，2007：3522-3526.

［4］ 韓力群.人工神經網絡理論、設計及應用［M］.北京：化學工業出版社，2007：171-172.

［5］ 王艷.基于小波變換的輸油管道泄漏定位算法［J］.遼寧石油化工大學學報，2009，29（2）：72-74.

Research on the System of Pipeline Leak Location Based on RBF Network

DING Dong，YANG Chengyu
（School of Optoelectronic Engineering，Changchun University of Science and Technology，Changchun 130022）

For many losses and harm caused in production from the pipeline leak.In this paper，taking a long-distance pipeline of Jilin Oilfield as the departure point.Firstly，extract pressure pipeline leakage eigenvectors with wavelet packet as the neural network input，using output to recognize pipeline work station.Then point the leak orientating use the negative pressure wave theory.On this basis，a new method of pipeline detecting based on optimized RBF neural networks using genetic algorithm was improved.Genetic algorithm was applied to optimize position of data centers.The result shows that the error rate of optimized RBF neural network model is less about 1%，so the accuracy and efficiency of leak detection had been improved.

genetic algorithm；RBF neural network；wavelet analysis；leak location

U178

A

1672-9870（2015）06-0136-04

2015-06-16

丁冬（1989-），女，碩士研究生，E-mail：493401414@qq.com