基于GPRS和BP神經網絡的熱力管網泄漏監測系統

趙迪+李允俊

DOI：10.16644/j.cnki.cn33-1094/tp.2016.02.007

摘 ?要： 針對管網泄漏監測的現狀，設計并實現了一種熱力管網泄漏監測系統。該系統結合傳感器、GPRS無線通信技術和BP神經網絡算法，實現了實時獲取傳感器數據、分析泄漏情況的熱力管網泄漏監測系統。文章介紹了系統框架結構，描述了系統的硬件結構，闡述了系統各功能模塊的設計與實現過程，并在模擬的管道工況上進行了測試。測試結果表明，該系統運行穩定，分析準確，具有一定的實用價值和推廣價值。

關鍵詞： 熱力管道; 泄漏監測; GPRS; BP神經網絡算法

中圖分類號：TP319 ? ? ? ? ?文獻標志碼：A ?文章編號：1006-8228（2016）02-22-04

Heating pipeline leak age detection system based on GPRS and BP neural network

Zhao Di， Li Yunjun

（Institute of Technology， YanBian University， Yanji， Jilin 133002， China）

Abstract： Considering the present situation of the heating pipeline leak age detection， a heating pipeline leakage detection system is designed and implemented. By combining the sensors， GPRS wireless communication technology and BP neural network algorithm， the heating pipeline leakage detection system achieved has a set of functions such as acquiring the real-time data of sensor and analyzing the situation of pipeline system. In this paper， the system frame structure is introduced， the system hardware structure is described， the design and implementation process of each function module in the system are set forth， and the system has been tested in the simulated pipeline condition. The test results show that the system is stable， accurate， has practical value and promotional value.

Key words： heating pipeline; leakage detection; GPRS; BP neural network algorithm

0 引言

供熱管網泄漏監測，是當今每個熱力公司面臨的重大難題。目前的供熱管網泄漏監測，大多采用傳統的人工檢測方法，既使熱力管道上裝有監測傳感器，但監測數據利用率不高，導致熱力管道檢測系統面臨著資源浪費大、故障搶修效率低、故障點無法及時定位等問題[1-5]。

本文設計并實現了一種基于GPRS技術、傳感器技術和BP神經網絡算法的熱力管網監測系統。GPRS是一種通用分組無線傳輸技術，它傳輸成本低、數據傳輸穩定、傳輸效率高，具有成熟的商業應用市場[6-7]。BP神經網絡算法具有分布式信息存儲、大規模并行處理、自學習和自適應性好、魯棒性和容錯性強的特點，該算法廣泛應用于大數據分析領域[8-9]。通過這三種技術相互結合，可以有效實現實時分析無線監測數據，其廣泛應用于多種監測分析領域。

1 系統總體架構設計

本系統包括數據采集和數據分析兩部分。熱力管道上裝有壓力、溫度等傳感器，通過基于GPRS技術的數據采集器每5min上傳一組數據。當后臺服務器接收到數據，首先存儲源數據，對采集到的壓力數據進行預處理計算，保存正常工況壓降率變化范圍和阻力系數等基礎參數;然后結合BP神經網絡算法和動態壓力計算進行數據分析，判斷管道泄漏情況。如果發生泄漏，則立即報警，通知維修人員進行搶修，并更新數據庫;如果沒有泄漏，則繼續監聽并分析實時上傳的數據。該泄漏監測系統的總體架構如圖1所示。

<E：＼方正創藝5.1＼Fit201602＼圖＼zd圖1.tif>

圖1 ?系統總體構架圖

2 系統硬件組成

數據采集部分采用壓力、溫度、液位三種傳感器以及無線數據采集設備。本系統采用的傳感器專用于壓力、溫度以及液位測量，適合在高溫、高壓、防水、防腐蝕環境下使用。為方便設備安置，傳感器鋪設于熱力管網的閥門井中，連接到無線數據采集設備上。無線采集設備由STM32單片機和GPRS模塊組成。STM32F103XX是St公司推出的集高性能、高集成度和低功耗于一身的芯片，它基于Cortex-M3內核，并且外擴了許多外圍設備，為數據采集部分的開發提供強大的硬件支持。

GPRS無線通信模塊，其傳輸媒介為GSM/GPRS網絡，是基于GPRS數據業務和GSM短信平臺的通信終端。該模塊不僅支持基于TCP/IP協議的GPRS數據業務和短信業務，還具有串口設備數據采集功能以及支持遠程參數設置、程序升級的功能。系統硬件結構圖如圖2所示。

3 系統功能設計與實現

3.1 數據采集模塊的實現

數據采集模塊由傳感器和無線數據采集器組成，安裝在供熱管網的閥門井內。壓力傳感器通過RS-485串口將數據傳送到采集器中，緩存數據5分鐘后，根據指定的數據幀格式把積累的傳感器數據封裝成包。然后通過基于TCP/IP協議的GPRS技術，以socket方式向指定IP的服務器上傳數據。以一個閥門井的傳感器為例，表1為一個數據報文的幀格式。其中報頭是區別于其他數據幀的標識，規定0X6C標識有效幀，其余標識都是無效幀;閥門井ID用于區別不同區域的傳感器;地址碼用于標記數據上傳的IP地址;總長度則是整個數據幀的長度;每個閥門井的數據為一個數據包，每個數據包以特定的分割符分割開;最后一個包后存放標識數據包部分結束的標識符;時間記錄該數據幀的上傳時間;最后一部分為CRC校驗碼。

3.2 數據預處理模塊的實現

服務器接收到傳感器采集的數據后，立即把原始數據存儲到數據庫中，并針對不同的供熱工況區域進行基礎數據采集。對于一個工況，首先保留第一組傳感器數據，根據公式（3-1）與（3-2）中供水閥源壓力值P0、每個檢測點的壓力值Pi、與該點對應的阻力系數Si和水速Vi的關系分別提取該工況在正常情況下的壓降率變化范圍矩陣和阻力系數矩陣，這些數據作為這個工況的基礎數據保存。為區別工況并提高數據分析的效率，需要對不同工況建立不同的BP神經網絡，在數據分析階段也要采用相應工況的網絡。

（3-1）

（3-2）

3.3 數據分析模塊的實現

對采集到的管網壓力數據需進行實時數據分析，以此判斷熱力管道的泄漏狀況。BP神經網絡作為一種魯棒性極強的黑盒數據分析算法，對于錯綜復雜的地下管道有很好的模擬效果。采集的壓力數據作為BP神經網絡輸入，傳感器個數為輸入節點個數，為了更好地模擬管道情況，BP網絡設置一層隱層節點，根據公式（3-3）中輸入節點個數n和常數a（0≦a≦9）來確定隱層節點個數m。輸出節點的個數與輸入層節點個數相等。設定當管道泄漏時輸出為1，正常工況輸出0，以此原則設置期望輸出矩陣訓練網絡。圖3為BP神經網絡結構。

（3-3）

僅采用BP神經網絡算法來進行壓力數據的大數據分析將面臨一個很難解決的技術問題，那就是如何獲得有效的壓力數據和期望輸出數據來訓練BP神經網絡。考慮到在系統運行前期缺少歷史數據，還需添加壓力動態變化來判斷泄漏情況的動態計算模式，在監測管道狀態的同時訓練BP神經網絡，在BP神經網絡訓練完成之后關閉動態計算，通過BP神經網絡來分析預測熱力管道的泄漏情況。

由于數據采集5min/次，為防止前期的動態計算過頻報警或者誤報，需對動態計算設置合適的時間周期，一個周期后再向用戶反饋一次管道情況。進入數據分析后，首先進行參數初始化，然后監聽管道壓降率數據，如果有待分析數據進來，立即輸入一個周期動態分析模型，與熱力管網正常工況數據進行比較;如果壓降率超過爆管閥值，則退出周期，立即報警并訓練BP網絡。沒有爆管則判斷壓降率是否超過該工況的泄漏閥值。如果超過閥值，則發出預警、增加泄漏特征參數并修改BP網絡;沒有超過，則增加正常特征參數并訓練BP網絡。當一個周期過后，如果出現超出正常壓差特征范圍的數據則報警，并且用戶可以結合這一周期的動態壓降率變化圖來檢驗是否泄漏，確定的期望輸出數據再次修正訓練BP神經網絡，直到BP神經網絡的預測結果與動態分析結果100%吻合，BP網絡訓練結束。然后可以關閉動態計算，只用BP神經網絡進行數據分析。數據分析流程如圖4所示。

3.4 基于MATLAB的BP神經網絡實現

為提高數據分析的效率和可靠性，沒有采用根據BP神經網絡原理重新封裝函數的方法，而是調用MATLAB中更加成熟的BP函數。但是MATLAB對BP相關的函數有著嚴格的版權保護，僅憑調用接口的方式無法實現BP神經網絡算法。經過多方面研究，本系統擬采用在C#下調用MATLAB引擎的方式，把參數送到后臺MATLAB中，由MATLAB計算后，再送回編譯器分析。

實現步驟如下。

⑴ 在MATLAB中編寫.m文件。函數功能分別是創建BP神經網絡、訓練BP神經網絡和仿真。

⑵ 利用.NET組件技術。通過MATLAB中的Deploy tool工具將m文件編譯成dll，然后在系統中調用。

⑶ 在Visual Studio中創建解決方案。右鍵解決方案，選擇添加com引用，引用名稱為“Matlab Application（Version 7.14）Type libaray”。其中，7.14為版本號，不同系列的軟件版本號不同。

⑷ 添加之后在引用中會看到一個名為MLApp的文件，選擇該文件，將屬性Embed Interop Types的True值改為False。如果不更改，會提示cannot embed;

⑸ 通過MLAppClass matlab=new MLAppClass（）;引入MATLAB類，打開后臺的MATLAB，然后通過matlab.PutFullMatrix傳遞參數，matlab.Execute（@"bpcreat（a， b， NodeNum1， TypeNum）"）;來執行MATLAB命令。

⑹ 注意執行MATLAB命令之前要把執行路徑更換成待執行的.m所在路徑下。

4 功能測試

我們在模擬的熱力管道工況上進行了數據接入和數據分析測試。數據分析以動態計算模式監測共14400分鐘，每5分鐘訓練一次BP神經網絡，BP神經網絡訓練結果如圖5所示。測試采用5個監測點的分析數據，模擬實驗中分別在節點4和節點3模擬泄漏，模擬數據BP網絡輸出情況如表2所示，可以看出，對于超出正常工況的壓力數據，輸出結果接近1;而正常的壓力數據，輸出結果接近0。測試結果表明，在傳感器材質良好和GPRS網絡連接通暢的情況下，遠程數據采集的準確性可達到100%。經過1000次的測試，通過動態計算訓練出來的BP網絡模擬預測成功精確度達98%。

5 結束語

本文設計并實現了一種結合GPRS技術與BP神經網絡算法的熱力管網監測系統，對遠端傳來的供暖管道監測數據進行實時的數據分析，可以及時發現管道的漏水情況以及漏水位置。系統操作流程簡單，測試效果良好。在技術方面，本系統結合了傳感器、GPRS和BP神經網絡算法;在實際運用方面，本系統一定程度上可以解決現今熱力管道泄漏發現不及時、地下管道情況難預測，以及熱力資源浪費嚴重等問題。其數據分析算法可以推廣到其他泄漏監測系統。

參考文獻（References）：

[1] 王業.供熱管網泄漏故障診斷技術[J].山西建筑，2014.19：

124-125

[2] 張建軍.供熱管網泄漏故障診斷技術的研究[J].山西建筑，

2014.11：137-139

[3] 李彤.熱力管網的動態水壓監測系統研究[D].華北電力大學，

2013.

[4] O. Sindre. Leak Detection in Pipelines by the use of State

and Parameter Estimation[D].Norwegian University，2014.

[5] Z. Jun， H. Andy. Development Of Pipeline Leak Detection

Technologies[J]. International Pipeline Conference，2014.10.

[6] 孫超.基于GPRS技術的智能網關在大型公共建筑能耗監測

系統中的研究與應用[D].合肥工業大學，2011.

[7] 吳飛，王曉明，任文舉等.供熱系統物聯網終端網絡設計[J].物

聯網技術，2012.1：55-59

[8] L. Xiaoyun， Z. Xiangfen， M. Yan and Y. Yanqin. Study on

Extracting Pipeline Leak Eigenvector Based on Wavelet Packet[J]. The Open Automation and Control Systems Journal，2014.6：98-107

[9] M. Bogdan， K. Thomas， M. Thomas. Committees of deep

feedforward networks trained with few data[J]. Computer Vision and Pattern Recognition，2014.6.