熱力管道小漏溫度場特征標定研究

黃冬冬

摘要：泄漏特別是小漏預警對熱力管道的安全維護具有重要意義。受空間分辨率的影響，分布式光纖傳感器對小漏引起的局部溫度變化測試精度較低，測量溫度與實際溫度差異較大。以布里淵光時域反射儀（BOTDR）作為測量手段，提出了一種建立分布式光纖測量溫度與實際溫度之間對應關系的方法。設計完成了小漏溫度場模擬測量實驗，通過高斯擬合對測量數據進行特征提取，再用人工神經網絡建立測量溫度與實際溫度的映射模型。結果表明：設計的實驗方案可獲得代表管道小漏溫度分布的先驗數據，基于此訓練的人工神經網絡可確立實際溫度場與BOTDR測量溫度場的對應關系，提高了光纖測試精度并為泄漏預警策略的制定提供了依據。

關鍵詞：管道泄漏；布里淵散射；高斯擬合；人工神經網絡

中圖分類號：TN253

文獻標志碼：A 文章編號：1674-4764（2016）02-0097-07

Abstract：Early warning of leakage， especially small leakage， is significant for safety maintenance of thermal pipeline. Due to spatial resolution， the measuring accuracy of distributed fiber optic sensor for local temperature variation caused by small leakage is low and the measurements are quite different from the actual temperature field. Based on Brillouin optical time domain reflectometer （BOTDR）， a new method to establish a mapping relationship between the BOTDR measurements and the actual temperatures is proposed. Laboratory experiments were carried out to simulate small leakage and achieve the measurements of gradient temperature fields. Feature extraction of the measured data is then conducted through Gaussian fitting. With artificial neural network （ANN）， a mapping model of the actual and measured temperature features is established. The results demonstrate that： the designed experiment can accumulate enough prior data to derive an ANN model， based on which a mapping relation of the actual temperature field and the BOTDR measurements can be achieved to improve the measuring accuracy of BOTDR and provide a reference to propose warning strategy.

Keywords：pipeline leak； brillouin scattering； gauss fitting； artificial neural network

管道運輸是現代工業和國民經濟的命脈，具有運輸量大、連續、經濟、平穩、可靠、占地少、費用低、可實現自動控制等諸多優點，是繼鐵路、公路、水運、航空運輸之后的第五大運輸業[1]。中國北方大部分地區實行冬季集中供暖，大大小小的鍋爐房生產的熱水經過熱力管道送達千家萬戶。熱力管道是生命線工程的重要部分，一旦發生泄漏，不僅會使居民采暖受到影響，有時還會危及人身安全。

熱力管道泄漏往往由小漏、微漏開始，如果能及時發現，完全可以避免更嚴重事故的發生。然而，大多數供熱管道都埋在地下，查找泄漏點難度非常大，尤其是有些直埋敷設管道，如果找錯泄漏點，會給檢修人員帶來很大麻煩。正是熱力管道泄漏事故后果的嚴重性、危險的可控性和檢漏的困難性，促使著其泄漏檢測技術的不斷發展。

目前，國際上使用或已經提出的管道泄漏檢測方法大體可分為兩類：管內檢測法和外部檢測法[2]。基于磁通、超聲、渦流、錄像等技術的管內檢測法，檢測精度較高但易發生堵塞停運嚴重事故且造價較高。外部檢測法中，人工巡查費時費力；流量差法、壓力梯度法和負壓波法等費用較低，但精度較差。分布式光纖溫度傳感器檢漏利用了熱力管道區別于其他管道系統的一個特點，即泄漏會引起周邊環境溫度變化，又有不帶電實現遠傳的優點，是特別適用于熱力管道泄漏檢測的技術之一[3]。

線狀光纖將傳感和傳輸媒質合二為一，測量范圍廣，能替換成千上萬個點式傳感器來傳遞沿線溫度、應力狀態等信息[4]。分布式光纖溫度傳感技術[5-6]主要有：拉曼光時域反射技術（ROTDR），探測光纖中的拉曼散射光，通過計算反斯托克斯光和斯托克斯光的強度比，得到光纖上任一位置處的溫度；布里淵光時域分析/反射技術（BOTDA/BOTDR），探測光纖中的布里淵散射光，通過計算布里淵散射光的頻移量，得到光纖上任意位置的應變和溫度信息[7]。由于基于布里淵的傳感器測量的是散射光的頻移量而非強度，因而更加精確。BOTDA探測受激布里淵散射光，需要雙端測量；BOTDR探測自發布里淵散射光[8]，僅需要單端測量，雖精度較BOTDA稍低，但實際使用時比較方便。

空間分辨率是描述分布式光纖傳感器對沿光纖長度分布的溫度場進行測量時所能分辨的最小空間單元，由脈沖光持續時間等因素確定[9]。一般而言，BOTDR的空間分辨率在1 m左右[6]。隨著技術的不斷發展，分布式光纖溫度傳感器的空間分辨率逐步提高，然而當熱力管道發生小漏及微漏時，發生溫度變化的區域小于光纖空間分辨率，此時測量得到沿光纖溫度的變化量與實際有明顯的差別[10]。這個問題引起學者的廣泛關注，Bernini等[11-12]先后提出兩種方法：一種是基于對光纖溫度諧函數展開的算法；另一種是在不減小脈沖光寬度的前提下，通過迭代算法對布里淵光時域分析信號解卷積的方法提高測量精度。張燕君等[13]設計了一種同時對多路傳感信息進行檢測的BOTDR系統來提高了布里淵散射譜信息分析的準確度。Wang等[14]提出一種對光纖細分迭代的方法來得到分段光纖的布里淵頻移，從而獲得更高的空間分辨率。

鑒于大幅度提高現有分布式光纖傳感器的空間分辨率十分困難，如何提高小漏引起的局部溫度變化測試精度、減小因空間分辨引起的測量誤差對分布式光纖傳感器在熱力管道泄漏特別是小漏監測中的應用至關重要。本文擬基于實驗與人工神經網絡，建立實際溫度與光纖溫度測量之間的定量聯系，旨在為小漏及微漏的預警提供參考。

1 BOTDR溫度測量原理

一定頻率的脈沖光自光纖的一端入射，入射的脈沖光與光纖中的聲學聲子相互作用產生布里淵散射。散射光的頻率不同于入射光，稱為布里淵頻移，與光纖的溫度和軸向應變有關。在光纖不受軸向應力的情況下，布里淵頻移與光纖溫度變化呈線性關系，因此，通過測量光纖中的背向布里淵散射光頻移量就能得到光纖沿線的溫度分布信息

2 實驗研究

2.1 系統標定實驗

實驗中BOTDR設備的空間分辨率最小為1 m，標定時采用大于空間分辨率長度的一段光纖均勻受熱。將3 m光纖放入水浴箱中，從40～80 ℃每隔5 ℃設定一次水浴箱的溫度，待穩定后測出不同水浴溫度下光纖的中心頻率。

2.2 泄漏模擬實驗

熱力管道發生泄漏后，土體中將形成以泄漏點為中心，向外擴張的梯度溫度場。泄漏時間較長、熱介質泄漏量較大時，泄漏點周圍一部分范圍溫度與泄漏介質溫度相同，超過此范圍溫度場不斷衰減，此時形成的溫度場具有“梯形”分布的特點；泄漏時間較短、熱介質泄漏量較小時，泄漏點周圍與泄漏介質溫度相同的范圍很小，此時形成的溫度場具有“三角形”分布的特點[2]。

本實驗設計了一個模擬土體內溫度梯度的“替代”溫度場。采用導熱性能較好的紫銅作為溫度場的介質，紫銅條外包裹保溫材料，一端插入水浴槽（熱端），一端插入冰水混合物（冷端）。通過改變熱端溫度、紫銅條長度和水浴槽中光纖長度，可模擬溫度梯度不同峰值、范圍和溫度場類型。

光纖在銅條上的布置方式如下：1）梯形回路：每條光纖先從銅條的冷端進入，至熱端后在水浴槽中留一段長度（50 cm）再進入冷端；2）三角形回路：每條光纖先從銅條的冷端進入，至熱端后直接進入冷端。此外，每次光纖進入到冷端后都留有5 m光纖在冰水桶中。實驗工況如表1所示（表中：x表示溫度場下底長度，y表示溫度場下底長度，h表示水浴槽溫度，見圖1）。

4 數據分析

目前已經有了2種溫度場的特征參數，下面對實驗數據作進一步分析。在研究過程中，能實測的數據往往有限，故需要由實際溫度場直接預測出測量溫度場；另外，在實際泄露監測過程中，當BOTDR系統監測到一個梯度溫度場，需要由此推斷出實際的泄漏情況。所以，需建立兩個系統，即已知實際溫度場參數求測量溫度場參數的正向系統和已知測量溫度場參數求實際溫度場參數的反向系統。正向系統的輸入為實際溫度場參數，輸出為測量溫度場參數；反向系統的輸入為測量溫度場參數，輸出為實際溫度場參數。采用人工神經網絡智能算法來實現。

4.1 人工神經網絡

人工神經網絡是以工程技術手段來模擬人腦神經元網絡的結構與特征的系統。利用人工神經元可以構成各種不同拓撲結構的神經網絡，它是生物神經網絡的一種模擬和近似。

采用誤差反向傳播算法（BP： Error Back-propagation Algorithm）的多層前饋人工神經網絡[15]（或稱多層感知器，MLP： Multi-Layer Perceptron）稱為BP神經網絡。BP 神經網絡是目前人工神經網絡中應用最廣的算法模型。

BP神經網絡通常由輸入層、隱含層和輸出層組成。輸入層節點的個數一般取輸入向量的維數，輸出層節點的個數一般取輸出向量的維數，隱含層節點個數目前沒有確定的標準，尚需通過反復試湊的方法來得到最終結果。根據Kolmogorov定理，具有一個隱含層（隱含層節點足夠多）的3層BP神經網絡能在閉集上以任意精度逼近任意非線性連續函數。拓撲結構如圖6所示。

模型建立完成后，由BOTDR測得熱力管道泄漏位置附近的溫度分布，即可推算出實際溫度分布，有利于判斷是否為泄漏點及泄漏情況的嚴重性。

5 結 論

根據熱力管道小漏引起的實際溫度場變化特征，本文設計并完成了泄漏模擬實驗，通過精確控制變量積累了光纖測試先驗數據。利用BP神經網絡訓練預警系統，建立了小范圍溫度場情況下BOTDR測量溫度與實際溫度的對應關系，為熱力管道泄漏監測預警指標的確定提供了參考。主要結論如下：

1）實驗中BOTDR測得溫度峰值的峰值小于實際的峰值，三角形溫度場測得峰值明顯小于梯形溫度場測得峰值，且梯形溫度場實驗數據沒有平臺段。

2）小漏引起的梯度溫度場光纖測試數據與高斯曲線符合較好。可用高斯擬合做特征提取，得到兩個測量溫度場特征，分別反映溫度場的峰值和寬度。

3）本文建立的ANN模型經過實驗數據驗證精度良好，即由BOTDR測量溫度可得到比較精確的實際溫度，反之亦然。

參考文獻：

[1] 李明，王曉霖，呂高峰，等.光纖傳感及其在管道監測中應用的研究進展[J].當代化工，2014（1）：54-57.

LI M，WANG X L，LYU G F，et al.Development and application of optical fiber sensing technology in pipeline monitoring [J].Contemporary Chemical Industry，2014（1）：54-57.（in Chinese）

[2] 袁朝慶，龐鑫峰，劉燕.管道泄漏檢測技術現狀及展望[J].大慶石油學院學報，2006（2）：76-79.

YUAN C Q，PANG X F，LIU Y.Status quo and prospect of pipeline leakage detection and location [J].Journal of Daqing Petroleum Institute，2006（2）：76-79.（in Chinese）

[3] 關鐵樑. 用于工業環境的分布式光纖溫度傳感器[J]. 光通信技術， 1993（2）：96-98.

GUAN T L.A distributed optical fiber temperature sensor for industrial environment [J].Optical Communication Technology，1993（2）：96-98.（in Chinese）

[4] 胡佳惠，張大偉，陶春先，等.布里淵散射的分布式光纖溫度傳感器的研究進展[J].激光雜志，2011，32（6）：1-3.

HU J H，ZHANG D W，TAO C X， et al. Research and development of distributed optic fiber sensors based on Brillouin scattering [J].Laser Journal，2011，32（6）：1-3.（in Chinese）

[5] 耿軍平，許家棟，郭陳江，等.全分布式光纖溫度傳感器研究的進展及趨勢[J]. 傳感器技術，2001，20（2）：4-8.

GENG J P， XU J D， GUO C N.Development and trend of fully distributed fiber optic sensor for distributed temperature measurement [J]. Journal of Transducer Technology，2001，20（2）：4-8.（in Chinese）

[6] 崔何亮，張丹，施斌. 布里淵分布式傳感的空間分辨率及標定方法[J].浙江大學學報（工學版），2013（7）：1232-1237，1245.

CUI H L，ZHANG D，SHI B.Spatial resolution and its calibration method for Brillouin scattering based distributed sensors [J].Journal of Zhejiang University： Engineering Science，2013（7）：1232-1237，1245.（in Chinese）

[7] BAO X Y，CHEN L.Recent progress in Brillouin scattering based fiber sensors [J]. Sensors， 2011，11：4152-4187.

[8] PARKER T R，FARHADIROUSHAN M，HANDEREK V A， et al.A fully distributed simultaneous strain and temperature sensor using spontaneous Brillouin backscatter [J].IEEE Photonics Technology Letters， 1997， 9（7）： 979-981.

[9] 劉，鄒健，黃尚廉.分布式光纖溫度傳感器系統分辨率確定的理論分析[J]. 光子學報，1996（7）：635-639.

LIU Y，ZOU J，HUANG S L. Theoretic analysis for determining the resolutions of distributed optical fiber temperature sensing system [J]. ACTA Photonica Sinica，1996（7）：635-639.（in Chinese）

[10] ZHANG D，XU H， SHI B， et al. Brillouin power spectrum analysis for partially uniformly strained optical fiber [J]. Optics & Lasers in Engineering， 2009， 47（9）：976-981.

[11] ROMEO B， ALDO M， LUIGI Z. Reconstruction technique for stimulated Brillouin scattering distributed fiber-optic sensors [J]. Optical Engineering， 2002， 41（9）：2186-2194.

[12] ROMEO B， ALDO M， LUIGI Z. Accuracy enhancement in Brillouin distributed fiber-optic temperature sensors using signal processing techniques [J]. IEEE Photonics Technology Letters， 2004， 16（4）：1143-1145.

[13] ZHANG Y J， LIU W Z， FU X H， et al. The high precision analysis research of multichannel BOTDR scattering spectral information based on the TTDF and CNS algorithm [J]. Spectroscopy and Spectral Analysis， 2015， 35（7）：1802-1807.

[14] WANG F， ZHAN W W， ZHANG X P， et al. Improvement of spatial resolution for BOTDR by iterative subdivision method [J]. Journal of Lightwave Technology， 2013， 31（23）：3663-3667.

[15] HAYKIN S.神經網絡原理[M]. 北京：機械工業出版社，2004：109-176.

HAYKIN S. Neural networks[M]. Beijing： China Machine Press， 2004：109-176.（in Chinese）

（編輯 胡 玲）