基于神經(jīng)網(wǎng)絡算法的油田油氣管道泄漏檢測

岳軍紅，王 濤.2，任英橋，郭 明

（1.陜西鐵路工程職業(yè)技術學院 陜西 渭南714000；2.長安大學 地質(zhì)工程與測繪學院，陜西 西安710054；3.北京建筑大學 北京100044）

基于神經(jīng)網(wǎng)絡算法的油田油氣管道泄漏檢測

岳軍紅1，王 濤1.2，任英橋1，郭 明3

（1.陜西鐵路工程職業(yè)技術學院 陜西 渭南714000；2.長安大學 地質(zhì)工程與測繪學院，陜西 西安710054；3.北京建筑大學 北京100044）

長慶油田油氣輸送管道發(fā)展迅速，油氣管道里程也越來越長。部分油氣管道年代較長，管道腐蝕情況較嚴重，發(fā)生油氣管道泄漏的危險系數(shù)很高。而油氣管道一旦發(fā)生泄漏，將造成嚴重的事故，危害巨大。神經(jīng)網(wǎng)絡算法是目前最有效的分類識算法之一。采集長慶油田油氣管道的正常壓力波信號和管道泄漏時的壓力波信號，并對信號進行預處理，分別對正常的壓力波信號和泄漏時壓力波信號進行小波變換分析，引入神經(jīng)網(wǎng)絡算法分析結(jié)果顯示，此算法對長慶油田原油、天然氣的傳輸管道泄漏問題，均具有有效的檢測能力。當油氣管道內(nèi)的壓力差變化達到5%以上時，油氣管道泄漏的檢測、預報精度接近100%。當油氣管道內(nèi)的壓力差變化低于5%，需要根據(jù)實際情況分析，檢測精度跟實驗數(shù)據(jù)的樣本數(shù)量密切相關。

管道泄漏；神經(jīng)網(wǎng)絡算法；泄漏診斷；壓力

油氣管道運輸，是最可靠、最有效的方式油氣傳

輸方式。管道可穿過各種復雜地形，可以大幅降低地域特點對油氣運輸?shù)挠绊懀哂械统杀尽⒏咝省⑽廴拘〉奶攸c。目前，長慶油田的油氣傳輸大部分實現(xiàn)了油氣管道傳輸，油田的油氣管道的建設規(guī)模也越來越大[1-2]。

但是油氣管道在投入運營后，油氣管道自身受到環(huán)境的影響越來越大，隨著服役時間的增長，環(huán)境中的水、氧氣、土壤中各種礦物成分等，將會侵蝕油氣管道，導致油氣管道出現(xiàn)泄漏問題[3]。長慶油田始建于70年代，部分油氣管道服役年限很長，管道腐蝕情況嚴重，而且缺乏有效的在線監(jiān)測，管道發(fā)生泄漏的可能性很大。而油氣管道發(fā)生泄漏后，將造成嚴重的環(huán)境污染，如果油氣管道泄漏不能及時發(fā)現(xiàn)和處理，將可能導致管道爆炸等惡性事故[4-6]。因此，對長慶油田的油氣管道的泄漏檢測，是目前亟待解決的問題，同時也具有重要的社會效益和經(jīng)濟效益。

油氣管道在輸送石油、天然氣時，油氣管道內(nèi)有著一定的壓力。而當油氣管道發(fā)生泄漏時，油氣管道的內(nèi)的壓力將會迅速改變，而石油、天然氣將泄漏出來，造成嚴重的環(huán)境危害。因此，可以采集油氣管道的壓力波信號，對油氣管道的泄漏問題進行分析[7-10]。

小波分析，是一種強大的波形信號時頻分析方法，可以有效提取出信號中的時頻信息，通過小波分解變換，可以得到不同尺度下的小波系數(shù)，這些小波系數(shù)分別代表波形信號在不同頻域下的特征[11-14]。因此，利用小波分析對油氣管道的壓力波信號進行分析，提取出不同油氣管道運行狀態(tài)下的壓力波信號特征。神經(jīng)網(wǎng)絡算法，是目前最有效的分類識算法之一，引入神經(jīng)網(wǎng)絡算法，對壓力波信號的小波系數(shù)特征進行分類識別，以檢測油氣管道是否發(fā)生泄漏問題[15]。

1 管道泄漏診斷算法

1.1 BP神經(jīng)網(wǎng)絡

神經(jīng)網(wǎng)絡是一種常用的機器學習算法，模仿人腦的思維模式，利用大量基本元件構建成復雜網(wǎng)絡，實現(xiàn)信息的提取、分析、分類、識別等，常用系統(tǒng)辨識、分類、檢測和故障診斷領域。

BP神經(jīng)網(wǎng)絡是一種常見的前饋型神經(jīng)網(wǎng)絡，通常包括三層結(jié)構，即為輸入層、隱含層、輸出層等。整個網(wǎng)絡由多個節(jié)點構成，每個節(jié)點可以被認為是一個神經(jīng)元[5]。圖1所示為一個三層結(jié)構的BP神經(jīng)網(wǎng)絡結(jié)構圖。

圖1 三層BP神經(jīng)網(wǎng)絡結(jié)構圖

假定輸入層節(jié)點數(shù)為n，隱含層節(jié)點數(shù)為q，輸出層節(jié)點數(shù)為m，神經(jīng)網(wǎng)絡的輸入為X=（x1，x2，…，xn）T，輸出為Y=（y1，y2，…，ym）T。vik表示輸入層節(jié)點xi到隱含層節(jié)點zk的權值系數(shù)，wkj表示隱含層節(jié)點zk到輸出層節(jié)點yj的權值系數(shù)，Qk表示隱含層節(jié)點zk的閾值，γj表示輸出層節(jié)點yj的閾值。可知i=（1，2，…，n），k=（1，2，…，q），j=（1，2，…，m）。 則

隱含層第k個節(jié)點zk的輸入為：

隱含層第k個節(jié)點zk的輸出為：

輸出層第j個節(jié)點yj的輸入為：

輸出層第j個節(jié)點yj的輸出為：

假定輸出層第j個節(jié)點yj的預期輸出為，則整個神經(jīng)網(wǎng)絡的誤差為

BP神經(jīng)網(wǎng)絡的訓練過程，即通過誤差反向傳遞方法，調(diào)整輸入層到隱含層的權值vik和隱含層到輸出層的權值wkj，以及隱含層的閾值Qk和輸出層的閾值yj。通過對這些變量的不斷調(diào)整，使得神經(jīng)網(wǎng)絡的誤差E小于一定的水平，則神經(jīng)網(wǎng)絡訓練完成。當利用BP神經(jīng)網(wǎng)絡進行測試時，給定輸入變量向量，則可以得到輸出的結(jié)果，根據(jù)該結(jié)果，實現(xiàn)對輸出變量狀態(tài)的異常監(jiān)測和故障診斷。

1.2 故障診斷算法流程

神經(jīng)網(wǎng)絡方法可以很好地捕捉到輸入變量中的變化，將信號小波變換后的小波系數(shù)作為BP神經(jīng)網(wǎng)絡的輸入，采集到油氣管道泄漏檢測時壓力信號和正常無泄漏時壓力信號，訓練神經(jīng)網(wǎng)絡參數(shù)，用于油氣管道的泄漏檢測。圖2所示為該基于小波神經(jīng)網(wǎng)絡的算法流程。

圖2 基于小波神經(jīng)網(wǎng)絡的故障診斷算法

2 基于小波神經(jīng)網(wǎng)絡的管道泄漏診斷實例分析

采集長慶油田油氣管道的正常壓力波信號和管道泄漏時的壓力波信號，并對信號進行預處理。分別對正常的壓力波信號和泄漏時壓力波信號進行小波變換分析，本處采用Daubechies 3函數(shù)作為小波分析的基函數(shù)。圖3和圖4所示分別為長慶油田正常情況下的管道壓力波信號和管道泄漏時壓力波信號小波分解各頻斷信號。對該管道壓力波信號進行小波變換分析，可以得到一系列的小波分解系數(shù)，以這些小波分解系數(shù)，圖5和圖6所示為長慶油田油氣管道正常壓力波信號和泄漏時壓力波信號的小波重構信號。

圖3 油氣管道的正常壓力波信號

圖4 油氣管道泄漏壓力波信號

選擇3層BP神經(jīng)網(wǎng)絡，將油氣管道的壓力波信號的小波分解系數(shù)，作為神經(jīng)網(wǎng)絡的輸入數(shù)據(jù)，訓練神經(jīng)網(wǎng)絡，圖7所示為神經(jīng)網(wǎng)絡訓練時的誤差曲線。由圖7可知，網(wǎng)絡訓練步長為260步。根據(jù)訓練好的BP神經(jīng)網(wǎng)絡，如果在實際檢測中，檢測到管道的壓力波信號，通過小波神經(jīng)網(wǎng)絡算法，可以確定油氣管道是否發(fā)生泄漏。

圖5 油氣管道的正常壓力波小波各頻段重構信號

圖6 管道泄漏時壓力波小波各頻段重構信號

該小波神經(jīng)網(wǎng)絡算法對管道內(nèi)的壓力變化敏感，對管道泄漏的檢測精度很高。當油氣管道因為泄漏，造成管道內(nèi)壓力出現(xiàn)些許變化時，小波神經(jīng)網(wǎng)絡算法可以有效的捕捉到管道內(nèi)壓力的變化，并判斷出管道泄漏。同時，該算法抗干擾能力強，對長慶油田原油、天然氣的傳輸管道泄漏問題，均具有有效的檢測能力。數(shù)據(jù)分析表明，當油氣管道內(nèi)的壓力差變化達到5%以上時，油氣管道泄漏的檢測、預報精度接近100%。當油氣管道內(nèi)的壓力差變化低于5%，需要根據(jù)實際情況分析，檢測精度跟實驗數(shù)據(jù)的樣本數(shù)量密切相關。

圖7 小波神經(jīng)網(wǎng)絡誤差訓練曲線

3 結(jié)束語

長慶油田隨著生產(chǎn)的發(fā)展和時間的推移，油氣管道服役狀態(tài)亟需進行有效的監(jiān)測，一旦油氣管道發(fā)生泄漏，將會導致嚴重的生產(chǎn)事故。在實際的油田生產(chǎn)中，油氣管道的壓力波信號，較容易采集，而且壓力波信號也能較好的反應油氣管道的運行情況。因此，本文引入小波變換和神經(jīng)網(wǎng)絡算法，發(fā)展了小波神經(jīng)網(wǎng)絡診斷算法，對長慶油田的油氣管道的壓力波信號進行分析，通過小波分析有效提取壓力波信號的特征，并利用BP神經(jīng)網(wǎng)絡算法，對管道的壓力波信號進行診斷、識別，確定管道是否發(fā)生了泄漏問題。該算法有效的實現(xiàn)了油氣管道的泄漏檢測。通過對油氣傳輸管道歷史數(shù)據(jù)的分析，分析結(jié)果顯示，小波神經(jīng)網(wǎng)絡算法對油氣管道泄漏檢測精度極高，抗干擾能力強，適用性廣。

[1]賈宗賢.基于小波變換的天然氣管道次聲波信號分析[J].油氣田地面工程，2011，30（11）：13-15.

[2]賈瑩.基于智能算法的油田天然氣管道泄漏檢測研究[D].大慶：東北石油大學，2014.

[3]丁冬，楊成禹.基于遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡在長輸管道泄漏檢測系統(tǒng)中的應用[J].長春理工大學學報（自然科學版），2015（6）:136-139.

[4]高丙坤，任秀菊.基于改進差分進化算法的神經(jīng)網(wǎng)絡管道泄漏檢測 [J].化工自動化及儀表，2014（1）:14-18.

[5]賈瑩，高丙坤.基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡的管道泄漏檢測方法研究[J].化工自動化及儀表，2014（2）:128-131，137.

[6]曾海龍.基于缺陷相關的腐蝕管道可靠性評價[D].蘭州：蘭州理工大學，2010.

[7]宿蘭花.基于模糊理論的管道失效模式診斷模型與方法研究[D].北京：中國石油大學，2010.

[8]崔立元.關于吳起—延煉原油管道泄漏檢測與定位系統(tǒng)的研究[D].西安：西安石油大學，2014.

[9]王正.基于物聯(lián)網(wǎng)的管道遠程泄漏檢測系統(tǒng)設計[D].成都：西南石油大學，2015.

[10]王天瑜，吳宗之，王如君，等.基于改進灰關聯(lián)分析法的埋地管道土壤腐蝕性評價[J].中國安全生產(chǎn)科學技術，2016（3）:133-136.

[11]王少鋒，仲濟祥，王建國.立體管網(wǎng)微泄漏實時監(jiān)測系統(tǒng)研究概述[J].河北科技大學學報，2016（2）: 130-138.

[12]周衛(wèi)華，謝耀恒，呂玉宏，等.電氣設備帶電檢測述評[J].湖南電力，2016（2）:1-8.

[13]孫博，聶文.管道內(nèi)檢測技術在輸氣管道中的研究與應用[J].石油化工自動化，2016（2）:58-61.

[14]薛斌.光纜在線檢測技術在油氣田行業(yè)中的應用[J].信息與電腦（理論版），2016（6）:188-189.

[15]張媛，顧為敏.輸氣站場管道完整性檢測評價技術體系[J].管道技術與設備，2016（2）:47-50，57.

Oil and gas pipeline leak detection in oil field based on neural network algorithm

YUE Jun-hong1，WANG Tao1.2，REN Ying-qiao1，GUO Ming3
（1.Shaanxi Railway Institute，Weinan 714000，China；2.School of Geological Engineering and Surveying and Mapping，Chang'an University，Xi an 710054，China；3.Beijing University of Architecture，Beijing 100044，China）

Changqing oilfield oil and gas pipelines in the rapid development of oil and gas pipeline mileage is getting longer.Part of the oil and gas pipelines in the age of a long time，the pipeline corrosion is more serious，the risk of oil and gas pipeline leakage is very high.The oil and gas pipelines once the leak，will cause serious accidents，great harm.Neural network algorithm is one of the most effective algorithms.Acquisition of Changqing oilfield oil and gas pipelines of normal pressure wave signal and pipeline leakage of pressure wave signals，and the signals were pre processed，respectively to normal pressure wave signal and leakage when pressure wave signals were wavelet transform analysis，using neural network algorithm analysis results show，the algorithm of Changqing Oilfield crude oil and natural gas transmission pipeline leakage problem，is effective in detecting ability.When the pressure difference in the oil and gas pipeline reaches 5%or more，the detection accuracy of the oil and gas pipeline leakage is close to 100%.When the pressure difference in the oil and gas pipeline is less than 5%，according to the actual situation analysis，the detection accuracy is closely related to the number of samples of the experimental data.

pipeline leakage；neural network algorithm；leak diagnosis；pressure

TN98

A

1674－6236（2017）10-0010-04

2016-05-11稿件編號：20160509

國家自然科學基金（41501495）；陜西省教育廳自然科學研究項目（14JK1167）；陜西鐵路工程職業(yè)技術學院科研基金項目（2015-05）

岳軍紅（1982—），男，陜西商洛人，碩士，助教。研究方向：遙感與地理信息系統(tǒng)應用研究。