基于遺傳算法優化BP神經網絡的管道泄漏檢測方法研究

燕宗偉 李平 郎憲明 劉浩宇

摘 ?????要：針對管道泄漏檢測準確率較低的問題，提出一種基于數據預處理的遺傳算法（Genetic Algorithm，GA）優化BP神經網絡的管道泄漏檢測方法。該方法利用GA求解最佳的BP神經網絡初始值，構建了BP神經網絡的管道泄漏檢測模型。數據經過預處理，并提取其特征，組成泄漏特征向量組樣本，以樣本作為BP神經網絡的輸入，泄漏工況類別作為BP神經網絡的輸出。通過Booth函數測試，與基于粒子群優化算法（Particle Swarm Optimization，PSO）優化的BP神經網絡的泄漏檢測準確率進行對比分析，該方法預測準確率高，實驗驗證表明，對管道泄漏工況識別誤差在0.07%以內，有效提高了泄漏檢測的準確率。

關 ?鍵 ?詞：遺傳算法;BP神經網絡;粒子群算法;泄漏檢測

中圖分類號：TE973.6???????文獻標識碼：?A ?????文章編號： 1671-0460（2020）01-0216-06

Research on Pipeline Leakage Detection Method Based on

Genetic Algorithm Optimized BP Neural Network

YAN Zong-wei， LI Ping， LANG Xian-ming， LIU Hao-yu

（School of Information and Control Engineering， Liaoning Shihua University， Liaoning Fushun 113001， China）

Abstract： In order to solve low accuracy of leakage detection of pipeline， a pipeline leakage detection method based on Genetic Algorithm optimized BP neural network has been?proposed. This method can use GA to solve the optimal weights and thresholds of BP neural network?to?construct BP neural network leak detection model. The leak pressure signal features is extracted?to?establish leak feature vector， and this vector is used as the input of BP neural network， and the leak recognition results are used as the output of BP network. Compared with BP neural network based on Particle Swarm Optimization （PSO） optimization， the prediction accuracy of the method is higher. The field experiment verification shows?that the identification error of pipeline leak condition is less than 0.07%， which effectively improves the accuracy of leak detection.

Key words： Genetic algorithm; BP?neural network; Particle swarm optimization; Leakage detection

我國是一個人均自然能源匱乏嚴重的國家，而石油和天然氣能源應用牽扯到人們的日常生活的方方面面。到2017年底，我國在役的油氣管道約為13.31 萬km，而我國的管道已經建設了幾十年了，與此同時最早建設的管道也進入了退役期^[1]。隨著退役期的油氣管道老化、經年遭受周邊環境的腐蝕以及其他因素的破壞等，易導致油氣管道發生泄漏事故，歷年來國內外發生的管道泄漏，都會伴隨著社會資源和財產的損失以及對周邊環境的破壞，甚至有些危及了人們的生命^[2，3]。因此，提高油氣管道泄漏檢測效果的研究工作就顯得尤為重要^[4，5]。

很多學者對油氣運輸的泄漏檢測做了大量的研究工作。王立坤等^[6]采用小波分析的方法對采集的管道泄漏聲波信號進行分解、重構，提取其特征值向量作為BP網絡的輸入，并建立一個雙隱含層的改進BP網絡模型，進行管道的泄漏工況識別，結果表明該方法提高了泄漏檢測的準確率。ZHANG LB等^[7]，提出了一種改進的BP網絡，即動量項和自適應學習速率梯度下降的方法，它克服了傳統梯度下降算法的不足，避免了局部區域的收斂和收斂速度慢的問題，實驗結果表明管道的泄漏檢測時間節省了18.7%，識別精度提高了16%。Waleed D等^[8]采用機器人進行管道內檢測，由管道機器人上的多個壓力傳感器傳輸管道不同位置上的壓力信號，并通過對這些壓力信號進行處理，建立BP神經網絡模型對工況進行檢測，有效提高了泄漏檢測的效率。

本文建立了一種基于數據預處理后的GA優化BP神經網絡的管道泄漏檢測模型，用Booth函數測試了GA和PSO優化的兩個BP神經網絡結構。并通過對管道泄漏工況數據的檢測，結果表明，數據經預處理后采用GA優化的BP神經網絡的檢測方法，使檢測的結果誤差更小且平穩，有效提高了檢測的精確度。

1 ?BP神經網絡模型

BP神經網絡是一種現在應用最廣泛的誤差反向傳播訓練算法的人工智能網絡^[9-11]，優勢在于對任意的非線性關系都有良好的映射關系，一般三層BP網絡模型的結構如圖1所示。它是一種前饋型的神經網絡，可以描述各種線性、非線性不確定的映射關系，其中，每個神經元都能學習和存儲大量的這種映射關系，且不需知道這種未知映射關系的精確的數學方程。

設一個三層的BP神經網絡（圖1），為BP網絡的輸入節點，為隱含層節點，為輸出節點。網絡之間的傳遞權值為，（或），閾值為，，為隱含層的輸出，為輸出節點輸出，神經元輸出公式為：

（1）

當輸出節點的真實值是時，則誤差輸出為：

????????（2）

其網絡學習是一個由誤差反饋的過程，更新修正后的權值為：

????（3）

其中，為輸出節點誤差，為隱含層節點誤差。

更新修正后閾值為：

?????（4）

2 ?GA優化BP神經網絡

2.1 ?遺傳算法基本原理

GA是一種基于生物進化論的尋最優解算法，模擬了自然生活中 “物競天擇，適者生存”的生存機制，主要包含基因繁殖、雜交和突變幾種現象。GA的應用過程是，先把個體編碼成一個實數串，再由適應度函數計算個體的生存概率。然后選出概率較大的個體，經交叉和變異重新組合產生“子代”，這個過程繼承了“父代”的優秀基因，因此群體的主要特征得到了保留。在適應性程度上“子代”優于“父代”，因此“子代”的不斷產生，就是逐步地逼近最優解。具體步驟如下：1、初始化群體;2、全部個體編碼化;3、計算個體的適應度值;4、選擇優秀個體;5、按交叉概率進行交叉;6、按變異概率進行變異;7、如果判定條件為是，停止計算，為否，則重復步驟3。

2.2 ?GA優化BP神經網絡

GA是對BP網絡參數初值進行優化，可提高優化后輸出的正確識別率，與BP神經網絡相比效果明顯改善。GA作為一種針對全局的優化算法，根據網絡訓練的誤差修正BP的參數值，最后輸出具有全局最優解的預測值^[12，13]。主要過程如下：

（1）初始化種群并編碼

確定BP結構的節點總數，對種群個體實數編碼，而每個個體都包括BP神經網絡的所有參數。

（2）個體適應度

預測個體的適應度與誤差的絕對值和有關，其個體適應度值記作：

????（5）

其中：?—預測輸出的總數;

?—網絡的第個輸出的真實值;

?—第個輸出的預測值;

?—系數。

（3）選擇

GA的選擇與適應度值有關，其個體的選擇為：

???????????（6）

其中：?—個體的適應度值;

?—系數;

?—種群大小。

（4）交叉

交叉就是指把兩個原始個體的部分部位相互交換的方式生成一個新的個體，其交叉公式為：

??????（7）

（5）變異

在GA中通過引入變異產生新的個體，以提高種群的適應能力，其過程是對基因進行變異，公式如下：

???（8）

其中：?—基因的上界;

?—基因的下界;

;

和?—[0，1]之間的任意數;

?—此刻進化的次數;

?—最大進化次數。變異概率一般取值范圍為[0.001，0.1]。

2.3 ?GA優化BP神經網絡測試分析

構建GA優化后的BP模型，選Booth函數對GA-BP和PSO-BP兩種結構模型進行測試，測試輸入數據，由input=round（rand（1?000，2）×6）函數隨機產生，與輸入，對應的Booth函數真實值作為輸出，表示為。樣本中由1 000組的三維向量組成，其中任意900組作為訓練，100組作為測試，部分訓練樣本數據如表1，測試樣本如表2。GA-BP和PSO-BP的預測結果分別如圖2、圖3所示，其誤差如圖4所示，雖然PSO優化的BP神經網絡^[14，15]輸出準確率較高，但是本文采用的GA優化BP的方法預測準確率比前一種更好，其誤差值和波動范圍都是最小，收斂效果更好，準確率最高。

3 ?實驗驗證

3.1 ?實驗環境與設備和數據的采集

通過對外實驗現場的環形管道采集實驗數據，采用National Instruments （NI）數據采集系統對管道正常工況和泄漏工況進行壓力數據采集，環形管道設備如圖5所示，管道全長2 800 m，管徑50 mm。

主要使用NI數據采集系統對管道運行數據的采集涉及的設備有以下幾種，包括NI機箱，型號：cDAQ-9184，16通道C系列電流輸入模塊的NI卡件，型號：NI-9028;羅斯蒙特（Rosemount）3051S壓力變速器（精度：±0.025%，動態響應時間：100 ms）。用NI系統采集實驗數據，采集頻率為20 Hz，泄漏時間間隔為5 min，正常運行為2 min，泄漏時間為3 min，發生泄漏時孔徑為8 mm。

數據樣本分管道運行正常數據和管道運行泄漏數據，其中泄漏數據又分為四類（泄漏發生后以30s為間隔采四組泄漏工況數據，前三組包含有正常和泄漏的數據，第四組為完全泄露），對每種泄漏工況采150組，訓練樣本600組，檢測樣本150組，正常訓練樣本類別0序號為1～120，121～600分別為泄漏工況類別1、2、3、4，其中每種工況類別有120組。

3.2 ?數據預處理

由于管道發生泄漏是突發的，且管道內的壓力不能突變，而使壓力變送器傳輸的信號是有峰值和谷值連續數據，因此泄漏初期產生的壓力波動，這將會影響其檢測效果。故先對樣本數據作消噪處理，然后再消除對樣本影響大的數據的波峰、波谷和異常值等，降低因數據波動而造成檢測精度的降低。樣本數據消噪后的處理主要有兩步，先對管道運行正常的樣本數據和泄漏平穩時的工況數據求平均值，其公式為：

（9）

（10）

其中為每個樣本的數據采樣數，為正常樣本中的數，為泄漏平穩樣本中的數，取1，2，…，，為正常運行管道的樣本總數，，分別為正常運行數據樣本和泄漏平穩數據樣本的平均值。其次，給定影響因子（），取值由泄漏孔徑大小和管道內部壓力綜合確定的，判斷每組樣本中的數據是與樣本的影響因數的關系，影響因數公式為：

（11）

如果，則保留原數據;否則，取替換原來樣本個體的第個數的值。

3.3 ?泄漏檢測分析

對經過預處理前后的管道首末端的壓力數據進行特征提取^[16]組成兩類樣本向量組，即數據預處理前的特征向量組樣本和預處理后的特征向量組樣本，然后分別將這些向量組作為GA優化BP神經網絡的輸入，工況類別作為為輸出;并把泄漏數據預處理后的特征向量組樣本作為PSO優化BP神經網絡的輸入，工況類別為輸出。其部分訓練樣本數據的特征值如表3。

檢測樣本數據的特征值如表4，其中T1、T5為樣本數據的平均值，T2、T6為樣本數據的方差，T3、T7為樣本數據的能量，T4、T8樣本數據的均方根，T1-T4為首端特征值，T5-T8為末端特征。三種泄漏檢測方法的輸出工況類別的誤差平均值如表5，管道泄漏檢測的效果如圖6-9所示。

通過對泄漏工況數據的檢測驗證，由表5知數據預處理前GA優化BP檢測的絕對誤差平均值為0.052?4;數據預處理后PSO優化BP和GA優化BP檢測的絕對誤差平均值分別為0.002 3，0.000 7。

且經數據預處理后GA優化的BP神經網絡檢測與數據預處理前GA優化的BP神經網絡檢測相比絕對平均誤差降低了5.17%，該方法與數據經預處理前的GA優化的BP神經網絡檢測相比，證明了數據經預處理后對管道泄漏檢測的效果更好;與PSO優化BP神經網絡檢測相比，絕對平均誤差降低了0.16%。

結果表明了GA優化BP神經網絡比PSO優化BP神經網絡的檢測效果好，使準確率提高到99.93%。故采用數據預處理后的GA優化BP神經網絡對管道泄漏進行檢測，能夠更準確地識別泄漏工況類別。

4 ?結論

由于GA具有全局搜索的特性，因此可以尋找全局最優值以彌補BP神經網絡的局限性，故能較好地學習訓練數據的非線性特征。本文建立了一種基于數據預處理的GA優化BP神經網絡的管道泄漏檢測模型，經Booth函數測試，GA優化的BP神經網絡模型的輸出準確率比PSO優化的BP神經網絡模型效果更好。通過對泄漏工況數據的檢測驗證，結果表明，泄漏樣本數據經預處理后，采用GA優化BP神經網絡的模型對管道進行泄漏檢測，使得泄漏檢測的誤差更小且平穩，有效提高了泄漏檢測的準確率。

參考文獻：

[1]高鵬，?高振宇，?杜東，?等.?2017年中國油氣管道行業發展及展望[J].?國際石油經濟， 2018，?26（3）：21-27.

[2]何悟忠，郭慶茹，宮明. 東北輸油管網泄漏事故分析[J]. 油氣儲運，?2001，?20（12）：37-39.

[3]房劍萍.國內外油氣管道事故案例分析[J].石油和化工設備，2016，19（9）：90-93.

[4]楊志國.大慶市區天然氣管道泄露后果模擬及防火安全對策[J].當代化工，2014，43（6）：1109-1111.

[5]潘江.天然氣輸氣管道泄漏事故風險分析[J].化工管理，2018（14）：137-138.

[6]王立坤，趙晉云，付松廣，等.基于神經網絡的管道泄漏聲波信號特征識別[J].儀器儀表學報，2006，27（6）：2247-2249.

[7]ZHANG LB，YE YC，LIANG W，?et al. A Novel BP Algorithm for Pipeline Condition Recognition[C].2009 WRI World Congress on Computer Science and Information Engineering （CSIE 2009）. Beijing，?2009：2445?-?2449.

[8]WaleedD， et al. An In-Pipe Leak Detection Robot With a Neural- Network-Based Leak Verification System[J]. IEEE Sensors Journal，?2019，?19（3）：1153-1165.

[9]王幸運，賈瑛，許國根，等.人工神經網絡-遺傳算法優化化學鍍四元合金工藝[J]. 當代化工， 2013， 42（1）：73-75+124.

[10]陳戈珩， 程青青. 基于人工神經網絡的字母識別[J]. 長春工業大學學報，?2019，?40（1）：31-37.

[11]顧敏，朱越平，鄭堉鑫，等.BP神經網絡在煉油污水回用于循環水系統中腐蝕率的預測[J].當代化工，2014，43（11）：2358-2361+2365.

[12]Ding S， Su C. Application of optimizing BP neural networks algorithm based on Genetic Algorithm[C].Proceedings of the 29th Chinese Control Conference， Beijing， 2010：2425-2428.

[13]劉亞麗，李英娜，李川.基于遺傳算法優化BP神經網絡的線損計算研究[J].計算機應用與軟件，2019，36（3）：72-75.

[14]王雷.PSO算法優化BP神經網絡[J].科學技術創新，2018（34）：38-39.

[15]吳易澤，張旭，江明陽，等.粒子群優化BP神經網絡的曲線光順算法[J].化工自動化及儀表，2018，45（12）：939-942+954.

[16]焦敬品， 李勇強， 吳斌， 等. 基于BP神經網絡的管道泄漏聲信號識別方法研究[J]. 儀器儀表學報， 2016， 37（11）：2588-2596.