基于神經網絡的煤氣泄漏多傳感器融合檢測研究

李 碩，單光坤，孫 鳳，邊 防，侯 寶，鄭仁成

(1.沈陽工業大學 機械工程學院，遼寧 沈陽 110870;2.北京京橋熱電有限責任公司，北京 100067;3.天津大學 機構理論與裝備設計教育部重點實驗室，天津 300072)

0 引言

在燃氣管道輸送領域，如油氣開采管道、油氣煉化輸送管道與地下管廊燃氣倉等，應用傳感器監測管道泄漏是最直接、最有效的辦法。通常，單獨使用一種傳感器，檢測能力有限，難免會遺漏關鍵信息。應用多傳感器信息融合(Multi-Sensor Information Fusion，MSIF)技術，能夠實現多傳感器檢測數據的互補，從而使泄漏的監測更加可靠。

針對危險環境下的多傳感器融合檢測，國外眾多學者都展開了相關研究。Aalsalem M Y等最初使用有線連接監測系統對管道進行泄漏的監測，然而由于數據傳輸線路鋪設距離長，以至于容易被車輛、移動機械與振動拉伸等外界因素損壞[1]。針對管道有線監測系統的缺陷，Sheltami T R等應用無線傳感器網絡(Wireless Sensor Networks，WSN)監測系統對油氣傳輸管道節點進行數據采集，但由于算法的局限性導致大量信息無法完整有效的共同融合[2]。Kim J H等提出了基于多傳感器的管道自主監測維護系統，實現對管道的損壞、泄漏與腐蝕情況的實時監測與及時維護，其不足之處在于移動檢測傳感器需要操作者定時的自主控制[3]。Oagaro J A等提出基于人工神經網絡(Artificial Neural Network，ANN)的幾何轉換算法進行氣體傳輸管道的多傳感器共同檢測[4]。

國內學者也展開了豐富的研究，在天然氣管道泄漏檢測方面，陳斌提出基于小波變換的管道泄漏聲源多節點重復定位方法，通過消除噪聲干擾，實現了管道泄漏點坐標的定位[5]。在火災檢測方面，李小亞提出使用煙霧感知傳感器、溫度感知傳感器、CO成分感知傳感器與紅外探測傳感器來檢測火災現場的煙霧濃度、環境溫度，并基于反向傳播(Back Propagation，BP)神經網絡模型，對火災探測結果中明火、陰燃火與無火的概率做出判斷[6]。孔凡天等對火災監測系統進行了融合算法改進，從而提高了火災情況檢測的準確性與快速性[7-10]。

在瓦斯檢測方面，武漢理工大學馬國勝提出多傳感器數據融合的瓦斯監控系統，基于證據推理(Dempster-Shafer，D-S)方法，對瓦斯爆炸概率、瓦斯燃燒概率、瓦斯窒息概率與瓦斯突出概率進行全局決策，然而其局限性在于，需結合領域專家的經驗對瓦斯災害類別進行判斷[11]。

綜上分析，對于多傳感器融合的煤氣管道泄漏檢測，其在檢測方法的靈活性上需要進一步完善。本文提出使用光學傳感器、電化學傳感器與聲學傳感器的協作檢測，并基于神經網絡的數據融合模型，實現對煤氣管道泄漏概率預測。

1 煤氣泄漏聲信號分析

煤氣發生泄漏時，通過引起周圍空氣中分子的振動，從而以模擬信號的形式傳播。故可應用聲學傳感器采集煤氣泄漏信號，經模數轉換后將模擬信號轉化為數字信號，并以電壓形式輸出。

通常，煤氣管道泄漏聲音與管道內壓力、泄漏孔徑大小有關。管道壓力一定時，泄漏孔徑越小則聲音更尖銳，此時的聲音類似“嘶嘶”聲；泄漏孔徑一定時，管道壓力越小則聲音更平緩，此時的聲音類似“轟轟”聲。對兩類信號進行時域分析，并對時域信號進行快速傅里葉變換(Fast Fourier Transform，FFT)，得到兩類信號的時域圖像及頻域圖像，如圖1、圖2所示。

通常，僅由時域圖像難以對煤氣泄漏信號類型進行直接判斷。由頻域圖像，首先可通過其形狀進行直觀區分，其次，根據頻域圖像，“嘶嘶”類信號在頻率為4 500 Hz處出現明顯峰值，“轟轟”類信號在頻率為2 000 Hz處出現明顯峰值，可將此作為區分信號的另外依據。

圖1 “嘶嘶”類信號時域及頻域圖像

圖2 “轟轟”類信號時域及頻域圖像

2 基于神經網絡的煤氣泄漏融合模型

2.1 BP神經網絡模型原理

建立煤氣泄漏多傳感器融合檢測的BP神經網絡模型，如圖3所示。

圖3 BP神經網絡模型

基于此模型，對于多傳感器煤氣泄漏概率預測，需要在特征層上對各傳感器檢測指標進行融合計算。因此，可令I1～In分別為光學傳感器檢測指標、聲學傳感器檢測指標與電化學傳感器檢測指標。對于網絡模型，Wij與Wlm均表示神經元之間的連接權重，ft(atn)為隱含層由激活函數計算得到的神經元輸出值，atn為隱含層神經元線性輸出，O1與O2為網絡模型整體輸出，網絡模型輸出值由正向傳播而計算得出。

首先，計算隱含層神經元的線性輸出，如式(1)所示：

(1)

其中：btn為隱含層各神經元偏置。

然后，計算線性函數經激活函數后的輸出值，其中激活函數以Sigmoid函數為例，如式(2)：

(2)

設yn為經激活函數后的輸出值，如式(3)：

yn=ft(atn).

(3)

由此，On為輸出層經激活函數后的輸出，如式(4)：

k=1,2,…，n.

(4)

其中：bun為輸出層各神經元偏置；aun為輸出層各神經元的線性輸出；fu(aun)為輸出層線性輸出值代入激活函數后得到的神經元輸出值。

2.2 網絡模型層數選取

神經網絡節點數即神經元數。對于本文模型，將“煤氣泄漏概率”這一指標作為網絡輸出。因此，輸入層應該選取三個神經元，分別對應光學、聲學和電化學傳感器數據指標；輸出層應該選取一個神經元，即對應“煤氣泄漏概率”。

對于隱含層，其節點數的選取規則為：

(5)

其中：nil與nol分別為輸入層、輸出層節點數；a為常數。對于常數a的值，需根據實際情況進行靈活取值。

3 仿真實驗

3.1 濃度檢測實驗

對于煤氣泄漏檢測神經網絡模型，其目的在于實現各傳感器檢測數據的互補。因此，分別在光學傳感器檢測受限、聲學傳感器檢測受限與電化學傳感器檢測受限3種情況下，根據甲烷氣體爆炸極限與平均濃度值對照表，選取各傳感器數據，作為神經網絡模型輸入樣本。其中，光學傳感器輸入指標為甲烷氣體平均濃度，電化學傳感器輸入指標為氣體濃度占爆炸極限百分比，聲學傳感器輸入指標為煤氣泄漏信號主頻率所對應的功率譜密度。

模擬管道泄漏時光學傳感器的檢測方式，其中，首先模擬在聲學傳感器檢測受限條件下，甲烷濃度的檢測實驗。如圖4所示，將氣袋中分別充入1%、5%與100%濃度的甲烷氣體，并固定于桌角位置。光學傳感器通過自身遙測功能，不斷獲取外界濃度信息。

由此得到各傳感器檢測數據樣本，如表1所示。

3.2 仿真結果

同樣，進行其他兩類傳感器檢測受限情況下的檢測實驗，并將30組傳感器數據樣本作為神經網絡輸入，應用MATLAB進行BP神經網絡模型的仿真。其中，訓練函數選用貝葉斯正則化算法函數，性能訓練曲線仿真結果如圖5所示。系統均方根誤差隨迭代次數的增加而逐漸減小，直至迭代86次時，誤差達到最小值為0.002 300 9。

在進行訓練之前，系統自動將所有樣本按比例分為訓練樣本、最佳樣本與測試樣本，本次訓練中三種樣本分別占總樣本的70%、15%與15%。

圖4 光學傳感器甲烷濃度檢測實驗

表1 各傳感器檢測受限條件下數據樣本

圖5 性能訓練曲線

3.3 模型測試

基于訓練好的網絡模型，對3類傳感器各自受限情況下檢測數據進行隨機采集，作為網絡模型輸入樣本，并進行煤氣泄漏概率預測，結果如圖6所示。由圖6可以看出，神經網絡實際輸出與期望輸出曲線變化趨勢一致。因此可知，本文搭建的煤氣泄漏檢測神經網絡模型可以對煤氣管道泄漏概率進行預測。

圖6 煤氣泄漏網絡模型測試結果

本文針對煤氣泄漏的多傳感器融合檢測，建立了基于BP神經網絡的煤氣泄漏多傳感器融合檢測模型。

首先，對不同管道壓力與泄漏孔徑下兩類煤氣泄漏聲信號進行時域及頻域分析；然后，建立基于神經網絡的煤氣泄漏多傳感器融合檢測模型；最后，得到3類傳感器各自檢測受限條件下的數據檢測樣本，應用MATLAB進行網絡性能訓練仿真，并使用訓練后的網絡模型進行煤氣泄漏概率預測。結果表明：根據該模型得到的煤氣泄漏預測概率與實際情況基本一致，證明該模型具有良好的穩定性。