基于改進灰狼算法的成品油管道泄漏定位方法*

郭 穎，楊理踐，張 賀

(1. 沈陽工業大學 信息科學與工程學院，沈陽 110870； 2. 遼寧石油化工大學 信息與控制工程學院，遼寧 撫順 113001)

成品油管道是一種用來運輸成品油的高效、安全、科學的渠道，是目前國內管網體系的重要組成之一.管道泄漏現象普遍存在于油品的運輸過程中，而現有的泄漏檢測與定位方法一般都是針對某一特定管道進行的，而在實際的成品油輸送管道中，當局部管段壓力過高或受腐蝕、磨損、震動等影響，管道測量的信號具有非線性特征，這種情況下通常使用負壓波檢測法來檢測泄漏，但是效果不理想[1-3].隨著我國石油化工行業的高速發展，將有越來越多的長距離輸送成品油的管道逐漸投入使用，研究成品油管道泄漏點的檢測與定位方法對于油氣管道的完整性管理具有重要的理論意義和工程價值[4-5].

實現成品油輸送管道泄漏點的檢測與準確定位的必要條件是對泄漏信號的有效提取和判別.成品油輸送管道采集的壓力信號、次聲波信號及超聲波信號等是用于管道泄漏檢測的主要信號.成品油輸送系統是非線性系統，信號的泄漏特征容易被淹沒在噪聲里，噪聲的存在會對后期的管道泄漏識別以及定位產生干擾[6-7].成品油輸送管道壓力信號中存在小振幅的噪聲，泄漏特征信息被噪聲影響不易識別出來.劉金海等[8]提出采用低通濾波、陷波濾波和小波濾波對管道首末兩端壓力信息進行高精度實時濾波，保證泄漏特征信息不被過濾掉.由于采用小波變換進行去噪時，需要根據經驗來選取合適的小波基函數，而經驗模態分解(empirical mode decomposition，EMD)是一種自適應的信號分析方法，它不再需要選擇基函數.郭晨城等[9]提出采用EMD提取管道泄漏信號的奇異點信息，減少噪聲對泄漏特征信號的影響.由于EMD方法受分解尺度選擇和重構分量選擇的影響，林偉國等[10]提出一種基于時域積分的泄漏聲波信號增強方法，通過不斷提高泄漏信號的信噪比，有效減少了泄漏檢測的誤報率和漏報率.由于天然氣具有可壓縮性，當天然氣輸送管道發生泄漏時，通過壓力變送器檢測到的管道首末端壓力變化并不明顯，因此，應用于輸油管道泄漏檢測的負壓波方法難以應用于輸氣管道的泄漏檢測與定位.由于局域均值分解(local mean decomposition，LMD)的信號分解條件較EMD更為寬松，在降低端點效應對信號分解過程影響的同時也避免了過包絡現象等[11].孫潔娣等[12]采用改進LMD對天然氣管道首末端進行聲發射信號分解，去除了與泄漏無關或噪聲干擾的乘積函數分量，獲取了含有主要泄漏信息的瞬時頻率(product function，PF)分量，實現了對泄漏點的精準定位.

由于成品油管道外部的噪聲組成比較復雜，目前已有泄漏去噪的研究成果，主要是針對特定液體或天然氣管道的泄漏進行的，如何有效地進行成品油管道泄漏監測，保證生產的安全進行，是當下成品油輸送管道管理急于解決的問題.

由于泄漏點的位置具有隨機性，它距離上、下游監控站的距離各不相同，使得成品油會對負壓波產生反射、散射、吸收等不同程度的影響.因此，通過對超聲波波速信號進行消噪并進行信號拐點時間提取，利用管道首末站信號拐點的時間差值建立目標函數，通過改進灰狼算法優化求解獲得泄漏點位置，通過環道實驗室實驗及現場數據驗證了該方法的可行性.

1 定位方法

1.1 管道沿程環境對壓力波波速的影響

流體的彈性模量、密度和管道材質影響負壓波傳播的速度.由于體積彈性系數和密度等是隨距離變化的函數[13-14]，所以負壓波波速表達式為

(1)

式中：K為介質體積彈性系數；ρ為介質的密度；E為管道材質的彈性模量；d為管道直徑；Q為與該約束條件相關的修正系數；e為管壁厚度.

1.2 壓力和超聲波波速之間關系

成品油管道發生泄漏時，一般會根據泄漏所產生的負壓波到達管道首末站的時間差進行泄漏點定位.由于管道完整性管理的要求，不允許在原有管道上打孔安裝壓力測量傳感器進行泄漏檢測與定位，因此，利用夾持式超聲波傳感器的波速來間接測量管道內部壓力變化.該方法可以在不損壞管道內部流體流場，無壓力損失的情況下對管道內部壓力進行無損檢測.

由于管道泄漏導致管道首末站兩端壓力發生變化，壓力的變化則會引起超聲波波速發生變化，超聲波的波速與壓力之間的數學關系式[15]為

US=GP

(2)

式中：US為超聲波波速值；G為比例系數；P為管道內部壓力值.通過式(2)可以看出，壓力與超聲波波速之間存在線性關系，因此，可由超聲波波速的變化反應管道內部壓力的變化情況.

1.3 超聲波波速信號拐點時刻的獲取

1.3.1 LMD算法

LMD算法的本質是將信號分解為無數個有物理意義的PF乘積，由此可反映出信號在空間各個尺度上分布規律，從而更能細致地對采集信號特征進行分析[16].

信號x(t)被分解為M個PF分量和一個殘余分量rk(t)，其表達式為

(3)

(4)

(5)

1.3.2 超聲波波速拐點提取

通過對管道首末站的超聲波波速信號進行預處理，進行LMD分解，通過互相關分析選取主要PF分量，重構信號，然后再利用小波變換提取信號拐點.

(6)

式中：φ(t)為基本小波函數；a為尺度因子.超聲波波速拐點提取的原理框圖如圖1所示.

圖1 超聲波波速信號拐點提取原理框圖Fig.1 Schematic principle of turning point extraction for ultrasonic velocity signal

1.4 改進灰狼優化算法

灰狼優化(grey wolf optimizer，GWO)算法[18]是一種新型群體智能優化算法，它通過模擬自然界灰狼群體捕食獵物的行為實現優化搜索的目的.GWO和粒子群算法(particle swarm optimization，PSO)及其改進算法(improved particle swarm optimization，IPSO)[19]相比，具有易于實現、程序調整參數少等優點[20].縱然GWO算法在許多領域中取得較好的應用效果，但是依然存在易陷入局部最優、收斂速度慢、求解精度不高等缺點.

(7)

A=2ψr1-ψ

(8)

C=2r2

(9)

其中，r1和r2為[0，1]之間的隨機數；ψ為距離控制參數，隨著迭代次數的不斷增加從2線性減少到0，即

(10)

其中，θmax為最大迭代次數.

狼群中其他灰狼個體Xi根據α、β、γ的位置Xa、Xβ、Xγ來更新各自的位置，即

(11)

(12)

根據式(11)～(12)可以得出，對個體位置迭代過程中采用GWO算法時，只考慮了個體當前位置和群體以往遍歷的最優位置信息，而最優位置的更新是起決定作用的.所以GWO算法在求取最優解問題時容易陷入局部最優的缺陷.

新提出的灰狼優化算法(improved grey wolf optimizer，IGWO)是通過將粒子群優化算法中的對粒子運動最優解進行記憶保存的思想加入到GWO中，進而增強了GWO算法的收斂速度和求解精度.該方程表達式為

(13)

圖2 改進灰狼算法應用流程圖Fig.2 Application flow chart of IGWO

1.5 成品油管道泄漏點定位計算

成品油輸送管道泄漏點定位計算原理如圖3所示.由泄漏點處所產生的負壓波傳播到管道首末站的時間分別為t1、t2，此時間即為管道首末站檢測到超聲波波速發生變化所需時間，其表達式分別為

(14)

(15)

泄漏點定位公式為

(16)

圖3 泄漏點定位原理圖Fig.3 Schematic principle of localization of leakage points

每次將X=n(其中，n為已知值)代入式(17)，計算Δt，并計算yn值，即

yn=|Δtn-Δt|

(17)

通過改變n的值，依次計算yn，其中，yn中最小值對應的n即為泄漏點位置.算法步驟如下：1)管道首末站超聲波波速拐點確認；2)確定發生泄漏的位置是距離管道首站近還是管道末站近；3)如果是距離管道首站的超聲波波速先變化，泄漏定位搜索位置為原管道長度的1/2；4)采用改進灰狼優化算法求解式(17)，進行泄漏點位置的估計計算.

2 仿真實驗

2.1 環道實驗

搭建2 800 m實驗環形管道，管徑為DN50.環形管道上共設有14個模擬泄漏點.首站流量為120 L/min，管道運行壓力為1.2 MPa.環形管道利用美國國家儀器公司DAQ-9184對管道首末站的超聲波波速信號進行采集，利用DAQ-9028對管道的首末站流量進行采集.實驗裝置如圖4所示.

圖4 實驗裝置Fig.4 Experiment apparatus

實驗中，介質為水，超聲波波速為1 520 m/s，負壓波波速為1 200 m/s，管道首站溫度為30 ℃，末站溫度為20 ℃.當距離管道首端1 400 m處的泄漏閥打開時，管道泄漏時刻采集的流量信號如圖5所示.

圖5 管道首末站流量變化曲線Fig.5 Flow change curves at first and last stations of pipeline

從圖5中可以看出，當管道發生泄漏時，首末端流量會發生明顯變化，首端的流量增加，末端的流量減少.首末端采集到的超聲波波速信號經過LMD信號消噪處理后，首末端的信號如圖6、7所示.

圖6 管道首站超聲波波速信號與消噪后信號對比曲線Fig.6 Comparison of ultrasonic velocity signals before and after de-noising at first station of pipeline

圖7 管道末站超聲波波速信號與消噪后信號對比曲線Fig.7 Comparison of ultrasonic velocity signals before and after de-noising at last station of pipeline

從圖6、7中可以看出，經LMD信號消噪后，首末端超聲波波速信號有一個非常明顯的拐點.超聲波波速信號經LMD消噪后，再次通過小波分析進行拐點提取，管道首末站的信號拐點位置如圖8、9所示.

由圖8、9可知，通過LMD信號消噪和小波變換處理之后的信號拐點更清晰，所提出的方法不僅能直接去除信號中的噪聲，而且能清晰地給出拐點，實現管道首末站超聲波波速信號拐點時刻準確獲取，從而進行管道泄漏點定位.

圖8 首站超聲波波速信號經小波變換之后的拐點Fig.8 Turning point of ultrasonic velocity signal after wavelet transform at first station

圖9 末站超聲波波速信號經小波變換之后的拐點Fig.9 Turning point of ultrasonic velocity signal after wavelet transform at last station

GWO算法的參數選取種群數量N=30，維數D=500；IGWO算法參數設置和GWO算法一樣；PSO算法參數選取學習因子c1=c2=2，慣性權重初始設置為ω0=1，最小慣性權重ωmin=0.3，慣性權重線性下降.IPSO算法參數設置和PSO一樣.

圖10給出了IGWO、GWO、IPSO和PSO在不同迭代次數下對函數目標值的尋優收斂曲線.在對函數目標值的求解過程中，IGWO算法具有更快的收斂速度和更高的收斂精度.表1給出了環形管道四種算法30次實驗的泄漏點位置估計計算平均結果比較.

圖10 IGWO、GWO、IPSO和PSO對目標函數收斂曲線Fig.10 Convergence curves of target function by IGWO，GWO，IPSO and PSO

表1 環形管道泄漏點位置估計結果Tab.1 Estimation results of leakage point locations in annular pipeline

從表1可以看出，與GWO、IPSO及PSO算法相比，IGWO在管道泄漏位置估計上獲得了較準確的泄漏位置估計.

2.2 現場測試數據實驗

在某成品油管線上某段進行泄漏測試，測試段的管道里程為148 km，輸量約為1 223 m3/h，管道首站輸油溫度為13 ℃，管道末站輸油溫度為9 ℃.在管道測試段采用打開泄放閥門進行泄漏模擬測試，該管段的上游出站壓力為12 MPa，下游進站壓力為8 MPa，泄漏測試點距管上游里程為45.5 km.

根據管道參數按照式(1)計算負壓波的波速.定位公式采用式(17)進行計算.表2給出了四種算法2次實驗的泄漏點位置估計平均結果比較.

表2 泄漏點位置估計結果Tab.2 Estimation results of leakage point locations

從表2可以看出，與GWO、IPSO及PSO算法相比，IGWO估計的泄漏點位置與實際管線泄漏模擬位置相接近.根據現場實際條件，泄漏量大于正常輸量的2%，定位誤差可控制在120 m左右.

3 結 論

本文通過分析得出以下結論：

1) 分析了超聲波波速與管道內部壓力之間的關系，提出了采用超聲波波速來檢測管道泄漏的方法.

2) 對灰狼優化算法進行了改進，提高了算法對泄漏點的定位速度以及估計精度.

3) 為了更加準確地提取出超聲波波速信號拐點，采用LMD與小波包分析算法相結合，用來確定泄漏時產生的負壓波傳播到管道首末站的時間差，從而提高了泄漏點的定位精度.