基于GA_Elman神經網絡的長輸管道泄漏檢測方法

張 勇 韋焱文 王明吉 周興達 劉 潔 楊文武

（東北石油大學物理與電子工程學院）

油氣長輸管道作為石油與天然氣的主要運輸方式，具有平穩性強、安全系數好、運輸量大、質量可靠、物料損失低、占地面積小及運費低等優點［1］。 截止到2015年末，我國陸地油氣管道（包括天然氣管道、原油管道和成品油管道）已經達到了12.23×104km，其中天然氣管道長約7.6×104km，原油管道長約2.4×104km，成品油管道長約2.2×104km［2］。但我國陸地油氣管道已經用了30年甚至更久，老化、腐蝕、地形及人為破壞等原因造成油氣管道泄漏事件時有發生，對管線旁居民的身體健康和財產安全造成重大影響。 因此，對在役長輸管道運行狀態進行檢測，成為學者們持續研究的熱點。 目前，管道泄漏檢測方法較多，總體分為兩大類：硬件檢測方法和軟件檢測方法。 硬件檢測方法有放射性探傷檢測法、紅外線成像法及管道機器人檢測法等；軟件檢測方法則有小波變換檢測法、負壓波檢測法、聲波檢測法和神經網絡模型檢測法［3～5］，其中負壓波檢測法是當前最主要的檢測方法，對大泄漏信號可實現快速檢測和定位，但對小泄漏信號卻易誤報甚至漏報［6］。

神經網絡通常被運用于解決非線性系統問題，具有自學習、并行處理及魯棒性好等優點［7］。Elman神經網絡與BP神經網絡的不同之處是，Elman神經網絡具有局部記憶功能， 但也有易陷入局部極值的缺陷，并且隱藏神經元需要反復試錯才能確定。 針對以上問題，筆者提出基于GA_Elman神經網絡的管道泄漏檢測技術， 利用遺傳算法（GA）優化Elman神經網絡的權值和閾值，解決Elman神經網絡權值、 閾值和神經元難以確定且易陷入局部極值的問題，以減小管道泄漏檢測的誤差、誤報和漏報。

1 Elman神經網絡的構建

Elman神經網絡是一種可以記憶過去系統狀態的反饋型神經網絡［8］，它在BP神經網絡的基礎上引入反饋環節，增強了系統的時變特性和動態特性，預測性能比BP神經網絡要好［9］。

如圖1所示，傳統Elman神經網絡的結構有輸入層、隱含層、承接層和輸出層4層。

輸入層神經元接收外部傳入的信息，再將信息傳遞給隱含層，達到傳輸信號的作用；隱含層的傳遞函數可以選擇非線性函數或線性函數對信號進行變換與處理；承接層是連接并記憶上一時刻的隱含層狀態和當前時刻的網絡輸入共同作為隱含層的輸入，相當于狀態反饋；輸出層的作用是線性加權，即將隱含層的輸出信號按權值作線性加權后輸出網絡［10］。

當引入承接層（延時算子）后，可以將隱含層發出的信號再一次發送回隱含層，這種方式對輸入的歷史數據具有高度的敏感性，從而讓系統具有時變特性，能夠動態地反映系統的特性。

假設系統有n個輸入、n個輸出，隱含層也有n個神經元，w1、w2、w3分別為輸入層到隱含層、隱含層到輸出層、隱含層到承接層的連接權值，則Elman網絡的非線性狀態的表達式為：

其中，u（k）、uc（k）、x（k）分別為隱含層節點向量、反饋狀態向量和輸入向量，f（·）表示隱含層的傳遞函數，通常選擇S型函數，即：

y（k）為m維輸出節點的向量，g（·）表示輸出層的傳遞函數（通常選擇線性函數），則有：

2 GA優化Elman神經網絡

GA是具有高度并行性、自適應性和隨機性的全局搜索算法［11］，算法常依靠GA較強的全局搜索能力解決特征選擇、目標優化及最優路線等問題。

由于Elman神經網絡和BP神經網絡都是采取同一種權值更新的方法——梯度下降法，特點是易陷入局部極值。因此，筆者將用GA對Elman神經網絡的權值和閾值優化作為目標。 GA優化Elman分為3個步驟：Elman神經網絡的構建，GA優化，以及優化后的Elman神經網絡預測［12］。 其中輸入、輸出的參數個數確定Elman神經網絡的架構， 從而確定GA個體的長度，GA優化的權值與閾值，通過得到個體的適應度函數運算個體的適應度。GA通過選擇、交叉和變異找到最優個體。 Elman神經網絡再采用優化后的權值與閾值進行網絡訓練后輸出［13］。

GA_Elman神經網絡模型的工作流程如下：

a. 種群初始化。 實數編碼為個體編碼方式，這些個體都由實數串組成且被稱為染色體，由輸入層與隱含層的連接權值、承接層與隱含層的連接權值、隱含層與輸出層的連接權值、隱含層閾值和輸出層閾值5部分構成。GA將Elman神經網絡的初始權值與閾值轉變為由若干個染色體組成的初始種群。

e. 變異。 變異是從種群中隨機抽取個體，再將抽取的個體隨機選擇變異位置，然后用隨機概率對變異位置的變異體進行反運算或給變異體用隨機概率加一個在一定范圍內均勻分布的隨機數，變異概率范圍在0.01～0.10。

f. 成為新的一代。

g. 當達到最大的后代數時，算法暫停。

h. GA優化后的權值和閾值產生。

i. 對Elman神經網絡進行學習與訓練，計算優化后的權值與閾值是否達到要求。

j. 達到訓練個數，流程結束。

GA優化Elman神經網絡的流程如圖2所示。

圖2 GA優化Elman神經網絡的流程

3 管道泄漏檢測數據處理實驗

為了驗證GA_Elman算法和模型的準確性與優越性，將算法和模型應用到管道泄漏檢測實驗數據的分類中，用傳統BP神經網絡、Elman神經網絡、GA_Elman神經網絡模型對同一組數據進行多次相同的實驗后比較其結果。

3.1 實驗數據與實驗平臺

本次實驗數據采集自東北石油大學人工智能能源研究院長輸管道泄漏檢測實驗平臺。 實驗平臺（圖3）管道有效長度為181.2 m、管壁厚度為4 mm、DN80 mm，材料為不銹鋼，管道上設有18個模擬泄漏點（其中14個為手動泄漏點，4個為自動泄漏點）均勻分布（每隔10 m設置一處泄漏點），管道兩端分別配有壓力傳感器、 液體流量計、氣體流量計和溫度傳感器，這些傳感器在試驗過程中以1 024 Hz的頻率采集數據， 當管道運行狀態正常時，采集的數據為正常數據，打開泄漏點時采集的數據為泄漏數據。 管道內的氣體為空氣，壓強（0.4±0.05） MPa。

實驗模擬15號泄漏點，結果采用入口壓力和出口壓力兩部分數據，樣本數據150組，其中50組泄漏信號、50組小泄漏信號（泄漏量小于4 m3/h）、50組正常信號。 前105組用于訓練，后45組用于測試，每種算法進行20次實驗。

3.2 評估模型的構建

Elman神經網絡的輸入層有2個指標（輸入節點為2），輸出層為二維向量（輸出節點為2）。 筆者據此構建2-9-2型GA_Elman神經網絡進行評估。模型參數設置為：種群規模50，遺傳代數40，交叉概率0.2，變異操作0.05。 Elman神經網絡最大迭代次數2 000，學習率0.1，誤差1×10-3。 經過多次實驗，得到的種群適應度函數進化曲線如圖4所示，當隱含層數為9、種群迭代次數為43時，評估模型出現最好的性能。

圖4 種群適應度函數進化曲線

3.3 實驗結果

實驗中，傳統BP神經網絡、Elman神經網絡和GA_Elman神經網絡模型的期望輸出與實際輸出的比較見表1。

表1 3種模型的期望輸出與實際輸出

神經網絡模型在實驗平臺進行的泄漏檢測準確率如圖5所示。

分析3種模型實驗指標統計結果（表2），可以看出，GA_Elman神經網絡模型可以很好地反映管道的狀態，平均準確率達到了96.9%，而且檢測率穩定，波動最小。 雖然Elman神經網絡的檢測準確率波動不大， 但是與GA_Elman神經網絡模型相比，準確率低了近5%。 傳統BP神經網絡的檢測準確率低于GA_Elman神經網絡模型，其波動性也較大，不宜選用。

表2 3種模型實驗指標統計

4 結論

4.1 利用GA優化Elman神經網絡的權值和閾值，能夠在Elman神經網絡工作中有效避免易陷入極值、收斂速度慢等缺陷，而且增加了全局搜索能力。

4.2 GA_Elman神經網絡模型在管道泄漏檢測實驗中的平均準確率達到了96.9%， 表明改進后的神經網絡具有更高的預測準確率，其效果好于傳統BP神經網絡和Elman神經網絡。