基于人工神經網絡多算法融合的集群化管道泄漏監測系統研究

吳慶濤　孫明　王景民

摘要：管道運輸作為第五大運輸方式，以它的安全性、經濟性在運輸石油中有著不可或缺的地位。但是，目前在管道的監測和監測上，特別是一些小泄漏和滲漏的情況很難被監測出來。主要研究的是基于人工神經網絡的管道泄漏的監測方法，利用現有的管道監測設備，結合計算機的識別技術，對石油氣等運輸管道的泄漏狀況進行準確的監測。這種管道泄漏監測方法能夠有效減少能源的浪費降低企業的經濟損失。

關鍵詞：泄漏監測；人工神經網絡；集群化管道；研究

一、現有的管道泄漏監測技術

（一）基于聲發射技術的管道泄漏監測技術

聲發射技術主要是根據管道的材料或是構件在運行狀況下，產生變形和裂紋時，管道內會以彈性波的形式釋放出應變能。然后利用接受聲發射信號的裝置，對材料進行無損檢測的技術就是聲發射技術。這種管道監測技術能夠對正在運行的輸油管道進行實時的監控，實現管道泄漏監測系統的時效性和連續性。同時無須拆卸管道就能測定。但是對于流量較大的管道，由于流體的流速較大與管道的撞擊形成的噪聲也較大，對聲發射技術有很大的干擾，影響該技術判斷的準確性。因此基于聲發射技術的管道泄漏監測技術在應用中還不夠完善，無法避免環境以及工況對結果的影響。

（二）基于電纜傳感器的管道泄漏監測技術

伴隨著管道的敷設進行安裝電纜傳感器的管道泄漏監測技術，對外界的地理環境和周圍的自然環境適應能力比較強。主要利用管道泄漏后油氣物質觸發電纜傳感器，從而對泄露位置進行反饋。但電纜上的傳感器由于長期暴露，對外界的環境要求比較高，要求電纜傳感器的配套設施配備齊全，不然會大大降低傳感器的使用壽命。

（三）基于光纖傳感器的管道泄漏監測技術

光纖傳感器在管道泄漏監測中的應用，即可以在定點位置進行監測，也可隨機分布在管道上，測量一定范圍內的管道周邊的物質的特性。

（四）基于土壤蒸汽監測的管道泄漏監測技術

蒸汽監測系統主要利用特殊的儀器儀表來監測輸油管道周圍土壤中蒸汽相的碳氫物質的濃度，進而確定管道是否發生泄漏并對管道泄漏位置進行定位，同時根據蒸汽相碳氫濃度來斷定管道泄漏量的大小。這種管道監測技術主要應用于埋于地下的輸油管道，這樣周圍環境對監測結果的干擾性較小，監測結果有很高的準確性。但是對于長輸管道，利用土壤的蒸汽監測系統，需要沿管道預埋很多個探頭追蹤土壤環境的變化，這樣的測定需要消耗大量的費用，人力和物力的投資成本比較高，工作負荷較大。

（五）基于超聲波流量的管道泄漏監測技術

超聲波流量監測技術顧名思義就是利用超聲波技術來監測管道的泄漏狀況，這和聲發射技術的工作原理比較相似，都是應用在管道外部，無須拆解管道的技術方式。超聲波流量監測系統在城市化運行上已經得到了一定程度的應用，在城市的供水管道上的監測工作取得了很好的成效。不僅如此，便攜式的超聲波監測設備也應用到輸油管道的現場巡檢的工作當中，在一定范圍內，工作人員通過便攜式的超聲波監測設備能夠很好地對管道運行狀況進行監督，準確地找到泄漏的位置，大大提高了現場工作的效率。

（六）基于仿真模擬的管道泄漏監測技術

該監測系統主要是利用輸油管道內的壓力溫度、流速和流量等可測量的數據參數，呈現的變化趨勢來進行仿真模擬，實際輸油管道內的流體的運動狀態，判斷管道是否發生泄漏、已經泄漏的量，并對泄漏的位置進行準確的定位。這就需要在管道內的運行參數測量是非常準確的，這些測量數據需要靠人工定期去檢驗設備的運行和校核，保證數據輸入仿真模型的準確性，才能保證模擬的泄漏監測結果準確性。這仿真模擬系統與數據采集和傳輸系統相互配合，需要硬件和軟件技術的準確性和實時更新，相互匹配。但是由于仿真模擬的模型是比較固定的，對于突發的狀況無法預測，不能準確進行有效的識別，或外界環境的變化對檢測結果也產生很大影響的，可能會造成事故的延期搶救造成嚴重的能源浪費和環境污染，甚至會造成嚴重的傷亡事故。

二、基于人工神經網絡多算法融合的集群化管道泄漏監測系統的介紹

（一）基于人工神經網絡多算法的管道泄漏監測系統的原理

如圖1所示，該基于人工神經網絡的管道泄漏的監測方法分為兩個階段。第一階段為通過通信硬件構成的通信模塊采集得到現場流量計中的數據F1，并經過濾波等數據處理，送入神經元網絡訓練模塊F2。神經元網絡訓練模塊F2根據數據進行離線訓練，得到結果，送入神經元網絡診斷模塊F3。第二階段，現場人工設置泄漏，現場數據經過通信模塊F1進入神經元網絡診斷模塊F3，神經元網絡診斷模塊F3根據神經元網絡訓練模塊F2訓練得到的結果，對現場數據進行在線診斷。同時，通信模塊F2將數據送入顯示模塊F4，顯示模塊可以對現場數據進行趨勢顯示。如果診斷模塊F3診斷到有管道泄漏發生，那么也將把結果送入顯示模塊F4，顯示模塊F4根據診斷結果進行報警顯示。

（二）基于人工神經網絡多算法的管道泄漏監測系統的技術介紹

基于人工神經網絡多算法的管道泄漏監測系統可應用的神經網絡學習方法為RBF神經網絡學習方法本案采用的神經網絡為徑向基函數網絡（簡稱RBF網絡），本文采用的RBF網絡結構是一種三層前向的網絡。第一層輸入層有信號源結點組成，第二層為隱含層，第三層為輸出層。它對輸入模式的作用做出響應。從輸入空間到隱含層空間的變換是非線性，而從隱含層空間到輸出層空間的變換是線性的。隱單元的變換函數是RBF它是一種局部分布的中心點徑向對稱衰減的非負非線性函數。RBF神經網絡可以解決邏輯運算問題，用于自適應均衡，以及非線性系統的故障診斷等。RBF網絡是一種典型的結構前傳網絡，在應用到管道監測系統中，需要利用其網絡算法，將現場出現的異常轉化為網絡信號，通過精確的計算，確定管道出現的泄漏位置，并對其信息進行加工處理[1]。

（三）基于神經元網絡算法的管道泄漏監測系統的應用

神經元這一概念是起源于人類中樞神經系統的，連接在一起形成類似生物神經網絡的網狀結構。與人工網絡結構相似，在現行的神經網絡軟件實現中，生物學的方法已經被拋棄，是基于統計學和信號處理的更加實用的方法。也就是說，神經元網絡方法根據人的思維的不同模式來實現數據的分析和獲取的，最終得到相關符合實際的結果。人的思維有理性的和感性之分，理性是具有邏輯性的，在按照事物發展的規律和事物變化的邏輯進行推理分析的，這在計算機語言中可以轉化成一段代碼一個指令，讓計算機和監控系統后臺運行。感性是比較直觀的，是將事物當下的實際狀況如實的記錄，這種狀態可能是偶然的也可能是隨機的，產生的結果可能是好的也可能是負面的，即可能是結果也可能是解決問題的答案。根據神經元的這兩種思維模式，建立的神經元網絡算法，就是利用外物模擬人的總綜合性思維。雖然神經元的結構簡單，功能也比較單一，但是大量的神經元系統算法所實現的網絡系統是非常宏大的，實際結果也是豐富多彩的[2]。

本系統實現的監測過程和方法如表1所示。

各步驟的說明如下。

1.開始通信：由研究員啟動監測方法，監測方法開始和現場流量計進行通信。

2.數據處理：通信模塊對數據進行濾波等處理。

3.趨勢顯示：通信模塊讀取現場流量計數據，傳給顯示模塊，顯示模塊進行數據趨勢顯示。

4.記錄訓練數據：研究員選擇記錄訓練數據的時間，監測方法記錄訓練數據，傳給訓練模塊。

5.數據離線訓練：訓練模塊獲得訓練數據，使用神經元網絡算法，進行離線訓練。

6.將訓練結果送入診斷模塊：訓練模塊離線訓練完成后，將訓練結果送入診斷模塊，供診斷使用。

7.開始進行在線診斷：研究員啟動監測方法診斷模塊，診斷模塊開始對數據進行在線診斷。

8.診斷結果顯示：診斷模塊將在線診斷結果傳給顯示模塊，顯示模塊根據診斷結果進行顯示。

其功能分配如下。

1.通信模塊：負責與現場流量計進行通信，獲取現場數據，同時對數據進行濾波等處理。處理后的數據供訓練模塊、診斷模塊和顯示模塊使用。

2.訓練模塊：使用神經元網絡算法，對通信模塊處理后的數據進行訓練。訓練后的結果供診斷模塊進行診斷使用。

3.診斷模塊：獲得訓練模塊訓練后的結果，使用神經元網絡算法，在線對通信模塊傳來的數據進行診斷。診斷結果傳給顯示模塊

4.顯示模塊：獲得通信模塊傳來的數據，進行趨勢顯示。獲得診斷模塊傳來的診斷結果，如果診斷出有泄漏，則進行報警顯示。

監測方法中的數據主要為從現場流量計中獲得的數據及和流量計通信發送的符合協議的字符。

應用神經元網絡算法的管道監測系統，一旦終端顯示器出現報警，能夠快速定位出現故障的位置，幫助工作人員能夠及時地對管道泄漏點進行處理，降低管道泄漏造成的損失。

如圖2所示，顯示出現報警的地理位置。

三、結語

管道運輸是石油的主要運輸方式，是能源輸送的重要途徑，管道運輸的工作狀態對周圍環境和生態平衡全有著十分重要的影響，特別是輸油管線泄漏是威脅管網安全的最主要因素。如何高效、準確地對管道泄漏情況進行辨識、判斷，對管網附近的生態環境具有重要意義。

參考文獻

[1]于寧，陳斌，萬江文，等.一種管道泄漏監測網絡的層級式多源數據融合方法：CN101539241A[P]，2009.

[2]陳斌.天然氣管道泄漏監測網絡的多源數據融合方法與關鍵技術研究[D].北京郵電大學，2010.

[3]丁輝，王立，李青春，等.基于人工神經網絡的管道泄漏的監測方法：CN10172271A[P]，2006.

作者單位：吳慶濤，西安東方宏業科技股份有限公司；孫明、王景民，中國石油長慶油田分公司