基于广义概念的城市燃气管道泄漏精确定位*

郝永梅徐明李秀中毛小虎严欣明岳云飞

（1．常州大学环境与安全工程学院　江苏常州213164；2．江苏省特种设备安全监督检验研究院常州分院　江苏常州213016）



基于广义概念的城市燃气管道泄漏精确定位*

郝永梅1徐明1李秀中2毛小虎2严欣明2岳云飞2

（1．常州大学环境与安全工程学院江苏常州213164；
2．江苏省特种设备安全监督检验研究院常州分院江苏常州213016）

摘要为了准确地检测城市燃气管道泄漏，提出了一种基于广义概念的管道泄漏检测定位方法。声发射技术对于管道泄漏的检测、定位是一个极好的工具，但由于泄漏源的传播容易受到周围背景噪声以及复杂工况的影响，其定位误差较大。基于时延估计的互相关信号处理方法被广泛用于管道泄漏检测定位，但由于泄漏应力波传播通道的动态特性，使得源信号在传播过程中会产生波形变化，给互相关函数峰值位置的确定带来困难。由此引入广义相关分析方法，通过对信号进行前置滤波，在一定程度上减少了传播通道动态特性因素对泄漏点定位的不利影响，得到了更为准确的时延估值。在此基础上，通过模拟实验，编写Matlab神经网络代码，构造GRNN模型，进一步预测定位。结果表明，GRNN预测的声发射检测值、互相关定位值以及广义相关定位值，相比之前定位精度分别得到提高，其中基于广义相关的延时估计方法定位最为精确，将该方法用于工程实际中，可以更加精确地定位出泄漏点。

关键词管道泄漏互相关分析广义相关分析广义回归神经网络

The Precise Location of City Gas Pipeline Leak Based on the Generalized Concept

HAO Yongmei1XU Ming1LI Xiuzhong2MAO Xiaohu2YAN Xinming2YUE Yunfei2
（1．School of Environmental and Safety Engineering，Changzhou University Changzhou，Jiangsu 213164）

Abstract In order to accurately detect leakage of city gas pipeline，a method is proposed based on broad concept of leak detection and location of pipeline．Acoustic emission technique is an excellent tool for the pipeline leak detection and loca-tion，but because the spread of the leak source is susceptible to the surrounding background noise and the impact of complex conditions，its positioning error is greater．The methods based on delay estimation cross－correlation signal processing are widely used in pipeline leak detection and location，but due to the dynamic characteristics of leakage stress wave propagation path，the source signal in the communication process will produce changes in waveform and the peak position to cross－cor-relation function determination difficult．Thus the generalized correlation analysis is introduced．To a certain extent，the ad-verse effects of the dynamic characteristics of the propagation path of the leak location factors are reduced by pre－filtering the signal and a more accurate estimate of the delay is achieved．On this basis，through simulation experiments，the matlab neural network code is compiled and GRNN model is constructed to further predict location．The results show that，GRNN predicted value of acoustic emission detection，cross－correlation values and generalized targeting positioning value are im-proved，compared to the previous positioning accuracy，among which the delay estimation based on generalized method of lo-cating is most accurate，if the method is used in engineering in practice，it will more accurately locate the leak．

Key Words pipeline leakage correlation analysis generalized correlation analysis generalized regression neural network

0　引言

城市燃气管道在为人们的生产、生活提供了极大便利的同时，也带了很大的安全隐患。由于腐蚀、焊缝缺陷、振动及冲刷等原因引起的管道泄漏和法兰、螺纹口及填料函等连接部位的泄漏变得日益严重。管道泄漏一直是管道运输中的一个难题，它不仅给社会和企业带来经济损失，资源浪费，而且造成环境污染，影响人们的正常生活。因此，研究灵敏、可靠的管道泄漏检测方法，方便快速地查找到泄漏源，有利于泄漏事故的及时抢修，减少泄漏带来的损失，因而具有重要的经济价值和社会意义［1－2］。传统的管道巡检方式发现泄漏采用人的视觉和听觉相结合的办法，这种方法易受人的生理因素的制约和劳动经验的影响，且对巡检人员的工作技能要求较高，加上外界其他各种因素的干拢，人工巡检的效果并不十分理想，特别是对细微的管道泄漏，是人力所不能及的。所以，有必要研究高效的管道泄漏检测仪器和检测方法，来取代人为判断，使对管道泄漏的检测更加精确和快速。利用计算机强大的数字信号处理能力，可开发出较硬件更加灵活方便、多通道、分布式的泄漏检测模块，使泄漏检测与神经网络等信号处理技术相结合，可实现对复杂管道系统的实时监测。本文采用软、硬件相结合的方法，在将声发射技术应用于管道泄漏检测获得数据的基础上，首先采用相关分析软件处理方法进行定位，鉴于泄漏声波传播通道的动态特性给相关分析带来的不利影响，进一步提出应用广义相关分析理论的泄漏定位方法以得到较为准确的时延估计，最后通过Matlab软件编写代码，构造广义回归神经网络（Generalized Regression Neural Network，GRNN）模型，把声发射检测值、互相关定位值以及广义相关定位值代入模型进行预测逼近，得出误差最小的泄漏点定位值，选取最精确的方法运用于工程实际中。

1基于广义声发射信号的管道泄漏检测原理

压力管道泄漏所产生的声发射信号是广义的声发射信号，管壁本身不释放能量，只是作为一种传播介质。泄漏过程中，在泄漏点处由于管内外压差，使管道中的燃气在泄漏处形成多相湍射流，这一射流不但使流体的正常流动发生紊乱，而且与管道及周围介质相互作用向外辐射能量，在管壁上产生高频应力波。这种应力波通过漏孔管道的管壁传播，如果将超声传感器置于管道的外壁上，接收这种具有声能的应力波，并将这种声音转换成电信号，再通过A／D转换成数字信号在计算机终端上显示出来，就可以实现泄漏的检测与定位［3］。定位原理如图1所示。如在管道上游A点和下游B点两传感器之间有1个声发射源产生声发射信号，到达A传感器的时间为T1，到达B传感器的时间为T2，该信号到达两个传感器之间的时差为：Δt＝T2－T1，如以D表示两个探头之间的距离，以v表示声波在试样中的传播速度，则声发射源距A传感器的距离d可由下式得出［4］：

图1声发射源时差定位原理

由于环境等因素影响，实测的泄漏信号会受到噪声的干扰，尤其是城市燃气管道，其相对于长输管道，压力比较低（中低压管道居多），管径较小，管网节点多，位于城市交通干道旁或居民区内，周围环境较为复杂，在能被地面检测到泄漏前大多呈小泄漏状态，如果直接用和去确定，会产生较大的误差。为克服噪声的影响，提高定位精度，通常要对信号进行处理，以确定的准确性。

2基于广义相关分析的管道泄漏定位

2．1基于互相关分析的泄漏定位

管道泄漏定位属于时延估计问题，在管道泄漏检测与定位系统中，广泛采用相关分析方法进行时间差的估计。管道泄漏源信号从泄漏点向管道上下游传播，信号和分别为上下游传感器A和传感器B接收到的信号，则可得［5］

式中，h1（t）和h2（t）分别为泄漏源到上下游传感器之间管段的脉冲响应函数，⊗表示卷积，n1（t）和n2（t）分别为噪声信号，这里假定其与泄漏源信号s（t）不相关。实际应用中，可采用快速傅里叶变换大大降低总计算量，计算出信号x1（t）和x2（t）的互功率谱Gx1，x2（ω），再通过对Gx1，x2（ω）进行傅里叶快速变换得到其互相关函数［6］。

由互相关傅里叶变换计算流程得

式中，τ为互相关函数Rx1，x2的峰值所对应的上下游传感器接收到信号的时间差的估计值为冲激函数，的傅里叶逆变换。

2．2广义相关分析的管道泄漏定位

广义相关分析是在相关分析基础上发展而来的，通过对信号前置滤波得到更好的估计结果［7］，可以有效减少缓慢泄漏、管道动态特性等因素引起的泄漏信号不规则对定位的影响。广义相关分析法的计算流程如图2所示。

图2广义相关分析法的计算流程

式中，Gx1，x2（ω）为信号x1（t）和x2（t）的互相关功率谱。由此可得，其互相关函数为［9］

3广义回归神经网络的燃气管道泄漏定位预测

3．1广义回归神经网络结构

GRNN具有很强的非线性映射能力和柔性网络结构，以及高度的容错性和鲁棒性，适用于解决非线性问题。其算法中使用径向基函数运算，具有较好的泛化能力、逼近能力及快速学习特点，而且能逼近任意类型的函数，仿真精度高，即使在样本数据较少时预测效果也较好，具有良好的实用性［10－11］。基于此，采用GRNN建立燃气管道泄漏定位预测模型，对城市燃气管道泄漏进行精确定位。

如图3所示，GRNN由4层构成，分别为输入层、模式层、求和层和输出层。对应网络输入X＝［x1，x2，…，xn］T，其输出层为Y＝［y1，y2，…，yk］T

3．2城市燃气管道泄漏GRNN定位模型

选择一组最能反映期望输出变化原因的输入变量直接关系到神经网络预测的性能。根据1节可知，管道的泄漏位置主要与时差Δt和声波速度有关，声波传播速度v与管道压力P、传感器间距D、管道内径R、管道内介质流量Q等有关。因此，以进出口压力P、传感器间距D、管径R、进出口流量Q和进出口温度T等8个数据指标作为网络输入变量，分别以声发射检测定位值、互相关计算值和广义互相关定位值为神经网络的输出变量构建GRNN，如图3所示。

图3基于GRNN管道泄漏预测模型

表1模拟实验数据样本（输入样本）

表2样本数据（目标样本）

实验室模拟燃气管道泄漏定位进行试验，泄漏点位于2 600 mm处，选取压力分别为0．15，0．2，0．3 MPa做3组模拟试验，每组取样3次，共9组数据，其中1～7组作为训练样本，8～9组作为目标样本，见表1和表2。

在获得输入和输出变量后，对其进行归一化处理，将数据处理为区间［0，1］之间的数据，归一化处理的公式如下［12］：

对数据归一化处理后进行样本训练。经归一化处理后，确定适合的光滑因子。对于广义回归神经网络，光滑因子的大小对网络的最终逼近精度有着比较大的影响。理论上讲，SPREAD越小，对函数的逼近越精确，但是逼近的过程越不平滑；SPREAD越大，逼近过程就比较平滑，但是逼近误差会比较大［13－14］。因此，需要不断调整SPREAD来确定最佳值，从而减少模型的误差。考察光滑因子的取值范围为0．1～0．5。训练网络的逼近误差和预测误差分别见图4和图5。

图4网络的逼近误差

图5网络的预测误差

3．3实验分析

在此试验中，通过训练，由图4和图5可见，当光滑因子为0．1，无论是逼近性能还是预测性能，误差都比较小。随着光滑因子的增加，误差也在不断增加。

从误差的角度考虑，光滑因子取0．1，此时网络的输出为

经过反归一化处理后，得到的结果为

经过对其中两组数据处理分析可知，声发射检测值、互相关定位值以及广义互相关定位值都在一定程度上提高了定位的精确度。然后分别采取上述方法，变换不同的训练样本和目标样本进行预测，得到数据结果见表3。以上3个输出变量的预测值平均值为2 387，2 495和2 652。可以看出，经过GRNN处理的值，相比之前得到很大程度的提升，更加接近泄漏点的真实值。由图6和图7可以进一步看出，广义互相关定位值更加接近泄漏点的真实值。mm

图6真实值和定位值对比

图7 GRNN预测值和真实值对比

表3 GRNN处理过的数据

4城市燃气管道现场泄漏定位应用分析

4．1现场应用分析

对某市位于人民路的一段燃气管道进行泄漏检测。管长约为80 m，属于中压B级管线，管道压力约为150 kPa，管道外径为426 mm。测量时间为用气低谷时段，流量约1 200 m3／h。平均埋地深度为1．0 m，测得管道燃气流速为2．651 km／s。管道上是硬化人行地面，南侧是一条交通主干道及公交站台，人员来往密集区，北侧6 m处是商铺、小区，不具备开挖检测条件。

采用管道泄漏声发射检测系统进行参数采集。在管道的两端布置传感器A和B，传感器间距为70 m。准备完毕后，对管道进行3次数据采集，得到的声发射检测值见表4，在获取管道参数的基础上采用1．2节介绍的广义互相关定位方法计算泄漏位置，计算结果见表4。

在获取以上参数后，用公式进行归一化处理，公式采取2．2节介绍的方法，构建GRNN模型，取光滑因子为0．1时，网络的逼近误差和预测误差最小，此时得到网络的输出并进行反归一化处理，得到的值见表4。

表4某市人民东路燃气管道定位结果m

4．2泄漏位置验证

2014年5月，燃气公司在管道上沿线每隔1 m去土进行泄漏位置验证，用Gasurveyor 500型可燃气体检测报警仪检测，当检测仪放在距离1号传感器38 m的孔内时，检测值迅速上升并伴随有报警声，技术人员判断此处管道确有泄漏存在。结果表明，经过GRNN预测处理的定位值，更加接近泄漏点的真实值，相比于声发射检测互相关定位值，广义相关定位值更加准确，值得推广应用。

5　结论

（1）对于城市燃气管道泄漏检测定位，基于时延估计的互相关信号处理方法和广义相关分析法，都能在一定程度上降低定位误差，但广义相关分析法通过对信号前置滤波有效地减少了动态特性带来的干扰，能将定位误差控制在更小的范围内，且更易于实现。

（2）应用广义回归神经网络强大的容错和函数逼近能力，将城市燃气管道泄漏定位分析转化为函数逼近问题，进行定位分析预测，且运算速度快，达到了进一步提高声波信号泄漏检测精度定位的预期。

（3）此方法对埋地多节点的泄漏检测应用受限，同时燃气管道基本上采用PV和PE管道，使其在应用面上受到限制。

参考文献

［1］李佩铭，赵春阳，刘翔，等．基于硬件的燃气管道泄漏检测技术发展趋势［J］．煤气与热力，2012，32（9）：31－34．

［2］周廷鹤．城市燃气管道的完整性管理［D］．重庆：重庆大学，2009．

［3］沈功田，耿荣生，刘时风，等．声发射源定位技术［J］．无损检测，2002，24（3）：114－117．

［4］杨明纬．声发射检测［M］．北京：机械工业出版社，2005．

［5］Martins N E，Jesus S M．Blind estimation of the ocean acoustic channel by time－frequency processing［J］．IEEE Journal of O-ceanic Engineering，2006，31（3）：646－656．

［6］李炜，陈希平，毛海杰，等．天然气管道泄漏点的定位检测方法研究［J］．甘肃工业大学学报，2003，29（4）：84－87．

［7］任伟建，孙勤江，林百松，等．基于自适应免疫算法的输油管道泄漏定位研究［J］．信息与控制，2007，36（5）：634－638．

［8］Knapp C H，Carter G C．The generalized correlation method for estimation of time delay［J］．IEEE Trans Asoustic，Speech，Signal Processing，1976，24：320－327．

［9］赵静荣．声发射信号处理系统与源识别方法的研究［D］．长春：吉林大学，2010．

［10］Zhao Y，X Zhuang，M Shao．A new method of leak location for the natural gas pipeline based on wavelet analysis［J］．En-ergy，2010，35：3814－3820．

［11］温爱华，李松．基于广义回归神经网络的铁路货运量预测［J］．铁道运输与经济，2011，33（2）：88－91．

［12］毛小虎，郝永梅，严欣明，等．基于离散小波分析的城市燃气管道泄漏检测定位［J］．化工设备与管道，2014，51 （3）：56－60．

［13］Gemma Piella，Henk J A M Heijmans．Adaptive lifting schemes with perfect reconstruction［J］．IEEE Trans On signal processing，2002，50（7）：1620－1630．

［14］刘秀清，宇仁德，范东凯．基于广义回归神经网络的交通事故预测［J］．山东理工大学学报（自然科学版），2007，21 （2）：28－31．

研究与探讨

收稿日期：（2015－03－30）

通讯作者徐明，硕士研究生，研究方向：油气储运安全。

作者简介郝永梅，女，1970年生，副教授，硕士学位，主要研究方向：消防工程及油气储运风险分析。

*基金项目：江苏省科技项目（BE2014625），常州市科技项目（CE20145054），2013年国家安监总局安全生产重大事故防治关键技术科技项目（安监总厅科技（2013）140号）。