基于VMD-BP神经网络模型的天然气管道工况检测研究

2017-11-01梁洪卫邹岱峰

化工自动化及仪表 2017年7期

关键词：分量模态天然气

梁洪卫张旭邹岱峰

(东北石油大学电气信息工程学院)

基于VMD-BP神经网络模型的天然气管道工况检测研究

梁洪卫张旭邹岱峰

(东北石油大学电气信息工程学院)

通过对小波变换、可变模态分解(VMD)、经验模态分解(EMD)及BP神经网络等多种算法在天然气管道中应用的学习研究，提出一种基于VMD-BP神经网络的天然气管道工况判断模型。首先对管道信号进行可变模态分解，再将分解后的特征信号通过BP神经网络算法进行网络训练测试，进而对管道工况做出判断。

VMD-BP神经网络模型天然气管道管道敲击信号工况判断模态分解

天然气绿色环保、经济实惠，被广泛应用于生产和生活的各个方面。为方便天然气的运输，管道铺设日益复杂化，而随着管道投入生产年限的增加以及人为破坏，对天然气管道的运行工况进行实时有效的检测迫在眉睫[1]。目前，管道检测方法主要有应用统计法、红外热成像法、分布式光纤法及声波法等[2]。但是大多效果不理想，而且大多只对泄漏工况做出判断，而对人为破坏管道所产生的敲击信号则无法进行准确判断。

笔者通过现场调研发现，人为破坏管道的情况多发生在管道停运的状态下，而人为破坏管道常伴有对管道进行敲击等动作，因此检测判断管道的敲击信号对预防人为破坏管道有积极意义。笔者通过对各种管道工况检测方法的学习研究，提出基于VMD-BP神经网络模型的天然气管道工况检测方法。

1 基于VMD算法的信号特征预提取

1.1 VMD算法原理

可变模态分解算法将每个模态函数uk看作是围绕中心频率wk的有限带宽，通过变分模型估计相应的频段和模态函数[2]。估算每个模态函数uk带宽的步骤如下：

a. 通过希尔伯特变换，求解每个模态函数uk的相应解析函数的边际谱[3]；

b. 每个模态函数中心频率通过指数混合调制估算得到，每个模态函数uk的频谱将被转移到基带[4]；

c. 信号带宽通过解调的高斯光滑度和梯度平方估算。

约束变分问题可由上述步骤得到：

∑kuk=f

其中，{uk}={u1,u2,…,uk}为各模态函数；{ωk}={ω1,ω2,…,ωk}为各模态对应的中心频率；k为迭代次数；δ(t)为冲击函数；f为各模态分量之和；i表示虚部。

对此约束变分问题进行求解时引入拉格朗日乘子λ(t)和二次惩罚因子α将约束变分问题转变为非约束变分问题[5]，同时保证重构信号的保真率和重构精度。引入两者得到拓展的拉格朗日表达式为：

式中 f(t)——输入信号；

uk(t)——第k个分解模态分量。

利用交替乘法算子方向法，交替更新模态分量、中心频率和拉格朗日乘子，找到拉格朗日扩展表达式的“鞍点”[6]，步骤如下：

b. 循环开始，n=n+1；

1.2 信号采集和特征提取

管道信号的采集程序基于LabVIEW平台开发[7]，使用NI-USB-6008采集卡通过连接声压传感器采集管道信号，将采集到的信号通过VMD算法的Matlab程序分解，并重构出各模态分量，图1是正常工况管道信号经模态分解重构后各频率段对应的模态分量。

a. 原始信号

b. 各模态中心频率

c. 重构低频分量

d. 重构中频分量

e. 重构高频分量

天然气管道泄漏信号复杂，其中包含很多噪声信号，直接将采集到的管道泄漏压力信号作为网络的输入会导致计算量过大收敛困难。经模态分解后，可分别提取其低频分量、中频分量和高频分量，将提取的特征分量作为BP神经网络的输入进行训练，可以很大程度地减少训练负担。

2 BP神经网络学习

2.1BP神经网络结构

BP神经网络的主要结构(图2)特点[8]是n维输入向量非线性映射到m维输出向量，并且可以通过调整网络层间的权重和网络每层的神经元个数以任意精度逼近任何非线性函数。

图2 BP神经网络结构示意图

2.2BP神经网络原理

BP网络能学习和存贮大量的输入输出模式映射关系，而无需提前知晓描述这种映射关系的数学方程[9]，具体有3个步骤：

c. 通过不停地正反向传播，每次都反复调用权值变化公式，反复更新权值直至误差E实现设定值,即完成训练目标。

利用BP神经网络的学习能力，通过对各种工况输入信号的训练达到可以对天然气管道工况样本进行识别和分类的功能。

3 VMD-BP神经网络模型搭建

3.1VMD-BP模型结构

将采集到的信号经过VMD分解得到低频、中频、高频3个特征分量，由于3种工况下低频和中频特征差异比较明显，有助于后续的BP神经网络的训练和预测分类，因此取低频和中频特征分量作为BP神经网络的输入来判断管道的工况：

X=[F低,F中]

式中 F低、F中——经VMD分解得到的低频频率特征值和中频频率特征值。

由于是对天然气管道正常、敲击和泄漏3种工况做出辨识，需用VMD算法分别提取3种工况的低频频率特征值和高频频率特征值，所以有：

F低=[fzd,fqd,fld]

F中=[fzg,fqg,flg]

式中 fzd、fzg、fqd、fqg、fld、flg——代表3种工况的低、中频特征频率。

在数据输入网络之前需对输入矩阵进行归一化处理：

式中 xmin、xmax——样本数据中的最小值和最大值；

根据对天然气管道工况的研究内容，将BP神经网络的输出层神经元个数设置为2，而两个神经元最多可描述4个管道工况状态，确定训练目标T=(0,0)(0,1)(1,0)，分别对应管道的正常、敲击和泄漏3种工况。

这里，设置隐含层神经元个数为7，由此得到的VMD-BP神经网络模型结构如图3所示。

图3 VMD-BP神经网络模型

3.2 基于VMD-BP模型的管道工况检测

根据管道工况检测的研究内容，确定所需研究步骤如下：

a. 提取样本。通过采集程序以采样频率5kHz、采样数1 000，采集管道信号，将采集到的管道原始信号经VMD模态分解，分别提取正常、敲击和泄漏工况下的低频和中频特征值样本各15组，共45组样本。

b. 训练网络。将采集到的45组样本取30组，3种工况各10组归一化后进行BP神经网络训练。

c. 测试网络。将剩余的15组样本，3种工况各5组归一化后对训练好的网络进行测试。

由各个工况的频率特征矢量对BP神经网络进行训练和测试(表1)后，其实际输出结果并非简单的0和1[11]，但是预测输出结果与理想的训练结果已经非常接近，预测输出的最大误差为0.045 0。虽然预测输出并不是标准的0和1，但完全可以根据预测输出的结果判断天然气管道的运行工况。

表1 管道工况检测VMD-BP神经网络模型预测输出结果

4 结束语

通过对VMD算法和BP神经网络算法的进一步研究，提出VMD-BP神经网络模型，通过实验验证该模型不仅可以对管道的泄漏状态做出判断，还可以对管道的敲击状态做出判断，对人为破坏管道和泄漏有更好的预防作用，证明了该模型应用于对管道多种工况检测的可行性。由于VMD算法和BP神经网络算法本身的一些缺陷使得该模型有一定的局限性。接下来将会对VMD算法和BP神经网络算法进行研究，对VMD-BP神经网络模型进行改进，从而达到更好的管道工况检测效果。

[1] 刘朋.天然气长输管道国产SCADA软件发展现状及展望[J].石油化工自动化,2016,52(2):7～10.

[2] 高炳坤,贾莹.基于声波的天然气管道泄漏检测与定位[J].化工自动化及仪表,2013,40(3):305～308.

[3] 路敬祎,马雯萍,高丙坤,等.可变模态分解算法及其在天然气管道泄漏检测中的应用[J].化工自动化及仪表,2016,43(7):694～700.

[4] 安连锁,冯强.沈国清,等.可变模式分解在炉膛压力管道微弱泄漏信号检测的应用研究[J].锅炉技术,2015,46(4):1～6.

[5] 马增强,李亚超,刘政,等.基于变分模态分解和Teager能量算子的滚动轴承故障特征提取[J].振动与冲击,2016,35(13):134～139.

[6] 姚家驰,向阳,李胜杨,等.基于VMD-CA-CWT的内燃机噪声源识别方法[J].华中科技大学学报(自然科学版),2016,44(7):20～24.

[7]HuQ,FanSD.DevelopmentofPipelineLeakDetectionSystemBasedonLabVIEW[C].IEEEInternationalSymposiumonKnowledgeAcquisitionandModelingWorshopProceedings.Piscataway,NJ：IEEE，2008:671～674.

[8] 李冬梅,刘志强.基于BP神经网络的小型风力发电正弦波逆变器[J].可再生资源,2015,33(6):898～901.

[9] 焦李成,杨淑媛,刘芳,等.神经网络七十年:回顾与展望[J].计算机学报,2016,39(8):1697～1716.

[10] 攀振宇.BP神经网络模型与学习算法[J].软件导刊,2011,10(7):66～68.

[11] 阳子轩,范世东,江攀,等.基于BP神经网络的复杂布局管道泄漏检测研究[J].船海工程,2012,41(1):66～69.

StudyonWorkingConditionDetectionofGasPipelinesBasedonVMD-BPNeuralNetworkModel

LIANG Hong-wei, ZHANG Xu, ZOU Dai-feng
(CollegeofElectricalEngineeringandInformation,NortheastPetroleumUniversity)

TQ547.8+1

1000-3932(2017)07-0633-05

2016-11-24,

2017-05-30)

(Continued on Page 655)

梁洪卫(1978-)，副教授，从事无线通信和油气信息处理的研究。