基于优化BP网络的液体管道工况识别方法研究

李传宪，刘定宏，李剑，朱浩然，路太辉，何伟光



基于优化BP网络的液体管道工况识别方法研究

李传宪1，刘定宏1，李剑2，朱浩然1，路太辉3，何伟光3

（1. 中国石油大学（华东） 油气储运安全省级重点实验室, 山东 青岛 266580； 2. 中油国际管道公司 中缅管道项目公司, 北京 100007； 3. 中石油北京天然气管道有限公司, 北京 100007）

利用环道实验装置模拟实际管道的不同工况，应用小波分析对原始信号降噪，并利用基于核的主成分分析方法（KPCA）提取处理后泄漏信号的时频域特征值，得到神经网络最终输入向量。由于传统BP神经网络在进行工况识别时容易陷入局部极小值，因此利用遗传算法（GA）和粒子群算法（PSO）对BP神经网络进行优化。结果表明，两种优化后的神经网络相较传统BP神经网络具有更强的识别泄漏工况能力。最后从测试准确度和训练时间两个方面，对两种不同优化算法进行对比并提出其不同的适用情况。

BP神经网络；工况识别；KPCA；遗传算法；粒子群算法

在目前已知的国内外输油管道工况识别方法中，负压波法应用最为广泛[1]。但是，实际管道中的负压波信号常常受到噪声干扰[2]，小波分析对输油过程中产生的非线性信号有较好的去噪效果[3]，因此被工业实际广泛应用。另一方面，实际管道调节频繁导致工况多样复杂，往往截然不同的工况却产生相似信号，大大增加了识别的难度，更容易造成漏报和误报[4]。因此，在研究管道压力波信号过程中，信号特征的准确提取和相关工况识别都是减少漏报、误报率的关键。

针对以上问题，首先用自行设计的液体环道装置模拟了5种不同工况，利用小波分析对收集到的原始信号进行去噪，并计算其时频域特征值，再利用基于核的主成分分析法（KPCA）对其降维，获得输入特征值；最后在传统BP神经网络基础上，利用遗传算法和粒子群算法对其进行优化，构建优化初始权值的神经网络进行工况识别，提高了工况识别精度，并比较两种不同优化算法的适用情况。

1 环道实验

根据现有实验室条件设计了总长370 m，内径25 mm的环道实验装置，如图1所示。环道实验装置主要由环道系统、压力流量测量系统、电控及数据采集系统组成。

1空气压缩机； 2稳压气罐A； 3稳压气罐B； 4液罐； 5离心泵； 6敞口液箱；F1⁃F6球阀； P1⁃P8压力传感器； Q1⁃Q2电磁流量计； X1⁃X3泄漏点

整个环道装置流程：空气经压缩机加压后进入稳压气罐A，用来缓冲出口的压力脉动，再进入第二个稳压气罐B，经自力式调节阀进一步控制储液罐上方空间气体压力。液体在气体压力和重力作用下沿环道流至液箱，液箱中的液体经离心泵加压送回储液罐，实现循环利用。压力和流量传感器将采集到的信号通过数据采集卡统一记录、存储在计算机中。

本装置将压缩机和稳压气罐相结合的方式为流体提供动力，克服了小口径、长距离室内环道沿程摩阻损失大等问题。分别对管道5种常见工况识别进行实验，包括管道启输、截断阀关闭、截断阀开启、泄漏、管道停输工况，每种工况进行10次实验，并记录每次试验压力波信号数据。

2 小波去噪和信号特征提取

2.1 小波去噪

实验采集到的信号通常包含大量的噪声，信号中有用信息受到噪声的干扰，甚至被其淹没。因此，泄漏检测的第一步就是要对原始信号进行去噪。管道压力信号通常包含突变或尖峰，传统时域或Fourior频域分析方法有很多不足，但小波分析却能同时在时频域内进行，从而有效地将噪声与信号区分开来[5]。所以，采用小波分析对实验采集到的信号进行去噪。

利用小型环道装置对5种不同工况进行实验，为了尽可能保留不同工况的时频域信息，每种工况设置采样频率为1 000 Hz，每组设置15 000个采样点。图2为每种工况的原始信号和经小波去噪后的信号（sym4小波，6层分解后重构）。

注：左侧为原信号，右侧为小波去噪信号

经去噪后的单个压力信号仍具有15 000个采样点，若将其直接作为神经网络的输入向量，不仅大大增加其训练难度，更将有用的信号段淹没。因此，从时域、频域两个方面出发计算信号的特征值。

2.2 计算时频域特征值

时域分析是以时间为变量表示信号的变化趋势，能够形象地表示出信号整体的稳定性和瞬态特性。常用的时域特征参数有最大值、峰峰值、均值、方差、均方根、方根幅值等[6]。分别对50组信号进行6个时域特征值提取，计算结果见表1。

表1　多工况信号的时域特征值提取

常用的频域特征参数有功率谱均值、重心频率、均方根频率、频率标准差等[7]。分别对50组信号进行4个频域特征值提取，计算结果见表2。

表2　多工况信号的频域特征值提取

2.3 基于KPCA方法的信号特征值提取

时频域特征共10个，若将其作为神经网络输入向量过于冗长。通常利用主成分分析法（PCA）提取原始数据中的主元，降低信息冗余。核的主成分分析（KPCA）是通过非线性映射将原始样本转换到高维的线性可分空间中，引入满足Mercer条件的核函数代替内积运算，使得KPCA相较PCA具有更好的识别性能，并且KPCA的计算复杂度不因变换空间的维数增大而增大[8⁃9]。

首先在高维特征空间中把数据投影到由确定的平面上：

表3　常用的核函数形式

将表1和表2中计算到的信号时频特征值作为输入空间数据，利用KPCA方法提取特征值，通过BP神经网络分类器对每种工况的5组样本进行训练，剩下5组进行识别测试，设定误差门限为0.2以提高训练的鲁棒性，为消除BP训练中的随机因素，每组测试求5次平均值。KPCA选择不同核函数及核参数对应的识别结果如表4所示。

表4　不同核函数对应的识别结果比较

由表4可以看出，核函数在较大范围变化时，相较其他两种，高斯径向基核函数的识别精度更高，为了进一步说明KPCA的优势，从识别准确率和训练时间两方面，将无特征提取、PCA方法和选用GRBF作为核函数的KPCA方法进行比较，结果如表5所示。

表5　3种方法的识别结果比较

由表5可以看出，无特征提取无论对识别效果还是训练时间都有很大的改善，而KPCA相较PCA大大提高了识别精度，综上所述，采用径向基核函数（RBF），利用Matlab编写程序，分别在时域和频域两个空间进行分析。时、频域相应的主成分贡献率见表6。

3 模型建立及算法步骤

由于BP神经网络具有良好的学习和自适应能力、非线性映射能力、泛化和容错能力，是目前应用最为广泛的人工神经网络[10]。其结构通常由输入层、隐层和输出层组成，每一层中有不同节数神经元，每层每节神经元的输出作为下一层的输入。在训练过程中信号前向传播，误差后向传播，不断修正网络的阈值和权值，当误差达到最小时整个网络训练完成。

表6　KPCA贡献率系数分析结果

3.1 BP神经网络结构设计

根据Cybenko的证明，若有足够多的神经元节点，隐层可以逼近任意函数，因此选择单隐层的网络结构[11]。输入层向量应满足两点：一是对输出影响明显，二是变量间相关性较弱，因此选择降维后的特征向量2作为输入向量。根据Kolomogorow的（2+1）定律，单隐层的神经元数目为7个。BP神经网络拓扑结构见图3。

图3　BP神经网络拓扑结构

3.2 改进BP神经网络

BP神经网络的正确性依赖于初始权值和阈值，不佳的权重初始化网格可能收敛于不佳的局部极值，导致网络训练失败[12]。进化算法中的遗传算法和粒子群算法具有良好的全局寻优能力，若将其与BP神经网络相结合，能够大大提高网络性能，很大程度上避免网络训练陷入局部空间。

3.2.1遗传算法优化BP神经网络 1975年，遗传算法（GA）正式提出，通过模仿自然界优胜劣汰的进化规则寻找最优解。整个遗传算法中生物体称为个体，对环境的适应度称为适应值。一定数量的个体组成一个群体，在一代中对所有个体进行选择、交叉和变异，产生新一代群体[13]。种群中的每个个体都包含了BP神经网络所有的权值和阈值[14]。具体算法流程见图4。

图4　遗传算法优化BP神经网络算法流程

Fig 4The algorithm flow of BP neural network optimized by genetic algorithm

图5　粒子群算法优化BP神经网络算法流程

每个粒子的速度和位置更新公式如下：

式中，表示惯性权重，1和2表示学习因子，为避免搜索陷入局部极值，改善算法的寻优性能。对传统PSO算法中固定惯性权重和学习因子进行改进：

(2)改进惯性权重。采用自适应惯性权重进行改进，改进方法如下：

4 结果及分析

根据前面分析，将降维后的3个特征值作为神经网络的3个输入参数，输出层为5个神经元节点。分别对BP神经网络、GA⁃BP算法和PSO⁃BP算法进行训练（其中，遗传优化和粒子群优化算法种群数均为20），并利用测试集进行检验。表7是3种网络实际输出和理想输出值的具体误差比较。

表7　3种神经网络测试集误差值对比

由于实际输出结果与理想值之间必然有差异存在，并且考虑到测试集空间较小，设定误差门限为0.2，表8表示3种网络的测试准确率和训练时间。

表8　3种神经网络测试结果和训练时间

从表8容易看出，在相同的种群数目下（种群数目为20），PSO⁃BP算法的测试准确性最高，最大误差未超过0.1，并且训练时间比GA⁃BP略少。通过增加种群数目观察测试集误差变化，图6表示不同种群数目下GA⁃BP和PSO⁃BP的测试集误差，图7表示不同种群数目下GA⁃BP和PSO⁃BP的测试训练时间。

图6　不同种群数目下GA⁃BP和PSO⁃BP的测试误差

Fig 6Error comparison of GA⁃BP and PSO⁃BP algorithm under different population numbers

图7　GA⁃BP和PSO⁃BP在不同种群数下训练时间

Fig 7Training time comparison of GA⁃BP and PSO⁃BP algorithm under different population numbers

从图6可以看出，随着种群数目增加，GA⁃BP和PSO⁃BP算法的测试集误差均逐渐下降，但是GA⁃BP算法的误差下降更为显著。当种群数目为20时，PSO⁃BP算法准确度更高，但是当种群数目增加到30时，两种算法准确度相近，当种群数目上升至40时，GA⁃BP算法准确度高于PSO⁃BP算法，其测试集误差不超过0.02，并且相较于相同种群数目下的PSO⁃BP算法，GA⁃BP算法具有更好的误差收敛性。

从图7可以看出，GA⁃BP算法的训练时间随着种群数目增加呈指数增加，相比之下，PSO⁃BP算法在高种群数目下训练时长增长缓慢。

5 结论

（1）相较传统PCA方法，KPCA通过非线性映射保留更多有用信息，在提高识别精度的同时，大大降低模型计算量。

（2）分别改进遗传算法和粒子群算法，并建立相应的优化BP神经网络模型，保持两种模型的种群数目和迭代次数一致，在相同实验数据的基础上，将传统BP网络的识别精度从70%分别提高到90%和100%。

（3）在群数目低于30时，PSO⁃BP神经网络算法识别精度较高，且训练时间低于10 s，可以用于在线泄漏检测，判断反映时间较快；但当种群数目高于30时，GA⁃BP神经网络精度更高，且误差具有较好收敛性但牺牲训练时间，可用于管道工况的历史数据挖掘，保持较高精度。

[1] 佟倡,王卫强,陈博宇. 长输油气管道泄漏检测方法概述及实用性分析[J]. 辽宁石油化工大学学报，2018,38（3）：57⁃61.

Tong C, Wang W Q, Chen B Y. Method and practical analysis of oil and gas long distance pipeline leak detection [J]. Journal of Liaoning Shihua University，2018,38（3）：57⁃61.

[2] 丁冬,杨成禹. 基于遗传算法优化的神经网络在长输管道泄漏检测系统中的应用[J]. 长春理工大学学报(自然科学版),2015,38(6):136⁃139.

Ding D, Yang C Y. Research on the system of pipeline leak location based on RBF network [J]. Journal of Changchun University of Science and Technology (Natural Science Edition), 2015, 38 (6): 136⁃139.

[3] 龚骏,税爱社,包建明，等. 多工况下基于RBF神经网络的管道泄漏检测[J]. 油气储运,2015,34(7):759⁃763.

Gong J, Shui A S, Bao J M,et al. Pipeline leak detection method based on RBF neural network under different working conditions [J]. Oil & Gas Storage and Transportation, 2015, 34 (7): 759⁃763.

[4] 唐秀家. 管道系统泄漏检测神经网络与模式识别方法[J]. 核科学与工程,1998(3):33⁃40.

Tang X J. Fluid pipeline system leak detection based on neural network and pattern recognition [J]. Chinese Journal of Nuclear Science and Engineering, 1998 (3): 33⁃40.

[5] 杨宗凯. 小波去噪及其在信号检测中的应用[J]. 华中理工大学学报,1997(2):2⁃5.

Yang Z K. Noise elimination by wavelet and its application to signal detection [J]. Journal of Huazhong University of Science and Technology, 1997 (2): 2⁃5.

[6] 康朝海. 基于小波分析的输油管道泄漏检测方法研究[D].大庆：大庆石油学院,2005.

[7] 刘红星,林京,屈梁生,等. 信号时域平均处理中的若干问题探讨[J]. 振动工程学报,1997(4):54⁃58.

Liu H X, Lin J, Qu L S,et al. Discussion on signal averaging in time domain [J]. Journal of Vibration Engineering, 1997 (4): 54⁃58.

[8] 高绪伟. 核PCA特征提取方法及其应用研究[D].南京：南京航空航天大学,2009.

[9] 杜卓明,屠宏,耿国华. KPCA方法过程研究与应用[J]. 计算机工程与应用,2010,46(7):8⁃10.

Du Z M, Tu H, Geng G H. KPCA method research and application process [J]. Computer Engineering and Applications, 2010, 46(7): 8⁃10.

[10] 王立坤,赵晋云,付松广,等. 基于神经网络的管道泄漏声波信号特征识别[J]. 仪器仪表学报,2006(S3):2247⁃2249.

Wang L K, Zhao J Y, Fu S G, et al. Recognizing characteristics of pipeline leakage acoustic signals based on neural network [J]. Chinese Journal of Scientific Instrument, 2006(S3): 2247⁃2249.

[11] 唐秀家,颜大椿. 基于神经网络的管道泄漏检测方法及仪器[J]. 北京大学学报(自然科学版),1997(3):49⁃57.

Tang X J, Yan D C. Pipeline leak detection method and instrument based on neural networks [J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 1997 (3):49⁃57.

[12] 刘永红. 神经网络理论的发展与前沿问题[J]. 信息与控制,1999,28(1):31⁃46.

Liu Y H. The development and forward problems of neural network theory [J].Information and Control, 1999，28(1):31⁃46.

[13] 沈艳,郭兵,古天祥. 粒子群优化算法及其与遗传算法的比较[J]. 电子科技大学学报,2005,34(5):696⁃699.

Shen Y, Guo B, Gu T X. Particle swarm optimization algorithm and comparison with genetic algorithm [J]. Journal of University of Electronic Science and Technology of China, 2005, 34(5):696⁃699.

[14] 马强,马少华,毛宗磊. 利用遗传算法优化BP神经网络[J]. 科技广场,2008(12):196⁃197.

Ma Q, Ma S H, Mao Z L. Using genetic algorithm to optimize BP neural network [J]. Science Mosaic, 2008(12):196⁃197.

[15] 谭乐平,文军. 粒子群算法优化BP神经网络[J]. 湖北民族学院学报(自然科学版),2012,30(3): 254⁃255.

Tan L P, Wen J. Optimization of BP neural network with particle swarm algorithm [J]. Journal of Hubei University for Nationalities (Natural Science Edition), 2012, 30(3): 254⁃255.

[16] 张丽平. 粒子群优化算法的理论及实践[D].浙江大学,2005.

[17] 崔畅. 改进的QPSO算法在FIR滤波器设计中的应用[J]. 辽宁石油化工大学学报, 2014, 34(6):67⁃70.

Cui C. The application of improved QPSO algorithm in FIR filters design[J]. Journal of Liaoning Shihua University, 2014,34(6):67⁃70.

[18] 王杨. 基于混沌粒子群和模糊聚类的图像分割算法研究[J]. 辽宁石油化工大学学报, 2016, 36(3): 67⁃70.

Wang Y.Research of image segmentation algorithm based on chaos particle swarm and fuzzy clustering[J]. Journal of Liaoning Shihua University, 2016, 36(3): 67⁃70.

（编辑 王亚新）

Condition Recognition of Liquid Pipeline Based on Optimized BP Artificial Neural Network

Li Chuanxian1， Liu Dinghong1， Li Jian2， Zhu Haoran1， Lu Taihui3， He Weiguang3

(；；）

The loop pipe apparatus are used to simulate the different conditions of the actual pipeline and denoise the original signal by the wavelet method. Kernel⁃based Principal Component Analysis (KPCA) is used to extract the time⁃frequency domain eigenvalues of the leaked signals, and the final input vector of the neural network is obtained. Because the traditional BP neural network is easy to fall into local minimum when it is used to identify working conditions, the BP neural network is optimized by genetic algorithm (GA) and particle swarm optimization (PSO). Compared with the traditional BP neural network,the result show that the two optimized BP neural networks have stronger ability to identify leakage working conditions. Finally, from the two aspects of test accuracy and training time, two different optimization algorithms are compared and their different application situations are proposed.

BP neural network； Condition recognition； KPCA； Genetic algorithm； Particle swarm optimization (PSO) algorithm

TQ832

A

10.3969/j.issn.1006⁃396X.2018.06.012

2017⁃12⁃22

2018⁃01⁃18

国家自然科学基金资助（51774311）；山东省自然科学基金资助（ZR2017MEE022）。

李传宪（1963⁃），男，博士，教授，博士生导师，从事长距离管道输送技术方面研究；E⁃mail：lchxain@upc.edu.cn。

1006396X（ 2018）06007309

http://journal.lnpu.edu.cn