基于遗传算法优化BP神经网络的管道泄漏检测方法研究
2020-03-05燕宗伟李平郎宪明刘浩宇
燕宗伟 李平 郎宪明 刘浩宇
摘 要:针对管道泄漏检测准确率较低的问题,提出一种基于数据预处理的遗传算法(Genetic Algorithm,GA)优化BP神经网络的管道泄漏检测方法。该方法利用GA求解最佳的BP神经网络初始值,构建了BP神经网络的管道泄漏检测模型。数据经过预处理,并提取其特征,组成泄漏特征向量组样本,以样本作为BP神经网络的输入,泄漏工况类别作为BP神经网络的输出。通过Booth函数测试,与基于粒子群优化算法(Particle Swarm Optimization,PSO)优化的BP神经网络的泄漏检测准确率进行对比分析,该方法预测准确率高,实验验证表明,对管道泄漏工况识别误差在0.07%以内,有效提高了泄漏检测的准确率。
关 键 词:遗传算法;BP神经网络;粒子群算法;泄漏检测
中图分类号:TE973.6 文献标识码: A 文章编号: 1671-0460(2020)01-0216-06
Research on Pipeline Leakage Detection Method Based on
Genetic Algorithm Optimized BP Neural Network
YAN Zong-wei, LI Ping, LANG Xian-ming, LIU Hao-yu
(School of Information and Control Engineering, Liaoning Shihua University, Liaoning Fushun 113001, China)
Abstract: In order to solve low accuracy of leakage detection of pipeline, a pipeline leakage detection method based on Genetic Algorithm optimized BP neural network has been proposed. This method can use GA to solve the optimal weights and thresholds of BP neural network to construct BP neural network leak detection model. The leak pressure signal features is extracted to establish leak feature vector, and this vector is used as the input of BP neural network, and the leak recognition results are used as the output of BP network. Compared with BP neural network based on Particle Swarm Optimization (PSO) optimization, the prediction accuracy of the method is higher. The field experiment verification shows that the identification error of pipeline leak condition is less than 0.07%, which effectively improves the accuracy of leak detection.
Key words: Genetic algorithm; BP neural network; Particle swarm optimization; Leakage detection
我国是一个人均自然能源匮乏严重的国家,而石油和天然气能源应用牵扯到人们的日常生活的方方面面。到2017年底,我国在役的油气管道约为13.31 万km,而我国的管道已经建设了几十年了,与此同时最早建设的管道也进入了退役期[1]。随着退役期的油气管道老化、经年遭受周边环境的腐蚀以及其他因素的破坏等,易导致油气管道发生泄漏事故,历年来国内外发生的管道泄漏,都会伴随着社会资源和财产的损失以及对周边环境的破坏,甚至有些危及了人们的生命[2,3]。因此,提高油气管道泄漏检测效果的研究工作就显得尤为重要[4,5]。
很多学者对油气运输的泄漏检测做了大量的研究工作。王立坤等[6]采用小波分析的方法对采集的管道泄漏声波信号进行分解、重构,提取其特征值向量作为BP网络的输入,并建立一个双隐含层的改进BP网络模型,进行管道的泄漏工况识别,结果表明该方法提高了泄漏检测的准确率。ZHANG LB等[7],提出了一种改进的BP网络,即动量项和自适应学习速率梯度下降的方法,它克服了传统梯度下降算法的不足,避免了局部区域的收敛和收敛速度慢的问题,实验结果表明管道的泄漏检测时间节省了18.7%,识别精度提高了16%。Waleed D等[8]采用机器人进行管道内檢测,由管道机器人上的多个压力传感器传输管道不同位置上的压力信号,并通过对这些压力信号进行处理,建立BP神经网络模型对工况进行检测,有效提高了泄漏检测的效率。
本文建立了一种基于数据预处理后的GA优化BP神经网络的管道泄漏检测模型,用Booth函数测试了GA和PSO优化的两个BP神经网络结构。并通过对管道泄漏工况数据的检测,结果表明,数据经预处理后采用GA优化的BP神经网络的检测方法,使检测的结果误差更小且平稳,有效提高了检测的精确度。
1 BP神经网络模型
BP神经网络是一种现在应用最广泛的误差反向传播训练算法的人工智能网络[9-11],优势在于对任意的非线性关系都有良好的映射关系,一般三层BP网络模型的结构如图1所示。它是一种前馈型的神经网络,可以描述各种线性、非线性不确定的映射关系,其中,每个神经元都能学习和存储大量的这种映射关系,且不需知道这种未知映射关系的精确的数学方程。
设一个三层的BP神经网络(图1),为BP网络的输入节点,为隐含层节点,为输出节点。网络之间的传递权值为,(或),阈值为,,为隐含层的输出,为输出节点输出,神经元输出公式为:
(1)
当输出节点的真实值是时,则误差输出为:
(2)
其網络学习是一个由误差反馈的过程,更新修正后的权值为:
(3)
其中,为输出节点误差,为隐含层节点误差。
更新修正后阈值为:
(4)
2 GA优化BP神经网络
2.1 遗传算法基本原理
GA是一种基于生物进化论的寻最优解算法,模拟了自然生活中 “物竞天择,适者生存”的生存机制,主要包含基因繁殖、杂交和突变几种现象。GA的应用过程是,先把个体编码成一个实数串,再由适应度函数计算个体的生存概率。然后选出概率较大的个体,经交叉和变异重新组合产生“子代”,这个过程继承了“父代”的优秀基因,因此群体的主要特征得到了保留。在适应性程度上“子代”优于“父代”,因此“子代”的不断产生,就是逐步地逼近最优解。具体步骤如下:1、初始化群体;2、全部个体编码化;3、计算个体的适应度值;4、选择优秀个体;5、按交叉概率进行交叉;6、按变异概率进行变异;7、如果判定条件为是,停止计算,为否,则重复步骤3。
2.2 GA优化BP神经网络
GA是对BP网络参数初值进行优化,可提高优化后输出的正确识别率,与BP神经网络相比效果明显改善。GA作为一种针对全局的优化算法,根据网络训练的误差修正BP的参数值,最后输出具有全局最优解的预测值[12,13]。主要过程如下:
(1)初始化种群并编码
确定BP结构的节点总数,对种群个体实数编码,而每个个体都包括BP神经网络的所有参数。
(2)个体适应度
预测个体的适应度与误差的绝对值和有关,其个体适应度值记作:
(5)
其中: —预测输出的总数;
—网络的第个输出的真实值;
—第個输出的预测值;
—系数。
(3)选择
GA的选择与适应度值有关,其个体的选择为:
(6)
其中: —个体的适应度值;
—系数;
—种群大小。
(4)交叉
交叉就是指把两个原始个体的部分部位相互交换的方式生成一个新的个体,其交叉公式为:
(7)
(5)变异
在GA中通过引入变异产生新的个体,以提高种群的适应能力,其过程是对基因进行变异,公式如下:
(8)
其中: —基因的上界;
—基因的下界;
;
和 —[0,1]之间的任意数;
—此刻进化的次数;
—最大进化次数。变异概率一般取值范围为[0.001,0.1]。
2.3 GA优化BP神经网络测试分析
构建GA优化后的BP模型,选Booth函数对GA-BP和PSO-BP两种结构模型进行测试,测试输入数据,由input=round(rand(1 000,2)×6)函数随机产生,与输入,对应的Booth函数真实值作为输出,表示为。样本中由1 000组的三维向量组成,其中任意900组作为训练,100组作为测试,部分训练样本数据如表1,测试样本如表2。GA-BP和PSO-BP的预测结果分别如图2、图3所示,其误差如图4所示,虽然PSO优化的BP神经网络[14,15]输出准确率较高,但是本文采用的GA优化BP的方法预测准确率比前一种更好,其误差值和波动范围都是最小,收敛效果更好,准确率最高。
3 实验验证
3.1 实验环境与设备和数据的采集
通过对外实验现场的环形管道采集实验数据,采用National Instruments (NI)数据采集系统对管道正常工况和泄漏工况进行压力数据采集,环形管道设备如图5所示,管道全长2 800 m,管径50 mm。
主要使用NI数据采集系统对管道运行数据的采集涉及的设备有以下几种,包括NI机箱,型号:cDAQ-9184,16通道C系列电流输入模块的NI卡件,型号:NI-9028;罗斯蒙特(Rosemount)3051S压力变速器(精度:±0.025%,动态响应时间:100 ms)。用NI系统采集实验数据,采集频率为20 Hz,泄漏时间间隔为5 min,正常运行为2 min,泄漏时间为3 min,发生泄漏时孔径为8 mm。
数据样本分管道运行正常数据和管道运行泄漏数据,其中泄漏数据又分为四类(泄漏发生后以30s为间隔采四组泄漏工况数据,前三组包含有正常和泄漏的数据,第四组为完全泄露),对每种泄漏工况采150组,训练样本600组,检测样本150组,正常训练样本类别0序号为1~120,121~600分别为泄漏工况类别1、2、3、4,其中每种工况类别有120组。
3.2 数据预处理
由于管道发生泄漏是突发的,且管道内的压力不能突變,而使压力变送器传输的信号是有峰值和谷值连续数据,因此泄漏初期产生的压力波动,这将会影响其检测效果。故先对样本数据作消噪处理,然后再消除对样本影响大的数据的波峰、波谷和异常值等,降低因数据波动而造成检测精度的降低。样本数据消噪后的处理主要有两步,先对管道运行正常的样本数据和泄漏平稳时的工况数据求平均值,其公式为:
(9)
(10)
其中为每个样本的数据采样数,为正常样本中的数,为泄漏平稳样本中的数,取1,2,…,,为正常运行管道的样本总数,,分别为正常运行数据样本和泄漏平稳数据样本的平均值。其次,给定影响因子(),取值由泄漏孔徑大小和管道内部压力综合确定的,判断每组样本中的数据是与样本的影响因数的关系,影响因数公式为:
(11)
如果,则保留原数据;否则,取替换原来样本个体的第个数的值。
3.3 泄漏检测分析
对经过预处理前后的管道首末端的压力数据进行特征提取[16]组成两类样本向量组,即数据预处理前的特征向量组样本和预处理后的特征向量组样本,然后分别将这些向量组作为GA优化BP神经网络的输入,工况类别作为为输出;并把泄漏数据预处理后的特征向量组样本作为PSO优化BP神经网络的输入,工况类别为输出。其部分训练样本数据的特征值如表3。
检测样本数据的特征值如表4,其中T1、T5为样本数据的平均值,T2、T6为样本数据的方差,T3、T7为样本数据的能量,T4、T8样本数据的均方根,T1-T4为首端特征值,T5-T8为末端特征。三种泄漏检测方法的输出工况类别的误差平均值如表5,管道泄漏检测的效果如图6-9所示。
通过对泄漏工况数据的检测验证,由表5知数据预处理前GA优化BP检测的绝对误差平均值为0.052 4;数据预处理后PSO优化BP和GA优化BP检测的绝对误差平均值分别为0.002 3,0.000 7。
且经数据预处理后GA优化的BP神经网络检测与数据预处理前GA优化的BP神经网络检测相比绝对平均误差降低了5.17%,该方法与数据经预处理前的GA优化的BP神经网络检测相比,证明了数据经预处理后对管道泄漏检测的效果更好;与PSO优化BP神经网络检测相比,绝对平均误差降低了0.16%。
结果表明了GA优化BP神经网络比PSO优化BP神經网络的检测效果好,使准确率提高到99.93%。故采用数据预处理后的GA优化BP神经网络对管道泄漏进行检测,能够更准确地识别泄漏工况类别。
4 结论
由于GA具有全局搜索的特性,因此可以寻找全局最优值以弥补BP神经网络的局限性,故能较好地学习训练数据的非线性特征。本文建立了一种基于数据预处理的GA优化BP神经网络的管道泄漏检测模型,经Booth函数测试,GA优化的BP神经网络模型的输出准确率比PSO优化的BP神经网络模型效果更好。通过对泄漏工况数据的检测验证,结果表明,泄漏样本数据经预处理后,采用GA优化BP神经网络的模型对管道进行泄漏检测,使得泄漏检测的误差更小且平稳,有效提高了泄漏检测的准确率。
参考文献:
[1]高鹏, 高振宇, 杜东, 等. 2017年中国油气管道行业发展及展望[J]. 国际石油经济, 2018, 26(3):21-27.
[2]何悟忠,郭庆茹,宫明. 东北输油管网泄漏事故分析[J]. 油气储运, 2001, 20(12):37-39.
[3]房剑萍.国内外油气管道事故案例分析[J].石油和化工设备,2016,19(9):90-93.
[4]杨志国.大庆市区天然气管道泄露后果模拟及防火安全对策[J].当代化工,2014,43(6):1109-1111.
[5]潘江.天然气输气管道泄漏事故风险分析[J].化工管理,2018(14):137-138.
[6]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,2006,27(6):2247-2249.
[7]ZHANG LB,YE YC,LIANG W, et al. A Novel BP Algorithm for Pipeline Condition Recognition[C].2009 WRI World Congress on Computer Science and Information Engineering (CSIE 2009). Beijing, 2009:2445 - 2449.
[8]WaleedD, et al. An In-Pipe Leak Detection Robot With a Neural- Network-Based Leak Verification System[J]. IEEE Sensors Journal, 2019, 19(3):1153-1165.
[9]王幸运,贾瑛,许国根,等.人工神经网络-遗传算法优化化学镀四元合金工艺[J]. 当代化工, 2013, 42(1):73-75+124.
[10]陈戈珩, 程青青. 基于人工神经网络的字母识别[J]. 长春工业大学学报, 2019, 40(1):31-37.
[11]顾敏,朱越平,郑堉鑫,等.BP神经网络在炼油污水回用于循环水系统中腐蚀率的预测[J].当代化工,2014,43(11):2358-2361+2365.
[12]Ding S, Su C. Application of optimizing BP neural networks algorithm based on Genetic Algorithm[C].Proceedings of the 29th Chinese Control Conference, Beijing, 2010:2425-2428.
[13]刘亚丽,李英娜,李川.基于遗传算法优化BP神经网络的线损计算研究[J].计算机应用与软件,2019,36(3):72-75.
[14]王雷.PSO算法优化BP神经网络[J].科学技术创新,2018(34):38-39.
[15]吴易泽,张旭,江明阳,等.粒子群优化BP神经网络的曲线光顺算法[J].化工自动化及仪表,2018,45(12):939-942+954.
[16]焦敬品, 李勇强, 吴斌, 等. 基于BP神经网络的管道泄漏声信号识别方法研究[J]. 仪器仪表学报, 2016, 37(11):2588-2596.