基于神经网络的煤气泄漏多传感器融合检测研究

李 硕，单光坤，孙 凤，边 防，侯 宝，郑仁成

(1.沈阳工业大学 机械工程学院，辽宁 沈阳 110870;2.北京京桥热电有限责任公司，北京 100067;3.天津大学 机构理论与装备设计教育部重点实验室，天津 300072)

0 引言

在燃气管道输送领域，如油气开采管道、油气炼化输送管道与地下管廊燃气仓等，应用传感器监测管道泄漏是最直接、最有效的办法。通常，单独使用一种传感器，检测能力有限，难免会遗漏关键信息。应用多传感器信息融合(Multi-Sensor Information Fusion，MSIF)技术，能够实现多传感器检测数据的互补，从而使泄漏的监测更加可靠。

针对危险环境下的多传感器融合检测，国外众多学者都展开了相关研究。Aalsalem M Y等最初使用有线连接监测系统对管道进行泄漏的监测，然而由于数据传输线路铺设距离长，以至于容易被车辆、移动机械与振动拉伸等外界因素损坏[1]。针对管道有线监测系统的缺陷，Sheltami T R等应用无线传感器网络(Wireless Sensor Networks，WSN)监测系统对油气传输管道节点进行数据采集，但由于算法的局限性导致大量信息无法完整有效的共同融合[2]。Kim J H等提出了基于多传感器的管道自主监测维护系统，实现对管道的损坏、泄漏与腐蚀情况的实时监测与及时维护，其不足之处在于移动检测传感器需要操作者定时的自主控制[3]。Oagaro J A等提出基于人工神经网络(Artificial Neural Network，ANN)的几何转换算法进行气体传输管道的多传感器共同检测[4]。

国内学者也展开了丰富的研究，在天然气管道泄漏检测方面，陈斌提出基于小波变换的管道泄漏声源多节点重复定位方法，通过消除噪声干扰，实现了管道泄漏点坐标的定位[5]。在火灾检测方面，李小亚提出使用烟雾感知传感器、温度感知传感器、CO成分感知传感器与红外探测传感器来检测火灾现场的烟雾浓度、环境温度，并基于反向传播(Back Propagation，BP)神经网络模型，对火灾探测结果中明火、阴燃火与无火的概率做出判断[6]。孔凡天等对火灾监测系统进行了融合算法改进，从而提高了火灾情况检测的准确性与快速性[7-10]。

在瓦斯检测方面，武汉理工大学马国胜提出多传感器数据融合的瓦斯监控系统，基于证据推理(Dempster-Shafer，D-S)方法，对瓦斯爆炸概率、瓦斯燃烧概率、瓦斯窒息概率与瓦斯突出概率进行全局决策，然而其局限性在于，需结合领域专家的经验对瓦斯灾害类别进行判断[11]。

综上分析，对于多传感器融合的煤气管道泄漏检测，其在检测方法的灵活性上需要进一步完善。本文提出使用光学传感器、电化学传感器与声学传感器的协作检测，并基于神经网络的数据融合模型，实现对煤气管道泄漏概率预测。

1 煤气泄漏声信号分析

煤气发生泄漏时，通过引起周围空气中分子的振动，从而以模拟信号的形式传播。故可应用声学传感器采集煤气泄漏信号，经模数转换后将模拟信号转化为数字信号，并以电压形式输出。

通常，煤气管道泄漏声音与管道内压力、泄漏孔径大小有关。管道压力一定时，泄漏孔径越小则声音更尖锐，此时的声音类似“嘶嘶”声；泄漏孔径一定时，管道压力越小则声音更平缓，此时的声音类似“轰轰”声。对两类信号进行时域分析，并对时域信号进行快速傅里叶变换(Fast Fourier Transform，FFT)，得到两类信号的时域图像及频域图像，如图1、图2所示。

通常，仅由时域图像难以对煤气泄漏信号类型进行直接判断。由频域图像，首先可通过其形状进行直观区分，其次，根据频域图像，“嘶嘶”类信号在频率为4 500 Hz处出现明显峰值，“轰轰”类信号在频率为2 000 Hz处出现明显峰值，可将此作为区分信号的另外依据。

图1 “嘶嘶”类信号时域及频域图像

图2 “轰轰”类信号时域及频域图像

2 基于神经网络的煤气泄漏融合模型

2.1 BP神经网络模型原理

建立煤气泄漏多传感器融合检测的BP神经网络模型，如图3所示。

图3 BP神经网络模型

基于此模型，对于多传感器煤气泄漏概率预测，需要在特征层上对各传感器检测指标进行融合计算。因此，可令I1～In分别为光学传感器检测指标、声学传感器检测指标与电化学传感器检测指标。对于网络模型，Wij与Wlm均表示神经元之间的连接权重，ft(atn)为隐含层由激活函数计算得到的神经元输出值，atn为隐含层神经元线性输出，O1与O2为网络模型整体输出，网络模型输出值由正向传播而计算得出。

首先，计算隐含层神经元的线性输出，如式(1)所示：

(1)

其中：btn为隐含层各神经元偏置。

然后，计算线性函数经激活函数后的输出值，其中激活函数以Sigmoid函数为例，如式(2)：

(2)

设yn为经激活函数后的输出值，如式(3)：

yn=ft(atn).

(3)

由此，On为输出层经激活函数后的输出，如式(4)：

k=1,2,…，n.

(4)

其中：bun为输出层各神经元偏置；aun为输出层各神经元的线性输出；fu(aun)为输出层线性输出值代入激活函数后得到的神经元输出值。

2.2 网络模型层数选取

神经网络节点数即神经元数。对于本文模型，将“煤气泄漏概率”这一指标作为网络输出。因此，输入层应该选取三个神经元，分别对应光学、声学和电化学传感器数据指标；输出层应该选取一个神经元，即对应“煤气泄漏概率”。

对于隐含层，其节点数的选取规则为：

(5)

其中：nil与nol分别为输入层、输出层节点数；a为常数。对于常数a的值，需根据实际情况进行灵活取值。

3 仿真实验

3.1 浓度检测实验

对于煤气泄漏检测神经网络模型，其目的在于实现各传感器检测数据的互补。因此，分别在光学传感器检测受限、声学传感器检测受限与电化学传感器检测受限3种情况下，根据甲烷气体爆炸极限与平均浓度值对照表，选取各传感器数据，作为神经网络模型输入样本。其中，光学传感器输入指标为甲烷气体平均浓度，电化学传感器输入指标为气体浓度占爆炸极限百分比，声学传感器输入指标为煤气泄漏信号主频率所对应的功率谱密度。

模拟管道泄漏时光学传感器的检测方式，其中，首先模拟在声学传感器检测受限条件下，甲烷浓度的检测实验。如图4所示，将气袋中分别充入1%、5%与100%浓度的甲烷气体，并固定于桌角位置。光学传感器通过自身遥测功能，不断获取外界浓度信息。

由此得到各传感器检测数据样本，如表1所示。

3.2 仿真结果

同样，进行其他两类传感器检测受限情况下的检测实验，并将30组传感器数据样本作为神经网络输入，应用MATLAB进行BP神经网络模型的仿真。其中，训练函数选用贝叶斯正则化算法函数，性能训练曲线仿真结果如图5所示。系统均方根误差随迭代次数的增加而逐渐减小，直至迭代86次时，误差达到最小值为0.002 300 9。

在进行训练之前，系统自动将所有样本按比例分为训练样本、最佳样本与测试样本，本次训练中三种样本分别占总样本的70%、15%与15%。

图4 光学传感器甲烷浓度检测实验

表1 各传感器检测受限条件下数据样本

图5 性能训练曲线

3.3 模型测试

基于训练好的网络模型，对3类传感器各自受限情况下检测数据进行随机采集，作为网络模型输入样本，并进行煤气泄漏概率预测，结果如图6所示。由图6可以看出，神经网络实际输出与期望输出曲线变化趋势一致。因此可知，本文搭建的煤气泄漏检测神经网络模型可以对煤气管道泄漏概率进行预测。

图6 煤气泄漏网络模型测试结果

本文针对煤气泄漏的多传感器融合检测，建立了基于BP神经网络的煤气泄漏多传感器融合检测模型。

首先，对不同管道压力与泄漏孔径下两类煤气泄漏声信号进行时域及频域分析；然后，建立基于神经网络的煤气泄漏多传感器融合检测模型；最后，得到3类传感器各自检测受限条件下的数据检测样本，应用MATLAB进行网络性能训练仿真，并使用训练后的网络模型进行煤气泄漏概率预测。结果表明：根据该模型得到的煤气泄漏预测概率与实际情况基本一致，证明该模型具有良好的稳定性。