基于人工神经网络多算法融合的集群化管道泄漏监测系统研究

2023-04-29吴庆涛孙明王景民

信息系统工程 2023年3期

吴庆涛　孙明　王景民

摘要：管道运输作为第五大运输方式，以它的安全性、经济性在运输石油中有着不可或缺的地位。但是，目前在管道的监测和监测上，特别是一些小泄漏和渗漏的情况很难被监测出来。主要研究的是基于人工神经网络的管道泄漏的监测方法，利用现有的管道监测设备，结合计算机的识别技术，对石油气等运输管道的泄漏状况进行准确的监测。这种管道泄漏监测方法能够有效减少能源的浪费降低企业的经济损失。

关键词：泄漏监测；人工神经网络；集群化管道；研究

一、现有的管道泄漏监测技术

（一）基于声发射技术的管道泄漏监测技术

声发射技术主要是根据管道的材料或是构件在运行状况下，产生变形和裂纹时，管道内会以弹性波的形式释放出应变能。然后利用接受声发射信号的装置，对材料进行无损检测的技术就是声发射技术。这种管道监测技术能够对正在运行的输油管道进行实时的监控，实现管道泄漏监测系统的时效性和连续性。同时无须拆卸管道就能测定。但是对于流量较大的管道，由于流体的流速较大与管道的撞击形成的噪声也较大，对声发射技术有很大的干扰，影响该技术判断的准确性。因此基于声发射技术的管道泄漏监测技术在应用中还不够完善，无法避免环境以及工况对结果的影响。

（二）基于电缆传感器的管道泄漏监测技术

伴随着管道的敷设进行安装电缆传感器的管道泄漏监测技术，对外界的地理环境和周围的自然环境适应能力比较强。主要利用管道泄漏后油气物质触发电缆传感器，从而对泄露位置进行反馈。但电缆上的传感器由于长期暴露，对外界的环境要求比较高，要求电缆传感器的配套设施配备齐全，不然会大大降低传感器的使用寿命。

（三）基于光纤传感器的管道泄漏监测技术

光纤传感器在管道泄漏监测中的应用，即可以在定点位置进行监测，也可随机分布在管道上，测量一定范围内的管道周边的物质的特性。

（四）基于土壤蒸汽监测的管道泄漏监测技术

蒸汽监测系统主要利用特殊的仪器仪表来监测输油管道周围土壤中蒸汽相的碳氢物质的浓度，进而确定管道是否发生泄漏并对管道泄漏位置进行定位，同时根据蒸汽相碳氢浓度来断定管道泄漏量的大小。这种管道监测技术主要应用于埋于地下的输油管道，这样周围环境对监测结果的干扰性较小，监测结果有很高的准确性。但是对于长输管道，利用土壤的蒸汽监测系统，需要沿管道预埋很多个探头追踪土壤环境的变化，这样的测定需要消耗大量的费用，人力和物力的投资成本比较高，工作负荷较大。

（五）基于超声波流量的管道泄漏监测技术

超声波流量监测技术顾名思义就是利用超声波技术来监测管道的泄漏状况，这和声发射技术的工作原理比较相似，都是应用在管道外部，无须拆解管道的技术方式。超声波流量监测系统在城市化运行上已经得到了一定程度的应用，在城市的供水管道上的监测工作取得了很好的成效。不仅如此，便携式的超声波监测设备也应用到输油管道的现场巡检的工作当中，在一定范围内，工作人员通过便携式的超声波监测设备能够很好地对管道运行状况进行监督，准确地找到泄漏的位置，大大提高了现场工作的效率。

（六）基于仿真模拟的管道泄漏监测技术

该监测系统主要是利用输油管道内的压力温度、流速和流量等可测量的数据参数，呈现的变化趋势来进行仿真模拟，实际输油管道内的流体的运动状态，判断管道是否发生泄漏、已经泄漏的量，并对泄漏的位置进行准确的定位。这就需要在管道内的运行参数测量是非常准确的，这些测量数据需要靠人工定期去检验设备的运行和校核，保证数据输入仿真模型的准确性，才能保证模拟的泄漏监测结果准确性。这仿真模拟系统与数据采集和传输系统相互配合，需要硬件和软件技术的准确性和实时更新，相互匹配。但是由于仿真模拟的模型是比较固定的，对于突发的状况无法预测，不能准确进行有效的识别，或外界环境的变化对检测结果也产生很大影响的，可能会造成事故的延期抢救造成严重的能源浪费和环境污染，甚至会造成严重的伤亡事故。

二、基于人工神经网络多算法融合的集群化管道泄漏监测系统的介绍

（一）基于人工神经网络多算法的管道泄漏监测系统的原理

如图1所示，该基于人工神经网络的管道泄漏的监测方法分为两个阶段。第一阶段为通过通信硬件构成的通信模块采集得到现场流量计中的数据F1，并经过滤波等数据处理，送入神经元网络训练模块F2。神经元网络训练模块F2根据数据进行离线训练，得到结果，送入神经元网络诊断模块F3。第二阶段，现场人工设置泄漏，现场数据经过通信模块F1进入神经元网络诊断模块F3，神经元网络诊断模块F3根据神经元网络训练模块F2训练得到的结果，对现场数据进行在线诊断。同时，通信模块F2将数据送入显示模块F4，显示模块可以对现场数据进行趋势显示。如果诊断模块F3诊断到有管道泄漏发生，那么也将把结果送入显示模块F4，显示模块F4根据诊断结果进行报警显示。

（二）基于人工神经网络多算法的管道泄漏监测系统的技术介绍

基于人工神经网络多算法的管道泄漏监测系统可应用的神经网络学习方法为RBF神经网络学习方法本案采用的神经网络为径向基函数网络（简称RBF网络），本文采用的RBF网络结构是一种三层前向的网络。第一层输入层有信号源结点组成，第二层为隐含层，第三层为输出层。它对输入模式的作用做出响应。从输入空间到隐含层空间的变换是非线性，而从隐含层空间到输出层空间的变换是线性的。隐单元的变换函数是RBF它是一种局部分布的中心点径向对称衰减的非负非线性函数。RBF神经网络可以解决逻辑运算问题，用于自适应均衡，以及非线性系统的故障诊断等。RBF网络是一种典型的结构前传网络，在应用到管道监测系统中，需要利用其网络算法，将现场出现的异常转化为网络信号，通过精确的计算，确定管道出现的泄漏位置，并对其信息进行加工处理[1]。

（三）基于神经元网络算法的管道泄漏监测系统的应用

神经元这一概念是起源于人类中枢神经系统的，连接在一起形成类似生物神经网络的网状结构。与人工网络结构相似，在现行的神经网络软件实现中，生物学的方法已经被抛弃，是基于统计学和信号处理的更加实用的方法。也就是说，神经元网络方法根据人的思维的不同模式来实现数据的分析和获取的，最终得到相关符合实际的结果。人的思维有理性的和感性之分，理性是具有逻辑性的，在按照事物发展的规律和事物变化的逻辑进行推理分析的，这在计算机语言中可以转化成一段代码一个指令，让计算机和监控系统后台运行。感性是比较直观的，是将事物当下的实际状况如实的记录，这种状态可能是偶然的也可能是随机的，产生的结果可能是好的也可能是负面的，即可能是结果也可能是解决问题的答案。根据神经元的这两种思维模式，建立的神经元网络算法，就是利用外物模拟人的总综合性思维。虽然神经元的结构简单，功能也比较单一，但是大量的神经元系统算法所实现的网络系统是非常宏大的，实际结果也是丰富多彩的[2]。

本系统实现的监测过程和方法如表1所示。

各步骤的说明如下。

1.开始通信：由研究员启动监测方法，监测方法开始和现场流量计进行通信。

2.数据处理：通信模块对数据进行滤波等处理。

3.趋势显示：通信模块读取现场流量计数据，传给显示模块，显示模块进行数据趋势显示。

4.记录训练数据：研究员选择记录训练数据的时间，监测方法记录训练数据，传给训练模块。

5.数据离线训练：训练模块获得训练数据，使用神经元网络算法，进行离线训练。

6.将训练结果送入诊断模块：训练模块离线训练完成后，将训练结果送入诊断模块，供诊断使用。

7.开始进行在线诊断：研究员启动监测方法诊断模块，诊断模块开始对数据进行在线诊断。

8.诊断结果显示：诊断模块将在线诊断结果传给显示模块，显示模块根据诊断结果进行显示。

其功能分配如下。

1.通信模块：负责与现场流量计进行通信，获取现场数据，同时对数据进行滤波等处理。处理后的数据供训练模块、诊断模块和显示模块使用。