基于遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)在長(zhǎng)輸管道泄漏檢測(cè)系統(tǒng)中的應(yīng)用

丁冬，楊成禹

（長(zhǎng)春理工大學(xué)　光電工程學(xué)院，長(zhǎng)春　130022）

基于遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)在長(zhǎng)輸管道泄漏檢測(cè)系統(tǒng)中的應(yīng)用

丁冬，楊成禹

（長(zhǎng)春理工大學(xué)光電工程學(xué)院，長(zhǎng)春130022）

針對(duì)由于輸油管道泄漏在生產(chǎn)生活中造成的諸多損失與危害，以吉林油田的一段長(zhǎng)輸管道為研究對(duì)象，利用小波包變換提取管道泄漏壓力信號(hào)的特征向量，將得到的特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入，根據(jù)輸出對(duì)管道的運(yùn)行狀態(tài)進(jìn)行識(shí)別，再應(yīng)用負(fù)壓波定位法對(duì)泄露點(diǎn)進(jìn)行定位。在此基礎(chǔ)上，提出了一種基于遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)輸油管道檢測(cè)的方法。該方法把遺傳算法應(yīng)用于神經(jīng)網(wǎng)絡(luò)的參數(shù)確定中。實(shí)驗(yàn)結(jié)果表明，優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)模型的誤差為1%左右，提高了泄漏檢測(cè)的精度與效率。

遺傳算法；RBF神經(jīng)網(wǎng)絡(luò)；小波分析；泄漏定位

管道是原油及石油產(chǎn)品的主要運(yùn)輸方式，現(xiàn)已成為我國(guó)五大運(yùn)輸方式之一。但是，由于管道老化、腐蝕及其它外力破壞等原因，泄漏事故時(shí)有發(fā)生。管道泄漏事故不僅影響生產(chǎn)運(yùn)行，造成資源浪費(fèi)，而且還會(huì)污染環(huán)境，因此，當(dāng)管道發(fā)生泄漏時(shí)，及時(shí)地對(duì)泄漏點(diǎn)進(jìn)行定位檢測(cè)就顯得尤為重要［1］。

管道泄漏檢測(cè)方法很多，包括基于硬件、軟件、硬件軟件結(jié)合的方法及基于模型和非模型等方法［2］。由于影響管道因素諸多，建立一個(gè)準(zhǔn)確數(shù)學(xué)模型進(jìn)行泄漏檢測(cè)分析是比較困難的，而神經(jīng)網(wǎng)絡(luò)模型具有識(shí)別管道泄漏信號(hào)和標(biāo)準(zhǔn)信號(hào)的能力，且可以自行的適應(yīng)學(xué)習(xí)和調(diào)節(jié)網(wǎng)絡(luò)參數(shù)，從而及時(shí)對(duì)檢測(cè)到的泄漏進(jìn)行報(bào)警［3］。在神經(jīng)網(wǎng)絡(luò)中，應(yīng)用最為廣泛的是BP神經(jīng)網(wǎng)絡(luò)與RBF神經(jīng)網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)的輸出與網(wǎng)絡(luò)的連接權(quán)之間呈非線性關(guān)系，因此必須采用非線性的優(yōu)化方法學(xué)習(xí)，這樣不可避免地會(huì)遇到局部最優(yōu)的問(wèn)題，且學(xué)習(xí)速度慢。RBF網(wǎng)絡(luò)基于生物的局部調(diào)節(jié)和交疊接受區(qū)域知識(shí)的基礎(chǔ)上又與函數(shù)逼近理論相吻合，具有全局逼近性，還避免了BP那樣繁瑣的反向傳播計(jì)算，可以使學(xué)習(xí)比通常的BP方法快103～105倍［4］。

1　輸油管線泄漏檢測(cè)和定位的原理

當(dāng)輸油管線發(fā)生泄漏時(shí)，由于管道內(nèi)外存在壓力差使泄漏處壓力突降，進(jìn)而造成管道首尾處的壓力下降，這種形式會(huì)以突變或緩慢的變化表現(xiàn)在曲線上。利用小波變換可以檢測(cè)變化的奇異點(diǎn)從而對(duì)泄漏點(diǎn)進(jìn)行定位。

1.1小波包變換提取管道泄漏壓力信號(hào)特征向量

對(duì)于連續(xù)信號(hào) f（t）∈L2（R）（能量有限空間），f（t）的連續(xù)小波變換定義為：

其局部極值點(diǎn)（α0，τ0），如果對(duì)于τ0的某一領(lǐng)域內(nèi)的任意點(diǎn)τ，有，則稱（α0，τ0）為小波變換的模極大值點(diǎn)，對(duì)應(yīng)于平滑后信號(hào)的拐點(diǎn)，即信號(hào)的突變點(diǎn)［5］。管道發(fā)生泄漏時(shí)，管道中的壓力參數(shù)就會(huì)發(fā)生變化，如不同頻率成分的相頻特征、頻譜特征等，應(yīng)用“能量—模式識(shí)別”的泄漏定位檢測(cè)技術(shù)對(duì)管道泄漏壓力信號(hào)進(jìn)行小波分解，將管道泄漏壓力信號(hào)中的不同分量分解到不同頻帶內(nèi)，從而建立從能量變化到壓力變化的映射關(guān)系。

應(yīng)用Matlab小波工具箱對(duì)采集到的壓力信號(hào)進(jìn)行三層小波分解后將第三層從高頻到低頻分解為8個(gè)頻率成分的信號(hào)特征。假定原始信號(hào)中，最高頻率成分為1024，最低為0，經(jīng)三層小波包分解后，按下表范圍分成8個(gè)頻率成分

表1　三層小波包分解系數(shù)對(duì)應(yīng)的頻帶及能量

對(duì)各個(gè)頻帶進(jìn)行時(shí)域分析，提取頻帶信息的能量，則有：

式中S3j為頻帶 j的壓力信號(hào)，其對(duì)應(yīng)的能量為E3j，||Xjk為重構(gòu)信號(hào)，n為壓力信號(hào)采樣點(diǎn)數(shù)。

將經(jīng)小波包分解后的各頻帶能量值構(gòu)造成表征壓力信號(hào)的特征向量，進(jìn)行歸一化處理后其結(jié)果為一組可以用來(lái)判斷管道工作狀態(tài)的特征向量。

應(yīng)用神經(jīng)網(wǎng)絡(luò)工具箱對(duì)經(jīng)過(guò)小波包分解后的8個(gè)頻帶內(nèi)的各個(gè)小波進(jìn)行能量計(jì)算，得到各節(jié)點(diǎn)的能量數(shù)，如圖1所示。

圖1　各小波節(jié)點(diǎn)對(duì)應(yīng)能量百分比

對(duì)8個(gè)頻帶的能量進(jìn)行歸一化處理，得到的特征向量為：

1.2基于小波變換的負(fù)壓波定位

與管道泄漏檢測(cè)的其它方法比，負(fù)壓波法的優(yōu)點(diǎn)是可迅速檢測(cè)突發(fā)性泄漏且定位和具有較高的定位精度，原理簡(jiǎn)單，適用性強(qiáng)，因此采用小波變換與負(fù)壓波結(jié)合來(lái)進(jìn)行管道泄漏的檢測(cè)與定位。

如圖2所示，當(dāng)管道發(fā)生泄漏時(shí)，由于管道內(nèi)外存在壓力差，使泄漏處的壓力突降，在管道內(nèi)產(chǎn)生負(fù)壓波，負(fù)壓波從泄漏點(diǎn)沿管道向管道兩端傳遞，波幅隨著傳輸距離而遞減，最后到達(dá)管道兩端從而產(chǎn)生輸差。管道兩端的壓力變送器接收管道的壓力信號(hào)并進(jìn)行連續(xù)記錄。結(jié)合壓力和流量的變化特征，可以判斷是否發(fā)生泄漏，通過(guò)測(cè)量泄漏時(shí)壓力波到達(dá)管道首末兩站的時(shí)間差和壓力波的傳播速度可對(duì)泄露點(diǎn)進(jìn)行定位。

圖2　負(fù)壓波定位法原理圖

泄漏點(diǎn)的定位公式為：

其中，x—泄漏點(diǎn)距上游站測(cè)壓點(diǎn)的距離，m；v'—負(fù)壓波的傳播速度，m/s；L—上、下游站間距，m；Δt—上游站壓力突變時(shí)間與下游站壓力突變時(shí)間差，s。

由負(fù)壓波定位公式可以看出，時(shí)間差Δt決定了泄漏點(diǎn)的定位精度，為了便于識(shí)別壓力波的突變點(diǎn)，被傳感器捕獲的壓力波信號(hào)需由小波變換進(jìn)行消噪處理，以保證泄漏定位的精準(zhǔn)性。

2　基于遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)用于管道泄漏檢測(cè)

2.1遺傳算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是將人腦神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型理論化，其本質(zhì)是實(shí)現(xiàn)了一種從輸入到輸出的映射關(guān)系，再通過(guò)訓(xùn)練和學(xué)習(xí)的過(guò)程來(lái)調(diào)整權(quán)值，使網(wǎng)絡(luò)總誤差最小，從而完成所需的輸入—輸出映射。

在RBF神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)中，輸出層權(quán)值ω，隱層節(jié)點(diǎn)中心c和寬度σ的初值參數(shù)的確定是重點(diǎn)和難點(diǎn)，參數(shù)的選擇不當(dāng)會(huì)造成RBF網(wǎng)絡(luò)發(fā)散。本文采用遺傳算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)c、σ，從而大大提高了網(wǎng)絡(luò)速度和精度。遺傳算法步驟如下：

（1）采用二進(jìn)制編碼與實(shí)數(shù)編碼相結(jié)合的編碼方式，其中隱中心采用二進(jìn)制編碼，其長(zhǎng)度為l，數(shù)量為n，故一個(gè)RBF染色體的長(zhǎng)度為L(zhǎng)=n×（l+1），編碼方式表現(xiàn)為染色體前nl個(gè)字節(jié)為隱中心Ci，后n個(gè)字節(jié)為采用實(shí)數(shù)編碼的寬度值σi。

（2）隨機(jī)生成N個(gè)染色體稱為第一代個(gè)體。

（3）對(duì)每個(gè)個(gè)體進(jìn)行適應(yīng)度檢測(cè)：

式中，yjk0是期望值，yjk是實(shí)際值。為防止適應(yīng)度值超常等現(xiàn)象，用以下方法對(duì)適應(yīng)度值進(jìn)行標(biāo)定：

式中，f'為標(biāo)定后的適應(yīng)度，f為原始適應(yīng)度值；

fmax、fmin分別為適應(yīng)度值上下界；δ為開(kāi)區(qū)間（0，1）內(nèi)的一個(gè)正實(shí)數(shù)。

（4）保留適應(yīng)度最高的染色體到下一代。

（5）對(duì)兩個(gè)個(gè)體采取兩點(diǎn)交叉算法，交叉點(diǎn)位置分別落在隱中心Ci和寬度σi的編碼中，為防止交叉概率過(guò)高造成只收斂于一個(gè)解和交叉概率過(guò)低使搜索過(guò)程停滯不前，Pc取值為0.6。

（6）采用兩點(diǎn)按位變異，在參數(shù)范圍內(nèi)以2個(gè)隨機(jī)數(shù)替換原有變異點(diǎn)實(shí)數(shù)，重造染色體，變異概率Pm取值為0.01。

（7）進(jìn)化代數(shù)增加1，判斷是否達(dá)到最大進(jìn)化代數(shù)。若是，選擇最優(yōu)染色體，對(duì)最優(yōu)染色體進(jìn)行解碼，確定最終RBF網(wǎng)絡(luò)結(jié)構(gòu)。若不是，返回步驟（3）。

2.2神經(jīng)網(wǎng)絡(luò)的輸入和輸出

神經(jīng)網(wǎng)絡(luò)對(duì)于泄漏的識(shí)別就是對(duì)管道運(yùn)行情況的判斷。將經(jīng)小波包分解后的壓力信號(hào)的特征向量作為對(duì)神經(jīng)網(wǎng)絡(luò)的輸入向量進(jìn)行訓(xùn)練。其次分析神經(jīng)網(wǎng)絡(luò)的輸出向量，確使管道每一種運(yùn)行狀態(tài)都有與之相對(duì)應(yīng)的輸出向量。將正常運(yùn)行狀態(tài)下的標(biāo)準(zhǔn)輸出定為（0，0）；泄漏時(shí)的標(biāo)準(zhǔn)輸出定為（1，0）；調(diào)泵壓降時(shí)的標(biāo)準(zhǔn)的輸出定為（0，1）。

3　試驗(yàn)結(jié)果

根據(jù)前面的研究分析得到管道泄漏信號(hào)分解后共有8個(gè)節(jié)點(diǎn)對(duì)應(yīng)該RBF神經(jīng)網(wǎng)絡(luò)的8個(gè)輸入端，輸出層僅含1個(gè)神經(jīng)元節(jié)點(diǎn)，用于輸出網(wǎng)絡(luò)學(xué)習(xí)和預(yù)測(cè)的結(jié)果。鑒于對(duì)神經(jīng)網(wǎng)絡(luò)控制誤差的精準(zhǔn)性要求，經(jīng)過(guò)對(duì)數(shù)次實(shí)驗(yàn)誤差圖的分析，確定將隱含層的節(jié)點(diǎn)數(shù)選取為35個(gè)。圖3為實(shí)驗(yàn)的誤差曲線圖，實(shí)驗(yàn)?zāi)繕?biāo)精度為0.01。圖4為用遺傳算法優(yōu)化后的神經(jīng)網(wǎng)絡(luò)誤差曲線圖。

圖3　RBF神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)誤差曲線

圖4　遺傳算法優(yōu)化后的誤差曲線

從圖3可以看出，RBF神經(jīng)網(wǎng)絡(luò)經(jīng)過(guò)2561次次訓(xùn)練可達(dá)精度要求，而優(yōu)化后的神經(jīng)網(wǎng)絡(luò)經(jīng)930次訓(xùn)練便可達(dá)到實(shí)驗(yàn)精度，提高了誤差的收斂速度。

表2　神經(jīng)網(wǎng)絡(luò)測(cè)試的輸入樣本

以吉林油田的一段長(zhǎng)輸管道運(yùn)行現(xiàn)場(chǎng)監(jiān)測(cè)的數(shù)據(jù)為原始數(shù)據(jù)，獲取管道正常狀態(tài)、調(diào)泵狀態(tài)、泄漏狀態(tài)的壓力信號(hào)各2組進(jìn)行仿真實(shí)驗(yàn)。為改進(jìn)RBF的輸入樣本，選取將這些信號(hào)進(jìn)行3層小波包分解后第3層的特征向量。表2是神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)的輸入樣本、表3是實(shí)際輸出樣本與理想輸出樣本的比較。選用以上作為實(shí)驗(yàn)樣本來(lái)測(cè)試已經(jīng)訓(xùn)練好的RBF神經(jīng)網(wǎng)絡(luò)。

表3　神經(jīng)網(wǎng)絡(luò)的輸出值比較

從表3可以看出，通過(guò)遺傳算法改進(jìn)的RBF神經(jīng)網(wǎng)絡(luò)可將實(shí)際輸出值與理想輸出值的差距控制在小于0.05以內(nèi)，可應(yīng)用于識(shí)別管道的運(yùn)行狀態(tài)。

4　結(jié)論

由實(shí)際輸出及仿真誤差曲線圖可以看出，用經(jīng)小波包分解后的特征向量作為遺傳算法優(yōu)化后的RBF神經(jīng)網(wǎng)絡(luò)的輸入樣本進(jìn)行訓(xùn)練，通過(guò)輸出來(lái)判斷管道的3種運(yùn)行狀態(tài)，從實(shí)驗(yàn)結(jié)果可以看出，實(shí)際輸出值與理想輸出值的差距小于0.05近似于0，表明改進(jìn)后的RBF神經(jīng)網(wǎng)絡(luò)具有較高的估計(jì)精度，能有效的解決實(shí)際生產(chǎn)中的管道泄漏問(wèn)題。

［1］ 梅云新.中國(guó)管道運(yùn)輸?shù)陌l(fā)展與建設(shè)［J］.交通運(yùn)輸系統(tǒng)工程與信息，2005，5（2）：108-115.

［2］ 別沁，鄭云萍，付敏，等.國(guó)內(nèi)外油氣輸送管道泄漏檢測(cè)技術(shù)及發(fā)展趨勢(shì)［J］.石油工程建設(shè)，2007（3）：19-22

［3］Feng D C，Dias P J M.Study on information fusion based on wavelet neural network and evidence theory in fault diagnosis［C］.2007 International Conference on Electronic Measurement and Instruments. Xi'an：IEEE Press，2007：3522-3526.

［4］ 韓力群.人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用［M］.北京：化學(xué)工業(yè)出版社，2007：171-172.

［5］ 王艷.基于小波變換的輸油管道泄漏定位算法［J］.遼寧石油化工大學(xué)學(xué)報(bào)，2009，29（2）：72-74.

Research on the System of Pipeline Leak Location Based on RBF Network

DING Dong，YANG Chengyu
（School of Optoelectronic Engineering，Changchun University of Science and Technology，Changchun 130022）

For many losses and harm caused in production from the pipeline leak.In this paper，taking a long-distance pipeline of Jilin Oilfield as the departure point.Firstly，extract pressure pipeline leakage eigenvectors with wavelet packet as the neural network input，using output to recognize pipeline work station.Then point the leak orientating use the negative pressure wave theory.On this basis，a new method of pipeline detecting based on optimized RBF neural networks using genetic algorithm was improved.Genetic algorithm was applied to optimize position of data centers.The result shows that the error rate of optimized RBF neural network model is less about 1%，so the accuracy and efficiency of leak detection had been improved.

genetic algorithm；RBF neural network；wavelet analysis；leak location

U178

A

1672-9870（2015）06-0136-04

2015-06-16

丁冬（1989-），女，碩士研究生，E-mail：493401414@qq.com