基于Elman神經(jīng)網(wǎng)絡(luò)的流體管道泄漏點檢測定位

曹崢，鄧建強，王澤良，宣炳蔚，郭希健

（1.西安交通大學(xué)，西安 710049；2.陜西省能源化工過程強化重點實驗室，西安 710049；3.上海電氣電站設(shè)備有限公司，上海 201100）

流體管路輸運是過程工業(yè)中的關(guān)鍵流程，對于實現(xiàn)能源資源的傳輸環(huán)節(jié)，具有不可替代的作用。我國是能源消耗大國，油、氣、水等資源分布具有較大的地域跨度性，需要長期依賴管道輸運。當(dāng)前，全國油氣輸運管道總里程已超過12萬公里，預(yù)計到2025年，全國油氣管網(wǎng)規(guī)模將增加1倍[1]。在管線建設(shè)不斷推進的同時，管齡增長、環(huán)境影響、腐蝕及意外破壞等因素不容忽視。據(jù)統(tǒng)計，50%地下管道的管齡已超過30年[2]，管道泄漏時有發(fā)生，造成了巨大的資源浪費和經(jīng)濟損失。由于管道漏損監(jiān)測和防控意識的薄弱，我國城市供水管網(wǎng)平均漏失率超過14%，因供水管網(wǎng)漏失導(dǎo)致的年損失水量超過 60億立方米[3]。石化等行業(yè)的長輸管道泄漏事故，還將嚴重威脅群眾生命安全，危害周邊環(huán)境。

管道檢測技術(shù)是一種針對管道輸送系統(tǒng)開展異常狀態(tài)監(jiān)測、識別與定位的故障診斷技術(shù)。目前，針對管路泄漏的檢測與定位處于快速發(fā)展時期。按照檢測方式，可分為直接檢測和間接檢測兩類方法。人工巡檢是一種最簡單的直接檢測方法，其需要依賴大量的人力，難以實現(xiàn)快速覆蓋。隨后出現(xiàn)的示蹤法通過向管內(nèi)注入放射性示蹤劑或異味氣體開展檢測，但同樣面臨不夠靈敏、無法開展實時監(jiān)控等適用局限性問題。管內(nèi)探測法通過在管道內(nèi)部放置特定的探測設(shè)備，使其沿管移動，實現(xiàn)對泄漏點的準確探測，但檢測周期較長，且只適用于結(jié)構(gòu)簡單的長直管路。熱紅外成像方法通過感知管道泄漏點周圍環(huán)境溫度來快速探測泄漏位置，對于深埋地區(qū)（如海底管道的檢測中）難以適用。后續(xù)，人們通過在管道周圍布設(shè)光纖傳感器實現(xiàn)了針對難以探測的小泄漏及緩慢泄漏的檢測，但光纖檢測成本高昂，限制了該技術(shù)的大規(guī)模應(yīng)用。

間接檢測法主要基于流體的狀態(tài)開展檢測，最為常見的是壓力梯度法和負壓波法。壓力梯度法通過基于管線多個壓力測點的壓力梯度變化曲線相交位置來大致推斷泄漏位置，雖然原理簡單，但較難實現(xiàn)準確定位。負壓波法通過捕捉管道泄漏后，負壓波傳播至兩端的時間差來實現(xiàn)定位。由于其具有成本低、易維護、檢測精度高等優(yōu)勢，在長輸管道泄漏檢測領(lǐng)域獲得廣泛應(yīng)用。張紅娜[4]在負壓波技術(shù)中引入廣義模糊雙曲正切模型對管道進行模式識別，利用負壓波檢測實現(xiàn)準確定位的同時，又消除了單純負壓波檢測存在的高誤報率問題，但該模型中的前提參數(shù)及結(jié)論參數(shù)都需要結(jié)合全面的樣本數(shù)據(jù)進行辨識。Liu等[5]通過實驗研究了負壓波方法在天然氣管道檢漏中的應(yīng)用，結(jié)合改進小波分析模型來識別壓力信號實現(xiàn)泄漏點的定位。Gao等[6]基于壓力波動信號提出了時間延遲估計的分化改進方法，利用模式識別消除低頻干擾下的信號失真。針對負壓波法對小泄漏信號的探測不敏感問題，一些學(xué)者將低頻聲波和負壓波相結(jié)合，實現(xiàn)了定位精度和小泄漏量的識別提升[7-8]。然而負壓波與聲波都屬于一種壓力擾動，具有相同波速，仍然無法應(yīng)對緩慢泄漏情況的檢測。針對信號噪聲問題，實踐中常采用小波技術(shù)進行信號消噪，捕捉奇異點以實現(xiàn)泄漏點定位，但只是準確發(fā)現(xiàn)了負壓波出現(xiàn)時間，仍然無法有效消除工況變化的干擾。闞哲等[9]提出信息物理系統(tǒng)架構(gòu)進行分支管道泄漏定位的方法，把壓力信號拐點時刻作為特征樣本，利用雙支持向量機學(xué)習(xí)開展管道泄漏點定位。王劍鋒[10]提出了基于負壓波檢測的管道泄漏監(jiān)測系統(tǒng)，利用相關(guān)分析的互相關(guān)算法得到時間差，實現(xiàn)了準確的仿真計算定位。該法適用于瞬時捕捉突發(fā)或大劑量泄漏，定位準確度需要高度依賴波速等變量信息。

圖1 常見管道泄漏檢測方法分類與比較Fig.1 Classification and comparison of common pipeline leakage detection methods

對常見的管道泄漏檢測方法進行比較，如圖1所示，各方法均存在不同的優(yōu)勢和缺陷?；谪搲翰ǖ臋z測技術(shù)，整體上具有較好的應(yīng)用性和經(jīng)濟性。其靈敏性和定位精度的不足，雖然可以結(jié)合其他手段進行彌補，但是只能預(yù)先在泄漏前進行被動式檢測，即使準確捕捉到了奇異點信號，也需根據(jù)常規(guī)一維模型中的定常波速、給定物性等先驗參數(shù)求取定位，對于規(guī)模大、復(fù)雜性高、變量多、存在緩慢漏失等情況的管網(wǎng)，依然存在檢測定位困難。文中基于管路內(nèi)部流體的壓力波動特征，采用基于負壓波方法開展了泄漏點的理論計算，結(jié)合負壓波的特征采集方法，探討了反饋型Elman人工神經(jīng)網(wǎng)絡(luò)的智能算法預(yù)測，完成了相應(yīng)的泄漏檢測定位工作，從而驗證了人工智能方法在管路泄漏定位問題中的準確性與有效性。

1 檢測原理

1.1 負壓波

利用負壓波進行檢漏定位是基于管道內(nèi)流體壓力波傳播特性開展的，其原理如圖2所示。管道發(fā)生泄漏時，泄漏口瞬間泄壓，形成負壓波，沿管道兩端傳播。通過在管道兩端采集壓力脈沖信號，結(jié)合負壓波的波速等參數(shù)信息，便可對泄漏位置進行定位。

圖2 負壓波檢漏定位原理Fig.2 Principle of negative pressure wave leakage detection and location

利用負壓波法開展管道檢漏時，負壓波波速的求取是非常重要的一步，考慮到其在含有多種管件或流體介質(zhì)不同的管網(wǎng)中的傳播較為復(fù)雜，利用式（1）—（3）對波速進行估算[11]：

式（1）中：c為負壓波速，m/s；αp為氣體壓縮系數(shù)，Pa-1；ρ為流體密度，kg/m3；D和e分為壁厚和管內(nèi)徑，m；E 為管彈性模量，Pa。

式（2）中：X為泄漏點距管路上游端的距離；Δt為上下游壓力測點檢測到負壓波的時間差，s；L為管長，m。當(dāng)負壓波速c遠遠大于流體流動速度v時，式（2）可簡化為：

1.2 Elman神經(jīng)網(wǎng)絡(luò)方法

Elman神經(jīng)網(wǎng)絡(luò)屬于一種反饋型神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)結(jié)構(gòu)能在有限時間內(nèi)逼近任意函數(shù)，其動態(tài)記憶性使其具有時域和空域模式的學(xué)習(xí)能力，對于時序預(yù)測問題及復(fù)雜網(wǎng)絡(luò)的數(shù)據(jù)處理具有很好的解決能力。該神經(jīng)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)如圖3所示。其通過在隱含層網(wǎng)絡(luò)中增加了一個承接層，使其作為延時單元，將上一時刻的隱層狀態(tài)進行記憶存儲，并連同當(dāng)前時刻的網(wǎng)絡(luò)輸入一并作為新的隱層輸入，這一局部回歸特點使得該網(wǎng)絡(luò)對歷史數(shù)據(jù)具有更好的敏感性。

圖3 Elman神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)Fig.3 Elman neural network topology

Elman神經(jīng)網(wǎng)絡(luò)的主要模型公式可以表示為：

式（4）—（6）中：y表示輸出層向量；xj表示輸入層向量；hi表示隱含層向量；ci表示承接層向量；G(·)、F(·)分別為輸出層和中間層的傳遞函數(shù)，在文中，分別選取為purelin線型函數(shù)和 logsig非線性函數(shù)；w1、w2、w3為連接權(quán)值；t和t-1代表當(dāng)前和上一時刻的神經(jīng)網(wǎng)絡(luò)狀態(tài)。

2 仿真分析

2.1 模型計算結(jié)果

文中建立的模型結(jié)構(gòu)為T型管路，如圖4所示。管道為彈性管道，粗糙度為0.025 mm。長直管線總長1100 m，管徑為50 mm，T型管路支路模擬泄漏路徑，孔徑為10 mm。管道上游恒壓水箱水頭高度為 120 m，下游水箱與大氣連通。利用球閥開啟模擬泄漏發(fā)生情形，在與上下游水箱相距5 m處，采集壓力信號，用于數(shù)據(jù)分析。采用Flowmaster軟件開展數(shù)值仿真，模擬不同位置發(fā)生泄漏的情形。為了簡化起見，在此設(shè)置波速為1000 m/s開展仿真計算，而在實際開展泄漏位置檢測時，波速值存在不確定性，需要估測。管道輸運過程的仿真時間為25 s，設(shè)定10 s時刻發(fā)生泄漏，計算步長設(shè)為0.01 s。為了考慮實際工況中的噪聲情形，對于每次采集到的壓力信號疊加一組均值為1 kPa、方差為0.1的隨機噪聲信號。

圖4 管道泄漏仿真模型Fig.4 Pipeline leakage simulation model

以在泄漏點為800 m時的工況情形為例，利用負壓波法進行泄漏定位。由于壓力測點含有隨機噪音，故采用 db6小波函數(shù)對信號進行三層分解，隨后完成低頻系數(shù)重構(gòu)，提取壓力采集信號降噪后的奇異點信息。管道上游壓力波動信號經(jīng)過小波變換后的效果如圖5所示，縱坐標x表示原始信號，d1—d3表示高頻系數(shù)重構(gòu)結(jié)果，a3為經(jīng)過小波包分解后第三層低頻系數(shù)的重構(gòu)結(jié)果。從圖 5可以發(fā)現(xiàn)，該去噪后的信號變得光滑，方便更好地觀察到奇異點等波動信號特征。

圖5 管道上游壓力波動信號的多層小波分解重構(gòu)Fig.5 Multi-layer wavelet decomposition and reconstruction of upstream pressure fluctuation signal of pipeline

對管道下游采集到的壓力信號進行同樣的小波變換后，可以得到負壓波傳播到下游的時間。在此算例中，所得到的管道上、下游負壓波捕捉時間差為Δt=0.49 s。此處波速采用與仿真中設(shè)置的值計算，代入式（3）可求得泄漏點的位置在X=795 m處。

與傳統(tǒng)的負壓波檢測方法相比，利用Elman神經(jīng)網(wǎng)絡(luò)對泄漏位置開展定位，無需求取波速等未知參數(shù)。此方法需先確定特征樣本作為輸入向量，進行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。對于壓力波動信號而言，常用的波動特征包括均值、方差、波距、偏斜度、峭度、幅值等。由于文中主要為方法性介紹，泄漏工況為瞬時泄漏，故采用負壓波到達上游壓力表的時間及到達兩壓力表的時間差作為特征輸入向量，泄漏點位置作為輸出向量，將泄漏位置為335～800 m范圍內(nèi)的30組數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。利用 matlab程序創(chuàng)建包含40個神經(jīng)元，延遲層向量為1:3、反向傳播網(wǎng)絡(luò)訓(xùn)練函數(shù)為traingdx的Elman網(wǎng)絡(luò)，隨后開展學(xué)習(xí)訓(xùn)練，得到回歸性能曲線（如圖6所示）?？梢钥闯觯嚓P(guān)系數(shù)為0.998 94，說明訓(xùn)練輸出值與樣本目標值符合情況較好。

圖6 網(wǎng)絡(luò)訓(xùn)練過程的回歸性能曲線Fig.6 Regression performance curve of network training process

利用訓(xùn)練好的網(wǎng)絡(luò)開展泄漏數(shù)據(jù)的仿真測試，選取5組數(shù)據(jù)作為測試樣本，求得的泄漏點位置見表1。其中前2組數(shù)據(jù)使用了訓(xùn)練集中的樣本數(shù)據(jù)，后3組數(shù)據(jù)為新的插值或外推樣本數(shù)據(jù)。可以看出，利用經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)對泄漏點的預(yù)測整體較好，最大測試誤差為1.83%，可以滿足工程定位要求。

表1 基于Elman神經(jīng)網(wǎng)絡(luò)的泄漏點預(yù)測結(jié)果Tab.1 Prediction results of leakage point based on Elman neural network

2.2 算法驗證

為了驗證文中定位算法的有效性，基于文獻[12]中的液體管線泄漏臺架實驗系統(tǒng)進行建模，對比了實驗數(shù)據(jù)、負壓波法及運用神經(jīng)網(wǎng)絡(luò)方法的泄漏點定位結(jié)果。設(shè)置驗證模型測試段的管長為245.18 m、波速為2080 m/s、操作壓力為3 MPa進行仿真后，通過不同方法進行泄漏點定位的計算結(jié)果如圖7所示。

圖7 泄漏點定位計算結(jié)果對比Fig.7 Comparison of calculation results of leakage point localization

由 P1—P4壓力測點構(gòu)成的三組測壓區(qū)間中，實際泄漏點位置分別為125.65、125.65、38.3 m，由負壓波法公式（1）計算得到的波速為 1446.2 m/s，與實測波速相差較大。文獻[12]中采用了負壓波修正波速的方法來提高定位精度。經(jīng)與實際泄漏位置對比，基于Elman神經(jīng)網(wǎng)絡(luò)方法的定位誤差最大為2.2%，整體準確率較高。

3 結(jié)語

文中采用基于傳統(tǒng)負壓波的方法及人工智能方法開展了針對水力輸運管道的泄漏定位，通過開展數(shù)值仿真，得到了泄漏工況下基于流體壓力波的數(shù)據(jù)信息，通過小波變換方法可以較好地完成數(shù)據(jù)降噪與奇異點捕捉，基于波速完成泄漏點位置的估算。同時，借助具有動態(tài)記憶特性的反饋型Elman神經(jīng)網(wǎng)絡(luò)，開展了泄漏工況下的網(wǎng)絡(luò)訓(xùn)練和預(yù)測。結(jié)果表明，該方法可適用于管道泄漏點的定位仿真，具有較好的準確率和可靠性。