基于類腦脈沖神經網絡的光纖油氣管道監(jiān)測

宋艷麗

(河南質量工程職業(yè)學院,河南 平頂山 467000)

1 引 言

石油通過管道傳輸可有效提高油氣輸送效率以及降低成本,但是油氣管道通常埋于地下,若外界環(huán)境發(fā)生變化,如地震、山體滑坡、人為破壞等均會引起油氣泄漏,造成重大經濟損失,因此對油氣管道監(jiān)測至關重要[1]。

人工對油氣管道設備監(jiān)測,由于受主觀因素的影響無法確保全線路、全覆蓋監(jiān)測。光纖傳感器具有較好的抗電磁干擾性、靈敏度高等特性,并且適合在復雜環(huán)境中使用,廣泛應用于長距離油氣管道監(jiān)測中,但是油氣管道很多振動屬于無害類型,如農耕、火車、道路施工等,若每次振動都安排工作人員現場復核,會產生很大的工作量,因此正確識別出振動類型可減少現場復核次數[2]。支持向量機(Support Vector Machine,SVM)通過振動信號的特征向量辨識振動,以判斷是否有異常[3],但SVM識別效果在很大程度上依賴于核函數的選擇以及內核和軟邊緣參數的微調。神經網絡(Neural Network,NN),不要求對振動樣本集有太多先驗信息[4],但是需要大量數據樣本進行訓練,且訓練時間長。反向傳播神經網絡(Back Propagation Neural Network,BPNN)能提高泄漏檢測的可靠性[5],但是存在局部極小值,收斂速度較慢等問題。卷積神經網絡(Convolutional Neural Network,CNN)特征層面避免了大部分人工干預,網絡能夠自動輸出分類特征[6]。隱馬爾科夫模型(Hidden Markov Model,HMM)具有處理振動序列數據的優(yōu)勢[7],但是需遵從齊次馬爾科夫鏈假設。

為了提高光纖油氣管道監(jiān)測效果,采用類腦脈沖神經網絡算法(Brain Spiking Neural Network,BSNN),對振動信號進行頻段特征提取,各頻段的能量占比作為神經網絡訓練輸入進行模型訓練,從而對振動信號識別,實例驗證了本文方法的有效性。

2 光纖振動檢測過程

2.1 光纖定位計算

當油氣管道受到振動時,感測光纜隨之發(fā)生振動,引起背向瑞利散射光的輻射損耗變化[8]。設距離光纖入射端x為z處的光功率為:

(1)

式中,P0為初始光功率；a0(x)為前向衰減系數。

z處背向散射回入射端的光功率為:

(2)

式中,Kr≈0.5為耦合器損耗乘積因子；S(x)為光纖在z點的背向散射系數；ab(x)為光纖背向衰減系數。

當油氣管道沿線環(huán)境處于無振動時,光纖產生瑞利散射光曲線保持不變,若外部干擾引起z點光纖振動,引起該點折射率變化,后向散射光相位波動導致輻射模形成新的損耗,S(x)此時記為S(x,t),得到:

(3)

通過計算光纖入射端測量背向散射光隨時間的變化,可獲得光纖上不同位置處的損耗特征,如圖1所示。

圖1 散射曲線Fig.1 Scattering curve

從圖1可以看出,當在1580 m管道沿線附近的光纖受到破壞,此處的背向瑞利散射光及返回的散射曲線發(fā)生改變,利用擾動信號傳播到光電探測器所用的時間,可計算出破壞行為的具體位置。

當有振動時,光纖油氣管道監(jiān)測定位距離為:

L=ΔTv/2

(4)

式中,ΔT為光脈沖發(fā)射和接收到振動信號的時間差；v為光在光纖中的速度；v=c/λ,c為光在真空中的速度；λ光纖折射率。

2.2 累加平均法消噪

獲得的光纖傳感器振動信號會混有噪聲,如果直接進行特征提取,導致正確識別率下降,因此需要對振動信號進行消噪。設獲得的測量信號為x(t):

x(t)=s(t)+n(t)

(5)

式中,s(t)為特征信號；n(t)為噪聲信號。

則第j個測量點第i次測量信號為:

xij(t)=x(ti+jTs)=s(ti+jTs)+n(ti+jT)

(6)

式中,ti為第i個測量周期的初始時刻；Ts為間隔時間。

雖然采樣周期不斷變化,但是各采樣周期對應的第j個測試點的幅值幾乎不變；同時噪聲值與i和j都有關系,因此得:

xij=sj+nij

(7)

設噪聲標準差為σn,則i個測量周期信噪比為:

(8)

第j個測試點累加N次后的均值為:

(9)

則累加平均N次有:

(10)

(11)

累加N次之后有用信號和噪聲信號有效值分別為:

(12)

此時的信噪比為:

(13)

2.3 振動信號特征提取

表1 典型信號的各頻小波包能量Tab.1 Wavelet packet energy of each frequency of typical signal

3 類腦脈沖神經網絡

3.1 基于脈沖響應的類腦神經元設計

當脈沖型神經元l膜電壓達到點火閾值ζ時,此時l被激活[11],輸出激勵腦脈沖電壓ul,并且記錄激勵脈沖產生的時刻tl,神經元l輸出激勵脈沖的所有時間集合為Fl,與神經元l相連的前突觸集合為Γi。神經元受到點火閾值激活的勢能為:

(14)

式中,ηl為神經元對自身輸出脈沖的響應函數;εlL為脈沖神經元對其前突觸輸入脈沖的響應函數;ωlL為神經網絡中前突觸神經元L到后突觸神經元l的聯結權值。

函數ηl，εlL為:

(15)

(16)

式中,τ，τm，τs為時間常數;H(s)為階躍響應信號;φ為脈沖信號在軸突上的傳輸延時。

當ul達到點火閾值ζ時,則激活神經網絡,從而對振動信號進行分析。

3.2 類腦脈沖神經網絡

3.2.1 神經元連接強度非線性設計

類腦神經網絡通過模擬大腦皮層分區(qū)模塊化結構實現,多個子網絡組成神經網絡,每個子網絡承擔全局任務的一個子任務,當神經元產生激勵腦脈沖電壓時則被激活[12]。當神經元接收到脈沖信號后,自身膜電壓開始升高,當達到閾值后,向后層神經元發(fā)射一個脈沖信號,同時自身膜電壓復位,如果前神經元被激活的時間早于后神經元被激活的時間,則前、后神經元連接得到加強,反之減弱。連接權值的變化量不僅是脈沖時間的函數,還與權值本身的函數有關,因此神經元連接的強度與前、后神經元激活時間差函數關系非線性設計為:

(17)

式中,t1、t2為前、后神經元激活時間；τ>0為控制指數衰減速率的時間常數；a>0為對稱度調整參數,用于調整f-(ωlL)、f+(ωlL)函數對稱度；μ為曲率因子；K(Δt)為在連接過程中的學習窗函數；f-(ωlL)、f+(ωlL)為更新函數；ΔωlL為權值調整量；ξ(t)為隨機擾動項；λ為學習率；C為目標函數。當Δt>0時,則連接加強,Δt≤0,連接減弱。

當連接權值達到最大值時,連接權值更新會越來越小,這樣可有效防止突觸權值無限制地增長,從而更好地模仿生物大腦的學習方式。

3.2.2 輸入數據與神經元脈沖轉換

假設神經元狀態(tài)值為s∈[smin,smax],首次編碼發(fā)放時間t(s),則編碼為:

(18)

式中,φ為優(yōu)化系數,主要用于調節(jié)發(fā)放時間。

神經網絡隱含層輸入電流[13]:

(19)

為減少算法復雜度,輸出層神經元的輸出脈沖序列為連續(xù)發(fā)放,平均發(fā)放率為:

(20)

式中,U為輸出層神經元在一個時間窗口T內發(fā)放脈沖的數量。

類腦脈沖神經網絡訓練過程:(1)對不同的振動信號進行長時間采集并分割成短時信號,消噪后提取頻段特征值；(2)特征值編碼構成類腦脈沖神經網絡輸入量；(3按振動所對應信號建立模型庫；(4)將訓練好的模型用于實時信號分析。

3.2.3 算法流程

①輸入振動信號；

②消噪后提取信號頻段特征值,輸入類腦脈沖神經網絡;

③神經元學習更新,并將激活神經元連接至輸出神經元；

④若網絡達到收斂或最大迭代次數,轉至步驟⑤；否則進行步驟③；

⑤輸出分析結果。

4 實驗仿真

類腦神經網絡的每個子網絡采用48-5-6結構,在光纖油氣管道監(jiān)測中,6種振動信號在頻域上各取8個頻段,因此涉及到輸入層節(jié)點總數共計48個,脈沖編碼依次設置為000001～110000,模型輸出層節(jié)點總數為6個:機械挖掘、電鉆打孔、人工挖土、重型卡車行駛、人工走路、鎬刨,脈沖編碼依次為001～110,隱藏層節(jié)點總數為5個,利用Python結合脈沖神經網絡軟件Neuro Solutions 7.0搭建仿真平臺,點火閾值ζ取10 mV,學習率λ取0.2,曲率因子μ取1.3,權值調整量ΔωlL∈(20,100)。以管道進站和出站為例,光纜埋深1.1 m,土質為粉壤土,進站設備監(jiān)測長度40 km,出站設備監(jiān)測長度50 km,在兩條監(jiān)測鏈路中選擇兩個具有典型的兩個測試點進行挖掘測試,有效采集管道附近的振動信號,選取300個振動信號數據作為訓練樣本,150個數據作為測試樣本,最大迭代次數為200次。

4.1 信號識別結果

在識別過程中,為了驗證不同算法的有效性,進行單一信號識別和混合信號識別,涉及的算法有SVM、NN、BPNN、CNN、HMM、BSNN,各種算進行30次實驗,其結果如圖2、圖3所示。

圖2 單一信號識別Fig.2 Single signal identification

圖3 混合信號識別Fig.3 Mixed signal identification

從圖2、圖3可以看出,各種算法對單一信號識別準確率高于混合信號,這是因為單一信號頻段特征便于分析,混合信號的不同頻段特征疊加增加了分析的復雜度,同時噪聲也對混合信號影響較大。本文算法在單一信號、混合信號識別準確率高于其他算法,單一信號識別準確率在95.87%左右,兩種振動混合信號識別準確率在90.52%左右,三種振動混合信號識別準確率在86.46%左右。

4.2 定位距離誤差分析

各種算法進行30次實驗定位距離誤差分析,其結果如圖4所示。

圖4 定位距離誤差結果Fig.4 Positioning distance error results

從圖4可以看出,本文算法對各種振動信號定位距離誤差小于其他算法,均控制在30 m以內,如機械挖掘定位距離誤差為27 m,電鉆打孔定位距離誤差為26 m,人工挖土定位距離誤差為25 m,重型卡車行駛定位距離誤差為28 m,人工走路定位距離誤差為26 m,鎬刨定位距離誤差為28 m,便于及時找到故障位置,能夠在油氣管道中起到降低成本的效果。

5 總 結

本文基于類腦脈沖神經網絡對光纖油氣管道各種振動信號進行識別,振動信號消噪后提取不同頻段的特征輸入到脈沖神經網絡進行訓練,本文算法在單一信號、混合信號識別準確率高于其他算法,為光纖油氣管道監(jiān)測提供了一種新的參考方法。