基于支持向量機(jī)的輸氣管道泄漏壓降信號(hào)智能識(shí)別方法

賈文龍，孫溢彬，湯丁，陳家文，雷思羅，李長俊

（1 西南石油大學(xué)石油與天然氣工程學(xué)院，四川 成都 610500；2 重慶相國寺儲(chǔ)氣庫有限公司，重慶 401121）

為保證輸氣管道安全運(yùn)行，根據(jù)標(biāo)準(zhǔn)GB 50251《輸氣管道工程設(shè)計(jì)規(guī)范》的要求，需要在管道沿線設(shè)置截?cái)嚅y室。目前國內(nèi)大多數(shù)管線采用美國Shafer氣液聯(lián)動(dòng)閥，當(dāng)氣液聯(lián)動(dòng)閥檢測(cè)到的管道壓降速率和持續(xù)時(shí)間同時(shí)超過設(shè)定值時(shí)，截?cái)嚅y將自動(dòng)關(guān)斷。如表1所示，國內(nèi)不同管線的截?cái)嚅y參數(shù)設(shè)定值存在一定差異，大部分設(shè)置壓降速率為0.15MPa/min，持續(xù)時(shí)間為120s。

表1 截?cái)嚅y參數(shù)設(shè)定值

然而，在實(shí)際情況中采用上述設(shè)定值后，截?cái)嚅y仍會(huì)出現(xiàn)無法在管道泄漏時(shí)正常關(guān)斷的情況。例如，2012年西部某天然氣管道發(fā)生約20mm的小孔泄漏，檢測(cè)的壓降速率約0.03MPa/min，截?cái)嚅y沒有自動(dòng)關(guān)斷；2015 年中石油天然氣管網(wǎng)發(fā)生多起泄漏事故，由于泄漏量和檢測(cè)的壓降速率較小，所有事故中截?cái)嚅y均未自動(dòng)關(guān)斷。

國內(nèi)外學(xué)者針對(duì)如何合理設(shè)置閥門壓降速率和持續(xù)時(shí)間的問題開展了大量的研究。Zuo 等分析了持續(xù)時(shí)間為120s時(shí)泄漏工況對(duì)壓降速率的影響，表明管道的最大壓降速率與管道運(yùn)行壓力成正比，與氣體流速成反比。楊毅等模擬了不同泄漏工況對(duì)截?cái)嚅y壓降速率和持續(xù)時(shí)間的影響，發(fā)現(xiàn)小于300mm的泄漏孔徑幾乎不會(huì)引起截?cái)嚅y自動(dòng)關(guān)斷。赫德明等針對(duì)安徽省某輸氣管道提出了氣液聯(lián)動(dòng)閥的壓降速率與持續(xù)時(shí)間的推薦值，但僅能截?cái)嘈孤┛讖綖?00mm以上的泄漏情況。賈文龍等基于仿真將壓縮機(jī)抽吸工況和泄漏工況的壓降信號(hào)進(jìn)行對(duì)比，研究發(fā)現(xiàn)這兩種工況的壓降速率有重復(fù)，容易引起截?cái)嚅y的不關(guān)斷或誤關(guān)斷。因此，氣液聯(lián)動(dòng)閥檢測(cè)管道泄漏目前存在兩方面的問題：首先是管道發(fā)生小孔徑泄漏時(shí)的壓降速率遠(yuǎn)小于設(shè)定值，致使截?cái)嚅y無法自動(dòng)關(guān)斷；其次是壓縮機(jī)的抽吸等正常運(yùn)行工況也會(huì)導(dǎo)致管道的壓力下降和波動(dòng)，如果試圖降低設(shè)定值以識(shí)別出更小的泄漏工況，就會(huì)引起截?cái)嚅y在管道正常運(yùn)行時(shí)的誤關(guān)斷。為此，研發(fā)新的泄漏壓降速率信號(hào)識(shí)別方法有助于提升氣液聯(lián)動(dòng)閥對(duì)泄漏工況以及其他工況的判斷能力與執(zhí)行能力，確保管道平穩(wěn)供氣。

近年來，隨著智慧管道的發(fā)展，人工智能的檢測(cè)方法越來越受到關(guān)注，它主要通過對(duì)采集的壓力信號(hào)、流量信號(hào)或聲信號(hào)進(jìn)行實(shí)時(shí)特征值提取與分析來實(shí)現(xiàn)管道泄漏的檢測(cè)。焦敬品等基于聲信號(hào)的特征參數(shù)構(gòu)建了BP 神經(jīng)網(wǎng)絡(luò)管道泄漏識(shí)別系統(tǒng)，實(shí)現(xiàn)了不同泄漏信號(hào)的交叉識(shí)別。張瑞程等基于聲信號(hào)的特征參數(shù)，基于一維卷積神經(jīng)網(wǎng)絡(luò)提出了一種泄漏識(shí)別模型，優(yōu)化了輸氣管道泄漏識(shí)別中的數(shù)據(jù)預(yù)處和特征提取過程，提高了識(shí)別的準(zhǔn)確率。郝永梅等對(duì)總體局域均值分解與多尺度熵進(jìn)行改進(jìn)，提出了一種管道泄漏識(shí)別方法，減少了分解后的誤差，提高了泄漏信號(hào)的識(shí)別率。逯雯雯將布谷鳥和粒子群算法進(jìn)行融合并優(yōu)化了支持向量機(jī)的參數(shù)，根據(jù)負(fù)壓波信號(hào)的特征建立了二叉樹多分類支持向量機(jī)模型，實(shí)現(xiàn)了對(duì)泄漏點(diǎn)的定位。Ning等將頻譜增強(qiáng)和卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合，提出了一種天然氣管道泄漏檢測(cè)方法，該方法可以增強(qiáng)泄漏信號(hào)并降低背景噪聲。Zadkarami 等使用統(tǒng)計(jì)技術(shù)和小波分析的方法，提取了泄漏管道的進(jìn)口壓力和出口流量等信號(hào)特征，使用多層感知器神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，實(shí)現(xiàn)了對(duì)泄漏位置和泄漏尺寸的識(shí)別。Li等提出了一種基于核主成分分析和支持向量機(jī)的聲信號(hào)泄漏檢測(cè)方法。Liu 等采用濾波法對(duì)聲信號(hào)進(jìn)行處理，提出了信號(hào)去噪系統(tǒng)和泄漏點(diǎn)定位方法，提出的系統(tǒng)能夠有效地從實(shí)測(cè)信號(hào)中提取泄漏信號(hào)且泄漏檢測(cè)結(jié)果的精度也較高。Diao等結(jié)合粒子群算法和最大熵原理對(duì)聲波信號(hào)進(jìn)行重構(gòu)，基于變分模態(tài)分解提取了聲波信號(hào)的特征，通過支持向量機(jī)對(duì)管道泄漏進(jìn)行檢測(cè)。

然而，國內(nèi)外研究大多以聲波信號(hào)為研究對(duì)象，目前還缺乏壓降速率信號(hào)對(duì)管道泄漏識(shí)別的研究與驗(yàn)證。因此，考慮氣液聯(lián)動(dòng)閥的檢測(cè)特點(diǎn)并結(jié)合實(shí)際工程中截?cái)嚅y遇到的問題，基于相國寺儲(chǔ)氣庫輸氣干線數(shù)據(jù)，建立并驗(yàn)證管道壓降速率仿真模型。通過模型獲得管道泄漏、壓縮機(jī)抽吸以及截?cái)嚅y緊急截?cái)喙r的壓降速率信號(hào)然后進(jìn)行特征分析。改進(jìn)教與學(xué)優(yōu)化算法并用其優(yōu)化支持向量機(jī)內(nèi)的參數(shù)，建立多分類的支持向量機(jī)泄漏信號(hào)識(shí)別模型，以期提供一個(gè)快速且準(zhǔn)確的管道泄漏智能識(shí)別方法。

1 壓降速率信號(hào)的采集

1.1 壓降速率的計(jì)算

Shafer 氣液聯(lián)動(dòng)閥的對(duì)點(diǎn)檢測(cè)壓降速率計(jì)算如式(1)～式(3)所示。

式中，p為時(shí)刻的平均壓力，MPa；為時(shí)刻的壓力，MPa；為-5s 時(shí)的壓力，MPa；為-10s 時(shí) 的 壓 力，MPa；為-15s 時(shí) 的 壓 力，MPa；為-20s時(shí)的壓力，MPa。

式中，p為-60s 時(shí)的平均壓力，MPa；為-60s 時(shí)的壓力，MPa；為-65s 時(shí)的壓力，MPa；為-70s 時(shí)的壓力，MPa；為-75s 時(shí)的壓力，MPa；為-80s時(shí)的壓力，MPa。

式中，ROD為時(shí)刻的壓降速率，MPa/min。壓力曲線見圖1。

圖1 壓力曲線

1.2 壓降速率信號(hào)的模擬

如圖2所示，相國寺儲(chǔ)氣庫銅相線全長84.2km，設(shè)計(jì)輸量2100×10m/d，設(shè)計(jì)壓力10MPa，沿線有5座閥室，集注站內(nèi)設(shè)有壓縮機(jī)組，在注氣階段時(shí)啟動(dòng)。采用PipelineStudio 仿真軟件建立了銅相線的管道仿真模型，通過現(xiàn)場(chǎng)實(shí)測(cè)數(shù)據(jù)對(duì)模型進(jìn)行驗(yàn)證，平均相對(duì)偏差為0.38%，驗(yàn)證了模型的可靠性。

圖2 相國寺儲(chǔ)氣庫銅相線

基于仿真模型，結(jié)合銅相線的實(shí)際情況，模擬了管道泄漏、壓縮機(jī)抽吸和截?cái)嚅y緊急截?cái)?種工況下集注干線上各閥室的壓力變化情況。為了使數(shù)據(jù)更具多樣性，模擬了不同邊界條件在任意組合下對(duì)閥室壓降速率的影響，其中管徑為660～1016mm、輸量為(300～2100)×10m/d、壓力為5～10MPa、泄漏孔徑為25～125mm、泄漏位置為兩閥室間10%～70%的位置、壓縮比為1.5～3.0。

以土場(chǎng)閥室為例，圖3 為該閥室在相同輸量、壓力等邊界條件下對(duì)應(yīng)3 種不同工況時(shí)的壓力曲線。其中泄漏工況的泄漏孔徑為80mm，泄漏位置為兩閥室間70%位置；壓縮機(jī)抽吸工況的壓縮比為2.5；截?cái)嚅y截?cái)喙r為靜觀閥室突然截?cái)嗪笸翀?chǎng)閥室的壓力變化情況。以上所有動(dòng)態(tài)工況均發(fā)生在第3分鐘，共持續(xù)30min。

圖3 不同工況下閥室壓力曲線

根據(jù)式(3)將壓力信號(hào)轉(zhuǎn)化為壓降速率信號(hào)。圖4(a)顯示，同一閥室在不同泄漏孔徑下，壓降速率信號(hào)趨勢(shì)保持一致，但泄漏孔徑越小，信號(hào)的波動(dòng)越不明顯。由于壓力波動(dòng)會(huì)隨著傳播距離增大而減弱，所以在圖4(b)、(c)可以看到，這兩種工況下距離集注站或靜觀閥室（緊急截?cái)嗟拈y室）越遠(yuǎn)的閥室，壓降速率越小且信號(hào)越加平緩?？v觀圖4，這3種工況的某些壓降速率信號(hào)在數(shù)值上相近，這也是截?cái)嚅y誤關(guān)斷或不關(guān)斷的主要原因，因?yàn)闅庖郝?lián)動(dòng)閥單一地根據(jù)壓降速率數(shù)值無法準(zhǔn)確區(qū)分出這些工況。但觀察發(fā)現(xiàn)，不同工況下壓降速率信號(hào)曲線的趨勢(shì)各有不同，而機(jī)器學(xué)習(xí)就可以根據(jù)這些曲線的特征來反向判別該信號(hào)所屬的工況類別，進(jìn)而指導(dǎo)截?cái)嚅y是否動(dòng)作。

圖4 不同工況下閥室的壓降速率曲線

2 泄漏信號(hào)的智能識(shí)別模型

2.1 支持向量機(jī)模型

支持向量機(jī)（support vector machine，SVM）屬于機(jī)器學(xué)習(xí)模型的一種，近年來被廣泛應(yīng)用于模式識(shí)別領(lǐng)域中的數(shù)據(jù)分類問題。SVM的目標(biāo)是找到一個(gè)分類超平面，使訓(xùn)練集中的點(diǎn)盡可能遠(yuǎn)離它。實(shí)際情況中大部分的分類問題為線性不可分問題，在解決這類問題時(shí)SVM 中的核函數(shù)可以將樣本數(shù)據(jù)從原始空間映射到高維空間，使原始的樣本數(shù)據(jù)在高維空間中轉(zhuǎn)變?yōu)榫€性可分的情況。實(shí)際情況中，管道泄漏屬于小概率事件，能夠采集到的壓降速率信號(hào)樣本有限。而支持向量機(jī)恰好適用于解決小樣本、非線性的分類問題，在管道泄漏識(shí)別領(lǐng)域具有一定的優(yōu)勢(shì)。非線性分類問題的分類超平面的表達(dá)式如式(4)所示。

2.2 TLBO算法的優(yōu)化

支持向量機(jī)在處理分類問題時(shí)，通常要對(duì)其內(nèi)部的懲罰因子和核函數(shù)參數(shù)進(jìn)行優(yōu)化。相比于粒子群算法和遺傳算法，教與學(xué)優(yōu)化算法（teaching-learning-based optimization，TLBO）因其具有更高的尋優(yōu)精度、收斂速度和參數(shù)設(shè)置簡單等優(yōu)點(diǎn)而被廣泛關(guān)注。TLBO 算法模擬了課堂中學(xué)生從老師和其余學(xué)生處獲取知識(shí)的過程，學(xué)生的成績（適應(yīng)度值）在學(xué)習(xí)過程中不斷提高，最終使學(xué)生在目標(biāo)函數(shù)處的表現(xiàn)不斷接近全局最優(yōu)值。該算法由教師階段和學(xué)生階段兩個(gè)階段組成。

教師階段是將每次迭代中成績最高的學(xué)生作為老師，其他同學(xué)不斷向老師學(xué)習(xí)進(jìn)而提高班級(jí)平均成績的過程。該過程的數(shù)學(xué)表達(dá)式如式(5)、式(6)所示。

式中，Xn和Xo分別為向老師學(xué)習(xí)后和學(xué)習(xí)前的學(xué)生個(gè)體，為[0,1]間的隨機(jī)數(shù)；為學(xué)習(xí)因子，取1或2。

學(xué)生階段是兩個(gè)隨機(jī)的學(xué)生X和X間相互學(xué)習(xí)的過程，每個(gè)學(xué)生都能從比自己成績更好的學(xué)生處獲得新知識(shí)。該過程的數(shù)學(xué)表達(dá)式如式(7)所示。

雖然TLBO算法具有參數(shù)少、計(jì)算精度高等優(yōu)點(diǎn)，但是在求解時(shí)容易陷入全局最優(yōu)解。因?yàn)門LBO 算法使用隨機(jī)初始化的方法產(chǎn)生種群個(gè)體，使粒子分布不均勻，如果初始種群沒覆蓋到全局最優(yōu)解且在有限的迭代次數(shù)內(nèi)沒有搜索到最優(yōu)解，就會(huì)導(dǎo)致算法過早收斂、求解精度低等問題。而且TLBO 算法平衡全局搜索和局部搜索的能力較差，容易使算法陷入局部最優(yōu)解。因此，為進(jìn)一步提高壓降速率信號(hào)識(shí)別模型分類的準(zhǔn)確率，從種群初始化和平衡局部與全局尋優(yōu)能力兩個(gè)方面對(duì)TLBO算法進(jìn)行改進(jìn)。

2.2.1 改進(jìn)的Tent混沌映射

研究顯示，利用混沌映射對(duì)種群進(jìn)行初始化會(huì)影響算法的整個(gè)過程，而且產(chǎn)生的變量具有較強(qiáng)的遍歷性，常常能取得比偽隨機(jī)數(shù)更好的效果。標(biāo)準(zhǔn)的Tent混沌映射如式(8)所示。

式中，Z為第個(gè)混沌變量，取值范圍為[0,1]；為(0,1)之間的隨機(jī)數(shù)，取0.4。

然而，標(biāo)準(zhǔn)Tent 混沌映射產(chǎn)生的混沌粒子在[0,1]區(qū)間內(nèi)分布仍不夠均勻，遍歷性還有待提升。因此，對(duì)標(biāo)準(zhǔn)Tent 混沌映射進(jìn)行了改進(jìn)以提高初始種群粒子的均勻性，如式(9)、式(10)所示。

式中，為粒子轉(zhuǎn)移范圍的下界；rand為[0,1]之間的隨機(jī)數(shù)。

如圖5所示，對(duì)比了標(biāo)準(zhǔn)Tent混沌映射和改進(jìn)的Tent混沌映射，均產(chǎn)生100個(gè)混沌變量，將區(qū)間按[0,0.1),(0.1,0.2],…,(0.9,1]分為10個(gè)區(qū)間，統(tǒng)計(jì)了粒子在各區(qū)間分布的個(gè)數(shù)。

圖5 粒子在各區(qū)間分布情況

由圖5可以看到，使用改進(jìn)的Tent混沌映射產(chǎn)生的變量在各區(qū)間的分布較改進(jìn)前的更加均勻，具有更好的遍歷性。基于改進(jìn)的Tent 混沌映射對(duì)種群進(jìn)行初始化的公式如式(11)所示。

式中，為變量的最小值；為變量的最大值。

2.2.2 自適應(yīng)慣性權(quán)重函數(shù)

慣性權(quán)重的概念在首次提出時(shí)就引入了PSO算法中，隨后大量研究證明，慣性權(quán)重能夠很好地平衡算法的全局和局部搜索能力。在此基礎(chǔ)上，以最優(yōu)個(gè)體適應(yīng)度值的更新率和迭代步數(shù)作為自變量，提出了自適應(yīng)慣性權(quán)重調(diào)節(jié)函數(shù)，并將其引入到TLBO算法中，具體函數(shù)如式(12)、式(13)所示。

式中，()為第次迭代時(shí)的慣性權(quán)重；為最小慣性權(quán)重，取0.9；為最大慣性權(quán)重，取0.1；為最大迭代次數(shù)；()為種群最優(yōu)個(gè)體適應(yīng)度值的更新程度；bestsol(-1)為第-1 次迭代時(shí)最優(yōu)個(gè)體的適應(yīng)度值；bestsol(-2)為第-2 次迭代時(shí)最優(yōu)個(gè)體的適應(yīng)度值。

相應(yīng)地，式(5)變?yōu)槭?14)。

當(dāng)相鄰兩次迭代最優(yōu)個(gè)體的適應(yīng)度值變化很小或不變時(shí)，算法可能陷入局部最優(yōu)，增大慣性權(quán)重，可以使種群跳出局部最優(yōu)。從圖6 中可以看到，自適應(yīng)慣性權(quán)重函數(shù)還保證了算法在迭代前期擁有較大的慣性權(quán)重，提高了全局搜索能力，在迭代后期擁有較小的慣性權(quán)重，提高了局部搜索能力，有利于種群向最優(yōu)解逼近。

圖6 自適應(yīng)慣性權(quán)重函數(shù)曲線

圖7為改進(jìn)的教與學(xué)優(yōu)化算法流程。與改進(jìn)前的教與學(xué)優(yōu)化算法相比，改進(jìn)后的算法在種群的初始化階段使用改進(jìn)的Tent 混沌映射替代了之前的偽隨機(jī)數(shù)法。同時(shí)，在教師階段和學(xué)生階段的計(jì)算公式中，均引入了自適應(yīng)慣性權(quán)重，進(jìn)一步提升了算法的尋優(yōu)性能。

圖7 改進(jìn)的教與學(xué)優(yōu)化算法流程

2.3 改進(jìn)算法的測(cè)試結(jié)果與分析

為檢驗(yàn)改進(jìn)的教與學(xué)優(yōu)化算法（improved teaching-learning-based optimization，ITLBO）的尋優(yōu)能力，選用:Sphere、:Sum Square、:Schwefel 2.22、:Ackley、:Griewank、:Rastrigin共6個(gè)常用的benchmark 測(cè)試函數(shù)對(duì)算法進(jìn)行測(cè)試，這些函數(shù)的理論最小值均為0。將測(cè)試結(jié)果與使用教與學(xué)優(yōu)化算法、粒子群算法（particle swarm optimization，PSO）和遺傳算法（genetic algorithm，GA）的結(jié)果進(jìn)行了對(duì)比。所有優(yōu)化算法的種群大小均為50，迭代次數(shù)均為1000，各算法在每個(gè)測(cè)試函數(shù)上均獨(dú)立運(yùn)行30次，測(cè)試環(huán)境保持一致，表2統(tǒng)計(jì)了維度為二維時(shí)各算法對(duì)不同函數(shù)尋優(yōu)結(jié)果的平均值和方差。

表2 benchmark函數(shù)測(cè)試結(jié)果

以函數(shù)為例，圖8為4種不同算法優(yōu)化時(shí)的收斂曲線圖。當(dāng)函數(shù)維度為二維時(shí)，從表2 和圖8中可以看到，對(duì)于單峰函數(shù)和，TLBO 算法和ITLBO算法均可以找到全局最優(yōu)解，但I(xiàn)TLBO算法的收斂速度更快，而GA 和PSO 算法在有限的迭代步數(shù)內(nèi)沒有找到全局最優(yōu)解；對(duì)于單峰函數(shù)，只有ITLBO算法在有限的迭代步數(shù)內(nèi)找到了全局最優(yōu)解；對(duì)于多峰函數(shù)，GA、PSO、TLBO、ITLBO算法均沒有找到全局最優(yōu)解，但I(xiàn)TLBO算法的收斂速度最快；對(duì)于多峰函數(shù)，PSO、TLBO、ITLBO 算法均找到了全局最優(yōu)解，但I(xiàn)TLBO算法的收斂速度最快；對(duì)于多峰函數(shù)，TLBO 和ITLBO 算法均可以找到全局最優(yōu)解，但I(xiàn)TLBO 算法的收斂速度更快。

圖8 f1函數(shù)的收斂曲線

計(jì)算結(jié)果顯示，ITLBO算法始終能找到大部分單峰函數(shù)和多峰函數(shù)的全局最優(yōu)值，尋優(yōu)結(jié)果的精度和收斂速度均優(yōu)于改進(jìn)前的TLBO算法和其他算法，說明提出的ITLBO算法具有較好的魯棒性和穩(wěn)定性，算法的有效性得到了驗(yàn)證。

3 案例分析

3.1 支持向量機(jī)識(shí)別壓降速率信號(hào)流程

支持向量機(jī)模型對(duì)壓降速率信號(hào)分類的準(zhǔn)確率受到內(nèi)部懲罰系數(shù)和核函數(shù)參數(shù)取值的影響。因此，分別使用GA、PSO、TLBO 和ITLBO 算法求解這兩個(gè)參數(shù)的最優(yōu)值，并將分類結(jié)果進(jìn)行對(duì)比。圖9為支持向量機(jī)識(shí)別不同工況壓降速率信號(hào)的過程，具體步驟如下：首先，為保證壓降速率信號(hào)具有多樣性，選取管道泄漏、壓縮機(jī)抽吸和截?cái)嚅y緊急截?cái)喙r下不同閥室的壓降速率信號(hào)各200 組（共600 組）作為原始信號(hào)，這些信號(hào)均勻地覆蓋了輸量為(300～2100)×10m3/d、壓力為5～10MPa、泄漏孔徑為25～125mm、泄漏位置為兩閥室間10%～70%的位置、壓縮比為1.5～3.0 的邊界條件。其次，由于采集到的壓降速率信號(hào)維度較高，因此需要使用奇異值分解對(duì)壓降速率信號(hào)進(jìn)行特征提取。式(16)為特征提取過程中構(gòu)建的軌跡矩陣的表達(dá)式，對(duì)其求解即可得到該條壓降速率信號(hào)的特征信號(hào)。為了避免數(shù)量級(jí)的影響，還需對(duì)所有的特征信號(hào)進(jìn)行歸一化處理，歸一化處理的表達(dá)式如式(17)。

圖9 SVM識(shí)別壓降速率信號(hào)過程

式中，,,…,x為各時(shí)刻對(duì)應(yīng)的壓降速率；為時(shí)間序列，即壓降速率信號(hào)的長度，取60；為窗口長度，取10。

式中，為特征信號(hào)中的最小值；為特征信號(hào)中的最大值；為歸一化的下限，取-1；為歸一化的上限，取1。

然后均勻地將3類工況的特征信號(hào)各取70%作為訓(xùn)練集（共420組）進(jìn)行分類器訓(xùn)練，剩余信號(hào)作為測(cè)試集（共180組）測(cè)試分類器的準(zhǔn)確率，保證了訓(xùn)練集內(nèi)的各類工況在測(cè)試集里都有與之對(duì)應(yīng)的測(cè)試信號(hào)，使測(cè)試結(jié)果具有公平性。最后，使用優(yōu)化算法優(yōu)化支持向量機(jī)模型內(nèi)的懲罰系數(shù)和核函數(shù)參數(shù)，得到識(shí)別不同工況壓降速率信號(hào)的支持向量機(jī)模型后，將訓(xùn)練集輸入模型中進(jìn)行模型的訓(xùn)練，再使用測(cè)試集對(duì)模型的分類效果進(jìn)行測(cè)試。

3.2 結(jié)果分析

按照上述步驟，對(duì)模型的分類效果進(jìn)行測(cè)試。在尋優(yōu)過程中，初始種群數(shù)量為30，迭代步數(shù)為80，和的尋優(yōu)范圍為[0.01,100]。支持向量機(jī)內(nèi)其他參數(shù)固定，其中核函數(shù)類型為RBF 核函數(shù)，折交叉驗(yàn)證為5折，各算法優(yōu)化的模型均獨(dú)立運(yùn)行30 次，取分類準(zhǔn)確率的平均值作為結(jié)果，優(yōu)化結(jié)果如表3所示。

由表3可知，ITLBO 算法優(yōu)化的管道泄漏識(shí)別模型的準(zhǔn)確率最高，整體平均分類準(zhǔn)確率為98.5%，相比于TLBO算法提高了4.2%，且明顯優(yōu)于PSO和GA 算法。圖10顯示，ITLBO 算法優(yōu)化模型的收斂步數(shù)為15，TLBO 為19，PSO 為46，GA 為58，說明ITLBO算法優(yōu)化的模型較其他模型具有更快的收斂速度。應(yīng)用結(jié)果與benchmark 函數(shù)測(cè)試結(jié)果一致，證明了ITLBO算法優(yōu)化的泄漏信號(hào)識(shí)別模型較其他算法優(yōu)化的模型在分類準(zhǔn)確率和收斂速度上都有所提高。

表3 不同優(yōu)化算法下模型的分類結(jié)果

圖10 不同算法優(yōu)化模型的收斂曲線

圖11 為ITLBO 算法優(yōu)化的管道泄漏信號(hào)識(shí)別模型的分類結(jié)果，圖中縱坐標(biāo)“1”代表泄漏工況、“0”代表壓縮機(jī)抽吸工況、“-1”代表截?cái)嚅y緊急截?cái)喙r，每種工況各有60 組測(cè)試信號(hào)。對(duì)于泄漏工況，測(cè)試信號(hào)的泄漏孔徑為25～125mm，壓降速率為0.001～0.1MPa/min，其中有1 組誤識(shí)別為壓縮機(jī)抽吸信號(hào)，準(zhǔn)確率為98.3%；對(duì)于壓縮機(jī)抽吸工況，測(cè)試信號(hào)的壓縮比為1.5～3.0，壓降速率為0.001～0.15MPa/min，其中有2 組誤識(shí)別為泄漏工況，準(zhǔn)確率為96.7%；對(duì)于截?cái)嚅y緊急截?cái)喙r，測(cè)試信號(hào)的壓降速率為0.02～0.1MPa/min，識(shí)別準(zhǔn)確率為100%。

圖11 ITLBO-SVM模型識(shí)別結(jié)果（相國寺儲(chǔ)氣庫）

泄漏工況中識(shí)別錯(cuò)誤的信號(hào)為50mm 泄漏孔徑的信號(hào)，壓降速率為0.01MPa/min；壓縮機(jī)抽吸工況中識(shí)別錯(cuò)誤的信號(hào)為壓縮比1.5 時(shí)閥室的壓降速率信號(hào)，壓降速率分別為0.003MPa/min 和0.006MPa/min，分別對(duì)應(yīng)泄漏孔徑25mm 和50mm時(shí)的壓降速率，這些信號(hào)的壓降速率均小于0.01MPa/min。模擬了大量壓降速率信號(hào)后發(fā)現(xiàn)，管段泄漏孔徑小于50mm的上下游閥室、壓縮機(jī)抽吸時(shí)距離壓氣站越遠(yuǎn)的閥室和距緊急截?cái)嗟拈y室越遠(yuǎn)的閥室，它們采集到的壓降速率信號(hào)普遍小于0.01MPa/min，可能會(huì)出現(xiàn)個(gè)別信號(hào)識(shí)別不準(zhǔn)確的情況。

如圖12 所示，當(dāng)壓降速率小于0.01MPa/min時(shí)，壓縮機(jī)抽吸工況和泄漏工況的壓降速率信號(hào)在數(shù)值上和曲線特征上相近，進(jìn)而導(dǎo)致模型分類失誤。為此，針對(duì)50mm以下的小孔泄漏，建議通過氣液聯(lián)動(dòng)閥與SCADA 系統(tǒng)數(shù)據(jù)監(jiān)測(cè)的特征進(jìn)行綜合判斷。例如，壓縮機(jī)抽吸時(shí)的特征表現(xiàn)為各閥室的壓降速率依次減小；管道泄漏時(shí)的特征表現(xiàn)為沿線某一個(gè)閥室的壓降速率突然增大，其余閥室壓降速率不變。根據(jù)這些特征可綜合判斷是否需要遠(yuǎn)程控制截?cái)嚅y關(guān)斷。

圖12 壓降速率信號(hào)對(duì)比

3.3 模型普適性驗(yàn)證

基于陜京三線實(shí)際運(yùn)行數(shù)據(jù)，建立了榆林首站至臨縣壓氣站的仿真模型，管線全長181.1km，管徑1016mm，沿線共有8 座閥室。同樣模擬了泄漏工況、壓縮機(jī)抽吸工況和截?cái)嚅y緊急截?cái)喙r，所研究的輸量為(2300～3450)×10m3/d、壓力為7.5～8.8MPa、泄漏孔徑為25～125mm、泄漏位置為兩閥室間10%～70%的位置、壓縮比為1.5～3.0。3 類工況各模擬了30 組壓降速率信號(hào)，作為測(cè)試集對(duì)模型進(jìn)行驗(yàn)證，見圖13。

圖13 ITLBO-SVM模型識(shí)別結(jié)果（陜京三線）

從圖13 中可以看到，模型對(duì)于管道泄漏工況和截?cái)嚅y緊急截?cái)喙r識(shí)別的準(zhǔn)確率為100%；而對(duì)于壓縮機(jī)抽吸工況，有1組信號(hào)被錯(cuò)誤識(shí)別，識(shí)別的準(zhǔn)確率為96.7%。該信號(hào)為壓縮比為1.5 時(shí)遠(yuǎn)離壓氣站的某閥室的壓降速率信號(hào)，壓降速率為0.008MPa/min，被誤識(shí)別為50mm 的泄漏工況壓降速率信號(hào)，說明此時(shí)兩種工況的壓降速率信號(hào)近似。從模型整體的識(shí)別效果來看，90 組信號(hào)中僅有1 組信號(hào)識(shí)別錯(cuò)誤，模型整體識(shí)別的準(zhǔn)確率為98.9%，說明提出的模型能夠適應(yīng)不同屬性的管道，模型具有一定的普適性。

4 結(jié)論

（1）提出的混沌映射和自適應(yīng)慣性權(quán)重的教與學(xué)優(yōu)化算法在種群初始化和平衡全局與局部最優(yōu)能力方面得到提升。優(yōu)化后的支持向量機(jī)模型對(duì)管道泄漏、壓縮機(jī)抽吸、截?cái)嚅y緊急截?cái)喙r識(shí)別的準(zhǔn)確率為98.5%，較優(yōu)化前提高了4.2%，模型具有一定的普適性。

（2）模型可識(shí)別當(dāng)量直徑為50～125mm的小孔泄漏，壓降速率范圍0.01～0.1MPa/min，識(shí)別準(zhǔn)確率為100%。

（3）模型可識(shí)別的壓縮機(jī)抽吸工況壓降速率范圍為0.001～0.15MPa/min，識(shí)別準(zhǔn)確率為96.7%；可識(shí)別的截?cái)嚅y緊急截?cái)喙r壓降速率范圍為0.02～0.1MPa/min，識(shí)別準(zhǔn)確率為100%。

（4）當(dāng)泄漏孔徑小于50mm、壓降速率小于0.01MPa/min 時(shí)，管道泄漏工況和壓縮機(jī)抽吸工況的壓降速率信號(hào)特征相似，導(dǎo)致模型對(duì)個(gè)別信號(hào)分類不準(zhǔn)，此時(shí)建議通過氣液聯(lián)動(dòng)閥與SCADA 系統(tǒng)監(jiān)測(cè)數(shù)據(jù)綜合判斷管道是否泄漏。