CN101008992A - 基于人工神经网络的管道泄漏的检测方法 - Google Patents

Abstract

本发明公开了一种基于人工神经网络的管道泄漏的检测方法，检测方法可分为四个步骤：气相流体管道上相关信号的采集和传递，神经元网络训练，神经元网络信号的诊断和信号显示，上述步骤顺序进行对气体管道的泄露情况进行检测，基于现有的管道检测的基本设备，提供一种利用计算机识别技术，对气体管道泄漏状况进行准确检测的方法。该方法提供的智能控制检测方法较好地解决了管道泄露的检测问题。

Description

基于人工神经网络的管道泄漏的检测方法

技术领域：

本发明涉及一种计算机控制技术，具体涉及一种利用计算机神经网络系统检测管道泄漏的方法。

背景技术：

管道泄漏的物质通常是有毒和有害的，由于发生泄漏事故可能会对周围环境及其生态平衡造成严重的破坏或影响，由此造成国家财产的损失和人民生命的威胁。尤其对于气体运输管线，如城市煤气管网，由于其埋于地下缺乏有效的维护和监测手段，因此成为公共安全的一个重大隐患。由于气体具有极易压缩的性质，因此常用的泄漏检测手段对其效果不佳。再加上许多在役的气体运输管线，输送压力属于中低压。如何在低压状态下，能够有效地检测到泄漏并进行定位是解决气体管线安全问题的重要课题。此外，对于已经在使用的管线来讲，现实情况不可能大规模附加昂贵的检测仪器。这就需要在仅存在现有流量检测的前提下进行泄漏的检测。

迄今为止，管道泄漏检测系统的组成主要分为硬件和检测方法两种方法和技术。基于硬件的方法和技术主要有声发射、电缆传感器、光纤维、土壤检测、超声波流量测定、蒸汽测定等方法和技术；基于检测方法的方法和技术有质量(或体积)平衡、实时瞬变模型、压力点分析、统计分析等。

但是，上述技术其优点明确，但客观存在的缺陷也很突出：

1、基于声发射技术的管道泄漏检测系统具有可实时和可连续地测定分析、泄漏点定位准确和不必拆卸管道的外部测定等优点；但是，对于大流量的管道，背景噪声将会对泄漏噪声产生严重干扰。还有，基于声发射技术的管道泄漏技术检测泄漏量的准确性与其他技术相比具有较大的误差。

2、基于声发射技术的管道泄漏检测系统，在技术上尚不完善，对于测定地下管道的泄漏问题还有相当多的研究工作需要解决。

3、基于电缆传感器的泄漏技术是一种非金属的测量技术，可应用于极冷的地区和20英尺深度的管道的泄漏检测；电缆经过汽油或者其他的高挥发性碳氢物质暴露之后，必须经空气干燥。此外，传感器会干扰管道的阴极保护系统，对外界条件要求较高，同时自身设施要求配备齐全，否则其产品生命周期会大大缩短。

4、光纤是一种有前途的管道泄漏检测技术，光纤传感器可以分散地和定点地安装在管线上。光纤可以检测很宽范围的物理和化学特性，既可以检测泄漏也可以定位漏点位置。

5、土壤检测方法是一种蒸汽检测系统，可以测定出地下管道周围土壤中蒸汽相碳氢物质的浓度，由此检测管道泄漏位置和泄露状况。基于土壤检测的管道泄漏测定和漏点定位技术通常应用于地下的管道，测定干扰小，具有较高的检漏准确性。但是，对于较长的管线，需要沿管线预先建立较多的探头深孔以收集示踪气体样品用于气相色谱测定，测定费用较高、工作负荷较大。

6、超声波流量检漏是一种比较经济的、方便的和易于安装维护的技术。但是超声波流量检漏系统与声发射技术的管道泄漏检测系统类似，都是在管道外部安装的、非破坏性的检漏技术。超声波流量检漏系统已经成功地应用于城市供水管道系统中的泄漏诊断，除了上述的技术之外，还有便携式的超声波检漏系统，可供有经验的技术人员佩戴并在现场沿着地下管道巡检使用，同样具有比较准确的漏点定位能力。

7、蒸汽测定系统是将传感器管道平行地安装在被测定管道上，如果管道发生泄漏时，泄漏的碳氢物质就会流出管道并通过扩散进入传感器管道。然后，周期地应用泵抽取传感器管道内的空气并将此空气通过一个碳氢物质检测器，泄漏的碳氢物质就会被测定出来并以峰的方式记录。蒸汽检测技术是一种管道检漏的物理测定方法，与管道内的物质的体积和压力无关。此技术无需检测方法处理，通常应用于较小泄漏的情况，不适合大的泄漏情况。此外，此系统通常需要较高的投资，但是不需要太多的维护工作；还有，此系统的检漏响应时间较长，取决于泵的流速、传感器管线的长短。

8、除了上述的硬件管道检漏技术之外，生物检漏技术也是常常使用的传统方法之一。具有丰富经验的技术人员沿着管道巡检，通过气味、声音、环境状况等因素寻找管道及其周边的异常现象，判断和确定管道的运行和泄漏状态。还有，使用训练有素的动物和它的感官也可以帮助人们判断和确定管道的运行和泄漏状态。

9、基于检测方法的管道检漏方法通常使用管道内流体的流量、压力、温度和其他的数据的变化差异，通过数学模型确定管道内流体的运行状态，判断管道是否出现泄漏，泄漏量大小和确定泄漏点位置。因为输入到计算机检测方法的流量、压力、温度等参数都是应用硬件设备获得的，所以，基于检测方法的管道检漏方法是通过与其对应的硬件技术共同实现的。由于固定了相应的数学模型，造成了计算机不能突发事件不能够准确识别，或识别信息不明显，造成事故的抢救延误，酿成严重后果。

发明内容：

本发明所要解决的技术问题是基于现有的管道状况，基于现有的管道检测的基本设备，提供一种利用计算机识别技术，对气体管道泄漏状况进行准确检测的方法。

为解决上述技术问题，本发明采用的技术方案为：一种基于人工神经网络的管道泄漏的检测方法，检测方法可分为四个步骤：气相流体管道上相关信号的采集和传递，神经元网络训练，神经元网络信号的诊断和信号显示，上述步骤顺序进行。

本案中具体控制方法可以从说明书中明显地得出，或者可以从具体实施方式中总结获得，本发明的所要解决的技术问题和优点可以通过以下附图和具体实施方式中充分体现。结合以下图示予以详细说明，使得以更深入的了解。

附图说明：

图1为本发明专利提供的检测方法的原理框图；

图2为本发明专利提供的具体实施方式的通讯接口原理图；

图3为本发明所提供的具体实施方式的串行通信数据格式图；

图4为本发明所提供的具体实施方式的RBF神经元网络的拓扑结构图；

图5为本发明所提供的具体实施方式的研究员操控流程图；

图6为本发明所提供的具体实施方式的研究员的检测方法处理流程图

图7为本发明所提供的具体实施方式的研究员的通信协作图

图8为本发明所提供的具体实施方式的研究员的训练功能协作图

图9为本发明所提供的具体实施方式的研究员的诊断协作图；

图10为本发明所提供的具体实施方式的研究员的通信活动图

图11为本发明所提供的具体实施方式的研究员的诊断活动图

图12为本发明所提供的具体实施方式的通信模块的系统指令图

图13为本发明所提供的具体实施方式的接口类、控制层和实体层的关系图

图14为本发明所提供的具体实施方式的数据显示模块系统指令图

图15为本发明所提供的具体实施方式的人工神经网络的管道泄漏检测系统图

具体实施方式：

如图1所示：该基于人工神经网络的管道泄漏的检测方法分为两个阶段，第一阶段为通过通讯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。

本发明提供的通信模块对管道上的相应信号进行处理和传递，在该过程中我们可以采用串行通信模式，在该串行接口中，必须要有“接收移位寄存器”(串→并)和“发送移位寄存器”(并→串)。本案采用的的串行接口的结构如图2所示。

能够完成上述“串<-->并”转换功能的电路，通常称为“通用异步收发器”(UART：Universal Asynchronous ReceiverandTransmitter)。上述数据采用的格式为图3所示；

该串行通信接口电路一般由可编程的串行接口芯片、波特率发生器、EIA与TTL电平转换器以及地址译码电路组成。其中，串行接口芯片，市场上通用的同步(USRT)和异步(UART)接口芯片种类很多，且都是可编程的。本案串行通信采用RS-485接口，具有良好的抗噪声干扰性，长的传输距离和多站能力等上述优点就使其成为首选的串行接口。

开发串行通信程序可以采用如下方法中任何一种：WindowsAPI通信函数；VC的标准通信函数_inp、_inpw、_inpd、_outp、_outpw、_outpd等；Microsoft Visual C++的通信控件(MSComm)；自己编写通讯协议控件。本案在软件编程上不作具体限制，只要理解这种类的几个成员函数，都能达到实现串行通信的协议的使用。

基于上述硬件装置，本案中采用了神经元网络技术，对管道进行状况检测，神经元的模型确定之后，一个神经网络的特性及能力主要取决于网络的拓扑结构及学习方法。

一个神经网络的拓扑结构确定之后，为了使它具有某种智能特性，还必须有相应的学习方法与之配合。可以这样说，学习方法是人工神经网络研究中的核心问题。

本案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(radial basis functionnetwork，简称RBF网络)，本案采用的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对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，如图4所示：

网络一般只有一个隐含层，假定网络有p个隐含层单元，m个输出单元，则网络能够实现输入输出之间如下的映射关系：

$y_i=\underset{j=1}{\overset{p}{\mathrm{\&Sigma;}}}{w}_{j,i}\mathrm{\&Phi;}\left(\right||X-c_j|\left|\right),i=\mathrm{1,2},...m$

其中X＝(x₁，x₂，...x_n)^T为输入向量，y_i为第i个输出单元的输出值，w_j，i为第j个隐单元到第i个输出单元的权重，||·||为欧式范数，Ф(·)为径向基函数，c_j为第j个隐单元的中心向量。

理论证明，在径向基网络中，径向基函数Ф(·)的选取对于网络的性能影响并不大，可为高斯函数(Gauss function)，第j个隐单元的高斯函数为：

${\mathrm{\&phi;}}_j\left(V\right)=\exp ({-v}^2/{{\mathrm{\&sigma;}}_j}^2)$ (σ_j为实常数，称为宽度系数)或者薄片样条函数(thin-plate-spline function)：

Ф(V)＝v²log(v)

这两种函数是常用的选择，对于高斯函数，当v-＞∞，Ф(v)-＞∞；而对于薄片样条函数，当v-＞∞，Ф(v)-＞0。尽管两种函数性能有所不同，但在RBF网络中都具有良好的逼近性能。另外两种常用的函数是多项二次函数(multiquadricfunction)：

Ф(v)＝(v²+β²)^1/2

和逆多项二次函数(inverse multiquadric function)：

Ф(v)＝(v²+β²)^-1/2

设计与训练RBF网络的重点在于确定网络的结构，即隐单元数p和隐单元的中心，如果径向基函数选用高斯函数，那么还要确定适当的宽度系数σ_j。确定了网络的结构之后再选用适当的方法来确定网络的连接权，这样就构造了一个完整的RBF网络。

设计与训练RBF网络，即首先确定网络的隐单元数和隐单元的中心以及宽度系数，然后再确定网络连接权。在设计与训练中有一些常用的方法，其中主要有确定网络连接权的BP算法和回归算法，确定隐单元数目和中心的k-means聚类方法等。

本案中RBF网络的常见的学习方法可以采用以下方法中的任何一种：

1、BP算法

BP算法是误差反传训练方法，对于前传网络的权值训练中是目前应用最广泛且理论较成熟的一种算法，它利用梯度搜索技术(Gradient Search Technique)使代价函数(Cost Function)最小化，以完成从输入到输出的映射。它的基本思想是，假如网络在已有权重和阈值下正向传播得不到期望的输出，则反向传播误差，并进行学习，反复修改(迭代)各层各节点的权重和阈值，逐步减少代价函数，直到代价函数不能再减少为止，此时完成了输入与输出的映射。常用的代价函数是均方误差(Root of MeanSquared Error，RMSE)，定义为：

$\mathrm{RMSE}=\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{(y_{\mathrm{ij}}-{\mathrm{\&sigma;}}_{\mathrm{ij}})}^2}$

2、最小二乘回归方法

最小二乘回归方法是多元统计方法中最常见的一类线性回归分析的方法。多元线性回归分析的主要目的是确定因变量y与自变量x₁，x₂，…，x_p(p≥2)之间的线性关系。设y与x₁，x₂，…，x_p(p≥2)之间服从线性关系：

y＝β₁x₁+β₂x₂+…+β_px_p

3、k-means聚类方法

k-means聚类是按照最小距离进行聚类的一种聚类方法。聚类的思想是：对n维的矢量模式，可以看成是n维欧氏空间中的点，如果代表各点的矢量在几何上非常接近，可把它们归于同一类。利用欧氏距离来度量它们的接近程度：

$\left|\right|X-Z\left|\right|={\left[\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(x_i-z_i)}^2\right]}^{1/2}$

其中，x和z是n维的模式矢量。

本案体统的检测方法的主要使用人员为流体泄漏诊断研究员，主要作用是使用本系统进行流体泄漏的诊断研究与验证。

研究员操控本检测方法的流程如图5所示，其检测过程和方法如下表：

需求	检测过程描述	检测方法
			开启通信	使计算机开始和现场流量计通信，获取现场数据。	检测方法，串口通信技术
人工设置泄漏	在现场通过排气阀门人工设置气体泄漏，使计算机获取故障数据。	人工实现
			选取训练数据	分析现场数据趋势，选取能够反映故障特征的数据作为训练数据，并进行保存。	检测方法
观察诊断结果	使用保存的训练数据，离线进行神经元网络训练。将训练结果送入诊断模块，在线对现场数据进行诊断。	检测方法，神经元网络技术
			验证诊断方案	分析观察结果的准确程度，对所使用的选取训练数据的方案和神经元网络算法进行验证	人工

研究员的检测方法的处理流程如图6所示。各步骤说明如下：

1、开始通信：由研究员启动检测方法，检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，检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：研究员启动检测方法诊断模块，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。

2、训练模块：使用神经元网络算法，对通信模块处理后的数据进行训练。训练后的结果供诊断模块进行诊断使用。

3、诊断模块：获得训练模块训练后的结果，使用神经元网络算法，在线对通信模块传来的数据进行诊断。诊断结果传给显示模块。

4、显示模块：获得通信模块传来的数据，进行趋势显示。获得诊断模块传来的诊断结果，如果诊断出有泄漏，则进行报警显示。

检测方法中的数据主要为从现场流量计中获得的数据及和流量计通信发送的符合协议的字符。分别介绍如下：

(1)流量计数据

为了检测方法能够快速访问数据，从现场流量计中读取的数据按照协议规定进行解析后，保存在二维数组中，数组定义如下：

double m_dData[20][MAX_DATASIZE]

其中，20为总的数据点数，按下标，1-4为第1块流量计数据，5-8为第2块流量计数据，9-12为第3块流量计数据，13-16为第4块流量计数据，17-20为第5块流量计数据。每块流量计中的数据顺序为压力、温度、瞬时流量和累计流量。MAX_DATASIZE为每个数据点保存在内存中的数据量。检测方法中定义为200。

(2)协议字符

为了能和流量计通信，需要计算机按照协议要求，通过串口向流量计发送字符，流量计接到请求通过串口发送回数据。协议字符定义如下：

char m_cSendBuffer[5]

按照协议要求，发送“R+两位地址码+A+CR(回车符)”，即可收到流量计全部数据。所以，每次发送只需要按协议对m_cSendBuffer[5]赋值即可。

如图7所示，通信、显示功能由使用检测方法的研究员发起，通过点击菜单上的开始通信，向通信模块发出消息，则通信模块开始通过串行通信的方式和现场流量计进行通信，同时发出消息，通知显示模块开始进行数据显示。

2、训练功能

如图8所示，训练功能也由使用检测方法的研究员发起，通过点击菜单上的开始训练，向训练模块发出消息，则训练模块开始进行训练。

如图9所示，诊断功能由使用检测方法的研究员发起，通过点击菜单上的开始诊断，向诊断模块发出消息。同时通信模块在接收到新数据后，向诊断模块发出消息，诊断模块获得新数据后进行诊断。如果诊断到有泄漏发生，则向显示模块发出消息，显示模块获得诊断结果，对诊断结果进行显示。

1、通信控制

计算机通过串行通信的方式从现场流量计获取数据。检测方法根据定时器控制，每隔一段时间以轮询方式向流量计发出请求数据的字符，流量计根据请求返回数据。图10所示为一次轮询的通信活动图。

首先，通过串口向流量计发出传送数据请求，然后等待数据，如果介绍数据超时，则结束本次轮询，否则，通过数据包长度判断数据包是否正确，如果错误，则结束本次轮询，否则判断是否已经向最后一块流量计发出请求，如果是，则本次轮询结束，否则，继续向下一块流量计发出数据请求。

2、诊断控制

首先，做好诊断准备，当接收到数据后，开始进行诊断。如果诊断到有泄漏发生，则记录诊断结果，否则本次诊断结束。记录下诊断结果后，诊断模块将它与最近时间的两次诊断记录比较，如果诊断结果相同，则认为诊断结果可信，将诊断结果发出。否则，认为诊断结果错误，本次诊断结束。

在本系统中，影响检测方法性能的因素主要有两个。第一是通信硬件，因为计算机需要实时获取现场流量计数据，所以，需要在计算机中安装快速RS-485通信卡，通过通讯卡与现场流量计进行通信，减少数据传输的时间开销，以满足实时获取数据的要求。第二是计算机硬件，因为计算机接收到数据包后，将通过检测方法对数据包进行解析，并且使用数据进行诊断运算，计算机硬件的性能直接关系到诊断实时性的实现。所以计算机采用P4 1.7以上处理器，256M以上内存，以满足需要。

检测方法运行时主要回产生的错误是通信传输方面的错误。主要包括传输超时，数据包错误等。对于此类错误，可在出错的相应模块中输出简单的出错语句，并将程序重置。返回输入阶段。具体可见图10。

如图12所示：通信模块主要实现现场信号采集仪表与诊断运行工作站之间的数据交换，其中现场信号采集仪表负责从现场采集各种信号，包括温度、压力、瞬时流量、累积流量等，然后通过串口以固定的协议传输到工作站。工作站接收到数据之后，按照协议把数据包进行解析，对得到的数据进行处理。

数据显示模块主要负责对诊断工作站采集过来的数据用图形的方式进行显示出来，以形象直观的方式把仪表的各种信息显示出来，辅助用户进行流程的检测和观察。该模块的设计开发完全使用面向对象的概念，合理安排类的结构与功能，依照把类之间的耦合性降到最低的原则，把模块划分为三个层次：接口层、控制层、实体层。每个层次包括对应的类，称为接口类、控制层和实体层。它们之间的关系如图13所示：

接口类负责向外部用户提供模块级接口，其中包括若干个控制类，每个控制类分别向接口类提供不同类型、不同功能的使用接口，完成不同的功能，但是控制类不实现这些接口，只是包括一些实体类，由实体类来具体实现这些具体的功能。外部用户只能通过接口类调用它开发的接口，而不能调用控制类或实体类的接口；接口类不能跨级调用实体类的函数，只能通过控制类来完成。每个实体类分别完成不同的功能，等待控制类来进行调用，整个过程井然有序，协同合作。整个类应用过程中，外部用户也只是意识到接口类的存在。

使用这种设计模式，当需要添加新的功能时，只需在接口类中增加一个接口，同时增加一个实体类完成需要的功能，两者之间通过控制类来传递接口，新的功能与原有的功能没有任何冲突。如果把他们做成COM组件，甚至无需重新编译就可实现功能的扩展，大大增加了检测方法的伸缩性，并可为可能用到的功能预留接口。

本检测方法的设计过程中，由于曲线显示比较复杂，应用了多层控制类，即控制类中嵌套使用了控制类，完成不同的功能，整个系统的结构图如图14所示：

该数据显示模块在MFC的多文档多视图中占用一个视图进行显示，也即在窗体结构的一个View中包含一个CGraphWnd的对象，该对象完成对该模块的各种操作，根据需要显示相应的图形：

神经元网络训练模块开发检测方法采用纯C语言编制，各函数声明如下：

void    rbfx1(char*task)；

float   euclidean(int k，int  i)；

void    forward(int k，int*dum)；

void    mul(float*pa，float*pb，*pb，float*pc，int m，int k，intn，intk1，intk2，intk3)；

void    mut(float*pa，float*pb，*pb，float*pc，int m，int k，intn，int k1，int k2，int k3)；

int     invert(float*pa，int  m，int  m1)；

void    k_average()；

void    ls()；

float   error(float*eaver，float*emax，int*dum)；

void    pwrite(char*task)；

float   dwritel(char*task)；

void    learn(char*task)；

void    userl(char*task)；

void    return_y()；

其中只有rbfx1(cha r*task)函数对外部开放，其余函数都是内部调用，使用时只需传入样本文件名称作为参数，就可完成神经元网络的训练，并且把参数文件以*_v.dat的文件名保存下来，其中*代表样本文件的名字。

流体泄漏点诊断模块主要由制作样本文件、判断是否泄漏、显示泄漏点位置三部分组成。

经过对该检测方法进行黑箱测试表明，该检测方法中上述四个模块能够有机地结合在一起，协同工作。经过多次测试和实验表明，其数据如下表所示。该检测方法能够有效地监控实验室级的气体流量管道泄漏情况，并且对泄漏点进行动画显示，对泄漏量大小进行粗略的估量。

由于图2-14所表达的内容属于各个不同领域中常见的系统流程或命令，由于本案属于组合式发明，故提供该附图让审阅者能更清晰地了解该案的具体实施方法和过程，所以对其流程程序不再做其他赘述。

如图15所示的模拟装置上的五个流量计4中，在管线6上分别设置进汽阀1、出气阀2、流量计4和泄露阀5，同时通过485线缆将上述装置的信号输入到工作站3处。对该装置进行泄露检测，管道泄漏试验研究模拟装置性能试验结果：

条件	参数	表1	表2	表3	表4	表5
							出口阀门半开	压力	0.023MPa(第二个漏点位置)
温度(℃)	49	46	43	42	42
						*流量(m3/hr)		93-98	96-99	101-108	100-105	98-100
温度(℃)	50	47	44	43	42
						**流量(m3/hr)		90	98	99	106	99
出口阀门和入口阀门均半开	压力	0.022MPa(第一个漏点位置)
							温度(℃)	44	42	40	39	38
	*流量(m3/hr)	91-99	92-95	97-102	100-105	104-105
							温度	45	42	40	39	39
	**流量(m3/hr)	97	97	101	100	104
							出口阀门半开	压力	0.025MPa(第一个漏点位置)
温度(℃)	-	-	-	-	-
						*流量(m3/hr)		96-103	96-98	101-107	102-108	107-108
温度(℃)	-	-	-	-	-
						**流量(m3/hr)		95	99	103	113	109
出口阀门和入口阀门均全开	压力	0.013MPa(第一个漏点位置)
							温度(℃)	-	-	-	-	-
	*流量(m3/hr)	191-197	192-198	202-207	210-214	222-224
							温度(℃)	-	-	-	-	-
	**流量(m3/hr)	-	-	-	-	-

注：*10秒钟采集读数范围；**瞬时采集读数；-未采集。表中数据采集试验持续时间约1-1.5小时；表的编号顺序与管通内气体流动方向一致，依次增大。

从上表中可以看出，进汽阀1开始顺序沿管线数第二个流量计具有最好的测定精度，测定的流量读数比较稳定(变化幅度小于1m³/小时)，0号流量计次之；在管线6中其它的3个流量计的测定精度和稳定性相对较差，测定精度变化幅度在3m³/小时-10m³/小时之间。如果这3个流量计的测定精度与2号表一致，可以预测，本项目的研究结果会更稳定更可靠，基于人工神经网络的管道泄漏检测系统就能监测到相当于管道内正常流量的1％以下的泄露量，并对泄漏点能进行准确的定位，误报警的发生将进一步减少。

本案提供的智能控制检测方法较好地解决了管道泄露的检测问题。在实验模拟装置系统中和在实际现场天然气管道中，本检测方法的应用研究结果表明：基于神经网络气体管道泄漏检测系统检测方法能将气体管道1％的泄漏量较准确地检测出来，并定位到具体的泄漏管段。本检测方法主分为检测与诊断两部分。检测部分通过RS485通讯完成对气体管线各管段流量的实时监测，并绘出动态曲线。经数据滤波后，诊断部分对实时采集的数据进行神经元网络分类，从而判断泄漏点的位置。

Claims (10)

1、一种基于人工神经网络的管道泄漏的检测方法，其特征在于：该检测方法可分为四个步骤：负责气体管道上相关信号的采集和传递通信模块，神经元网络训练模块，神经元网络信号的诊断模块和信号显示模块，该检测方法步骤顺序分为两个阶段：

第一阶段为通过通讯硬件构成的通信模块采集得到现场流量计中的数据，并经过滤波等数据处理，送入神经元网络训练模块；神经元网络训练模块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；

第二阶段，现场人工设置泄漏，现场数据经过通信模块进入神经元网络诊断模块，神经元网络诊断模块根据神经元网络训练模块训练得到的结果，对现场数据进行在线诊断。同时，通信模块将数据送入显示模块，显示模块可以对现场数据进行趋势显示。如果诊断模块诊断到有管道泄漏发生，那么也将把结果送入显示模块，显示模块根据诊断结果进行报警显示。

2、如权利要求1所述的基于人工神经网络的管道泄漏的检测方法，其特征在于：所述通信模块采用串行通信模式。

3、如权利要求1所述的基于人工神经网络的管道泄漏的检测方法，其特征在于：神经元网络训练方法为径向基函数网络(radial basis function network，简称RBF网络)学习方法。

4、如权利要求3所述的基于人工神经网络的管道泄漏的检测方法，其特征在于：所述RBF网络学习方法采用BP算法、最小二乘回归方法、k-means聚类方法中的一种或多种方法的组合。

5、如权利要求1所述的基于人工神经网络的管道泄漏的检测方法，其特征在于：所述神经元网络诊断模块，其检测步骤为由研究员启动：

(1)、开始通信：检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，检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：研究员启动检测方法诊断模块，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。

6、如权利要求1所述的基于人工神经网络的管道泄漏的检测方法，其特征在于：显示模块根据诊断结果，该模块划分为三个层次：接口层、控制层、实体层。每个层次包括对应的类，称为接口类、控制类和实体类；

接口类负责向外部用户提供模块级接口，其中包括若干个控制类，每个控制类分别向接口类提供不同类型、不同功能的使用接口，完成不同的功能；

所述控制类采用多层控制类，即控制类中嵌套使用了控制类，完成不同的功能；

所述实体类为控制类所控制的气体管道的信号。

7、如权利要求3所述的基于人工神经网络的管道泄漏的检测方法，其特征在于：RBF的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对中心点径向对称衰减的非负非线性函数。

8、如权利要求4所述的基于人工神经网络的管道泄漏的检测方法，其特征在于：所述RBF网络学习方法为k-means聚类方法，该方法为：

$\left|\right|X-Z\left|\right|={\left[\underset{l=1}{\overset{n}{\mathrm{\&Sigma;}}}{(x_1-z_1)}^2\right]}^{1/2}$

其中，x和z是n维的模式矢量。

9、如权利要求1所述的基于人工神经网络的管道泄漏的检测方法，其特征在于：所述检测方法中的气体管道信号为从现场流量计中获得的数据及和流量计通信发送符合的协议字符。

10、如权利要求9所述的基于人工神经网络的管道泄漏的检测方法，其特征在于：所述现场流量计中读取的数据按照RS-485协议，与现场流量计进行数据通信，协议解析后，保存在二维数组中，数组定义如下：

double m_dData[n][MAX_DATASIZE]

其中，n为总的数据点数；每块流量计中的数据顺序为压力、温度、瞬时流量和累计流量；MAX_DATASIZE为每个数据点保存在内存中的数据量；

所述协议字符的定义如下：

char m_cSendBuffer[n]

其中，n为总的数据点数，按照协议要求，发送指令接口层即可收到流量计全部数据。

Images