CN104061445B - 一种基于神经网络的管道泄漏检测方法 - Google Patents

Abstract

本发明提供一种基于神经网络的管道泄漏检测方法。主要原理是：分别在管道有泄漏和无泄漏的情况下利用压力采集设备对整个管道的压力数据进行采集，并对采集到的数据标记为有泄漏和无泄漏两类，作为训练样本；对训练样本进行归一化处理，分别计算样本的最大值、最小值、平均值、方差；建立BP神经网络模型进行训练；进行实时压力数据采集，处理之后输入训练好的神经网路中获得管道泄漏结果。本发明的提供的方法能够适应管道的各种工况，具有较好的检测精度。

Description

一种基于神经网络的管道泄漏检测方法

技术领域

本发明属于人工智能应用领域，特别是将其应用于管道泄漏检测的领域。

背景技术

防止管道生产事故的发生是管道安全管理中的一项很重要的工作。随着世界各国管道建设的快速发展，管道事故也频繁发生，管道泄漏事故一旦发生，不仅造成大量财产损失，泄漏的有毒化学物质还会带来环境污染和资源的浪费，更为严重的是能带来人身伤亡事故。

为了能有效的预防管道事故，管道泄漏检测技术迅速发展起来，为此，国内外也进行了大量的研究。近年来，随着计算机技术的发展，管道泄漏检测技术正向软硬件结合的方向发展，目前，各种新的管道泄漏检测方法仍是各国的前沿研究方向。

根据管道压力数据进行管道泄漏检测的方法大体上分为两类：基于负压波的检测方法和对压力信号进行特征提取的方法。基于负压波检测方法关键是确定压力信号的拐点和负压波通过上下游测量点的时刻；压力信号特征提取的方法大多是对某一点的压力随时间变化的数据进行分析。但是，这两种方法都没有对整个管线的压力进行建模分析，这就导致管道泄漏检测的结果会具有一定的偏差，如果能对整个管线不同位置处的压力状况进行分析，检测准确率将会有很大提高。

由于获取整个管道全部管段压力数据比较困难，特别是在管道无法靠近的管段几乎无法获取到压力数据，在缺少全管段压力数据的情况下，现有的根据压力数据进行管道泄漏检测的方法都是根据极少的压力采样点进行推算，这就导致检测效果不是十分理想。近年来，随着检测技术的发展，出现了一些获取到整个管道压力数据的方法，但基于全管段压力数据进行泄漏检测的方法却未见提出，因此，现在迫切需要一种能够根据全管段的压力数据进行泄漏检测的方法。

针对现有的管道泄漏检测技术中的问题，本发明提供一种新的基于神经网络的泄漏检测技术。本发明提供的方法以具体管道中全管段的压力数据为基础，能快速有效地判断管线是否出现泄漏，具有较高的预测精度，能使工作人员有针对性的对管道进行维护和修理，防止泄漏事故的再次发生，保障管道的安全运行，从而确保人民群众的财产和生命安全。

发明内容

由于有关管道泄漏的未知因素很多，采用常规数学模型进行描述存在相当困难，本发明从人工智能的角度出发，提供一种基于神经网络的管道泄漏检测方法，对整个管道的压力数据进行建模，能有效地对管道泄漏状况进行分类识别，并且能够适应管道的各种工况。

由于管道压力可能会受到各种因素的影响，导致其压力曲线可能存在非线性的问题，BP神经网络具有并行分布处理、自组织、自适应、自学习和容错性好等独特的优良性能，因此本发明采用BP神经网络对管道压力数据进行训练，从而能够较好解决管道压力曲线非线性的问题。

基于神经网络的管道泄漏检测方法主要包括以下几个步骤：

A.数据采集

利用压力采集球或管道上压力传感器对管道压力数据进行采集，获取到整个管道不同位置处的压力数据；

B.归一化处理

对管道压力数据进行归一化处理，归一化方法可以采用离差标准化方法，使各个点的压力值映射到0-1之间。转换函数如下：

其中max为样本数据的最大值，min为样本数据的最小值；

C.预测模型的建立及训练

采用BP神经网络建立管道压力模型，并将其应用到管道泄漏检测中，若直接将管道压力信号输入神经网络，计算量将非常大，以致不能收敛，为压缩原始数据量，选取最能反映管道压力信号特征的计算指标构造神经网络输入矩阵，以压缩原始数据量并提高检测效果，反映管道压力特征的统计指标可以构造如下几种：最大值、最小值、平均值、方差。运算公式如下：

X_max＝max{x_i}，i＝1,2...m

X_min＝min{x_i}，i＝1,2...m

这四个参数作为输入变量，用管道是否泄漏作为输出变量，0代表有泄漏，1代表无泄漏，来训练神经网络模型。对管道压力数据进行多次采集构成训练样本，采用多个训练样本对BP神经网络进行训练。

D.实际检测

对待检测的管道获得其管道压力数据，输入训练好的BP神经网络中，神经网络的输出即为是否有泄漏。

本发明的有益效果是，可以有效的判断现有管线是否存在泄漏，操作简便、预测精度较高，克服了传统的管道泄漏检测方式操作复杂、预测效果不理想等缺陷。

附图说明

图1是本发明的模型结构图

具体实施方式

下面结合附图说明本发明的实施方式。

图1是本发明的基于BP神经网络的模型结构图，本发明的泄漏检测方法分为三个阶段，具体包括：

A.获取历史压力-泄漏数据

在管道无泄漏的情况下利用压力采集球或管道上压力传感器对管道不同位置处的压力数据进行采集；在管道有泄漏的情况下对管道压力数据进行采集，对采集到的数据进行标记(有泄漏为1，无泄漏为0)，存入到数据库中作为历史压力-泄漏原始样本数据。

B.数据处理

对获取到的历史压力-泄漏原始样本数据首先进行归一化处理，归一化方法可以采用离差标准化方法，使各个点的压力值映射到0-1之间。转换函数如下：

其中max为样本数据的最大值，min为样本数据的最小值。

归一化完毕之后分别计算样本的最大值、最小值、平均值、方差，运算公式如下：

X_max＝max{x_i}，i＝1,2...m

X_min＝min{x_i}，i＝1,2...m

将原始压力样本数据转换为四维的数据，存入数据库中作为训练样本。

C.预测模型的建立及训练

输入输出层的设计：BP神经网络输入层节点个数等于具体问题的影响因素的个数，输出层节点个数取决于期望输出结果，因此，确定BP神经网络输入层神经元个数为4个，分别为压力样本数据的最大值、最小值、平均值、方差，输出层节点个数为1个，对应管道是否泄漏。

隐含层结构设计：在不限制隐含层节点数的情况下，只含一个隐含层的BP网络可以实现任意非线性映射，本发明只选择包含一层的BP神经网络。隐含层节点数的计算经验公式为：

其中α的取值范围是1-10中的整数。当α依次取1-10时，计算出Ny的值为3-12。隐含层节点过少则网络精度低，过多则网络收敛速度慢。一般选取7作为隐藏层节点个数。

BP神经网络的输入层和隐层采用正切S型函数(logsig)，输出层采用线性函数(purelin)，训练函数采用trainglm函数；输入层节点4个，隐含层节点7个，输出层节点1个。

将训练样本输入神经网络中进行训练，将训练得到的神经网络权值存储到数据库中。

D.实际检测

对待检测的管道获得其管道压力数据，输入训练好的BP神经网络中，神经网络的输出即为是否有泄漏。

Claims (1)

1.一种基于神经网络的管道泄漏检测方法，其特征在于，包括以下步骤：

A.数据采集

利用压力采集球或管道上压力传感器对管道压力数据进行采集，获取到整个管道不同位置处的压力数据；

B.归一化处理

对管道压力数据进行归一化处理，归一化方法可以采用离差标准化方法，使各个点的压力值映射到0-1之间，转换函数如下：

$x^{*}=\frac{x-min}{\max -min}$

其中max为样本数据的最大值，min为样本数据的最小值；

C.预测模型的建立及训练

采用BP神经网络建立管道压力模型，并将其应用到管道泄漏检测中，若直接将管道压力信号输入神经网络，计算量将非常大，以致不能收敛，为压缩原始数据量，选取最能反映管道压力信号特征的计算指标构造神经网络输入矩阵，以压缩原始数据量并提高检测效果，反映管道压力特征的统计指标可以构造如下几种：最大值、最小值、平均值、方差，运算公式如下：

X_max＝max{x_i},i＝1,2...m

X_min＝min{x_i},i＝1,2...m

$X_{rms}=\frac{1}{m}\underset{i=0}{\overset{m}{\Σ}}{x}_i$

$X_{avr}=\frac{1}{m}\underset{i=0}{\overset{m}{\Σ}}{(x_i-\stackrel{\‾}{x})}^2$

这四个参数作为输入变量，用管道是否泄漏作为输出变量，0代表有泄漏，1代表无泄漏，来训练神经网络模型，对管道压力数据进行多次采集构成训练样本，采用多个训练样本对BP神经网络进行训练，其中BP神经网络输入层节点为4个，输出层节点为1个，隐含层节点为7个；

D.实际检测

对待检测的管道获得其管道压力数据，输入训练好的BP神经网络中，神经网络的输出即为是否有泄漏。