CN104197203B - 一种基于模糊推理的管道泄漏定位方法 - Google Patents
一种基于模糊推理的管道泄漏定位方法 Download PDFInfo
- Publication number
- CN104197203B CN104197203B CN201410334406.3A CN201410334406A CN104197203B CN 104197203 B CN104197203 B CN 104197203B CN 201410334406 A CN201410334406 A CN 201410334406A CN 104197203 B CN104197203 B CN 104197203B
- Authority
- CN
- China
- Prior art keywords
- pipeline
- msub
- individual
- artificial fish
- membership function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Examining Or Testing Airtightness (AREA)
Abstract
本发明提供一种基于模糊推理的管道泄漏定位方法,包括:实时采集管道首末两端的压力信号和温度信号;若实时采集的管道两端的压力信号中存在非工况调整引起的压力突变信号,则当前管道存在泄漏点,计算压力突变信号到达管道首末两端的时间差;利用负压波法、广义递归神经网络定位方法、利用温度梯度法,定位管道泄漏点到管道首端的距离;根据利用负压波法、广义递归神经网络定位方法、温度梯度法定位得到的管道泄漏点到管道首端的距离,利用模糊推理算法对泄漏点进行定位。采用三种不同的定位方法对管道泄漏点进行定位,经过模糊推理,鱼群算法隶属度函数参数自适应优化,赋予三种定位结果不同的置信度,从而实现泄漏点的精确定位。
Description
技术领域
本发明属于管道检测技术领域,具体涉及一种基于模糊推理的管道泄漏定位方法。
背景技术
随着输油管道的增多和管道服役时间的增长,管道运输的安全状态不容乐观。很多管道的老化程度比较严重,且已进入泄漏事故多发期。此外,人为破坏管道窃取石油资源的现象也相当严重,带来重大安全隐患。因此,管道泄漏检测成为管道安全生产管理的重要工作内容,对管道泄漏点进行定位也成了工作中的重中之重。
目前,已经出现了温度梯度法、负压波法、管道模型法等多种方法实现对管道泄漏点的定位,但是,在这些方法中,有些方法简单方便、实用性强,但是定位精度较差;而另外一些方法定位精度较准确,但是方法复杂,需要考虑多种因素。因此,设计一种定位精度高、实用性强的管道泄漏定位装置具有重要的现实意义。
发明内容
针对现有技术存在的问题,本发明提供一种基于模糊推理的管道泄漏定位方法。
一种基于模糊推理的管道泄漏定位方法,包括以下步骤:
步骤1:实时采集管道首末两端的压力信号和温度信号;
步骤2:判断实时采集的管道两端的压力信号中是否存在压力突变信号,是,则执行步骤3,否则返回步骤1;
步骤3:判断当前管道是否存在工况调整,是,则返回步骤1,否则,当前管道存在泄漏点,计算压力突变信号到达管道首末两端的时间差;
步骤4:利用负压波法,根据压力突变信号到达管道首末两端的时间差,定位管道泄漏点到管道首端的距离;
步骤5:利用广义递归神经网络定位方法,根据压力突变信号到达管道首末两端的时间差,定位管道泄漏点到管道首端的距离;
步骤6:利用温度梯度法,根据采集到的管道首末两端的温度信号,定位管道泄漏点到管道首端的距离;
步骤7:根据利用负压波法、广义递归神经网络定位方法、温度梯度法定位得到的管道泄漏点到管道首端的距离,利用模糊推理算法对泄漏点进行定位;
步骤7.1:根据历史数据建立模糊推理规则,用来描述管道的决策条件空间与其对应的决策结果空间的关系;
所述管道的决策条件空间包括管道首末两端的温度差和管道首末两端压力差;
所述决策结果空间包括管道运行正常、管道发生泄漏和管道工况调整,其中,管道发生泄漏决策结果的三个程度模糊子集分别为严重泄漏、较大泄漏和小泄漏;
步骤7.2:对各管道的决策条件空间和各决策结果分别建立模糊隶属度函数;
步骤7.3:利用鱼群算法优化各模糊隶属度函数的顶点位置和模糊隶属度函数宽度;
步骤7.3.1:将各决策条件的模糊隶属度函数的顶点位置和模糊隶属度函数宽度、决策结果的模糊隶属度函数的顶点位置和模糊隶属度函数宽度作为基因,并将各基因任意排列构成人工鱼个体形式;
步骤7.3.2:按照构成的人工鱼个体形式随机产生N组数据,即N个人工鱼个体;
步骤7.3.3:分别计算N个人工鱼个体的食物浓度,记录食物浓度最大值及其对应的人工鱼个体;
步骤7.3.4:设定人工鱼个体的感知距离、人工鱼个体移动的最大步长、拥挤度因子、寻优最大次数、食物浓度阈值;
步骤7.3.5:对人工鱼个体进行寻优;
步骤7.3.5.1:确定与当前人工鱼个体间距离小于感知距离的所有人工鱼个体,并确定这些人工鱼个体对应的模糊隶属度函数的顶点位置的平均值及模糊隶属度函数宽度的平均值,同时确定这些人工鱼个体中食物浓度最大的人工鱼个体及其食物浓度;
步骤7.3.5.2:根据聚群、追尾和觅食确定新的人工鱼个体;
步骤7.3.5.3:计算新的人工鱼个体的食物浓度,判断该新的人工鱼个体的食物浓度是否大于记录的食物浓度最大值,是,则记录该新的人工鱼个体的食物浓度及其对应的人工鱼个体;否则,维持记录的食物浓度最大值;
步骤7.3.5.4:判断是否所有人工鱼个体均完成步骤7.3.5.1~步骤7.3.5.3:是,则执行步骤7.3.5.5,否则对下一条人工鱼个体执行步骤7.3.5.1~步骤7.3.5.3;
步骤7.3.5.5:判断是否达到寻优最大次数或者当前记录的食物浓度最大值大于食物浓度阈值,则当前记录的食物浓度最大值对应的人工鱼个体为最优人工鱼个体,进而确定优化的各模糊隶属度函数的顶点位置和模糊隶属度函数宽度,否则,返回步骤7.3.5.1;
步骤7.4:根据确定的优化的各模糊隶属度函数的顶点位置和模糊隶属度函数宽度,得到管道发生泄漏决策结果对应的模糊隶属度函数,进而得到严重泄漏的置信度、较大泄漏的置信度和小泄漏的置信度;
步骤7.5:将严重泄漏的置信度、较大泄漏的置信度和小泄漏的置信度分别作为利用负压波法、温度梯度法、广义递归神经网络定位方法定位得到的管道泄漏点到管道首端的距离的置信度,计算管道泄漏点到管道首端的距离xL:
其中,cof0、cof1和cof2分别为利用负压波法、广义递归神经网络定位方法、温度梯度法定位得到的管道泄漏点到管道首端的距离的置信度,x1、x2和x3分别为利用负压波法、广义递归神经网络定位方法、温度梯度法定位得到的管道泄漏点到管道首端的距离。
有益效果:
采用三种不同的定位方法对管道泄漏点进行定位,利用压力信号到达管道首末端的时间差实现了基于管道机理模型的负压波定位和基于数据驱动方法的广义递归神经网络模型定位,同时,利用管道首末端的温度信号实现了基于温度梯度的定位;对上述三种定位结果进行二次定位,经过模糊推理,鱼群算法隶属度函数参数自适应优化,赋予三种定位结果不同的置信度,从而实现泄漏点的精确定位。
附图说明
图1为本发明一种实施方式的基于模糊推理的管道泄漏定位装置结构框图;
图2为本发明一种实施方式的第一信号调理模块的电路原理图;
图3为本发明一种实施方式的A/D转换芯片与FPGA的接口电路图;
图4为本发明一种实施方式的基于模糊推理的管道泄漏定位方法流程图;
图5为本发明一种实施方式模糊推理方法流程图;
图6为本发明一种实施方式优化运行状态和决策结果的隶属度函数参数优化流程图。
具体实施方式
下面结合附图对本发明的具体实施方式做详细说明。
本实施方式中,实现基于模糊推理的管道泄漏定位方法所采用的基于模糊推理的管道泄漏定位装置,如图1所示,该装置包括压力传感器模块、温度传感器模块、第一信号调理模块、第二信号调理模块、第一A/D转换模块、第二A/D转换模块和FPGA中央处理单元,其中FPGA中央处理单元模块包括时序控制模块和基于模糊推理的泄漏定位模块,时序控制模块用于产生A/D转换模块的工作时序,基于模糊推理的泄漏定位模块包括负压波定位模块、广义递归神经网络定位模块、温度梯度定位模块和模糊推理模块。
压力传感器模块的型号为PT500-502,温度传感器模块的型号为PT100,第一A/D转换模块和第二A/D转换模块的型号均为ADS7844,FPGA中央处理单元模块的型号为EP3C25Q240C8。
压力传感器和温度传感器均安装在管道首末两端,分别采集管道首端和末端的压力和温度信号,压力传感器输出端连接第一信号调理模块的输入端,温度传感器输出端连接第二信号调理模块的输入端,第一信号调理模块的输出端、第二信号调理模块的输出端分别连接第一A/D转换模块的输入端和第一A/D转换模块的输入端,第一A/D转换模块的输出端、第二A/D转换模块的输出端分别连接FPGA中央处理单元的输入端,FPGA中央处理单元的时序控制模块分别连接第一A/D转换模块和第二A/D转换模块。
第一信号调理模块的电路原理图如图2所示,该模块实现信号的滤波和放大,压力传感器的输出首先经过滤波电路滤波,然后经一个10K的电阻R2连接到运算放大器的反相输入端,同相输入端接2.5V的参考电压,运算放大器的输出端连接电阻R3的一端、电阻R1的一端及电容C2的一端,电阻R3的另一端作为信号调理模块的输出端连接A/D转换芯片的输入端,电阻R1的另一端连接运算放大器的反相输入端,电容C2的另一端接地。本实施方式中运算放大器的型号为AD824。第二信号调理模块的原理与第一信号调理模块相同。
第一A/D转换模块/第二A/D转换模块与FPGA的接口电路图如图3所示,第一A/D转换模块、第二A/D转换模块均采用ADS7844的A/D转换芯片,A/D转换芯片将电压信号转换为数字信号,A/D转换芯片的6个不同的输出端分别连接FPGA时序控制模块的自定义I/O口,即A/D转换芯片的DCLK端连接FPGA的I/O.23端,A/D转换芯片的CS端连接I/O.24端、A/D转换芯片的Din端连接I/O.25端、A/D转换芯片的Busy端连接I/O.26端,A/D转换芯片的Dout端连接I/O.27端,FPGA的型号为EP3C25Q240C8。
本实施方式中,基于模糊推理的管道泄漏定位方法,如图4所示,包括以下步骤:
步骤1:实时采集管道首末两端的压力信号和温度信号;
步骤2:判断实时采集的管道两端的压力信号中是否存在压力突变信号,是,则执行步骤3,否则返回步骤1;
步骤3:判断当前管道是否存在工况调整,是,则返回步骤1,否则,当前管道存在泄漏点,计算压力突变信号到达管道首末两端的时间差;
步骤4:利用负压波法,根据压力突变信号到达管道首末两端的时间差,定位管道泄漏点到管道首端的距离x1;
其中,L为管道的长度,v为管道输油介质中压力波的传播速度,Δt′为管道实时压力突变信号到达管道首末两端的时间差;
步骤5:利用广义递归神经网络定位方法,根据压力突变信号到达管道首末两端的时间差,定位管道泄漏点到管道首端的距离x2;
基于广义递归神经网络模型建立的理论时间差Δt与泄漏位置X的对应关系Z=F(Δt),利用压力突变信号到达管道首、末端的时间差,定位出管道泄漏点到管道首端的距离x2;
步骤5-1:从管段首端开始,到末端为止(全长为L),构造模拟泄漏位置序列Z={0,Zl,Z2l,…,ZL},l为单位步长,l越小,定位精度越高;
步骤5-2:计算负压波在管道介质中的传播速度;
v(Z)={v(0),v(Zl),v(Z2l),…,v(ZL)}
和管道内传输介质的流速
u(Z)={u(0),u(Zl),u(Z2l),…,u(ZL)};
步骤5-3:构建模拟泄漏位置对应的理论时间差序列Δt={Δt0,Δtl,Δt2l,…,ΔtL},其中
步骤5-4:建立基于模拟泄漏位置对应的理论时间差序列的广义递归神经网络模型,利用历史数据进行训练;
步骤5-5:将管道实时压力突变信号到达管道首末两端的时间差作为广义递归神经网络模型的输入,广义递归神经网络模型的输出为管道泄漏点到管道首端的距离x2。
步骤6:利用温度梯度法,根据采集到的管道首末两端的温度信号,定位管道泄漏点到管道首端的距离x3;
根据管道首端的温度数据、管道的流量信息和管道固有特性构建管道泄漏温度下降曲线1,再根据管道末端的温度数据、管道的流量信息和管道固有特性构建管道泄漏温度上升曲线2,利用曲线1和曲线2的交点定位出管道泄漏点到管道首端的距离x3;
具体步骤如下:
步骤6-1:构建管道泄漏温度下降曲线1,公式如下:
其中,t2表示到首端距离为X处的温度,t0表示X处周围介质的温度,K表示介质传热系数,i表示管道的水力坡降,D表示管道直径,C表示比热容,t1表示管道首端温度,G表示流量。
步骤6-2:构建管道泄漏温度上升曲线2,公式如下:
其中,t4表示到末端距离为X处的温度,t3表示管道末端温度。
步骤6-3:利用管道泄漏温度下降曲线1和管道泄漏温度上升曲线2的交点,定位出管道泄漏点距离管道首段的距离x3。
步骤7:根据利用负压波法、广义递归神经网络定位方法、温度梯度法定位得到的管道泄漏点到管道首端的距离,利用模糊推理算法对泄漏点进行定位;
如图5所示,具体步骤如下:
步骤7.1:根据历史数据建立模糊推理规则,用来描述管道的决策条件空间与其对应的决策结果间的关系;
管道的决策条件空间包括管道首末两端的压力差和温度差;
决策结果空间包括管道运行正常、管道发生泄漏和管道工况调整,其中,管道发生泄漏决策结果的三个泄漏程度模糊子集分别为严重泄漏、较大泄漏和小泄漏;
模糊推理规则Ri的文字描述形式如下:
Ri:If运行状态属于决策条件空间的子集,
then当前管道运行状况的决策结果是···。
管道的决策条件空间C={c1,c2},其中c1代表首末两端温度差,c2代表首末两端压力差,D表示决策结果空间,决策条件cj(j=1,2)表示管道运行状态,D={d1,d2,d3},其中d1代表运行正常,d2代表发生泄漏,d3代表调节工况。
步骤7.2:对各管道的决策条件空间和各决策结果分别建立模糊隶属度函数;
决策条件空间中每一类决策条件表示的运行状态被划分为5个程度的模糊子集,当前运行状态属于每一个模糊子集的隶属度为E={e0,e1,…,e4},ek(k=0,1,···4)代表由该决策条件表示的运行状态偏离其正常值的程度;每一类决策结果同样被划分为3个程度模糊子集,每一类决策结果属于其对应的模糊子集的隶属度为F={f0,f1,f2},fk(k=0,1,2)表示该类决策结果可能性的程度。
步骤7.3:利用鱼群算法优化各模糊隶属度函数的顶点位置和模糊隶属度函数宽度;
如图6所示,具体步骤如下:
步骤7.3.1:将各决策条件的模糊隶属度函数的顶点位置和模糊隶属度函数宽度、决策结果的模糊隶属度函数的顶点位置和模糊隶属度函数宽度作为基因,并将各基因任意排列构成人工鱼个体形式;
将运行状态cj的模糊隶属度函数进行实数编码为:vj1wj1…vj5wj5作为一个基因,vji=(i=1,2…5)表示运行状态cj中第i个隶属度函数的顶点位置,wji表示运行状态cj中第i个隶属度函数宽度;将决策结果dr的模糊隶属度函数进行实数编码为:cr1zr1cr2zr2cr3zr3作为一个基因,cri(i=1,2,3)表示决策结果dr中第i个隶属度函数的顶点位置,zri表示决策结果dr中第i个隶属度函数宽度。将由运行状态得到的2个基因同由决策结果得到的3个基因任意排列构成一个人工鱼个体形式X。
步骤7.3.2:按照构成的人工鱼个体形式随机产生N组数据,即N个人工鱼个体,N=50;
每组数据均在其所对应的隶属度函数论域内,则每一组数据可视为一个人工鱼Xi,i=1,2,…,50;
步骤7.3.3:分别计算N个人工鱼个体Xi的食物浓度,记录食物浓度最大值及其对应的人工鱼个体;
食物浓度Y(Xi)公式如下:
步骤7.3.4:设定人工鱼个体的感知距离T、人工鱼个体移动的最大步长step、拥挤度因子ρ、寻优最大次数NUM为200、食物浓度阈值Tm;
步骤7.3.5:对人工鱼个体进行寻优;
步骤7.3.5.1:确定与当前人工鱼个体间距离小于感知距离的所有人工鱼个体,并确定这些人工鱼个体对应的模糊隶属度函数的顶点位置的平均值及模糊隶属度函数宽度的平均值,同时确定这些人工鱼个体中食物浓度最大的人工鱼个体及其食物浓度;
令dij=||Xi-Xj||表示人工鱼Xi和Xj之间的距离;
确定人工鱼Xi的邻域(即dij<T)内的人工鱼条数s(包括Xi本身),即确定与当前人工鱼个体间距离小于感知距离的所有人工鱼个体,将s条人工鱼任意排列,表示为:
X1,X2,…,Xi,…Xs,取P为:
其中,P表示此邻域dij<T鱼群的中心位置,vfji(i=1,2,…5)表示第f条人工鱼Xf的运行状态cj中第i个隶属度函数的顶点位置,wfji表示第f条人工鱼Xf的运行状态cj中第i个隶属度函数宽度,cfki表示第f条人工鱼Xf的决策结果dk中第i个隶属度函数的顶点位置,zfki表示第f条人工鱼Xf的决策结果dk中第i个隶属度函数宽度。选取X1,X2,…,Xi,…Xs中食物浓度最大的人工鱼,标记为Xmax,分别计算Xmax的食物浓度Y(Xmax)和中心位置的食物浓度Y(P)。
步骤7.3.5.2:根据聚群、追尾和觅食确定新的人工鱼个体;
(1)聚群
如果满足Y(P)/(s-1)>ρ·Y(Xi)且Y(Xi)<Y(P)的条件时,则根据
得到新的个体鱼Xinext。(rand()为随机产生的0~1范围内的随机数)。
(2)追尾
如果满足Y(Xmax)/(s-1)>ρ·Y(Xmax)且Y(Xi)<Y(Xmax)的条件时,则根据得到的新人工鱼Xinext。如果聚群和追尾的条件同时满足,则比较Y(Xmax)和Y(P),按照值较大的方式进行移动。
(3)觅食
如果(1)和(2)两个条件都不满足,则在人工鱼Xi的邻域内(即dij<T)中随机选择一个人工鱼Xj,若Y(Xi)<Y(Xj),根据得到新的人工鱼Xinext;否则重新随机选择Xj,重复判断,若反复5次后仍不满足条件,则按照
Xinext=Xi+rand()·step随机得到Xinext。
计算新的人工鱼Xinext的食物浓度Y(Xinext)。
步骤7.3.5.3:计算新的人工鱼个体的食物浓度,判断该新的人工鱼个体Xinext的食物浓度Y(Xinext)是否大于记录的食物浓度最大值,是,则记录该新的人工鱼个体的食物浓度及其对应的人工鱼个体;否则,维持记录的食物浓度最大值;
步骤7.3.5.4:判断是否所有50条人工鱼个体均完成步骤7.3.5.1~步骤7.3.5.3:是,则执行步骤7.3.5.5,否则对下一条人工鱼个体执行步骤7.3.5.1~步骤7.3.5.3;
步骤7.3.5.5:判断是否达到寻优最大次数200或者当前记录的食物浓度最大值大于食物浓度阈值Tm,则当前记录的食物浓度最大值对应的人工鱼个体为最优人工鱼个体,进而确定优化的各模糊隶属度函数的顶点位置和模糊隶属度函数宽度,否则,将新个体鱼作为Xi,返回步骤7.3.5.1;
步骤7.4:根据确定的优化的各模糊隶属度函数的顶点位置和模糊隶属度函数宽度,得到管道发生泄漏决策结果对应的模糊隶属度函数,进而得到严重泄漏的置信度、较大泄漏的置信度和小泄漏的置信度;
步骤7.5:将严重泄漏的置信度、较大泄漏的置信度和小泄漏的置信度分别作为利用负压波法、温度梯度法、广义递归神经网络定位方法定位得到的管道泄漏点到管道首端的距离的置信度,计算管道泄漏点到管道首端的距离xL:
其中,cof0、cof1和cof2分别为利用负压波法、广义递归神经网络定位方法、温度梯度法定位得到的管道泄漏点到管道首端的距离的置信度,x1、x2和x3分别为利用负压波法、广义递归神经网络定位方法、温度梯度法定位得到的管道泄漏点到管道首端的距离。
决策结果空间中的d2代表发生泄漏,其3个泄漏程度模糊子集为:严重泄漏(f0)、较大泄漏(f1)和小泄漏(f2),其相应的置信度分别为cof0、cof1和cof2,分别将该三个置信度等同于利用负压波法、广义递归神经网络定位方法定位、温度梯度法得到的管道泄漏点到管道首端的距离的置信度,进而完成泄漏点定位。
Claims (1)
1.一种基于模糊推理的管道泄漏定位方法,包括以下步骤:
步骤1:实时采集管道首末两端的压力信号和温度信号;
步骤2:判断实时采集的管道两端的压力信号中是否存在压力突变信号,是,则执行步骤3,否则返回步骤1;
步骤3:判断当前管道是否存在工况调整,是,则返回步骤1,否则,当前管道存在泄漏点,计算压力突变信号到达管道首末两端的时间差;
步骤6:利用温度梯度法,根据采集到的管道首末两端的温度信号,定位管道泄漏点到管道首端的距离;
其特征在于,还包括:
步骤4:利用负压波法,根据压力突变信号到达管道首末两端的时间差,定位管道泄漏点到管道首端的距离;
步骤5:利用广义递归神经网络定位方法,根据压力突变信号到达管道首末两端的时间差,定位管道泄漏点到管道首端的距离;基于广义递归神经网络模型建立的理论时间差Δt与泄漏位置X的对应关系Z=F(Δt),利用压力突变信号到达管道首、末端的时间差,定位出管道泄漏点到管道首端的距离x2;
步骤7:根据利用负压波法、广义递归神经网络定位方法、温度梯度法定位得到的管道泄漏点到管道首端的距离,利用模糊推理算法对泄漏点进行定位;
步骤7包括:
步骤7.1:根据历史数据建立模糊推理规则,用来描述管道的决策条件空间与其对应的决策结果空间的关系;
所述管道的决策条件空间包括管道首末两端的温度差和管道首末两端压力差;
所述决策结果空间包括管道运行正常、管道发生泄漏和管道工况调整,其中,管道发生泄漏决策结果的三个程度模糊子集分别为严重泄漏、较大泄漏和小泄漏;
步骤7.2:对各管道的决策条件空间和各决策结果分别建立模糊隶属度函数;
步骤7.3:利用鱼群算法优化各模糊隶属度函数的顶点位置和模糊隶属度函数宽度;
步骤7.3.1:将各决策条件的模糊隶属度函数的顶点位置和模糊隶属度函数宽度、决策结果的模糊隶属度函数的顶点位置和模糊隶属度函数宽度作为基因,并将各基因任意排列构成人工鱼个体形式;
步骤7.3.2:按照构成的人工鱼个体形式随机产生N组数据,即N个人工鱼个体;
步骤7.3.3:分别计算N个人工鱼个体的食物浓度,记录食物浓度最大值及其对应的人工鱼个体;
步骤7.3.4:设定人工鱼个体的感知距离、人工鱼个体移动的最大步长、拥挤度因子、寻优最大次数、食物浓度阈值;
步骤7.3.5:对人工鱼个体进行寻优;
步骤7.3.5.1:确定与当前人工鱼个体间距离小于感知距离的所有人工鱼个体,并确定这些人工鱼个体对应的模糊隶属度函数的顶点位置的平均值及模糊隶属度函数宽度的平均值,同时确定这些人工鱼个体中食物浓度最大的人工鱼个体及其食物浓度;
步骤7.3.5.2:根据聚群、追尾和觅食确定新的人工鱼个体;
步骤7.3.5.3:计算新的人工鱼个体的食物浓度,判断该新的人工鱼个体的食物浓度是否大于记录的食物浓度最大值,是,则记录该新的人工鱼个体的食物浓度及其对应的人工鱼个体;
否则,维持记录的食物浓度最大值;
步骤7.3.5.4:判断是否所有人工鱼个体均完成步骤7.3.5.1~步骤7.3.5.3:是,则执行步骤7.3.5.5,否则对下一条人工鱼个体执行步骤7.3.5.1~步骤7.3.5.3;
步骤7.3.5.5:判断是否达到寻优最大次数或者当前记录的食物浓度最大值大于食物浓度阈值,则当前记录的食物浓度最大值对应的人工鱼个体为最优人工鱼个体,进而确定优化的各模糊隶属度函数的顶点位置和模糊隶属度函数宽度,否则,返回步骤7.3.5.1;
步骤7.4:根据确定的优化的各模糊隶属度函数的顶点位置和模糊隶属度函数宽度,得到管道发生泄漏决策结果对应的模糊隶属度函数,进而得到严重泄漏的置信度、较大泄漏的置信度和小泄漏的置信度;
步骤7.5:根据严重泄漏的置信度、较大泄漏的置信度和小泄漏的置信度,以及利用负压波法、温度梯度法、广义递归神经网络定位方法定位得到的管道泄漏点到管道首端的距离,计算管道泄漏点到管道首端的距离xL:
<mrow>
<msub>
<mi>x</mi>
<mi>L</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>cof</mi>
<mn>0</mn>
</msub>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>cof</mi>
<mn>2</mn>
</msub>
<msub>
<mi>x</mi>
<mn>3</mn>
</msub>
<mo>+</mo>
<msub>
<mi>cof</mi>
<mn>1</mn>
</msub>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
</mrow>
<mrow>
<msub>
<mi>cof</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<msub>
<mi>cof</mi>
<mn>1</mn>
</msub>
<mo>+</mo>
<msub>
<mi>cof</mi>
<mn>2</mn>
</msub>
</mrow>
</mfrac>
</mrow>
其中,cof0、cof1和cof2分别为严重泄漏的置信度、较大泄漏的置信度和小泄漏的置信度,x1、x2和x3分别为利用负压波法、广义递归神经网络定位方法、温度梯度法定位得到的管道泄漏点到管道首端的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410334406.3A CN104197203B (zh) | 2014-07-14 | 2014-07-14 | 一种基于模糊推理的管道泄漏定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410334406.3A CN104197203B (zh) | 2014-07-14 | 2014-07-14 | 一种基于模糊推理的管道泄漏定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104197203A CN104197203A (zh) | 2014-12-10 |
CN104197203B true CN104197203B (zh) | 2017-10-17 |
Family
ID=52082541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410334406.3A Active CN104197203B (zh) | 2014-07-14 | 2014-07-14 | 一种基于模糊推理的管道泄漏定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104197203B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106644292A (zh) * | 2016-12-28 | 2017-05-10 | 宁波市鄞州磁泰电子科技有限公司 | 一种热力管道泄漏磁温综合检测方法 |
CN110617403B (zh) * | 2019-09-19 | 2021-07-06 | 中国五环工程有限公司 | 基于多传感器信息融合的长输管线泄漏检测方法 |
CN110848579A (zh) * | 2019-11-28 | 2020-02-28 | 安徽理工大学 | 一种埋地燃气管道泄露源定位的装置和算法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001090900A (ja) * | 1999-09-24 | 2001-04-03 | Nkk Corp | 液体輸送管路内の異物位置検知方法及び装置 |
TW405022B (en) * | 1999-12-29 | 2000-09-11 | Inst Information Industry | Method for detecting the leakage of fluid pipes and its system |
CN1101914C (zh) * | 2001-05-31 | 2003-02-19 | 山东新大通石油环保科技股份有限公司 | 输送管线泄漏监控定位方法及其适用的系统 |
CN100567794C (zh) * | 2007-02-09 | 2009-12-09 | 郑州大学 | 基于定向负压波识别技术的油气管道泄漏在线检测方法 |
BRPI1002159A8 (pt) * | 2010-04-15 | 2021-10-26 | Asel Tech Tecnologia E Automacao Ltda | Sistema integrado com a tecnologia acústica, balanço de massa e rede neural para detecção, localização e quantificação de vazamentos em dutos |
CN101968162B (zh) * | 2010-09-30 | 2012-12-19 | 东北大学 | 基于负压波和声波协同检测的管道泄漏定位系统及方法 |
CN103629534B (zh) * | 2013-11-25 | 2017-01-11 | 中国石油大学(华东) | 一种基于综合信号的输油管道泄漏检测和定位方法 |
-
2014
- 2014-07-14 CN CN201410334406.3A patent/CN104197203B/zh active Active
Non-Patent Citations (3)
Title |
---|
人工鱼群算法在FPN参数优化中的应用;杨劲松等;《计算机工程》;20100228;第36卷(第4期);169-170、173 * |
基于多参数分析的输油管道泄漏检测与定位方法研究;董璇;《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》;20130630(第6期);B019-167 * |
流体输送管道泄漏智能诊断与定位方法的研究;冯健;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20050731(第7期);C034-1 * |
Also Published As
Publication number | Publication date |
---|---|
CN104197203A (zh) | 2014-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107725283B (zh) | 一种基于深度信念网络模型的风机故障检测方法 | |
Ata et al. | An adaptive neuro-fuzzy inference system approach for prediction of tip speed ratio in wind turbines | |
CN106779148B (zh) | 一种多模型多特征融合的高速铁路沿线风速预测方法 | |
CN104197203B (zh) | 一种基于模糊推理的管道泄漏定位方法 | |
CN107846014B (zh) | 一种基于随机特征和级数计算的电网概率脆弱性评估方法 | |
Asghar et al. | Estimation of wind speed probability distribution and wind energy potential using adaptive neuro-fuzzy methodology | |
CN103413174A (zh) | 基于深度学习方法的短期风速多步预测方法 | |
CN103606014B (zh) | 一种基于多目标的海岛分布式电源优化方法 | |
CN106712076A (zh) | 一种海上风电场集群规模下的输电系统优化方法 | |
CN108920812A (zh) | 一种机械加工表面粗糙度预测方法 | |
CN107947245B (zh) | 考虑天然气系统约束的等值最优潮流模型构建方法 | |
CN105574615A (zh) | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 | |
CN105045091B (zh) | 基于模糊神经控制系统的疏浚工艺智能决策分析方法 | |
CN104732300A (zh) | 一种基于模糊分区理论的神经网络风功率短期预测方法 | |
CN107862617A (zh) | 一种基于用户综合相似度的微博社区划分方法 | |
CN106529732A (zh) | 基于神经网络与随机前沿分析的碳排放效率预测方法 | |
CN107681655A (zh) | 一种潮汐流能发电场协调规划方法 | |
CN103065202A (zh) | 一种基于组合核函数的风电场超短期风速预测方法 | |
CN107330251A (zh) | 一种基于云遗传算法的风功率预测方法 | |
CN104218571B (zh) | 一种风力发电设备的运行状态评估方法 | |
Ahmadi et al. | Phase equilibrium modeling of clathrate hydrates of carbon dioxide+ 1, 4-dioxine using intelligent approaches | |
CN103698627A (zh) | 基于灰模糊萤火虫算法优化的变压器故障诊断方法 | |
CN107656152A (zh) | 一种基于ga‑svm‑bp变压器故障诊断方法 | |
KR101104893B1 (ko) | 중수로 압력관 반경방향 크립 예측 방법 | |
Zhao et al. | A graph-based deep reinforcement learning framework for autonomous power dispatch on power systems with changing topologies |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |