CN104654024A - 一种广义回归神经网络城市燃气管道泄漏定位分析方法 - Google Patents

Abstract

本发明公开了一种广义回归神经网络城市燃气管道泄漏定位分析方法，基于GRNN技术，结合声波法泄漏检测原理，针对城市燃气管道特点，改进了声波法定位计算公式，并根据实测管道介质入口、出口的压力、温度和流量，结合管道相关参数和声波法定位机理，得到管道沿途的温度、波速、和理论时间差分布。以管道进出口压力、温度、流量8个等数据作为输入变量，以泄漏检测定位值为神经网络的输出变量，编制神经网络训练预测代码，构建GRNN预测模型，实现更为精确的泄漏定位。结果表明该方法定位精度高，能够实时、可靠地解决泄漏定位问题。

Description

一种广义回归神经网络城市燃气管道泄漏定位分析方法

技术领域

本发明涉及油气储运风险控制领域，特别涉及一种广义回归神经网络城市燃气管道泄漏定位分析方法。

背景技术

燃气输送管道是城市发展的重要组成部分。随着城市承载负荷的加大和燃气管网的老化，城市埋地燃气管网泄漏导致的着火、爆炸、中毒等恶性事故时有发生，已成为继交通事故、工伤事故之后的第三大杀手，同时还可能会导致严重的环境污染和损害。因此，为了及时发现泄漏，进行管道安全检测是必要的。热红外成像法、漏磁检测法、光纤检测法等在燃气管道泄漏检测中虽已取得良好效果，但这些方法或者不能进行连续监测(如前两种方法)，或者虽然灵敏度和精度高，但是需要站外测点，无法保证系统安全，或价格昂贵，检测成本较高。声发射技术可以对管道泄漏进行连续检测，对诊断的实时性要求不高，不要求在泄漏刚发生时就必须检测到泄漏信号，可以在泄漏发生后的一段时间内进行检测，对管道小泄漏也能够及时发现，极大地提高了诊断的方便性和正确性。

但城市燃气管道设计一般从环形管网出发，管网节点多，多为中低压管道，位于城市交通干道旁或居民区内，周围环境较为复杂，管道泄漏信号，尤其是小泄漏信号在复杂工况操作和干扰噪声当中，难以识别和提取，使得管道声发射泄漏检测存在较大误差。

发明内容

本发明要解决的技术问题是：为了克服城市燃气管道泄漏检测误差较大的不足，本发明提供一种广义回归神经网络城市燃气管道泄漏定位分析方法。

本发明解决其技术问题所采用的技术方案是：一种广义回归神经网络城市燃气管道泄漏定位分析方法，包括以下步骤：

(1)在所述城市燃气管道的上游和下游安装压力传感器；

(2)根据上、下游压力传感器接收到同一声波的时间差以及该声波在管道介质中的传播速度进行定位：

$x=\frac{L-\mathrm{v\Δt}}{2}---\left(1\right)$

式中：x：泄漏定位值，即泄漏点到上游压力传感器的距离(m)；L：两压力传感器之间的距离(m)；v：声波在泄漏燃气管道中的传播速度(m/s)；Δt：泄漏声波从泄漏点到达上、下游压力传感器之间的时间差(s)；

其中，燃气管道泄漏声波的波速v的计算公式为：

$v(T,p)=\frac{1}{\sqrt{{\mathrm{\α}}_p(T,p)\mathrm{\ρ}(T,p)}}---\left(2\right)$

式中α_p为气体压缩系数，Pa^-1；ρ为气体密度，kg/m³；T为温度，K；p为压强，10⁵Pa；

从泄漏点x处产生的泄漏声波传播到上、下游压力传感器的理论时间差Δt的计算公式如下：

$\mathrm{\Δt}={\∫}_0^x\frac{1}{v\left(x\right)}\mathrm{dx}-{\∫}_x^L\frac{1}{v\left(x\right)}\mathrm{dx}---\left(3\right)$

(3)将与步骤(2)的理论时间差Δt和波速v有关的参数作为神经网络的输入变量，以泄漏定位值x作为神经网络的输出变量，开始广义回归神经网络训练；

(4)根据公式(1)、(2)、(3)建立x＝f(v,Δt)的对应关系；

(5)计算实际时间差，代入训练好的广义神经网络进行预测分析；

(6)得出定位结果。

步骤(3)中，神经网络的输入变量为管道的内径、进口流量、进口压力、进口温度、出口流量、出口压力、出口温度和两个压力传感器之间的间距。

计算理论时间差Δt之前先采用多尺度小波变换进行滤波降噪预处理。

步骤(4)中，采用Matlab神经网络工具箱构建预测模型。即编写广义回归神经网络计算代码，通过MATLAB工具箱构建广义回归神经网络预测模型，进行泄漏定位预测分析。

本发明的有益效果是，本发明的一种广义回归神经网络城市燃气管道泄漏定位分析方法：

(1)根据城市燃气管道特点，基于广义回归神经网络，结合声波法定位原理，在总结实验室试验和现场应用的基础上研究提出该分析方法，经验证可行、有效，为城市燃气泄漏检测定位技术的发展提出了新的思路，为今后实际工程应用提供了技术支持。

(2)应用广义回归神经网络强大的容错和函数逼近能力的特点，建立基于广义回归神经网络的燃气管道泄漏定位计算模型，确定输入与输出向量，将泄漏定位问题转化为函数逼近问题，进行燃气管道泄漏源检测定位分析，运算速度快，与实际检测结果比较，该方法定位精度较高。在实际管道泄漏定位中，取得较好效果。

(3)本发明丰富充实了燃气管道泄漏检测定位分析技术，对于加强城市燃气供给系统的安全，防患于未然，防御重大城市火灾、爆炸风险，节约能源、减小环境污染、保障人民生命财产安全，保证城市正常生产生活秩序和维持社会稳定等方面都具有重要意义。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是广义回归神经网络的结构图。

图2是本发明的城市燃气管道广义回归神经网络泄漏预测模型。

图3是本发明的广义回归神经网络城市燃气管道泄漏检测定位预测流程图。

图4网络的逼近误差。

图5网络的预测误差。

图6真实值和定位值对比图。

图7GRNN预测值和真实值对比图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。

如图3所示，本发明的一种广义回归神经网络城市燃气管道泄漏定位分析方法，根据城市燃气管道泄漏特点，基于GRNN(Generalized Regression NeuralNetwork，广义回归神经网络)技术，结合声波法泄漏检测原理和小波消噪技术，在实验室模拟城市燃气管道试验的基础上，编写广义回归神经网络计算代码，通过MATLAB工具箱构建广义回归神经网络模型，进行泄漏定位预测分析，经Matlab反复训练该网络的学习、计算能力，得到具有较高精度的定位计算结果，验证其精确度，再将其运用到某市管段实地检测。具体包括以下步骤：

1.声波法定位计算的改进

当燃气管道发生泄漏时，由于管道内外的压力差使得管内的气体在通过泄漏点到达管外时由于挤压而产生振荡变化的声波。该声波以一定的波速从泄漏口分别向管道上下游传播。在所述城市燃气管道的上游和下游安装压力传感器，根据上、下游压力传感器接收到同一声波的时间差以及该声波在管道介质中的传播速度进行定位：

$x=\frac{L(v-u)+(v^2-u^2)\mathrm{\Δt}}{2v}---\left(4\right)$

式中：x：泄漏定位值，即泄漏点到上游压力传感器的距离(m)；L：两压力传感器之间的距离(m)；v：声波在泄漏燃气管道中的传播速度(m/s)；u：管道内介质流速(m/s)；Δt：泄漏声波从泄漏点到达上、下游压力传感器之间的时间差(s)。相对长输管道，城市燃气管道内径较小，多为中低压管道，压力范围一般为0.01MP a<p≤0.2MPa，管道内介质流速一般为3～11m/s。燃气管道泄漏定位声波传播速度在3300m/s左右，因此，相对于泄漏声波波速，管道内介质流速对其的影响可以忽略不计，公式(4)可变为：

$x=\frac{L-\mathrm{v\&Delta;t}}{2}---\left(1\right)$

管道长度可以通过设计图查得，问题的关键就是如何准确的检测得到声波的传播速度和其传到两端压力传感器的时间差。

2.波速和时差的计算

用式(1)进行管道泄漏定位时，假设泄漏声波波速为一定值，取平均值。而实际管道泄漏声波的传播速度与管道内媒介密度、压力、温度、比热等有关，并非常数。实际应用中，燃气管道泄漏声波的波速v的计算公式为：

$v(T,p)=\frac{1}{\sqrt{{\mathrm{\&alpha;}}_p(T,p)\mathrm{\&rho;}(T,p)}}---\left(2\right)$

式中α_p为气体压缩系数，Pa^-1；ρ为气体密度，kg/m³；T为温度，K；p为压强，10⁵Pa。

由公式(2)可知，管道内声波的传播速度随温度和压力变化而变化的。从泄漏点x处产生的泄漏声波传播到上、下游压力传感器的理论时间差Δt的计算公式如下：

$\mathrm{\&Delta;t}={\&Integral;}_0^x\frac{1}{v\left(x\right)-u\left(x\right)}\mathrm{dx}-{\&Integral;}_x^L\frac{1}{v\left(x\right)+u\left(x\right)}\mathrm{dx}---\left(5\right)$

忽略管道内介质流速对声波波速的影响，上式简化为：

$\mathrm{\&Delta;t}={\&Integral;}_0^x\frac{1}{v\left(x\right)}\mathrm{dx}-{\&Integral;}_x^L\frac{1}{v\left(x\right)}\mathrm{dx}---\left(3\right)$

如果公式(2)可以精准地描述声波在城市燃气管道中的传播以及管道内传输介质的传送过程，则计算得到的实际时间差与式(3)计算的理论时间差一致，那么根据公式(1)、(2)和(3)即可实现城市燃气管道泄漏点的定位。

实际中，通过小波去噪发现泄漏信号拐点，得到拐点采样点数，可计算出两个信号拐点的时间时差，该时间时差为实际时间差。

管道泄漏检测过程中，由于周围复杂的环境以及工况影响，噪声干扰较大，需要借助小波对检测到的信号波形进行预处理。小波变换方法目的是减少噪声信号并进行快速变换。

若给定函数x(t)，则x(t)的小波变换定义为公式为：

${\mathrm{WT}}_x(a,b)=\&Integral;x\left(t\right)\mathrm{\&psi;}[(t-b)/a]/\sqrt{a}\mathrm{dt}=\&Integral;x\left(t\right){\mathrm{\&psi;}}_{a,b}\left(t\right)\mathrm{dt}=\&lang;x\left(t\right),{\mathrm{\&psi;}}_{a,b}\left(t\right)\&rang;---\left(6\right)$

式(6)中，a为伸缩因子；b为平移因子；ψ_a,b(t)为一个基本小波或小波母函数。a，b，t都是连续变量，因此该式又称为连续小波变换。令参数a＝2^-j，b＝k2^-j，其中j,k∈Z，则小波为经离散化处理后，实践中动态小波变换可表示为：

ψ_j,k＝2^-j/2ψ(2^-jt-k)j,k∈z    (7)

小波变换的真正拐点模量对各个尺度是固定值。相比之下，伪拐点的模量与尺度有着相反的变化趋势。因此通过找出所有尺度下小波变换的模极大值来找到真正的拐点是可行的，其步骤如下：

(1)信号拐点的大致范围确定在所有尺度下小波变换系数和的最大值与最小值之间。

(2)搜索出在d1尺度下大致范围内所有的极值。

(3)通过分析其它尺度下的极大值点的特征，得出拐点。

通过小波变换发现上游和下游的拐点分别所在的采样点数，即可计算得出声波信号传到上游和下游传感器的实际时间差，再结合神经网络技术进行泄漏检测定位分析。

3.基于GRNN的燃气管道泄漏定位模型的建立

(1)GRNN模型

GRNN由四层构成，如图1所示，分别为输入层、模式层、求和层和输出层。网络的第1层为信号输入层，输入向量传递到隐含层，隐含层有Q个神经元，节点函数为高斯函数；输出层为一个特定的线性层，同样含有Q个神经元，权值函数为归一化点积权函数，节点函数为纯线性函数。GRNN网络的第3层称为特定的线性输出层，因为隐含层输出不是直接作为线性神经元的输入，而是先将隐含层的输出与本层的权值矩阵作归一化点积运算后再作为权输入再送人传递函数；本层传递函数为线性函数。

对应网络输入X＝[x₁,x₂,…x_n]^T，其输出层为Y＝[y₁,y₂,…y_i]^T。

$y_i=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{y}_{\mathrm{ij}}\exp [-\frac{{(X-X_i)}^T(X-X_i)}{2{\mathrm{\&delta;}}^2}]}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\exp [-\frac{{(X-X_i)}^T(X-X_i)}{2{\mathrm{\&delta;}}^2}]}---\left(8\right)$

式(8)中，X为网络输入向量；X_i为随机变量；n为样本容量；为模式层神经元个数，i＝1,2…,n；δ为光滑因子；j为求和层中神经元个数，j＝1,2…,n；y_ij：模式层中第i个神经元与求和层中第j个求和神经元之间的连接权值为第i个输出样本y_i中的第j个元素y_ij。

(2)GRNN城市燃气管道泄漏定位分析模型

选择出一组最能反映期望输出变化原因的输入变量直接关系到神经网络预测的性能。由于管道的泄漏位置主要与时差Δt和声波波速有关，声波传播速度v是温度T和管道压力P的函数，同时与两个压力传感器之间的间距L、管道内径D、管道内介质流量Q有关。因此，以管道的内径D、进口流量Q1、进口压力P1、进口温度T1、出口流量Q2、出口压力P2、出口温度T2和两个压力传感器之间的间距L，这8个数据指标作为网络输入变量，以泄漏定位值x为神经网络的输出变量，采用Matlab语言编写算法计算程序，并应用Matlab神经网络工具箱构建预测模型如图2所示，开始广义回归神经网络训练。根据公式(1)、(2)、(3)建立x＝f(v,Δt)的对应关系；计算实际时间差，代入训练好的广义神经网络进行预测分析；得出定位结果。

以下是本发明的实验数据和分析：

1.实验数据

实验室模拟燃气管道泄漏定位试验，选取压力分别为0.15MPa、0.2MPa、0.3MPa做三组模拟试验，泄漏源在2100米处，每组取样三次，共9组数据，其中1-7组作为训练样本输入数据，8-9组作为目标样本输入数据，见表1。分别以实验检测值，声波法计算值以及小波分析定位值作为目标样本，见表2。实验室所使用的管道泄漏定位检测仪是美国PCA-6006型声发射仪，4通道，533MHz奔腾CPU，滤波器工作频率范围为60-500kHz。

对数据归一化处理后进行样本训练。经归一化处理后，确定适合的光滑因子δ。对于广义回归神经网络，光滑因子δ的大小对网络的最终逼近精度有着比较大的影响。本实施方式的光滑因子δ的取值范围为0.1～0.5。训练网络的逼近误差和预测误差分别见图4和图5：

2.实验分析

对于GRNN预测模型，光滑因子δ越小，对函数的逼近就越精确，光滑因子δ越大，逼近误差就越大。通过训练，由图4和图5可见，当光滑因子δ为0.1，无论是逼近性能还是预测性能，误差都比较小。随着光滑因子δ的增加，误差也在不断增加。

从误差的角度考虑，光滑因子δ取0.1，此时网络的输出为：

y＝0.3113   0.3827

   0.4991   0.3113

   0.3827   0.4991

经过反归一化处理后，得到的结果为：

y_c＝2273   2254

    2215   2185

    2117   2074

经过对其中两组数据处理分析可知，实验检测值，声波法计算值以及小波分析定位值都在一定程度上提高了定位的精确度。采取上述方法，分别对不同的训练样本和目标样本进行预测，得到数据结果见表3，三个输出变量的预测值误差率分别为8.38％，7.49％和2.79％，相比GRNN处理前三个样本的误差率13.19％，8.1％，3.9％有了较大的下降。另外，对比图6和图7也可以进一步看出，而小波分析预测值更加接近泄漏点的真实值。

3.城市燃气管道现场泄漏定位应用

3.1现场应用分析

对某市一段燃气管道进行泄漏检测。该管段为中压B级铸铁管道，管道压力为0.36MPa，管道内径200mm，壁厚9.5mm，平均埋深1.0m。管道上是硬化人行地面，南侧是一条交通主干道及公交站台，人员来往密集区，北侧6米处是商铺、小区，不具备开挖检测条件。

将小波分析定位分析法用于现场检测，并通过GRNN处理，得到预测值和检测值的对比结果，见表4。

3.2泄漏位置验证

在管道上沿线每隔1米钻一孔进行泄漏位置验证，用Gasurveyor 500型可燃气体检测报警仪检测，当检测仪放在距离A传感器7.0m的孔内时，ppm值迅速上升并伴随有报警声，技术人员判断此处管道确有泄漏存在。通过计算，GRNN预测方法在实际工程运用中的误差率为6.59％，相比于检测值误差率21.4％，误差率下降了近15％，结果表明该方法实际运用有效，定位准确性较高。

以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

表1 模拟实验数据样本(输入样本)

表2 目标样本数据

表3 GRNN预测数据和误差

样本	S1	S2	S3	S4	S5	S6	S7	S8	S9	误差率
											真实值	2100	2100	2100	2100	2100	2100	2100	2100	2100
检测值	2375	2341	2363	2176	2213	2243	2218	2282	2273	8.38％
											声波法计算值	2342	2365	2291	2285	2243	2156	2236	2215	2184	7.49％
小波分析定位值	2135	2119	2156	2068	2142	2023	2134	2117	2074	2.79％

表4 某段燃气管道泄漏定位结果

编号	检测泄漏值xA(m)	GRNN预测值xA(m)
			1	6.1	6.53
2	5.3	6.87
			3	5.1	6.37
平均值	5.5	6.59

Claims (4)

1.一种广义回归神经网络城市燃气管道泄漏定位分析方法，其特征在于：包括以下步骤：

(1)在所述城市燃气管道的上游和下游安装压力传感器；

(2)根据上、下游压力传感器接收到同一声波的时间差以及该声波在管道介质中的传播速度进行定位：

$x=\frac{L-\mathrm{v\&Delta;t}}{2}---\left(1\right)$

式中：x：泄漏定位值，即泄漏点到上游压力传感器的距离(m)；L：两压力传感器之间的距离(m)；v：声波在泄漏燃气管道中的传播速度(m/s)；Δt：泄漏声波从泄漏点到达上、下游压力传感器之间的时间差(s)；

其中，燃气管道泄漏声波的波速v的计算公式为：

$v(T,p)=\frac{1}{\sqrt{{\mathrm{\&alpha;}}_p(T,p)\mathrm{\&rho;}(T,p)}}---\left(2\right)$

式中α_p为气体压缩系数，Pa^-1；ρ为气体密度，kg/m³；T为温度，K；p为压强，10⁵Pa；

从泄漏点x处产生的泄漏声波传播到上、下游压力传感器的理论时间差Δt的计算公式如下：

$\mathrm{\&Delta;t}={\&Integral;}_0^x\frac{1}{v\left(x\right)}\mathrm{dx}-{\&Integral;}_x^L\frac{1}{v\left(x\right)}\mathrm{dx}---\left(3\right)$

(3)将与步骤(2)的理论时间差Δt和波速v有关的参数作为神经网络的输入变量，以泄漏定位值x作为神经网络的输出变量，开始广义回归神经网络训练；

(4)根据公式(1)、(2)、(3)建立x＝f(v,Δt)的对应关系；

(5)计算实际时间差，代入训练好的广义神经网络进行预测分析；

(6)得出定位结果。

2.如权利要求1所述的广义回归神经网络城市燃气管道泄漏定位分析方法，其特征在于：步骤(3)中，神经网络的输入变量为管道的内径、进口流量、进口压力、进口温度、出口流量、出口压力、出口温度和两个压力传感器之间的间距。

3.如权利要求1所述的广义回归神经网络城市燃气管道泄漏定位分析方法，其特征在于：计算理论时间差Δt之前先采用多尺度小波变换进行滤波降噪预处理。

4.如权利要求1所述的广义回归神经网络城市燃气管道泄漏定位分析方法，其特征在于：步骤(4)中，采用Matlab神经网络工具箱构建预测模型。