基于风险评价和TDLAS的天然气站场泄漏监测方法
技术领域
本发明属于天然气站场泄漏监测技术领域,具体涉及一种基于风险评价和TDLAS的天然气站场泄漏监测方法。
背景技术
天然气站场在天然气传输过程中起着重要作用。由于站内天然气存储量大、各流程工艺集中、人员进出频繁,天然气泄漏事故发生率相对较高,事故后果严重。站场的安全管理是站场运行的重中之重。巡检工人进行定时定点的设备泄漏及运行状态检测。当前,国内外天然气无人值守站场发展迅猛,通过站场自动控制和调控中心远控,可实现极少维护人员的站场监控。
现有的天然气泄漏的检测方法,并未对站场设备的风险进行全面的评价,对站场的风险没有整体考虑。因此,巡检机器人的激光传感器的扫描路径没有针对性。泄漏云团的大小和在空间的分布区域与各个设备区域的流量、温度、高度等生产数据密切相关。现有技术中,在激光巡检扫描的角度选择上没有考虑到各个设备区域的生产数据之间的差异,如此易使得激光传感器无法扫描到泄漏云团,造成漏检,从而存在安全隐患。
发明内容
基于现有技术中存在的上述不足,本发明提供一种基于风险评价和TDLAS的天然气站场泄漏监测方法。
为了达到上述发明目的,本发明采用以下技术方案:
基于风险评价和TDLAS的天然气站场泄漏监测方法,包括以下步骤:
S1、建立天然气站场失效数据库;
S2、根据天然气站场失效数据库对天然气站场内各设备进行风险评价,以对各设备进行风险等级的划分;根据天然气站场内各设备的运行数据进行K-means聚类,以确定各设备的泄漏云团的类别,从而对各设备进行分类;
S3、根据不同的风险等级确定相应的TDLAS激光传感器的扫描频次,根据设备的分类确定相应的TDLAS激光传感器的激光扫描角度;
S4、根据TDLAS激光传感器的扫描频次和激光扫描角度进行泄漏监测。
作为优选方案,所述步骤S1具体包括:
对影响天然气站场安全运行的各类危险源因素进行归类、分析,收集天然气站场各类故障发生及处理的历史记录,建立天然气站场失效数据库。
作为优选方案,所述步骤S2中,设备的风险等级划分,包括以下步骤:
根据天然气站场失效数据库的失效数据获得由失效因素q引起的失效概率,将其作为基本失效概率R q ;
通过失效概率修正因子F q 对基本失效概率R q 进行修正,计算得到评价天然气站场内设备由失效因素q引起的失效概率P q ;
各个失效因素的失效概率相加,得到相应设备的失效概率P;
其中,F q 为失效因素q对应的失效概率修正因子,m为失效因素的个数;
设备的失效后果评估采用评分模型,其计算公式为:
其中,C of 表示失效后果总分,PH表示介质危害性评分,LV表示泄漏量评分,DS表示扩散情况评分,RT表示危害受体评分;
将设备的失效概率和失效后果作为数据的两维特征,构成数据集;
对数据集进行聚类,对设备的风险划分为数个风险等级。
作为优选方案,所述对数据集进行聚类,具体包括:
数据集的数据x为二维数据,包括x 1、x 2、x 3、…、x m;
将数据集聚类为k个簇C 1、C 2、…、C k ,k取值为4,四个簇分别代表了风险等级为高风险、较高风险、中风险、低风险四个风险等级;
最小化损失函数为:
式中,x为数据集的数据;μ i 为簇的中心点,其计算公式:
其中,簇的中心点选取,包括:
在站场设备样本中随机选取四个样本点充当各个簇的中心点;
分别计算所有站场设备样本点与四个簇中心点之间的距离,将样本点划入离簇中心最近的簇中;
根据簇中所有的样本点,计算簇中心;
重复中心点选取步骤,直到迭代更新后聚类结果保持不变。
作为优选方案,所述步骤S3中,根据不同的风险等级确定相应的TDLAS激光传感器的扫描频次,具体包括:
若设备风险等级为高风险,则扫描频次为2小时扫描一次;
若设备风险等级为较高风险,则扫描频次为每4小时扫描一次;
若设备风险等级为中风险,则扫描频次为每8小时扫描一次;
若设备风险等级为低风险,则扫描频次为每12小时扫描一次。
作为优选方案,所述设备的运行数据包括流速、流量、位置高度、压力和温度。
作为优选方案,根据天然气站场内各设备的运行数据进行K-means聚类,具体包括:
各设备的运行数据y为五维数据,包括y 1、y 2、y 3、…、y r,r为设备的数量;
将数据集聚类为n个簇C 1、C 2、…、C n ,n取值为大于1的整数;
最小化损失函数为:
式中,y为设备的运行数据;μ i 为簇的中心点,其计算公式:
其中,簇的中心点选取,包括:
在站场设备样本中随机选取n个样本点充当各个簇的中心点;
分别计算所有站场设备样本点与n个簇中心点之间的距离,将样本点划入离簇中心最近的簇中;
根据簇中所有的样本点,计算簇中心;
重复中心点选取步骤,直到迭代更新后聚类结果保持不变,从而将站场设备划分为n类。
作为优选方案,所述步骤S3中,根据设备的分类确定相应的激光传感器的激光扫描角度,具体包括:
以TDLAS激光传感器能接收到其发射的激光的反射作为约束条件,并以其发射的激光到反射面之间的实际激光光程最短为目标,利用KKT条件得到激光扫描角度。
作为优选方案,所述利用KKT条件得到激光扫描角度,具体包括:
根据KKT条件,即可得到激光扫描角度θ;
其中,c为激光扫描的最远距离,h1为TDLAS激光传感器的高度,h2为泄漏云团中心高度,h3为反射面的高度,a为激光传感器距离泄漏点的水平距离,b为激光传感器距离反射面的水平距离,λ、μ为拉格朗日乘子。
作为优选方案,所述天然气站场内的设备包括管道、站内阀门、地面压力设备、仪器仪表。
本发明与现有技术相比,有益效果是:
本发明的基于风险评价和TDLAS的天然气站场泄漏监测方法,对站场设备的风险进行全面的评价,对站场的风险整体分析,使得巡检机器人的激光传感器的扫描路径对站场内的设备具有针对性。
泄漏云团的大小和在空间中的分布区域与各个设备区域的流量、温度、高度等设备的运行数据有关;本发明在激光巡检扫描的角度选择上考虑到各个设备区域的运行数据之间的差异,如此可以使激光尽可能的扫描到泄漏云团,降低漏检率。
附图说明
图1是本发明实施例的基于风险评价和TDLAS的天然气站场泄漏监测方法的流程图;
图2是本发明实施例的TDLAS激光传感器的工作原理图;
图3是本发明实施例的TDLAS激光传感器的激光扫描原理图。
具体实施方式
为了更清楚地说明本发明实施例,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
如图1所示,本发明实施例的基于风险评价和TDLAS的天然气站场泄漏监测方法,包括以下步骤:
S1、建立天然气站场失效数据库;
具体地,对影响天然气站场安全运行的各类危险源因素进行归类、分析,收集天然气站场各类故障发生及处理的历史记录,建立天然气站场失效数据库。
其中,天然气站场失效数据库包括天然气站场内所有设备的失效数据,本发明实施例的天然气站场内的设备包括管道、站内阀门、地面压力设备、仪器仪表等场站设备。
S2、根据天然气站场失效数据库对天然气站场内各设备进行风险评价,以对各设备进行风险等级的划分;根据天然气站场内各设备的运行数据进行K-means聚类,以确定各设备的泄漏云团的类别,从而对各设备进行分类。
具体地,步骤S2中,设备的风险等级根据天然气站场失效数据库,采用失效概率和失效后果两个维度的指标进行划分,具体包括以下步骤:
(1)根据失效数据库进行风险评价,根据天然气站场失效数据库的失效数据获得由失效因素q引起的失效概率,将其作为基本失效概率R q ;
通过失效概率修正因子F q 对基本失效概率R q 进行修正,计算得到评价天然气站场内设备由失效因素q引起的失效概率P q ;
各个失效因素的失效概率相加,得到相应设备的失效概率P;
其中,F q 为失效因素q对应的失效概率修正因子,失效概率修正因子可以考虑到站场设备当前的实际运行情况,对基本失效概率进行修正,使失效概率符合实际情况;m为失效因素的个数。
(2)设备的失效后果评估采用评分模型,其计算公式为:
其中,C of 表示失效后果总分,PH表示介质危害性评分,LV表示泄漏量评分,DS表示扩散情况评分,RT表示危害受体评分。具体地,设备的失效后果评估可以参考现有技术,在此不赘述。
(3)将设备的失效概率和失效后果作为数据的两维特征,结合起来进行风险评价,首先建立无标签数据集X;
其中,x 1、x 2、x 3、…、x m均表示数据的特征,且均为二维向量,包括失效概率和失效后果两个特征。
接着,对数据集进行聚类,对设备的风险划分为数个风险等级。
具体地,对数据集进行聚类,具体包括:
数据集的数据x为二维数据,包括x 1、x 2、x 3、…、x m;
将数据集聚类为k个簇C 1、C 2、…、C k ,k取值为4,四个簇分别代表了风险等级为高风险、较高风险、中风险、低风险四个风险等级;
最小化损失函数为:
式中,x为数据集的数据;μ i 为簇的中心点,其计算公式:
其中,簇的中心点选取,包括:
在站场设备样本中随机选取四个样本点充当各个簇的中心点
;
分别计算所有站场设备样本点与四个簇中心点之间的距离dist(x i ,μ i ),将样本点划入离簇中心最近的簇中;
根据簇中所有的样本点,计算簇中心;
重复上述中心点选取步骤,直到迭代更新后聚类结果保持不变。
这样就将站场内所有设备的风险划分为高风险、较高风险、中风险和低风险四个风险等级。
另外,步骤S2中,根据天然气站场内各设备的运行数据进行K-means聚类,以确定各设备的泄漏云团的类别,从而对各设备进行分类,具体包括:
泄漏云团大小与天然气站场设备有关。因为不同站场设备中气体流速不一样,气体流速不一样导致泄漏云团大小就不一样,云团大小不一样,激光扫描角度就不一样。
将站场内设备的流速、流量、位置高度、压力、温度等设备的运行数据作为人工智能算法K-means的输入,将各个设备根据运行数据分成若干类,同一个类别中的对象有很大的相似性,而不同类别的对象有很大的差异性。确保每一类的泄漏云团位置最相似,对不同类的设备采取不同的激光扫描角度。
其中,设备的运行数据包括流速、流量、位置高度、压力和温度。
根据天然气站场内各设备的运行数据进行K-means聚类,具体的聚类方法可以参考上述风险等级的聚类,区别在于设备的运行数据是五维数据。
具体地,K-means聚类的过程包括:
各设备的运行数据y为五维数据,包括y 1、y 2、y 3、…、y r,r为设备的数量;
将数据集聚类为n个簇C 1、C 2、…、C n ,n取值为大于1的整数;
最小化损失函数为:
式中,y为设备的运行数据;μ i 为簇的中心点,其计算公式:
其中,簇的中心点选取,包括:
在站场设备样本中随机选取n个样本点充当各个簇的中心点;
分别计算所有站场设备样本点与n个簇中心点之间的距离,将样本点划入离簇中心最近的簇中;
根据簇中所有的样本点,计算簇中心;
重复中心点选取步骤,直到迭代更新后聚类结果保持不变,从而将站场设备划分为n类。
S3、根据不同的风险等级确定相应的TDLAS激光传感器的扫描频次,根据设备的分类确定相应的TDLAS激光传感器的激光扫描角度;
具体地,根据不同的风险等级确定相应的TDLAS激光传感器的扫描频次,具体包括:
若设备风险等级为高,则扫描频次为2小时扫描一次;
若设备风险等级为较高,则扫描频次为每4小时扫描一次;
若设备风险等级为中,则扫描频次为每8小时扫描一次;
若设备风险等级为低,则扫描频次为每12小时扫描一次。
另外,根据设备的分类确定相应的激光传感器的激光扫描角度,具体包括:
如图2和3所示,以TDLAS激光传感器能接收到其发射的激光的反射作为约束条件,并以其发射的激光到反射面之间的实际激光光程最短为目标,利用凸优化理论的KKT条件得到激光扫描角度。
其中,利用KKT条件得到激光扫描角度,具体包括:
根据KKT条件,即可得到激光扫描角度θ;
其中,如图3所示,c为激光扫描的最远距离,h1为TDLAS激光传感器A的高度,h2为泄漏云团中心高度(泄漏点O至泄漏云团中心C之间的距离),h3为反射面B的高度,a为激光传感器距离泄漏点的水平距离,b为激光传感器距离反射面的水平距离,λ、μ为拉格朗日乘子。
是激光实际的扫描距离,实际扫描距离应小于激光扫描的最远距离,且
实际扫描距离越小越好,这样激光传输损失小,且鲁棒性强,允许的距离测算误差大,所以
要最小化
f(
θ)。
其中,
,把
a移到右边等于0,所以是KKT条件中的一个等式约束条件。
其中,
为激光照在反射面的高度,且此高度必须小于反射面的高
度,否则无反射光。
S4、根据TDLAS激光传感器的扫描频次和激光扫描角度进行泄漏监测,从而实现天然气站场泄漏监测。另外,巡检机器人通过自身运动及云台转动,使TDLAS激光传感器光路移动到指定监测区域,并开始下一时刻的迭代计算,实现实时监测。
本发明实施例的基于风险评价和TDLAS的天然气站场泄漏监测方法,具有如下优点:
(1)将风险评价和站场泄漏监测结合起来,实现高效监测;
(2)利用人工智能的方法对不同设备之间的泄漏云团大小进行聚类,有利于监测的智能化;
(3)利用凸优化的KKT条件的方法,可以求到最合理的扫描倾斜角度和激光传感器距离站场设备的位置。
以上所述仅是对本发明的优选实施例及原理进行了详细说明,对本领域的普通技术人员而言,依据本发明提供的思想,在具体实施方式上会有改变之处,而这些改变也应视为本发明的保护范围。