CN116164241A - 一种瓦斯抽采管网泄漏故障智能检测方法 - Google Patents

一种瓦斯抽采管网泄漏故障智能检测方法 Download PDF

Info

Publication number
CN116164241A
CN116164241A CN202310190803.7A CN202310190803A CN116164241A CN 116164241 A CN116164241 A CN 116164241A CN 202310190803 A CN202310190803 A CN 202310190803A CN 116164241 A CN116164241 A CN 116164241A
Authority
CN
China
Prior art keywords
leakage
model
pipe network
pipe
gas
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.)
Pending
Application number
CN202310190803.7A
Other languages
English (en)
Inventor
周爱桃
孙永鑫
王凯
杜昌昂
范席辉
王东旭
安靖宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology Beijing CUMTB
Original Assignee
China University of Mining and Technology Beijing CUMTB
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology Beijing CUMTB filed Critical China University of Mining and Technology Beijing CUMTB
Priority to CN202310190803.7A priority Critical patent/CN116164241A/zh
Publication of CN116164241A publication Critical patent/CN116164241A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17D—PIPE-LINE SYSTEMS; PIPE-LINES
    • F17D5/00—Protection or supervision of installations
    • F17D5/02—Preventing, monitoring, or locating loss
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/14—Pipes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Geometry (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mechanical Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Operations Research (AREA)
  • Fluid Mechanics (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

本发明提供一种瓦斯抽采管网泄漏智能检测方法，涉及瓦斯抽采技术领域，包括步骤：基于目标管网绘制拓扑图并构建瓦斯抽采管网工况解算模型；通过在抽采管网不同位置增加气源节点的方法求解获取管网不同泄漏情况下的节点流量、负压数据；利用数学模型及BP神经网络构建由“泄漏管段”到“管段泄漏点”的二级泄漏故障诊断模型，并利用上述步骤求解的管网泄漏工况数据对神经网络模型进行训练；采集抽采管网真实工况数据，利用二级泄漏故障诊断模型进行管段泄漏判识及泄漏定位。本方法解决了传统瓦斯抽采管网泄漏诊断技术中无法对泄漏点进行精确定位的缺陷，代替了人工巡检方法，节约了成本。

Description

一种瓦斯抽采管网泄漏故障智能检测方法
技术领域
本发明涉及瓦斯抽采技术领域，特别是涉及一种瓦斯抽采管网泄漏故障智能检测方法。
背景技术
瓦斯抽采是预防矿井瓦斯事故的根本途径。瓦斯抽采管网的泄漏会造成负压损失的增大，瓦斯抽采浓度降低，并带来瓦斯爆炸的风险。因此，如何判断瓦斯抽采管网是否发生泄漏故障，以及如何确定泄漏点位置和严重程度对于提高瓦斯抽采效率具有重要意义。
目前，对于智能化矿井，通常在抽采管道上安装了许多具有数据传输功能的多参测定装置，可以对管网的运行参数进行实时监测，并利用调控装置对其抽采参数进行智能化调节。同时，通过设置阈值的方法可以对管网的泄漏状况进行简单判识，而该方法不能对泄漏点进行定位。
因此，本发明通过对抽采管网进行抽象处理，结合数学模型和BP神经网络方法的优点建立了由“泄漏管段”到“管段泄漏点”的二级泄漏故障检测模型。本发明所述瓦斯抽采管网泄漏故障智能检测方法能够定位泄漏点位置，代替人工巡检，达到降低成本的目的，并具有高效、准确的优点。
发明内容
本发明的目的在于，针对现有技术存在的不足，提供了一种瓦斯抽采管网泄漏故障智能检测方法，以期保障瓦斯抽采管网的正常运行，提高抽采效率。
为实现上述目的，本发明提供了一种瓦斯抽采管网泄漏故障智能检测方法，具体包括以下步骤：
步骤S1：根据目标抽采管网系统布置情况绘制管网拓扑图，基于管网拓扑结构和管段特性参数构建抽采管网工况解算模型；
步骤S2：利用S1所述解算模型计算瓦斯抽采管网正常运行时的流量、负压数据；通过在管网拓扑图中新增气源节点的方法模拟管网泄漏情况，利用抽采管网工况解算模型分别计算管网不同泄漏情况下的节点流量、负压数据；
步骤S3：构建二级泄漏故障检测模型，第一级模型为管段泄漏判识模型，针对管网是否泄漏进行判识，如发生泄漏则输出泄漏管段编号及泄漏程度级别；第二级模型为泄漏定位模型，对泄漏管段上泄漏点位置进行判断；第一级模型为数学模型，第二级模型为BP神经网络模型，神经网络模型所依靠的训练数据为步骤S2所获得的管网不同泄漏情况下的节点流量、负压变化值数据；
步骤S4：采集抽采管网真实运行数据，利用二级泄漏故障检测模型对瓦斯抽采管网的泄漏情况进行判识，如发生泄漏则输出泄漏程度级别及泄漏位置，否则输出管网无泄漏。
进一步的，所述步骤S1中的管网拓扑图可根据具体矿井的采掘工程平面图、巷道布置图、抽放瓦斯管路系统图及抽采管段具体特性参数信息进行绘制。
进一步的，管段与钻孔连接端节点、抽采泵入口端节点和管段连接处节点作为抽采管网工况解算模型和故障诊断所研究的工况节点。
进一步的，管网的特性参数包括管道长度、管径、高差和摩阻系数。
进一步的，构建抽采管网工况解算模型包括根据管网拓扑图建立相应的气体状态方程、节点流量守恒方程、质量流量守恒方程、管道压降方程、抽采泵特性方程、瓦斯钻孔抽采特性方程。
所述步骤S2具体包括以下步骤：
步骤S21：基于目标抽采管网实际运行数据选择合适的初始源流量，将初始源流量赋予瓦斯抽采管网工况解算模型用以计算正常运行状态下的抽采流量、负压数据；
步骤S22：依次在瓦斯抽采管网不同管段、管段不同位置上新增一个气源节点，改变该节点初始流量，并利用解算模型计算此时抽采管网节点的流量、负压数据，即可获得管网不同位置发生不同泄漏程度时的管网运行工况样本数据。
所述步骤S3中的二级故障检测模型中的第一级模型为数学模型，通过计算管网各节点的气体质量流量即可利用检测模型对管网是否发生泄漏以及泄漏管段进行判识，具体包括以下步骤：
S311：基于管网各节点处的负压、流量、温度和浓度参数，计算各节点处的气体质量流量；
S312：利用数学模型依次对各管段气体流入、流出端的气体质量流量进行计算、对比，判识该管段是否发生泄漏，如发生泄漏，输出泄漏管段及泄漏程度级别，并进入故障检测第二级模型；如未发生泄漏，则直接结束故障检测。
所述步骤S3中的二级故障检测模型中的第二级模型为BP神经网络模型，当S312中输出泄漏管段后，直接进入针对该管段所建立的神经网络模型进行管段泄漏位置的预测，具体包括以下步骤：
S321：确定网络结构：将抽采管网中各节点处负压参数作为神经网络的输入部分，输出部分为泄漏点在泄漏管段上的位置信息；
S322：数据预处理：将S22中的泄漏运行负压数据减去S21中的正常运行负压数据得到泄漏故障负压残差样本矩阵，采用Logistic函数对样本矩阵进行归一化处理；得到归一化泄漏故障负压残差样本矩阵。
S323：建立神经网络模型：针对每一个管段都建立一个泄漏故障诊断模型：其中输入层特征向量为该管段发生泄漏情况下的负压残差样本矩阵，输出层为泄漏点在泄漏管段上的位置信息；
S324：神经网络训练及参数寻优。
与现有技术相比，本发明的有益效果为：
利用抽采系统的监测数据进行泄漏故障判识，可真正实现对抽采系统的实时检测，具有时效性。
利用数学建模方法快速获取了大量的泄漏工况样本数据，并可根据不同矿井、矿井不同开采时期对其模型进行修改，具有快速移植的优点，实用性强。
在检测过程中实现了对泄漏点进行定位的目的，且具有较高的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图如下：
图1为一种瓦斯抽采管网泄漏故障智能检测方法完整流程示意图。
图2为一种瓦斯抽采管网泄漏故障智能检测方法检测逻辑示意图。
图3为本发明实施例中的瓦斯抽采系统布置图。
图4为本发明实施例中的瓦斯抽采系统拓扑图。
图5为本发明实施例中的诊断效果图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1和实施例2
如图1所示，本发明申请了一种瓦斯抽采管网泄漏故障智能检测方法，具体包括以下步骤：
步骤S1：根据目标抽采管网系统布置情况绘制管网拓扑图，基于管网拓扑结构和管段特性参数构建抽采管网工况解算模型。
进一步的，管网拓扑图可根据具体矿井的采掘工程平面图、巷道布置图、抽放瓦斯管路系统图及抽采管段具体特性参数信息进行绘制。
进一步的，所述的管网拓扑图包括管段与钻孔连接端节点(气源节点)、管网管段、管段连接处节点、附属装置和瓦斯抽采泵入口端节点。其中，管段与钻孔连接端节点、抽采泵入口端节点和管段连接处节点作为抽采管网工况解算模型和故障诊断所研究的工况节点。
进一步的，管网的特性参数包括管道长度、管径、高差和摩阻系数。
进一步的，管道的阻力系数可通过管网负压实测数据，利用管段压降方程计算获得：
Figure BDA0004105375490000041
其中，Pi和Pj分别为管段入口和出口压力，Pa；L为管道长度，m；λ为阻力系数；M为气体质量流量，kg/s；Z为气体压缩系数；R为气体常数，kJ/(kg*k)；T为气体温度，K；D为管道直径，m。
进一步的，构建抽采管网工况解算模型包括根据管网拓扑图建立相应的气体状态方程、节点流量守恒方程、质量流量守恒方程、管道压降方程、抽采泵特性方程、瓦斯钻孔抽采特性方程。
进一步的，瓦斯钻孔抽采特性方程如下所示，方程中的参数可通过钻孔孔口端流量和负压的实测数据拟合获得：
Figure BDA0004105375490000042
其中，Mi、Mai、Mgi分别为第i个钻孔所抽采的气体总质量流量、空气质量流量和瓦斯质量流量，kg/s；Pi为第i个钻孔的孔口端负压，Pa；aai、agi、bai、bgi、cai和cgi为特性系数。
步骤S2：利用S1所述解算模型计算瓦斯抽采管网正常运行时的流量、负压数据；通过在管网拓扑图中新增一气源节点模拟管网泄漏情况，利用抽采管网工况解算模型分别计算管网不同泄漏情况下的节点流量、负压数据。
步骤S3：构建二级泄漏故障检测模型，第一级模型为管段泄漏判识模型，首先针对管网是否泄漏进行判识，如发生泄漏则输出泄漏管段编号及泄漏程度级别；第二级模型为泄露定位模型，对泄漏管段上泄漏点位置进行判断；第一级模型为数学模型，第二级模型为神经网络模型，神经网络模型训练所需数据为步骤S2所获得的管网不同泄漏情况下的节点流量、负压变化值数据。
进一步的，泄漏点位置通过泄漏点与所在管段气体流入端的长度与该管段总长度的比值表示。
所述步骤S3中的二级故障检测模型中的第一级模型为数学模型，通过计算管网各节点的气体质量流量即可利用检测模型对管网是否发生泄漏以及泄漏管段进行判识，具体包括以下步骤：
S311：基于管网各节点处的负压、流量、温度和浓度参数，计算各节点处的气体质量流量。
S312：利用数学模型依次对各管段气体流入、流出端的气体质量流量进行计算、对比，判识该管段是否发生泄漏，如发生泄漏，输出泄漏管段及泄漏程度级别，并进入故障检测第二级模型；如未发生泄漏，则直接结束故障检测。
进一步的，所述步骤S3中的二级泄漏故障检测模型中的第二级模型为BP神经网络模型，当S312输出泄漏管段后，直接进入针对该管段所建立的神经网络模型进行管段泄漏位置的判识，具体包括以下步骤：
S321：确定网络结构：将抽采管网中各节点处负压参数作为神经网络的输入部分，输出部分为泄漏点在泄漏管段上的位置信息。
S322：数据预处理：将S22中的泄漏运行负压数据减去S21中的正常运行负压数据得到泄漏故障负压残差样本矩阵，采用Logistic函数对样本矩阵进行归一化处理；得到归一化泄漏故障负压残差样本矩阵。
S323：建立神经网络模型：针对每一个管段都建立一个泄漏故障诊断模型：其中输入层特征向量为该管段发生泄漏情况下的泄漏残差样本矩阵，输出层为为泄漏点在泄漏管段上的位置信息。
S324：神经网络训练及参数寻优。
进一步的，隐含层神经远数量可通过试算择优确定，参数寻优时可使用粒子群算法、遗传算法方法。
步骤S4：采集抽采管网真实运行数据，利用二级泄漏故障检测模型对瓦斯抽采管网的泄漏情况进行判识，如发生泄漏则输出泄漏程度级别及泄漏位置，否则输出管网无泄漏。
进一步的，管网运行数据的采集密度可为每小时一次，也可根据矿井实际情况对其采集密度进行调整。
实施例3和实施例4：
将上述瓦斯抽采管网泄漏故障智能检测方法应用于某煤矿的抽采管网系统，具体步骤如下：
步骤L1：图3为矿上提供的瓦斯抽放系统布置示意图，共包含了3个瓦斯源节点(1个高位斜交钻场、2个顺层抽采钻场)，其管网拓扑图如图4所示，共7个节点(3个源节点，3个管段汇节点，1个抽采泵入口节点)，6条管段；基于图4所建立的瓦斯抽采工况数学模型包括6个独立的管道压降方程、1个瓦斯抽采泵特性方程、3个独立的抽采钻孔孔口端特性方程，如下所示：
Figure BDA0004105375490000061
其中：
Mi—节点i抽采气体总流量，kg/s；
Mai—节点i抽采气体空气流量，kg/s；
Mgi—节点i纯瓦斯流量，kg/s；
Ms—管段s抽采气体总流量，kg/s；
Mas—管段s抽采气体空气流量，kg/s；
Mgs—管段s抽采气体纯瓦斯流量，kg/s；
cs—管段s抽采气体中瓦斯浓度，％；
Mas—管段s抽采气体空气流量，kg/s；
Mgs—管段s抽采气体纯瓦斯流量，kg/s；
Z——气体压缩系数；
T0——气体温度，K；
Pi——节点i抽采绝压，Pa；
Vi——节点i抽采气体的相对体积，m3/mol；
ρi——节点i抽采气体密度，kg/m3；
Ri0——抽采气体常数，kJ/(kg*k)；
ci—节点i抽采气体中瓦斯浓度，％；
Rair——空气气体常数，0.287KJ/(Kg*k)；
RCH4——瓦斯气体常数，0.5182KJ/(Kg*k)；
Patm——大气压，101325pa；
P抽——瓦斯抽采泵进口绝对压力，Pa，P抽＝P6；
Mi—i节点混合气体质量流量，kg/s；
Pj——入口端j节点抽采绝对压力，Pa；
Pk——出口端k节点抽采绝对压力，Pa；
Ls——管段s修正长度，m；
Ls＝Lsr+Lsv
Lsr——管段s的标准管道长度，m；
Lsv——管段s局部阻力等效长度，m；
T0——气体温度，K；
Ms——管段s内的抽采气体流量，kg/s；
R0——管段s内的抽采气体常数，kJ/(kg*k)；
Ds——管段s内径，m；
sinsθ——管段s的斜率；
λs——管段s的阻力系数；
Mai—管段连接钻场端抽采空气流量，kg/s；
Mgi—管段连接钻场端抽采瓦斯纯量，kg/s。
步骤L2：利用所建立的抽采管网工况解算模型计算管网正常运行时各节点的流量、负压数据；之后分别在抽采系统网络拓扑图中各个管段及各管段不同位置新增气源节点的方法计算管网不同泄漏情况下的运行工况数据。
进一步的，新增气源节点距离所在管段气体流入端的长度与该管段总长度的比值的分别为0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9和0.99，新增气源节点的流量为抽采气体总量的为10％、15％、20％、25％、30％、35％和40％。
通过上述方法对样本进行处理，得到的泄漏样本数量为7*10*6＝420组，每个管段的泄漏样本数据为7*10＝70组。
步骤L3：构建二级故障检测模型，第一级模型针对管网是否泄漏及泄漏管段进行初步判识，第二级模型对泄漏管段的泄漏点位置进行定位。
进一步的，第一级模型采用数学模型，通过计算流经各节点的气体质量流量判断管段是否发生泄漏。当管段发生泄漏时，泄漏点之后的节点气体质量流量将大于泄漏点之前的节点流量：
ρinQin+ρleakQleak＝ρoutQout
其中，ρleak为泄漏气体密度，kg/m3；Qleak为泄漏气体流量，m3/s。
将ρleakQleak＝η，则有：
Figure BDA0004105375490000081
其中，η为泄漏气体质量流量和管网总气体质量流量的比值，其反映了管网泄漏程度。在实际抽采过程中，管网泄漏不可避免，因此η>0。通过对η值划分，可对管网的泄漏程度进行分级。当抽采管网发生泄漏后，利用该泄漏判识模型可准确获知泄漏管段的编号和泄漏程度。
进一步的，可将实施例3中的抽采管网系统泄漏程度分为轻度(η<0.05)、中度(0.05≤η＜0.1)、重度(0.1≤η＜0.3)和破损或断裂(η≥0.3)四个级别。
进一步的，第二级模型为BP神经网络，输入层神经元个数为6个，输出层神经元个数为1个，隐含层神经元个数经过多次试算最终确定为6个。
进一步的，通过人工方法对负压变化不大的样本进行剔除，使得剩下的样本负压变化值在传感器测试精度范围内。
最终，BP神经网络在经过迭代97次后学习完毕，图5为该模型在泄漏量为28％时对泄漏管段位置的预测结果，最大误差为11％，预测效果良好。

Claims (5)

1.一种瓦斯抽采管网泄漏故障智能检测方法，其特征在于，具体包括以下步骤：
步骤S1：根据目标抽采管网系统布置情况绘制管网拓扑图，基于管网拓扑结构和管段特性参数构建抽采管网工况解算模型；
步骤S2：利用S1所述解算模型计算瓦斯抽采管网正常运行时的流量、负压数据；通过在管网拓扑图中新增气源节点的方法模拟管网泄漏情况，利用抽采管网工况解算模型分别计算管网不同泄漏情况下的节点流量、负压数据；
步骤S3：构建二级泄漏故障检测模型，第一级模型为管段泄漏判识模型，针对管网是否泄漏进行判识，如发生泄漏则输出泄漏管段编号及泄漏程度级别；第二级模型为泄漏定位模型，对泄漏管段上泄漏点位置进行判断；第一级模型为数学模型，第二级模型为BP神经网络模型，神经网络模型所依靠的训练数据为步骤S2所获得的管网不同泄漏情况下的节点流量、负压变化值数据；
步骤S4：采集抽采管网真实运行数据，利用二级泄漏故障检测模型对瓦斯抽采管网的泄漏情况进行判识，如发生泄漏则输出泄漏程度级别及泄漏位置，否则输出管网无泄漏。
2.根据权利要求1所述的一种瓦斯抽采管网泄漏故障智能检测方法，其特征在于：所述步骤S1中的管网拓扑图可根据具体矿井的采掘工程平面图、巷道布置图、抽放瓦斯管路系统图及抽采管段具体特性参数信息进行绘制；管段与钻孔连接端节点、抽采泵入口端节点和管段连接处节点作为抽采管网工况解算模型和故障诊断所研究的工况节点；管网的特性参数包括管长、管径、高差和摩阻系数；构建抽采管网工况解算模型包括根据管网拓扑图建立相应的气体状态方程、节点流量守恒方程、质量流量守恒方程、管道压降方程、抽采泵特性方程、瓦斯钻孔抽采特性方程。
3.根据权利要求1所述的一种瓦斯抽采管网泄漏故障智能检测方法，其特征在于：所述步骤S2具体包括以下步骤：
步骤S21：基于目标抽采管网实际运行数据选择合适的初始源流量，将初始源流量赋予瓦斯抽采管网工况解算模型用以计算正常运行状态下的抽采流量、负压数据；
步骤S22：依次在瓦斯抽采管网不同管段、管段不同位置上新增一个气源节点，改变该节点初始流量，并利用解算模型计算此时抽采管网节点的流量、负压数据，即可获得管网不同位置发生不同泄漏程度时的管网运行工况样本数据。
4.根据权利要求1所述的一种瓦斯抽采管网泄漏故障智能检测方法，其特征在于：所述步骤S3中的二级故障检测模型中的第一级模型为数学模型，通过计算管网各节点的气体质量流量即可利用检测模型对管网是否发生泄漏以及泄漏管段进行判识，具体包括以下步骤：
S311：基于管网各节点处的负压、流量、温度和浓度参数，计算各节点处的气体质量流量；
S312：利用数学模型依次对各管段气体流入、流出端的气体质量流量进行计算、对比，判识该管段是否发生泄漏，如发生泄漏，输出泄漏管段及泄漏程度级别，并进入故障检测第二级模型；如未发生泄漏，则直接结束故障检测。
5.根据权利要求1所述的一种瓦斯抽采管网泄漏故障智能检测方法，其特征在于：所述步骤S3中的二级故障检测模型中的第二级模型为BP神经网络模型，当S312中输出泄漏管段后，直接进入针对该管段所建立的神经网络模型进行管段泄漏位置的预测，具体包括以下步骤：
S321：确定网络结构：将抽采管网中各节点处负压参数作为神经网络的输入部分，输出部分为泄漏点在泄漏管段上的位置信息；
S322：数据预处理：将S22中的泄漏运行负压数据减去S21中的正常运行负压数据得到泄漏故障负压残差样本矩阵，采用Logistic函数对样本矩阵进行归一化处理，得到归一化泄漏故障负压残差样本矩阵；
S323：建立神经网络模型：针对每一个管段都建立一个泄漏故障诊断模型，其中输入层特征向量为该管段发生泄漏情况下的负压残差样本矩阵，输出层为泄漏点在泄漏管段上的位置信息；
S324：神经网络训练及参数寻优。
CN202310190803.7A 2023-02-24 2023-02-24 一种瓦斯抽采管网泄漏故障智能检测方法 Pending CN116164241A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310190803.7A CN116164241A (zh) 2023-02-24 2023-02-24 一种瓦斯抽采管网泄漏故障智能检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310190803.7A CN116164241A (zh) 2023-02-24 2023-02-24 一种瓦斯抽采管网泄漏故障智能检测方法

Publications (1)

Publication Number Publication Date
CN116164241A true CN116164241A (zh) 2023-05-26

Family

ID=86419890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310190803.7A Pending CN116164241A (zh) 2023-02-24 2023-02-24 一种瓦斯抽采管网泄漏故障智能检测方法

Country Status (1)

Country Link
CN (1) CN116164241A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117072891A (zh) * 2023-10-13 2023-11-17 中国石油大学(华东) 一种无异常样本下的输氢管网实时智能泄漏监测定位方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117072891A (zh) * 2023-10-13 2023-11-17 中国石油大学(华东) 一种无异常样本下的输氢管网实时智能泄漏监测定位方法
CN117072891B (zh) * 2023-10-13 2024-01-12 中国石油大学(华东) 一种无异常样本下的输氢管网实时智能泄漏监测定位方法

Similar Documents

Publication Publication Date Title
CN108894282B (zh) 市政管网运行安全动态预警方法
CN112097126B (zh) 一种基于深度神经网络的供水管网爆管管道精确识别方法
CN109442221B (zh) 一种基于压力扰动提取的供水管网爆管侦测方法
CN112610903A (zh) 一种基于深度神经网络模型的给水管网泄漏定位方法
CN110929359B (zh) 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法
CN105927863A (zh) Dma分区管网泄漏在线检测定位系统及其检测定位方法
CN103870670B (zh) 一种油管腐蚀程度预测方法及装置
CN105221933A (zh) 一种结合阻力辨识的管网泄漏检测方法
CN103530818A (zh) 一种基于brb系统的供水管网建模方法
CN102072409B (zh) 一种结合漏失概率计算与记录仪监测的管网漏失监测方法
CN107013812B (zh) 一种三场耦合管道泄漏监测方法
CN109886506B (zh) 一种供水管网爆管风险分析方法
CN109886433A (zh) 智能识别城市燃气管道缺陷的方法
CN115127037B (zh) 一种供水管网漏损定位方法及系统
CN114048694B (zh) 一种基于物联网和水力模型的漏损定位方法
CN116164241A (zh) 一种瓦斯抽采管网泄漏故障智能检测方法
Kutyłowska Prediction of failure frequency of water-pipe network in the selected city
CN115204688A (zh) 排水系统健康性综合评价方法
CN115654381A (zh) 一种基于图神经网络的供水管道漏损检测方法
CN113605866B (zh) 一种矿井瓦斯抽采动态调控系统及方法
CN108615098A (zh) 基于贝叶斯生存分析的供水管网管道爆管风险预测方法
CN117540329B (zh) 基于机器学习的排水管网缺陷在线预警方法及系统
CN115075341A (zh) 一种区域漏水管道检测方法、系统、存储介质及智能终端
CN114021078A (zh) 一种大坝监测量最佳统计模型优选方法
CN113486950A (zh) 一种智能管网漏水检测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination