CN103939749B - 基于大数据的输油管网泄漏智能自适应监控***及方法 - Google Patents
基于大数据的输油管网泄漏智能自适应监控***及方法 Download PDFInfo
- Publication number
- CN103939749B CN103939749B CN201410175170.3A CN201410175170A CN103939749B CN 103939749 B CN103939749 B CN 103939749B CN 201410175170 A CN201410175170 A CN 201410175170A CN 103939749 B CN103939749 B CN 103939749B
- Authority
- CN
- China
- Prior art keywords
- flow
- value
- sequence
- pipe network
- difference
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012544 monitoring process Methods 0.000 title claims abstract description 47
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 210000005036 nerve Anatomy 0.000 claims abstract description 8
- 238000011144 upstream manufacturing Methods 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 19
- 239000012530 fluid Substances 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000008676 import Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 239000003208 petroleum Substances 0.000 abstract description 13
- 230000006855 networking Effects 0.000 abstract description 4
- 230000004807 localization Effects 0.000 abstract description 3
- 230000006854 communication Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 231100000517 death Toxicity 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/26—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
- G01M3/28—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds
- G01M3/2807—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds for pipes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
- G01M3/24—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using infrasonic, sonic, or ultrasonic vibrations
- G01M3/243—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using infrasonic, sonic, or ultrasonic vibrations for pipes
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Examining Or Testing Airtightness (AREA)
- Pipeline Systems (AREA)
Abstract
本发明涉及一种基于大数据的石油管网泄漏智能自适应监控***及方法,属于管道组网内部检测方法技术领域,可以将现场采集到大量数据在合理的时间内进行有效的分析,利用智能自适应的方法来获取管网的状态,从而得到管网的拓扑结构,具体采用流量平衡法,结合信息一致性理论来分析管网是否发生泄漏,方法直观、简单,且灵敏度高、误报率低;并且可以很好的对小泄漏量和缓慢泄漏的检测进行精确的报警;采用广义回归神经网络来进行管网的泄漏定位,提高了结果的准确性。因此,本发明采用基于大数据的策略和智能自适应的方法来解决管道组网的泄漏检测与定位,可以同时达到高精度和高准确性的目标。
Description
技术领域
本发明涉及管道组网内部检测方法技术领域,具体涉及一种基于大数据的石油管网泄漏智能自适应监控***及方法。
背景技术
管道运输是一种经济、方便的运输方式,和其它运输方式相比,它具有高效、安全、经济、便于控制和管理等优点,因此在流体输送中占有重要的地位。根据“十二五”规划,到2015年末我国油气输送管总长度将达到15万公里左右,其中:新增石油管道2.5万公里,天然气管道4.4万公里。但是由于管道设备老化,地理条件的变化以及人为破坏原因,管道泄漏事故经常发生。当管道发生泄漏事故时,不仅会带来***和引起火灾,甚至还会造成人员伤亡。因此,及时对流体输送管道的监测,采取相应的应急措施,防止泄漏事故的进一步扩大,具有重要的经济意义和社会效益。
流体输送管道的泄漏检测方法很多,主要包括外部环境检测、管壁状况检测和管内流动状态检测,其中管内流动状态检测是目前泄漏检测和定位的主要方法,它又包括状态模型法、基于声波的方法,压力点分析法,负压波方法等等。基于压力信号的管道泄漏检测***已经得到较为广泛的应用,但目前这类***还存在一些共性的问题:一是对小泄漏量和缓慢泄漏的检测漏报多,二是***抗工况扰动能力不强,***误报多。
目前,对于单条管道的泄漏检测与定位方法的研究已经比较成熟,但在工程实际中存在很多带有一条或者多条支路的输油管线,即管网,从石油管网得到的信息具有信息量大,数据量多的特点,对压力、流量等信号的采集都是毫秒级的数据,这充分体现了大数据的特点,另外石油管网结构复杂,更增加了对石油管网检测泄漏的难度,而当前对管网运输的研究还基本停留在单条管线运输上,不能很好地从整体把握分析,对管网进行检测,并且在管网运输中,压力波在传播过程中受到工况扰动和***噪声的影响更大,压力信号的衰减也会更剧烈,使得泄漏检测的灵敏度和定位精度大大降低。
发明内容
针对现有技术的缺点以及石油管网的具体特点,本发明提出了一种基于大数据的石油管网泄漏智能自适应监控***和方法,以达到提高定位精度的准确性、降低在实际应用中的误报率的目的。
一种基于大数据的输油管网泄漏智能自适应监控***,包括上位机和下位机;下位机包括数据采集器、滤波电路、放大电路、PLC中央处理单元,其中,
数据采集器:用于采集管道进口和出口处的毫秒级压力、毫秒级流量、温度和密度,并对采集的各类信号进行多源一致处理,将其转换为标准统一的数据,并发送至滤波电路中;
滤波电路:用于将采集的信号进行噪声滤波,并将滤波后的信号发送至放大电路中;
放大电路:用于将采集到的信号进行放大处理,并将放大后的信号发送至PLC中央处理单元中;
PLC中央处理单元:用于对采集的信号进行模数转换,并对每段管道进口和出口的数据进行校时处理,并将校时处理后的信号发送至上位机中;
上位机:
用于根据阀门和泵的状态,采用智能自适应的方法获得管网的初始状态,从而得到整个管网的拓扑结构;
用于通过判断采集的入口流量与出口流量之间的差值是否超过阈值,确定管网区域的优先检测范围;
用于通过检查此时所有阀门和泵的状态是否与初始状态相同和判断流量差值与人工放油量或人工加油量是否相等,确定导致采集的信号变化是否由于人为导致;
用于对采集的流量值进行一致性测试,确定采集的流量数据是否有效;
用于确定理论预置泄漏点所产生的压力波到达上游传感器和下游传感器的理论时间差,并将理论时间差的序列和每段管道长度的序列作为广义回归神经网络的输入,将每个预置泄漏点与所在管道入口之间距离的序列作为期望输出,进行训练获得非线性模型,将泄漏点所产生的压力波到达上游传感器和下游传感器的实际时间差带入训练获得的非线性模型中获得实际泄漏点所在位置。
采用基于大数据的输油管网泄漏智能自适应监控***进行的监控方法,包括以下步骤:
步骤1、确定管网中每个阀门和泵的初始状态,即开启状态或关闭状态,并根据阀门和泵的状态,采用智能自适应的方法获得管网的初始状态,从而得到整个管网的拓扑结构;
步骤2、采用数据采集器采集管道进口和出口处的毫秒级压力、毫秒级流量、温度和密度,并对采集的各类信号进行多源一致处理,将其转换为标准统一的数据,并发送至滤波电路中;
步骤3、采用PLC单元对采集的信号进行模数转换,并对每段管道进口和出口的数据进行校时处理,发送至上位机中进行存储;
步骤4、判断采集的入口流量与出口流量之间的差值是否超过阈值,若超过该阈值,则调查管网历史工况情况,确定与该流量最接近的历史流量所对应的泄漏点监控站,将该监控站负责的管网区域作为优先检测范围,若未超过返回执行步骤2;
步骤5、检查此时所有阀门和泵的状态是否与初始状态相同,若相同,则执行步骤7;若不同,则确定状态变化的阀门和泵的人工放油量或人工加油量,并确定管网进口和出口的流量差值,并执行步骤6;
步骤6、判断流量差值与人工放油量或人工加油量是否相等,若不等,则执行步骤7,若相等则返回执行步骤2;
步骤7、对采集的流量值进行一致性测试,确定采集的流量数据是否有效,具体如下:
判断是否成立,若成立,则执行步骤7,否则返回执行步骤2;
其中,M表示传感器总数;R表示每个监控站安装的流量传感器个数;F表示采集到变化数据的流量传感器个数;
步骤8、确定泄漏点所产生的压力波到达上游传感器和下游传感器的实际时间差;
上游端采集到的压力信号值与下游端采集到的压力信号值之间互相关系数计算公式如下:
其中,N表示压力数组的长度,Ts表示采样时间间隔,L表示相邻两个监控站之间的管道长度,Δd表示管道内流体的流量状态从旧稳态到新稳态所需的时间;x(t)表示上游端采集到的压力信号值;y(t)表示下游端采集到的压力信号值;xi表示整个管网中的某个监控站,i为其对应的编号;yj表示与xi监控站相邻的监控站,j为对应的编号;a表示压力波的波速;
计算互相关系数取最大值时对应的τ值,该值即为实际时间差;
步骤9、确定理论预置泄漏点所产生的压力波到达上游传感器和下游传感器的理论时间差;
步骤9-1、在管网的每个管道上均匀设置若干个预置泄漏点,每两个预置泄漏点间距离相等;
步骤9-2、确定每个预置泄漏点的压力波到达上游和下游的理论时间差;
理论时间差计算公式如下:
其中,v表示管道内流体本身的流速;xl表示预置泄漏点距离管道入口的距离;τ0表示理论时间差;
步骤10、构建每个预置泄漏点与所在管道入口之间距离的序列,构建每个预置泄漏点的压力波到达上游和下游理论时间差的序列,构建每段管道长度的序列;
步骤11、将理论时间差的序列和每段管道长度的序列作为广义回归神经网络的输入,将每个预置泄漏点与所在管道入口之间距离的序列作为期望输出,进行训练;
训练获得的非线性模型如下:
XL=f(Δt,Y) (3)
其中,Δt表示理论时间差序列;XL表示每个预置泄漏点与所在管道入口之间距离的序列;Y表示每段管道长度的序列;f(Δt,Y)表示理论时间差的序列、每段管道长度的序列、每个预置泄漏点与所在管道入口之间距离的序列之间的非线性函数;
步骤12、将实际时间差带入训练获得的非线性模型中获得实际泄漏点所在位置;
步骤13、将结果进行存储并显示。
步骤4所述的判断采集的每个流量值的变化值通过计算获得或根据实际经验获得,其中,流量值的变化值计算公式如下:
ΔQi=E{Qin-Qout-Qr} (4)
其中,ΔQi表示考虑热动态效应时的入口流量与出口流量之间的差值;Qin表示管段上游段的入口流量;Qout表示管段下游段的出口流量;E{·}表示数学期望;Qr表示考虑热动态效应引起的管道流体变化量的计算值,D表示管道直径;K表示与管道的修正参数有关的修正系数,取值为0.91~0.95;T表示管道中进口处和出口处油品的温度的平均值;P表示管道中的压强;λ流体的黏度,λ的具体取值要参考采集到的密度值来确定。
步骤4中所述的阈值采用智能自适应的方法进行确定:在输油管网正常状态下,在时间t内采集多组管道进出口流量值,求出前时间内的流量平均值和后时间内的流量平均值,计算获得上述两个平均值的差值,若该差值在0.001到0.01之间,则该阈值为所获得差值;否则,则分别去掉前时间内和后的最大流量值和最小流量值,重新求得前时间内的流量平均值和后时间内的流量平均值,直至得到阈值。
本发明的优点:
本发明是一种基于大数据的石油管网泄漏智能自适应监控***及方法,可以将现场采集到大量数据在合理的时间内进行有效的分析,利用智能自适应的方法来获取管网的状态,从而得到管网的拓扑结构,具体采用流量平衡法,结合信息一致性理论来分析管网是否发生泄漏,方法直观、简单,且灵敏度高、误报率低;并且可以很好的对小泄漏量和缓慢泄漏的检测进行精确的报警;采用广义回归神经网络来进行管网的泄漏定位,提高了结果的准确性。因此,本发明采用基于大数据的策略和智能自适应的方法来解决管道组网的泄漏检测与定位,可以同时达到高精度和高准确性的目标。
附图说明
图1为本发明一种实施例的***结构图;
图2为本发明一种实施例的硬件电路结构框图;
图3为本发明一种实施例的硬件中下位机的电路结构图;
图4为本发明一种实施例的基于大数据的石油管网泄漏智能自适应监控***及方法流程图;
图5为本发明一种实施例的管网拓扑图。
具体实施方式
下面结合附图对本发明一种实施例做进一步说明。
如图1和图2所示,一种基于大数据的输油管网泄漏智能自适应监控***,其特征在于,包括上位机和下位机;下位机包括数据采集器、滤波电路、放大电路、PLC中央处理单元,其中,数据采集器用于采集管道进口和出口处的毫秒级压力、毫秒级流量、温度和密度,并对采集的各类信号进行多源一致处理,将其转换为标准统一的数据,并发送至滤波电路中;滤波电路用于将采集的信号进行噪声滤波,并将滤波后的信号发送至放大电路中;放大电路用于将采集到的信号进行放大处理,并将放大后的信号发送至PLC中央处理单元中;PLC中央处理单元用于对采集的信号进行模数转换,并对每段管道进口和出口的数据进行校时处理,并将校时处理后的信号发送至上位机中;上位机用于根据阀门和泵的状态,采用智能自适应的方法获得管网的初始状态,从而得到整个管网的拓扑结构;用于通过判断采集的入口流量与出口流量之间的差值是否超过阈值,确定管网区域的优先检测范围;用于通过检查此时所有阀门和泵的状态是否与初始状态相同和判断流量差值与人工放油量或人工加油量是否相等,确定导致采集的信号变化是否由于人为导致;用于对采集的流量值进行一致性测试,确定采集的流量数据是否有效;用于确定理论预置泄漏点所产生的压力波到达上游传感器和下游传感器的理论时间差,并将理论时间差的序列和每段管道长度的序列作为广义回归神经网络的输入,将每个预置泄漏点与所在管道入口之间距离的序列作为期望输出,进行训练获得非线性模型,将泄漏点所产生的压力波到达上游传感器和下游传感器的实际时间差带入训练获得的非线性模型中获得实际泄漏点所在位置。
本发明实施例中,数据信号为单向传递,在施工现场,将检测到的这些大量的毫秒级数据,如压力、流量、温度、密度传给数据采集器,进行信号处理,采集到的泵的状态、阀门的状态存储到数据库中,并根据阀门和泵的状态,采用智能自适应的方法获得管网的初始状态,从而得到整个管网的拓扑结构;由滤波电路对这些信号进行滤波,再由放大电路对信号进行放大,处理后的数据信号接到PLC的A/D转换模块中,最后由通讯接口传输到上位机中。
如图3所示,本发明实施例中,PLC单元包括CPS校时模块、时钟电路、复位电路、信号处理模块和电源电路,达到对上下游采集的数据进行时间上的同步的目的,放大电路与PLC单元的A/D转换接口相连,实现从模拟信号导数据信号的转变;PLC单元的输出端连接到上位机中;所述的PLC单元选用PEC9000型号的模块,GPS校时模块选用DNF4533F型号;滤波电路选用EDP型号芯片,放大电路芯片选用NE5532型号,数据采集器选用SYAD02C型号。
本发明基于上述装置,提供了一个石油管网泄漏智能自适应监控***,该***基于大数据的策略来分析,结合智能自适应的方法来获取管网的状态并得到管网的拓扑结构,具体利用信息一致性理论,通过对流量传感器的实时监控,做到准确的识别当前管网的运行状况,利用流量的变化准确的判断出管网是否发生泄漏;利用广义回归神经网络建立模型,能在较短的时间内作出响应以及泄漏点的精确定位。
一种基于大数据的石油管网泄漏智能自适应监控方法,流程图如图4所示,包括以下步骤:
步骤1、确定管网中每个阀门和泵的初始状态,即开启状态或关闭状态,并根据阀门和泵的状态,采用智能自适应的方法获得管网的初始状态,从而得到整个管网的拓扑结构;
本发明实施例中,结合智能自适应的方法,当阀门和泵的状态开启时,则对应站的情况反映到管网的拓扑结构中,在关闭时则不反映该站的情况;
步骤2、采用数据采集器采集管道进口和出口处的毫秒级压力、毫秒级流量、温度和密度,并对采集的各类信号进行多源一致处理,将其转换为标准统一的数据,并发送至滤波电路中;
本发明实施例中,将现场采集到的用于管网检测泄漏各类数据,有压力、流量、温度、密度等,这些数据是多源的,并且输入标准是不一致的,因此必须结合智能自适应的方法,将这些数据以及采集到的泵的状态、阀门的状态统一按类存储于数据库中。
步骤3、采用PLC单元对采集的信号进行模数转换,并对每段管道进口和出口的数据进行校时处理,发送至上位机中进行存储;
管道泄漏的精确定位关键之处在于将上、下游同时刻采集的数据经网络通讯汇集到一起,以得到泄漏信号到达上下游端的准确时间差,该时间差是否精确直接影响定位结果,为了提高时间差的精确程度,需要对上下游采集的数据进行时间上的同步,因此,本发明实施例中采用全球定位***GPS来同步上、下游管道泄漏监测的***时间,从而消除两端远程数据单元RTU与服务器之间的通信延迟所造成的上下游数据时间差,达到提高定位精度的目的。
步骤4、判断采集的入口流量与出口流量之间的差值是否超过阈值,若超过,则查看管网历史工况情况,确定与该流量差值最接近的历史流量差值所对应的泄漏点监控站,将该监控站负责的管网区域作为优先检测范围,若未超过返回执行步骤2;在该实施例中,t取10分钟;
所述的阈值采用智能自适应的方法进行确定:在输油管网正常状态下,在时间t内采集多组管道进出口流量值,求出前时间内的流量平均值和后时间内的流量平均值,计算获得上述两个平均值的差值,若该差值在0.001到0.01之间,则该阈值为所获得差值;否则,则要分别去掉前时间内和后的最大流量值和最小流量值,重新求得前时间内的流量平均值和后时间内的流量平均值,直至得到阈值;
流量值的变化值计算公式如下:
ΔQi=E{Qin-Qout-Qr} (4)
其中,ΔQi表示考虑热动态效应时的入口流量与出口流量之间的差值;Qin表示管段上游段的入口流量;Qout表示管段下游段的出口流量;E{·}表示数学期望;Qr表示考虑热动态效应引起的管道流体变化量的计算值,D表示管道直径;K表示与管道的修正参数有关的修正系数,取值为0.91~0.95;T表示管道中进口处和出口处油品的温度的平均值;P表示管道中的压强;λ流体的黏度,具体取值要参考采集到的密度值来确定。本实施例中,ΔQi取0.005。
本发明实施例中,当油气管网中的某一个监控站在短时间内测出的流量变化值超过规定警戒阈值时,利用PLC和数据库存储的历史信息,获得影响该监控站运行状态变化的所有工况调整信息,依据调整信息结合历史记录中的类似的情况,查询数据库,得到与该监控站相邻的其他监控站的所有工况调整信息,缩小了排查范围。
步骤5、检查此时所有阀门和泵的状态是否与初始状态相同,若相同,则执行步骤7;若不同,则确定状态变化的阀门和泵的油量变化,并确定管网进口和出口的流量差值,并执行步骤6;
步骤6、判断流量差值与人工放油量或人工加油量是否相等,若不等,则执行步骤7,若相等则返回执行步骤2;
本发明实施例中,当检测到管段的阀门、泵的状态发生改变时,判断流量变化是否满足:Δq=|Qin-Qout|,其中:Δq表示本次人工放油量或者人工加油量;若是,则可以将该次报警屏蔽掉;若不满足,则对本次流量超过阈值事件进行报警。
步骤7、对采集的流量值进行一致性测试,确定采集的流量数据是否有效,具体如下:
本发明实施例中,如果发生泄漏,在每个端点的流量传感器会检测出流量的变化,但是由于实际中各种因素的影响,如噪声的干扰,传感器的工作状态等等,有可能使部分端点的流量传感器检测不准流量的细微变化。因此,本发明提出的方法是设定多个传感器信号检测一致性的判断准则,即判断是否成立,若成立,则执行步骤7,否则返回执行步骤2;本发明实施例中,判断数据变化的流量传感器个数是否大于4;
其中,M表示流量传感器总数;R表示每个监控站安装的流量传感器个数;F表示采集到变化数据的流量传感器个数;在本实施例中,M取7,R取1;
步骤8、确定泄漏点所产生的压力波到达上游传感器和下游传感器的实际时间差;
本发明实施例中采用对上、下游远程数据单元RTU采集到的泄漏信号进行相关分析的方法来计算时间差,此方法是基于上、下游监测点接收到的泄漏信号的相关性,以互相关系数最大时所对应的时间表征产生的泄漏信号传播到上、下游监测点的时间差。
上游端采集到的压力信号值与下游端采集到的压力信号值之间互相关系数计算公式如下:
其中,N表示压力数组的长度,Ts表示采样时间间隔,L表示相邻两个监控站之间的管道长度,Δd表示管道内流体的流量状态从旧稳态到新稳态所需的时间;计算机进行相关分析算法时,N的取值决定了最后相关系数的精度,上、下游的泄漏信号各存在两个数组中,在每个采样后,两个计算机数组都需要进行更新(祛除旧的泄漏信号,读取新的泄漏信号)。在本实施例中,L取10公里,a取1000m/s,Ts取0.001s,Δd取4s;
x(t)表示上游端采集到的压力信号值;y(t)表示下游端采集到的压力信号值;xi表示整个管网中的某个监控站,i为其对应的编号;yj表示与xi监控站相邻的监控站,j为对应的编号;a表示压力波的波速;
本发明实施例中,选取5min长度的数据进行相关计算,在计算互相关系数时,若直接用上式计算,计算复杂度为O(N2),当管道长、采样率高时,计算量大。本发明实施例中,采用快速傅里叶变换算法,可以使总计算量大大降低,复杂度也大大降低;在未发生泄漏时,相关函数将维持在某一很小的数值,而如有泄漏发生,且当τ=τ′0时,R(τ)将达到最大值,即R(τ′0)=maxR(τ),相关函数R(τ)的极大值所对应的τ即被认为τ′0,τ′0为实际时间差。
步骤9、确定理论预置泄漏点所产生的压力波到达上游传感器和下游传感器的理论时间差;
步骤9-1、在管网的每个管道上均匀设置若干个预置泄漏点,两点间距离相等;
步骤9-2、确定每个预置泄漏点的压力波到达上游和下游的理论时间差;
理论时间差计算公式如下:
其中,v表示管道内流体本身的流速;xl表示预置泄漏点距离管道入口的距离;τ0表示理论时间差;本实施例中,v忽略不计;
步骤10、构建每个预置泄漏点与所在管道入口之间距离的序列,构建每个预置泄漏点的压力波到达上游和下游理论时间差的序列,构建每段管道长度的序列;
如图5所示,本发明实施例中,设管网共有7个端点(图中A、B、C、D、E、F、G)E1,E2,E3,E4,E5,E6,E7,假设泄漏发生在距离上游测点150m处,从第一个监控站出发,将管网按等距离设定66预置泄漏点S1,S2,S3……S66,构建每个预置泄漏点与所在管道入口之间距离的序列,即模拟泄漏位置序列XL=[S1,S2,S3……S66];计算出理论时间差序列从实际中总结出起始站位置,构造位置序列,即每段管道长度的序列Y=[Y1,Y2,Y3……Y12];
步骤11、将理论时间差的序列和每段管道长度的序列作为广义回归神经网络的输入,将每个预置泄漏点与所在管道入口之间距离的序列作为期望输出,进行训练;
训练获得的非线性模型如下:
XL=f(Δt,Y) (3)
其中,Δt表示理论时间差序列;XL表示每个预置泄漏点与所在管道入口之间距离的序列;Y表示每段管道长度的序列;f(Δt,Y)表示理论时间差的序列、每段管道长度的序列、每个预置泄漏点与所在管道入口之间距离的序列之间的非线性函数;
步骤12、将实际时间差带入训练获得的非线性模型中获得实际泄漏点所在位置;
步骤13、将结果进行存储并显示;
本发明实施例中,泄漏点位置确定之后,会通过远程数据单元传到上位机中,然后上位机会按要求显示泄漏信息并且刷新曲线,并对一些其他操作作出响应。
Claims (4)
1.一种基于大数据的输油管网泄漏智能自适应监控***,其特征在于,包括上位机和下位机;下位机包括数据采集器、滤波电路、放大电路、PLC中央处理单元,其中,
数据采集器:用于采集管道进口和出口处的毫秒级压力、毫秒级流量、温度和密度,并对采集的各类信号进行多源一致处理,将其转换为标准统一的数据,并发送至滤波电路中;
滤波电路:用于将采集的信号进行噪声滤波,并将滤波后的信号发送至放大电路中;
放大电路:用于将采集到的信号进行放大处理,并将放大后的信号发送至PLC中央处理单元中;
PLC中央处理单元:用于对采集的信号进行模数转换,并对每段管道进口和出口的数据进行校时处理,并将校时处理后的信号发送至上位机中;
上位机:
用于根据阀门和泵的状态,采用智能自适应的方法获得管网的初始状态,从而得到整个管网的拓扑结构;
用于通过判断采集的入口流量与出口流量之间的差值是否超过阈值,确定管网区域的优先检测范围;
用于通过检查此时所有阀门和泵的状态是否与初始状态相同和判断流量差值与人工放油量或人工加油量是否相等,确定导致采集的信号变化是否由于人为导致;
用于对采集的流量值进行一致性测试,确定采集的流量数据是否有效;
用于确定理论预置泄漏点所产生的压力波到达上游传感器和下游传感器的理论时间差,并将理论时间差的序列和每段管道长度的序列作为广义回归神经网络的输入,将每个预置泄漏点与所在管道入口之间距离的序列作为期望输出,进行训练获得非线性模型,将泄漏点所产生的压力波到达上游传感器和下游传感器的实际时间差带入训练获得的非线性模型中获得实际泄漏点所在位置。
2.采用权利要求1所述的基于大数据的输油管网泄漏智能自适应监控***进行的监控方法,其特征在于,包括以下步骤:
步骤1、确定管网中每个阀门和泵的初始状态,即开启状态或关闭状态,并根据阀门和泵的状态,采用智能自适应的方法获得管网的初始状态,从而得到整个管网的拓扑结构;
步骤2、采用数据采集器采集管道进口和出口处的毫秒级压力、毫秒级流量、温度和密度,并对采集的各类信号进行多源一致处理,将其转换为标准统一的数据,并发送至滤波电路中;
步骤3、采用PLC中央处理单元对采集的信号进行模数转换,并对每段管道进口和出口的数据进行校时处理,发送至上位机中进行存储;
步骤4、判断采集的入口流量与出口流量之间的差值是否超过阈值,若超过该阈值,则调查管网历史工况情况,确定与该流量最接近的历史流量所对应的泄漏点监控站,将该监控站负责的管网区域作为优先检测范围,若未超过返回执行步骤2;
步骤5、检查此时所有阀门和泵的状态是否与初始状态相同,若相同,则执行步骤7;若不同,则确定状态变化的阀门和泵的人工放油量或人工加油量,并确定管网进口和出口的流量差值,并执行步骤6;
步骤6、判断流量差值与人工放油量或人工加油量是否相等,若不等,则执行步骤7,若相等则返回执行步骤2;
步骤7、对采集的流量值进行一致性测试,确定采集的流量数据是否有效,具体如下:
判断是否成立,若成立,则执行步骤7,否则返回执行步骤2;
其中,M表示传感器总数;R表示每个监控站安装的流量传感器个数;F表示采集到变化数据的流量传感器个数;
步骤8、确定泄漏点所产生的压力波到达上游传感器和下游传感器的实际时间差;
上游端采集到的压力信号值与下游端采集到的压力信号值之间互相关系数计算公式如下:
其中,N表示压力数组的长度,Ts表示采样时间间隔,L表示相邻两个监控站之间的管道长度,△d表示管道内流体的流量状态从旧稳态到新稳态所需的时间;x(t)表示上游端采集到的压力信号值;y(t)表示下游端采集到的压力信号值;xi表示整个管网中的某个监控站,i为其对应的编号;yj表示与xi监控站相邻的监控站,j为对应的编号;a表示压力波的波速;
计算互相关系数取最大值时对应的τ值,该值即为实际时间差;
步骤9、确定理论预置泄漏点所产生的压力波到达上游传感器和下游传感器的理论时间差;
步骤9-1、在管网的每个管道上均匀设置若干个预置泄漏点,每两个预置泄漏点间距离相等;
步骤9-2、确定每个预置泄漏点的压力波到达上游和下游的理论时间差;
理论时间差计算公式如下:
其中,v表示管道内流体本身的流速;xl表示预置泄漏点距离管道入口的距离;τ0表示理论时间差;
步骤10、构建每个预置泄漏点与所在管道入口之间距离的序列,构建每个预置泄漏点的压力波到达上游和下游理论时间差的序列,构建每段管道长度的序列;
步骤11、将理论时间差的序列和每段管道长度的序列作为广义回归神经网络的输入,将每个预置泄漏点与所在管道入口之间距离的序列作为期望输出,进行训练;
训练获得的非线性模型如下:
XL=f(△t,Y) (3)
其中,△t表示理论时间差序列;XL表示每个预置泄漏点与所在管道入口之间距离的序列;Y表示每段管道长度的序列;f(△t,Y)表示理论时间差的序列、每段管道长度的序列、每个预置泄漏点与所在管道入口之间距离的序列之间的非线性函数;
步骤12、将实际时间差带入训练获得的非线性模型中获得实际泄漏点所在位置;
步骤13、将结果进行存储并显示。
3.根据权利要求2所述的监控方法,其特征在于,步骤4所述的判断采集的每个流量值的变化值通过计算获得或根据实际经验获得,其中,流量值的变化值计算公式如下:
△Qi=E{Qin-Qout-Qr} (4)
其中,△Qi表示考虑热动态效应时的入口流量与出口流量之间的差值;Qin表示管段上游段的入口流量;Qout表示管段下游段的出口流量;E{·}表示数学期望;Qr表示考虑热动态效应引起的管道流体变化量的计算值,D表示管道直径;K表示与管道的修正参数有关的修正系数,取值为0.91~0.95;T表示管道中进口处和出口处油品的温度的平均值;P表示管道中的压强;λ流体的黏度,λ的具体取值要参考采集到的密度值来确定。
4.根据权利要求2所述的监控方法,其特征在于,步骤4中所述的阈值采用智能自适应的方法进行确定:在输油管网正常状态下,在时间t内采集多组管道进出口流量值,求出前时间内的流量平均值和后时间内的流量平均值,计算获得上述两个平均值的差值,若该差值在0.001到0.01之间,则该阈值为所获得差值;否则,则分别去掉前时间内和后的最大流量值和最小流量值,重新求得前时间内的流量平均值和后时间内的流量平均值,直至得到阈值。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410175170.3A CN103939749B (zh) | 2014-04-28 | 2014-04-28 | 基于大数据的输油管网泄漏智能自适应监控***及方法 |
US14/692,502 US9797799B2 (en) | 2014-04-28 | 2015-04-21 | Intelligent adaptive system and method for monitoring leakage of oil pipeline networks based on big data |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410175170.3A CN103939749B (zh) | 2014-04-28 | 2014-04-28 | 基于大数据的输油管网泄漏智能自适应监控***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103939749A CN103939749A (zh) | 2014-07-23 |
CN103939749B true CN103939749B (zh) | 2016-08-24 |
Family
ID=51187540
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410175170.3A Expired - Fee Related CN103939749B (zh) | 2014-04-28 | 2014-04-28 | 基于大数据的输油管网泄漏智能自适应监控***及方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US9797799B2 (zh) |
CN (1) | CN103939749B (zh) |
Families Citing this family (111)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10352505B2 (en) * | 2008-06-27 | 2019-07-16 | Exxonmobil Research And Engineering Company | Method and apparatus for real time enhancing of the operation of a fluid transport pipeline |
CN104390146A (zh) * | 2014-10-14 | 2015-03-04 | 苏州德鲁森自动化***有限公司 | 一种基于物联网的供水管网监测*** |
CN104949805B (zh) * | 2014-12-03 | 2018-11-23 | 佛山市云米电器科技有限公司 | 漏水检测方法及装置 |
CN104976518B (zh) * | 2015-06-08 | 2017-10-13 | 中国海洋石油总公司 | 一种海底管线泄漏监测*** |
CN105042337B (zh) * | 2015-06-15 | 2017-10-17 | 中国石油天然气股份有限公司 | 一种输油管道泄漏量计算方法 |
US9395262B1 (en) * | 2015-12-21 | 2016-07-19 | International Business Machines Corporation | Detecting small leaks in pipeline network |
US9558453B1 (en) * | 2015-12-21 | 2017-01-31 | International Business Machines Corporation | Forecasting leaks in pipeline network |
US10386262B2 (en) * | 2016-01-28 | 2019-08-20 | Utopus Insights, Inc. | Leak identification in a mass transport network |
US11620553B2 (en) * | 2016-04-21 | 2023-04-04 | Utopus Insights, Inc. | System and method for forecasting leaks in a fluid-delivery pipeline network |
CN105782728B (zh) * | 2016-04-29 | 2018-07-13 | 刘金玉 | 一种流体漏失监控装置和监控方法 |
CN105927863B (zh) * | 2016-05-07 | 2018-06-29 | 大连理工大学 | Dma分区管网泄漏在线检测定位***及其检测定位方法 |
WO2018044461A1 (en) | 2016-08-31 | 2018-03-08 | 3M Innovative Properties Company | Systems and methods for modeling, analyzing, detecting, and monitoring fluid networks |
CN109643335B (zh) | 2016-08-31 | 2023-07-25 | 3M创新有限公司 | 用于建模、分析、检测和监测流体网络的***和方法 |
CN109643432B (zh) | 2016-08-31 | 2023-10-27 | 3M创新有限公司 | 用于建模、分析、检测并监测流体网络的***和方法 |
US10661311B2 (en) * | 2016-09-08 | 2020-05-26 | Walmart Apollo, Llc | Automated tote routing system and methods |
CN106645384B (zh) * | 2016-09-23 | 2019-06-25 | 东北大学 | 一种管道漏磁内检测器数据的自适应滤波方法 |
CN107886182B (zh) * | 2016-09-30 | 2022-03-01 | 中国石油化工股份有限公司 | 油田集输***优化设计方法及装置 |
AU2017373670A1 (en) * | 2016-12-07 | 2019-04-18 | Landmark Graphics Corporation | Automated method for environmental hazard reduction |
US11280696B2 (en) * | 2017-01-10 | 2022-03-22 | Sensus Spectrum Llc | Method and apparatus for model-based leak detection of a pipe network |
CN107023755B (zh) * | 2017-05-16 | 2019-10-18 | 北京化工大学 | 管网泄漏监测定位方法及*** |
CN107633340B (zh) * | 2017-07-21 | 2021-09-07 | 浙江大学 | 一种基于压力监测的供水管网漏失区域快速识别方法 |
JP6874847B2 (ja) * | 2017-08-07 | 2021-05-19 | 日本電気株式会社 | 状態分析装置、状態分析方法及びプログラム |
CN107606489B (zh) * | 2017-09-30 | 2019-04-30 | 新奥泛能网络科技有限公司 | 一种燃气管线管理方法、装置及*** |
CN108443714B (zh) * | 2018-04-09 | 2019-11-15 | 山东省科学院激光研究所 | 确定管道泄漏的方法及装置 |
CN108506732A (zh) * | 2018-04-25 | 2018-09-07 | 江苏太平橡胶股份有限公司 | 输油管道防泄漏监测*** |
RU2688903C1 (ru) * | 2018-05-18 | 2019-05-22 | Государственное бюджетное образовательное учреждение высшего образования "Альметьевский государственный нефтяной институт" | Способ определения утечек в трубопроводах и устройство для его осуществления |
CN108799847A (zh) * | 2018-08-24 | 2018-11-13 | 北京科力达宏业科贸有限责任公司 | 一种高压气体输送管道泄漏监测***和方法 |
CN109058772A (zh) * | 2018-09-12 | 2018-12-21 | 昆明理工大学 | 一种输送管道泄漏检测装置及方法 |
CN109357171B (zh) * | 2018-11-30 | 2020-07-24 | 北京无线电计量测试研究所 | 一种地下管线泄漏监测与定位方法与装置 |
CN109800627B (zh) * | 2018-12-03 | 2020-06-09 | 第四范式(北京)技术有限公司 | 石油管道信号的异常检测方法及装置、设备及可读介质 |
BE1026848B1 (nl) * | 2018-12-07 | 2020-07-09 | Atlas Copco Airpower Nv | Gasnetwerk en werkwijze voor het detecteren van lekken in een gasnetwerk onder druk of onder vacuüm |
US11572965B2 (en) * | 2018-12-11 | 2023-02-07 | Honeywell International Inc. | Automated disconnecting of safety valves in a gas distribution system |
BE1026852B1 (nl) * | 2018-12-27 | 2020-09-28 | Atlas Copco Airpower Nv | Werkwijze voor het detecteren van lekken in een gasnetwerk onder druk of onder vacuüm en gasnetwerk |
JP2022516402A (ja) * | 2018-12-27 | 2022-02-28 | アトラス・コプコ・エアパワー・ナームロゼ・ベンノートシャープ | 加圧下または真空下のガス供給網内の障害を検出するための方法およびガス供給網 |
CN109506848B (zh) * | 2018-12-29 | 2024-05-31 | 汉威科技集团股份有限公司 | 一种新型在线扫描式超声波气体测漏*** |
CN109854953B (zh) * | 2019-01-23 | 2024-03-15 | 西安长庆科技工程有限责任公司 | 一种特殊工况下的原油输送管线泄漏检测***及方法 |
CN111623243B (zh) * | 2019-02-27 | 2022-03-25 | 深圳电蚂蚁数据技术有限公司 | 一种区域油管网网络拓扑关系确认方法、装置和*** |
CN111623237B (zh) * | 2019-02-27 | 2022-05-06 | 深圳电蚂蚁数据技术有限公司 | 一种区域用气网络拓扑关系确认方法、装置和*** |
CN109827079B (zh) * | 2019-03-18 | 2020-05-22 | 东北大学 | 一种基于海底石油管道信息物理***的溢油源检测方法 |
CN109827080A (zh) * | 2019-04-10 | 2019-05-31 | 中国石油大学(华东) | 一种终端管网漏点分段式粗定位装置和定位方法 |
CN111999692B (zh) * | 2019-05-27 | 2023-03-14 | 深圳电蚂蚁数据技术有限公司 | 一种多表误差的校准方法和装置 |
CN110145694A (zh) * | 2019-07-02 | 2019-08-20 | 北京中计新业科技发展有限公司 | 一种天然气管网泄漏监测***及检测方法 |
CN110159937A (zh) * | 2019-07-02 | 2019-08-23 | 北京中计新业科技发展有限公司 | 一种舰船管网的管道泄漏检测方法 |
CN110375207B (zh) * | 2019-07-09 | 2021-05-14 | 安徽理工大学 | 一种深埋燃气管道泄漏人工智能检测*** |
CN110319351B (zh) * | 2019-07-18 | 2024-04-30 | 中海石油气电集团有限责任公司 | 基于检测管的管输天然气微量泄漏连续监测方法及装置 |
CN110866319A (zh) * | 2019-10-10 | 2020-03-06 | 天津市燃气热力规划设计研究院有限公司 | 燃气管网节点法水力计算中特殊点的处理方法 |
CN111125867B (zh) * | 2019-11-04 | 2024-03-26 | 浙江工业大学 | 基于混沌粒子群的化工生产管道实时瞬态模型的建立及计算方法 |
CN111028487B (zh) * | 2019-12-27 | 2021-07-13 | 杭州青泓科技有限公司 | 一种水处理监测方法及*** |
CN113063100A (zh) * | 2019-12-30 | 2021-07-02 | 北京国双科技有限公司 | 管道泄漏的检测方法及装置 |
CN111314430B (zh) * | 2020-01-19 | 2022-08-05 | 北京戴纳实验科技有限公司 | 一种气罐信息采集*** |
US11959816B2 (en) | 2020-01-22 | 2024-04-16 | DropWater Solutions | Multi-bandwidth communication for fluid distribution network |
US11792885B2 (en) * | 2020-01-22 | 2023-10-17 | DropWater Solutions | Wireless mesh for fluid distribution network |
CN111367972B (zh) * | 2020-02-03 | 2021-04-02 | 重庆特斯联智慧科技股份有限公司 | 一种基于人工智能的社区排水管道探查方法和*** |
CN111368381B (zh) * | 2020-03-06 | 2024-02-23 | 上海天麦能源科技有限公司 | 一种针对水管网的智慧信息处理方法和*** |
CN111446115B (zh) * | 2020-04-29 | 2024-06-07 | 上海乐研电气有限公司 | 一种全寿命周期智能监控的气体密度继电器及其实现方法 |
CN111536428B (zh) * | 2020-05-13 | 2022-07-26 | 华北水利水电大学 | 一种基于大数据的管网漏损控制模型及其构建方法 |
CN111638024A (zh) * | 2020-05-25 | 2020-09-08 | 智强通达科技(北京)有限公司 | 基于大数据的油罐泄露监测告警***及方法 |
CN111536437A (zh) * | 2020-06-09 | 2020-08-14 | 福州大学 | 一种多传感器融合的智慧水务终端 |
CN113933001B (zh) * | 2020-06-29 | 2024-04-30 | 广州地铁集团有限公司 | 基于大数据的主风管压力泄漏评估方法、装置及电子设备 |
CN111950068A (zh) * | 2020-08-31 | 2020-11-17 | 江苏工程职业技术学院 | 一种基于Bim的维护建筑设备的方法和装置 |
CN112004063B (zh) * | 2020-09-03 | 2022-04-22 | 四川弘和通讯有限公司 | 一种基于多相机联动的卸油油管连接正确性的监控方法 |
CN112115654B (zh) * | 2020-09-27 | 2024-03-12 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 一种融合实测数据的管道流场压力分布评估方法及装置 |
CN112483903B (zh) * | 2020-10-30 | 2022-04-12 | 江苏太湖云计算信息技术股份有限公司 | 一种管网入流检测方法、装置及*** |
CN114508704B (zh) * | 2020-11-16 | 2024-04-30 | 中国石油天然气股份有限公司 | 管道泄漏检测方法及装置、存储介质 |
CN112460040A (zh) * | 2020-11-23 | 2021-03-09 | 中国华能集团清洁能源技术研究院有限公司 | 一种泵声波监测***和方法 |
CN112633552B (zh) * | 2020-11-27 | 2022-05-13 | 合肥泽众城市智能科技有限公司 | 一种燃气管线与周边管线耦合隐患识别与风险评估方法与*** |
CN112413414B (zh) * | 2020-12-11 | 2022-08-23 | 大连海心信息工程有限公司 | 一种供热管网泄漏的综合检测方法 |
CN112762362A (zh) * | 2021-01-15 | 2021-05-07 | 中国海洋石油集团有限公司 | 基于卷积神经网络的水下管道泄漏声发射检测方法 |
CN113154269A (zh) * | 2021-03-18 | 2021-07-23 | 河北机电职业技术学院 | 一种管道液体泄漏监测报警定位***及方法 |
CN113033396B (zh) * | 2021-03-24 | 2024-05-24 | 东北大学 | 基于特征融合的变频管道过球指示装置及过球检测方法 |
CN113128709B (zh) * | 2021-04-02 | 2023-12-22 | 内蒙古江宏信息技术有限公司 | 一种供水管网漏损管理*** |
CN113326610B (zh) * | 2021-05-21 | 2022-04-19 | 浙江大学 | 一种基于油高软测量预测的加油站油罐泄漏检测预警方法 |
CN113188055B (zh) * | 2021-05-31 | 2022-11-25 | 东北大学 | 基于负压波衰减驱动的管道泄漏自适应动态补偿定位方法 |
CN113591255B (zh) * | 2021-07-08 | 2024-02-27 | 哈尔滨工程大学 | 一种基于最短路径的船舶典型管网自主重构方法 |
CN113669626B (zh) * | 2021-08-06 | 2023-05-09 | 上海天麦能源科技有限公司 | 一种长输燃气管网两级监测方法和*** |
CN113933002A (zh) * | 2021-08-12 | 2022-01-14 | 吉林大学 | 一种长距离大型输水压力管道水压试验漏点识别的方法 |
CN113656461B (zh) * | 2021-08-17 | 2024-03-19 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和介质 |
CN113685736B (zh) * | 2021-08-24 | 2023-07-04 | 上海观燃智能科技有限公司 | 一种基于压力参数分析的燃气管网泄漏检测方法和*** |
CN113721057B (zh) * | 2021-09-01 | 2024-03-22 | 上海天麦能源科技有限公司 | 一种对低压管道偷气行为的快速判断方法 |
CN113719760B (zh) * | 2021-09-16 | 2022-10-14 | 武汉博水信息科技有限公司 | 基于地理信息的管网运行智慧预警分析方法和*** |
CN113962144B (zh) * | 2021-09-29 | 2024-04-05 | 西安交通大学 | 一种基于Labview与Matlab的油气输运管线危害流型预报及控制方法 |
CN113849005B (zh) * | 2021-10-09 | 2024-04-19 | 张长宗 | 智慧型反馈式管网压力控制***及方法 |
CN114358492B (zh) * | 2021-12-03 | 2024-04-09 | 武汉大学 | 水电站水库调度的确定方法 |
CN113970074B (zh) * | 2021-12-06 | 2023-07-04 | 广州福勒自动控制设备科技有限公司 | 一种对天然气管道进行防泄漏检测的方法、***及无人机 |
CN114183203B (zh) * | 2021-12-22 | 2023-09-19 | 韶关市均能石化有限公司 | 基于云端的矿山井下智能化输油管路布置方法及*** |
CN114357679A (zh) * | 2022-01-05 | 2022-04-15 | 烟台杰瑞石油服务集团股份有限公司 | 高压管汇运行状态的处理方法以及装置 |
CN114838296B (zh) * | 2022-02-25 | 2023-08-25 | 重庆兆光科技股份有限公司 | 一种基于天然气用户使用序列的管道泄漏诊断方法及*** |
CN114811452A (zh) * | 2022-04-08 | 2022-07-29 | 国网山东省电力公司建设公司 | 一种变电站埋地管道泄漏监测定位方法、装置和*** |
CN114743355B (zh) * | 2022-04-12 | 2023-07-21 | 四川水利职业技术学院 | 一种引水工程溃漏报警方法及*** |
CN115031801B (zh) * | 2022-04-15 | 2023-03-31 | 宁波大学 | 一种基于排水管道液位监测动态流量的方法 |
CN114723342B (zh) * | 2022-06-01 | 2022-08-26 | 欧米勒电气有限公司 | 一种基于人工智能的石油化工业压力管道安全管理*** |
CN114741831B (zh) * | 2022-06-13 | 2022-08-23 | 成都同飞科技有限责任公司 | 一种供水管网水力压强预警分布的模拟方法及*** |
CN114963029B (zh) * | 2022-06-20 | 2024-04-02 | 天津精仪精测科技有限公司 | 一种基于负压波监测的多径管网泄漏检测方法 |
CN115265963B (zh) * | 2022-06-28 | 2023-06-16 | 北京航天试验技术研究所 | 一种用于封闭空间的氢泄漏检测及定位方法 |
CN115077634B (zh) * | 2022-07-26 | 2023-11-03 | 湖南敏行汽车科技有限公司 | 一种空气流量测量方法 |
CN115451347B (zh) * | 2022-08-05 | 2023-04-28 | 国家管网集团北方管道有限责任公司 | 一种石油管道安全的智能监控***及方法 |
CN115111537B (zh) * | 2022-08-24 | 2022-11-18 | 北京云庐科技有限公司 | 用于确定燃气管网中泄漏点的位置的方法、装置和介质 |
CN115186942B (zh) * | 2022-09-14 | 2022-11-18 | 武汉智联时空科技有限公司 | 基于三维gis的热力管网事故预警方法 |
CN115183162B (zh) * | 2022-09-15 | 2022-11-18 | 广东海洋大学 | 一种联合声波和流量平衡的管道缺陷检测方法及*** |
CN115614539B (zh) * | 2022-11-08 | 2023-07-04 | 无锡隆圣威流体控制设备有限公司 | 一体式气动控制回信器电磁阀 |
CN116307363B (zh) * | 2023-02-08 | 2024-06-14 | 新疆敦华绿碳技术股份有限公司 | 一种注二氧化碳工艺的安全评价方法 |
CN116202038B (zh) * | 2023-05-05 | 2023-08-08 | 海纳云物联科技有限公司 | 管网泄漏事件预警方法、装置、设备和介质 |
CN116205087B (zh) * | 2023-05-05 | 2023-07-14 | 安徽中科大国祯信息科技有限责任公司 | 基于边缘计算网关的雨污排水管网异常分析方法及装置 |
CN116382100B (zh) * | 2023-06-05 | 2023-08-01 | 中特检管道工程(北京)有限公司 | 一种油气管道检测控制***及控制方法 |
CN116488652B (zh) * | 2023-06-14 | 2023-09-08 | 北京科力华安地质灾害监测技术有限公司 | 一种油气管道安全状态智能监测设备及方法 |
CN116557797B (zh) * | 2023-07-12 | 2023-09-26 | 上海电机学院 | 长距离超低压大直径管道泄漏无损检测定位方法及*** |
CN116975767B (zh) * | 2023-09-14 | 2023-12-08 | 长沙弘汇电子科技有限公司 | 基于大数据分析的智慧水务监测***和灾害推演方法 |
CN117575341A (zh) * | 2023-10-25 | 2024-02-20 | 湖北省天然气发展有限公司 | 一种基于大数据天然气传输网络的气量调度评价方法 |
CN117168713B (zh) * | 2023-11-03 | 2024-02-13 | 安徽诺益科技有限公司 | 一种氦氢质谱检漏仪信号快速处理***及方法 |
CN117408006B (zh) * | 2023-12-14 | 2024-03-05 | 上海叁零肆零科技有限公司 | 基于城燃管网的抢修方案生成方法、装置、设备及介质 |
CN118129087A (zh) * | 2024-05-06 | 2024-06-04 | 西安东方宏业科技股份有限公司 | 基于智能学习的管道泄漏监测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06129942A (ja) * | 1992-10-16 | 1994-05-13 | Nkk Corp | パイプラインの監視方法及びその装置 |
CN103335216A (zh) * | 2013-06-18 | 2013-10-02 | 东北大学 | 一种基于二型模糊逻辑的油气管网泄漏检测装置及方法 |
CN203395600U (zh) * | 2013-08-19 | 2014-01-15 | 东北石油大学 | 管道泄漏检测与定位装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6970808B2 (en) * | 2004-04-29 | 2005-11-29 | Kingsley E. Abhulimen | Realtime computer assisted leak detection/location reporting and inventory loss monitoring system of pipeline network systems |
US7590498B1 (en) * | 2007-11-30 | 2009-09-15 | Pivotal Systems Corporation | System and method for vacuum chamber leak detection |
-
2014
- 2014-04-28 CN CN201410175170.3A patent/CN103939749B/zh not_active Expired - Fee Related
-
2015
- 2015-04-21 US US14/692,502 patent/US9797799B2/en not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06129942A (ja) * | 1992-10-16 | 1994-05-13 | Nkk Corp | パイプラインの監視方法及びその装置 |
CN103335216A (zh) * | 2013-06-18 | 2013-10-02 | 东北大学 | 一种基于二型模糊逻辑的油气管网泄漏检测装置及方法 |
CN203395600U (zh) * | 2013-08-19 | 2014-01-15 | 东北石油大学 | 管道泄漏检测与定位装置 |
Non-Patent Citations (2)
Title |
---|
基于LPV模型GRNN输气管道音波定位算法;王丽娜等;《东北大学学报》;20130930;第34卷(第9期);1224-1225 * |
基于广义回归神经网络的管道泄漏精确定位方法;陈琦等;《中南大学学报》;20110930;第42卷;945-946 * |
Also Published As
Publication number | Publication date |
---|---|
CN103939749A (zh) | 2014-07-23 |
US9797799B2 (en) | 2017-10-24 |
US20150308919A1 (en) | 2015-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103939749B (zh) | 基于大数据的输油管网泄漏智能自适应监控***及方法 | |
CN105042339B (zh) | 一种基于无量纲的成品油管道泄漏量估计***及方法 | |
CN109442221B (zh) | 一种基于压力扰动提取的供水管网爆管侦测方法 | |
CN105927863B (zh) | Dma分区管网泄漏在线检测定位***及其检测定位方法 | |
Arifin et al. | A novel data-driven leak detection and localization algorithm using the Kantorovich distance | |
CN110245411B (zh) | 一种城镇集中供热***及泄漏点检测方法 | |
JP4314038B2 (ja) | 流体搬送管網中の異常箇所を推定する方法 | |
CN100451442C (zh) | 基于混沌分析和微处理器的管道微泄漏诊断方法与装置 | |
CN101832472A (zh) | 利用次声波实现管道泄漏检测的*** | |
JP2013525790A (ja) | 配管漏れをチェックするデータ処理方法およびシステム | |
CN102606890A (zh) | 应用瞬变激励进行给水管道漏失定量和定位的装置及方法 | |
CN1184931A (zh) | 流体输送管道泄漏检测定位的方法及装置 | |
US20220082409A1 (en) | Method and system for monitoring a gas distribution network operating at low pressure | |
Reddy et al. | Leak detection in gas pipeline networks using an efficient state estimator. Part II. Experimental and field evaluation | |
CN107023755A (zh) | 管网泄漏监测定位方法及*** | |
CN111578150A (zh) | 一种油气输送管网安全在线实时监测与预警管理*** | |
Ravula et al. | Experimental validation of leak and water-ingression detection in low-pressure gas pipeline using pressure and flow measurements | |
CN115979538A (zh) | 一种用于检测在压力或真空下的气体网络中的泄漏的方法和气体网络 | |
CN110503254A (zh) | 一种基于马尔科夫链的非金属管道泄漏预警方法 | |
CN115493093A (zh) | 一种基于力学仿真的蒸汽供热管网漏损定位方法及*** | |
US20220196512A1 (en) | Detection of a leakage in a supply grid | |
CN114659594A (zh) | 流量计用主动校准*** | |
CN112097125A (zh) | 一种基于自适应校核的供水管网爆管侦测及定位方法 | |
CN113586969B (zh) | 一种基于准瞬态压力信号的爆管侦测方法 | |
CN114857509B (zh) | 一种管网爆管漏损监测方法、装置和平台定位、验证方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160824 |
|
CF01 | Termination of patent right due to non-payment of annual fee |