CN103968256A - 油库管道泄漏检测方法 - Google Patents

Abstract

本发明为一种结合统计假设检验和模式识别技术的油库管道泄漏检测方法。该方法利用油库监控***，采集作业现场测量仪表数据及执行器状态反馈信息，确定油料输送作业路径，并对压力测量仪表数据进行卡尔曼滤波，产生压力新息；利用压力新息，采用多序贯概率比检验检测管道压力是否超限，若检验结果超限，则提取超限压力序列及其多维时域特征；利用已建立的神经网络泄漏识别模型，识别管道泄漏与工况调节。该方法能够在规定的误报率和漏报率内，以最短时间检测出管道压力较小变化并确定管道是否发生泄漏。

Description

油库管道泄漏检测方法

技术领域

本发明属于管道泄漏检测技术领域，涉及统计分析技术和模式识别技术在油库管道泄漏检测中的综合应用。

背景技术

输油管道作为油库必不可少的重要部分，把输储油、装卸油设备设施有机地联系起来，使油库收发油作业***成为一个有机的整体，从而完成油料收发任务。油库管道易因连接件渗漏、管道焊缝裂纹及腐蚀穿孔而发生泄漏。由于油料易燃、易爆、易挥发和易于静电聚集，管道泄漏不仅会造成资源流失，降低油库的油料保障作业效能，同时污染环境，甚至会引起火灾***，对油库造成不可估量的损失。

目前，国内外对管道泄漏的检测方法主要有泄漏介质检测法、管壁参数检测法及基于软件的检测方法。

1.泄漏介质检测法。该方法以管道沿线的空气、土壤或水环境为检测对象，根据其中是否含有油或油气及管道沿线环境的变化来判断管道是否发生泄漏，具有代表性的有放射性示踪剂检测法、空气采样法、热红外成像法、电缆检漏法、光纤传感检测法等。

2.管壁参数检测法。该方法通过管内探测器记录管道内壁的腐蚀、缺陷及焊缝状况，通过分析管壁状况就能检测出管道是否发生泄漏，包括照相检测法、录像检测法、漏磁通检测法、超声波检测法、涡流检测法及电磁超声检测法等。

3.基于软件的检测方法。该方法主要借助计算机，运用信号处理、模式识别等技术对管道压力、流量、温度等物理参数进行分析与处理来判断泄漏并定位泄漏点，主要包括质量平衡法、压力点分析法、负压波法、压力梯度法、声发射法、实时模型法及统计分析方法等。

考虑到油库管道具有数量多、长短不一、口径小、流程复杂、泄漏量小、工况调节干扰多及传感监测设备缺乏等特点，因此油库管道检漏对检测方法的灵敏性、工况适应性和通用性要求更高。泄漏介质检测法和管壁参数检测法都需要额外安装特定的检测装置，大多无法实现连续实时检测。基于软件的方法可以利用现有的压力及流量传感器数据来检测泄漏，具有检漏成本低的优势，但对于小泄漏、缓慢泄漏引起的较小参数变化不敏感，且不能适应正常工况调节，导致较高误报率的发生。

发明内容

本发明的目的在于提供一种结合统计假设检验和模式识别技术的，能够在规定的误报率和漏报率内，以最短时间检测出管道压力较小变化并确定管道是否发生泄漏的方法。

本发明所述的油库管道泄漏检测方法是通过以下技术方案实现的：一种针对油库管道的泄漏检测方法，该方法利用油库监控***，采集油库作业现场的压力、温度、流量、液位等测量仪表数据及执行器状态反馈信息；根据采集数据及反馈信息，分析油库的工艺流程及作业模式，确定当前油料输送路径，采集作业管路的管道压力数据，并进行卡尔曼滤波产生压力新息；按照规定的误报率和漏报率，利用压力新息，采用多序贯概率比检验检测管道压力是否超限，若检验结果超限，提取超限压力序列及其多维时域特征；利用已建立的RBF神经网络泄漏识别模型，将待识别的超限压力序列的多维时域特征作为模型输入，进一步区分识别管道泄漏与工况调节；若RBF神经网络泄漏识别模型识别结果为发生泄漏，则泄漏报警，若识别结果为工况调节则继续管道压力超限检测及RBF神经网络泄漏识别。

本发明所述的油库管道泄漏检测方法总体流程如图1所示，其特征在于包括以下步骤：

步骤1：利用油库监控***，采集油库作业现场的压力、温度、流量、液位等测量仪表数据及执行器状态反馈信息；

步骤2：分析实际油库的工艺流程及作业模式，确定当前油料输送路径，采集作业管路的管道压力数据p，预处理后进行超限检测并提取超限压力序列，超限检测流程如图2所示，包括5个具体步骤：

步骤2-1：采集作业管路的管道压力数据并进行卡尔曼滤波，得到管道压力预测值，计算管道压力与管道压力预测值之差，并对其进行标准化后，生成标准化压力新息e；

步骤2-2：对标准化压力新息e的分布均值μ提出假设

H₀:μ＝0、H₁:μ＝θ_i

θ_i为备选假设值，根据不同程度泄漏的先验分布及平均最短检验时间原则确定多个备选假设取值(θ₁，θ₂，…，θ_m)，m为备选假设个数，计算k次采样后备选假设为θ_i的序贯概率比检验(SPRT：Sequential Probability Ratio Test)统计量Y_i(k)：

$Y_i\left(k\right)=\underset{j=1}{\overset{k}{\mathrm{\Σ}}}\ln \frac{e(e\left(j\right),{\mathrm{\θ}}_i)}{f(e\left(j\right),0)}={\mathrm{\θ}}_i\·\underset{j=1}{\overset{k}{\mathrm{\Σ}}}e\left(j\right)-\frac{k{\mathrm{\θ}}_i^2}{2}=Y_i(k-1)+{\mathrm{\θ}}_i\·e\left(k\right)-\frac{{\mathrm{\θ}}_i^2}{2}$

式中e(j)为j次采样后生成的标准化压力新息，1≤j≤k；

步骤2-3：引入补偿量U修正检测统计量，记修正后的检验统计量为Y_i'(k)，计算公式如下：

Y_i'(k)＝Y_i(k)+U i＝1,2,…,m

$U=\left\{\begin{array}{cc}0& Y_i\left(k\right)\&GreaterEqual;0\\ -Y_i\left(k\right)& Y_i\left(k\right)<0\end{array}\right.$

步骤2-4：超限判断，若检验规定的误报率设为α，漏报率设为β，则超限判断检验阈值B这样确定：B＝ln[(1-β)/α]；任意备选假设的检验统计量超过检验阈值，即max{Y₁'(k),Y′₂(k),…,Y′_m(k)}≥B时，判断管道压力超限，转步骤2-5；当max{Y₁'(k),Y′₂(k),…,Y′_m(k)}<B时，转步骤2-1进行第(k+1)次采样；

步骤2-5：提取超限压力序列；假设k时刻时，Y′_n(k)＝max{Y₁'(k),Y′₂(k),…,Y′_m(k)}≥B，1≤n≤m，则对Y′_n(k)进行分析，若Y′_n(k)满足

$\left\{\begin{array}{cc}{Y}_n^{\&prime;}\left(j\right)=0& j=r\\ Y_n^{\&prime;}\left(j\right)>0& j>r\end{array}\right.(1\&le;r\&le;k)$

也即从r时刻开始Y′_n(k)连续大于零，则估计在r时刻管道压力开始异常，从压力异常开始点至检测出压力超限的序列长度为(k-r)，提取(2r-k)时刻至k时刻间的、长度为2(k-r)的原始压力序列p_i为超限压力序列，2r-k≤i≤k；

步骤3：进一步分析超限压力序列，区分管道泄漏与工况调节，包括3个具体步骤：

步骤3-1：将超限压力序列进行归一化处理，并计算该序列的平均幅值t₁、方根幅值t₂、方差t₃、均方根t₄、峭度t₅：

$t_1=\frac{1}{2k-2r+1}\underset{i=2r-k}{\overset{k}{\mathrm{\&Sigma;}}}\left|p_i\right|$

$t_2={\left[\frac{1}{2k-2r+1}\underset{i=2r-k}{\overset{k}{\mathrm{\&Sigma;}}}{\left|p_i\right|}^{\frac{1}{2}}\right]}^2$

$t_3=\frac{1}{2k-2r+1}\underset{i=2r-k}{\overset{k}{\mathrm{\&Sigma;}}}{(p_i-\frac{1}{2k-2r+1}\underset{i=2r-k}{\overset{k}{\mathrm{\&Sigma;}}}{p}_i)}^2$

$t_4=\sqrt{t_3}$

$t_5={\left[\frac{1}{2k-2r+1}\underset{i=2r-1}{\overset{k}{\mathrm{\&Sigma;}}}{p_i}^4\right]}^{\frac{1}{4}}$

形成多维时域特征参数集T＝{t₁,t₂,t₃,t₄,t₅}

步骤3-2：建立RBF(Radial Basis Function，径向基函数)神经网络泄漏识别模型，模型输入节点数为时域特征维数，输出节点数为管道运行状态编码维数，以训练样本的时域特征集T＝{t₁,t₂,t₃,t₄,t₅}_l作为输入、对应管道运行状态作为期望输出，完成泄漏识别模型的训练，其中l为训练样本组数；

步骤3-3：将待识别的超限序列的多维时域特征参数集T＝{t₁,t₂,t₃,t₄,t₅}输入RBF神经网络泄漏识别模型，根据输出判断管道处于工况调节状态或是发生泄漏；

步骤4：若RBF神经网络泄漏识别模型识别结果为发生泄漏，则泄漏报警；若识别结果为工况调节则转入步骤1。

本发明的有益效果是：充分利用了油库监控***采集的管道压力数据，除现有的管道压力传感器外，无需另外购买和安装专门的检漏装置；改进了序贯概率比检验方法，使用多序贯概率比检验方法能以最短时间检测出管道压力较小变化；在管道压力超限检测基础上，利用RBF神经网络的模式识别方法识别管道泄漏与工况调节，降低了泄漏检测的误报率，提高了检漏方法的工况变化适应能力。

附图说明

图1为油库管道泄漏检测流程；

图2为压力超限检测流程，图中SPRT1、SPRT i、SPRT m分别代表备选假设θ₁、θ_i、θ_m的序贯概率比检验；Y1、Yi、Ym分别为备选假设θ₁，θ_i，θ_m的序贯概率比检验统计量；Y₁'、Y_i'、Y′_m分别为备选假设θ₁，θ_i，θ_m的修正后的序贯概率比检验统计量；

图3为管道压力序列及标准化压力新息序列；

图4为管道压力超限检测曲线；

图5为提取超限压力序列示意图。

具体实施方式

实施例.举此例来说明本发明的具体实施方式。首先分析油库工艺流程及当前作业模式，采集作业管道的压力数据p，进行卡尔曼滤波后生成压力新息e，管道压力及标准化压力新息序列如图3所示。

对标准化压力新息e的分布均值μ提出假设

H₀:μ＝0、H₁:μ＝θ_i

θ_i为备选假设值，实施例中分别为0.1、0.2、0.3、0.4，每次采样后计算备选假设θ_i的检验统计量Y_i(k)如下：

$Y_i\left(k\right)=\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}\ln \frac{e(e\left(j\right),{\mathrm{\&theta;}}_i)}{f(e\left(j\right),0)}={\mathrm{\&theta;}}_i\&CenterDot;\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}e\left(j\right)-\frac{k{\mathrm{\&theta;}}_i^2}{2}=Y_i(k-1)+{\mathrm{\&theta;}}_i\&CenterDot;e\left(k\right)-\frac{{\mathrm{\&theta;}}_i^2}{2}$

计算引入补偿量U后的修正检验统计量Y_i'(k)：

Y_i'(k)＝Y_i(k)+U i＝1,2,…,m

$U=\left\{\begin{array}{cc}0& Y_i\left(k\right)\&GreaterEqual;0\\ -Y_i\left(k\right)& Y_i\left(k\right)<0\end{array}\right.$

规定检验的误报率α＝0.05，漏报率β＝0.05，则检验阈值B＝ln[(1-β)/α]＝2.944，当max{Y₁'(k),Y′₂(k),…,Y′_m(k)}≥B时，判断管道压力超限；当max{Y₁'(k),Y′₂(k),…,Y′_m(k)}<B时继续采样并计算检验统计量与阈值B比较。图4为实施例中备选假设分别为0.1、0.2、0.3、0.4的序贯概率比检验曲线，第368次采样后备选假设为0.3的检验统计量Y₃′最先超过阈值B，检测出管道压力超限。

对备选假设为0.3的检验统计量进行分析，如图5所示，第368次采样时刻为压力超限点k＝368；从309次采样时刻开始，Y₃'开始连续大于零，r＝309，连续大于零长度为59；提取(2r-k)时刻至k时刻间的、长度为2(k-r)的超限压力序列，即提取从第250采样时刻至368次采样时刻的原始压力序列作为超限压力序列。

计算训练样本的多维时域特征，训练样本超限序列时域特征结果如表1所示。

表1训练样本超限序列时域特征

管道运行状态编码如表2所示，运行状态对应3位编码。

表2管道运行状态编码

管道运行状态	状态编码
		调阀	100
泄漏	010
		调泵	001

根据表1、表2数据建立RBF神经网络泄漏识别模型。

将待检测的超限压力序列时域特征输入RBF神经网络泄漏识别模型，根据输出识别管道运行状态，管道泄漏识别结果正确，如表3所示。

表3管道泄漏识别结果

Claims (6)

1.一种针对油库管道的泄漏检测方法，其特征在于该检测方法步骤如下：

步骤1、利用油库监控***，采集油库作业现场的压力、温度、流量、液位等测量仪表数据及执行器状态反馈信息；

步骤2、分析实际油库的工艺流程及作业模式，确定当前油料输送路径，采集作业管路的管道压力数据p，预处理后进行超限检测并提取超限压力序列；

步骤3、进一步分析超限压力序列，区分管道泄漏与工况调节；

步骤4、若RBF神经网络泄漏识别模型识别结果为发生泄漏，则泄漏报警；若识别结果为工况调节则转入步骤1。

2.根据权利要求1所述的一种针对油库管道的泄漏检测方法，其特征是：采集作业管路的管道压力数据并进行卡尔曼滤波，得到管道压力预测值，计算管道压力与管道压力预测值之差，并对其进行标准化后，生成标准化压力新息e；对标准化压力新息e的分布均值μ提出假设H₀:μ＝0、H₁:μ＝θ_i，θ_i为备选假设值，根据不同程度泄漏的先验分布及平均最短检验时间原则确定多个备选假设取值(θ₁，θ₂，…，θ_m)，m为备选假设个数，计算k次采样后备选假设为θ_i的序贯概率比检验统计量Y_i(k)。

3.根据权利要求1所述的一种针对油库管道的泄漏检测方法，其特征是：任意备选假设的检验统计量超过检验阈值，即max{Y₁'(k),Y′₂(k),…,Y′_m(k)}≥B时，判断管道压力超限，提取超限压力序列；假设k时刻时，Y′_n(k)＝max{Y₁'(k),Y′₂(k),…,Y′_m(k)}≥B，1≤n≤m，则对Y′_n(k)进行分析，若Y′_n(k)满足

$\left\{\begin{array}{cc}{Y}_n^{\&prime;}\left(j\right)=0& j=r\\ Y_n^{\&prime;}\left(j\right)>0& j>r\end{array}\right.(1\&le;r\&le;k)$

也即从r时刻开始Y′_n(k)连续大于零，则估计在r时刻管道压力开始异常，从压力异常开始点至检测出压力超限的序列长度为(k-r)，提取(2r-k)时刻至k时刻间的、长度为2(k-r)的原始压力序列p_i为超限压力序列，2r-k≤i≤k。

4.根据权利要求1所述的一种针对油库管道的泄漏检测方法，其特征是：将超限压力序列进行归一化处理，并计算该序列的平均幅值t₁、方根幅值t₂、方差t₃、均方根t₄、峭度t₅：

$t_1=\frac{1}{2k-2r+1}\underset{i=2r-k}{\overset{k}{\mathrm{\&Sigma;}}}\left|p_i\right|;$

$t_2={\left[\frac{1}{2k-2r+1}\underset{i=2r-k}{\overset{k}{\mathrm{\&Sigma;}}}{\left|p_i\right|}^{\frac{1}{2}}\right]}^2;$

$t_3=\frac{1}{2k-2r+1}\underset{i=2r-k}{\overset{k}{\mathrm{\&Sigma;}}}{(p_i-\frac{1}{2k-2r+1}\underset{i=2r-k}{\overset{k}{\mathrm{\&Sigma;}}}{p}_i)}^2;$

$t_4=\sqrt{t_3};$

$t_5={\left[\frac{1}{2k-2r+1}\underset{i=2r-1}{\overset{k}{\mathrm{\&Sigma;}}}{p_i}^4\right]}^{\frac{1}{4}};$

形成多维时域特征参数集T＝{t₁,t₂,t₃,t₄,t₅}。

5.根据权利要求1所述的一种针对油库管道的泄漏检测方法，其特征是：建立RBF神经网络泄漏识别模型，模型输入节点数为时域特征维数，输出节点数为管道运行状态编码维数，以训练样本的时域特征集T＝{t₁,t₂,t₃,t₄,t₅}_l作为输入、对应管道运行状态作为期望输出，完成泄漏识别模型的训练，特征集中l为训练样本组数。

6.根据权利要求1所述的一种针对油库管道的泄漏检测方法，其特征是：将待识别的超限序列的多维时域特征参数集T＝{t₁,t₂,t₃,t₄,t₅}输入RBF神经网络泄漏识别模型，根据输出判断管道处于工况调节状态或是发生泄漏。