CN112212222A - 检测管道泄漏的方法和*** - Google Patents
检测管道泄漏的方法和*** Download PDFInfo
- Publication number
- CN112212222A CN112212222A CN202010941489.8A CN202010941489A CN112212222A CN 112212222 A CN112212222 A CN 112212222A CN 202010941489 A CN202010941489 A CN 202010941489A CN 112212222 A CN112212222 A CN 112212222A
- Authority
- CN
- China
- Prior art keywords
- pipeline
- pipe
- detected
- temperature
- fluid
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000012530 fluid Substances 0.000 claims abstract description 129
- 238000003062 neural network model Methods 0.000 claims abstract description 36
- 239000000463 material Substances 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 abstract description 12
- 230000003044 adaptive effect Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000001914 filtration Methods 0.000 description 7
- 238000001228 spectrum Methods 0.000 description 7
- 230000001629 suppression Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000272478 Aquila Species 0.000 description 1
- 241000408710 Hansa Species 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
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
-
- 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
- F17D5/06—Preventing, monitoring, or locating loss using electric or acoustic means
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本说明书公开了检测管道泄漏的方法和***,该方法包括:获取被检测管道在第一时刻下的多个相关参数;将多个相关参数输入神经网络模型以获得被检测管道在第一时刻之后的第二时刻下的预测管内流体温度、预测管内流体压力以及预测管外环境温度;获取被检测管道在第二时刻下的实际管内流体温度、实际管内流体压力以及实际管外环境温度;基于预测管内流体温度和实际预测管内温度之间的差值、预测管内流体压力和实际管内流体压力之间的差值以及预测管外环境温度和实际管外环境温度之间的差值确定预测误差;将预测误差与误差阈值进行比较,以及将最终的管道泄漏率与管道泄漏率阈值进行比较。所述方法和***能够机坪管道进行泄漏的检测和/或定位。
Description
技术领域
本申请涉及管道泄漏检测领域,尤其涉及检测管道泄漏的方法和***。
背景技术
对于机场来说,航空燃油的输出存在多种方式。由于管道输送方式具有成本低、节省能源、安全性高及供给稳定等优点,故而大中型机场普遍采用机坪管道输送航空燃油。然而,由于长时间的运行腐蚀和磨损、设备的自然老化、地质灾害以及人为损坏等原因,机坪管道泄漏事故时有发生,从而影响机场的正常运行秩序,进而威胁机场安全。目前,检测的机坪管道泄漏的方式主要有两种,一种为基于管道内流体压力和温度的检测,另一种为基于管道外传感器电缆的检测。这两种检测方式的代表产品分别为汉莎咨询有限责任公司(HCNA)的TCS***和英国阿奎拉(Aquilar)公司的TT5000泄漏检测和定位***。
然而,上述***在管道微泄漏检测和定位方面仍有不足。
发明内容
本申请所要解决的技术问题是如何对机坪管道进行泄漏的检测和/或定位。
本说明书的一个方面提供了一种检测管道泄漏的方法,其包括:a)获取被检测管道在第一时刻下的多个相关参数,所述多个相关参数包括管道泄漏率、管内流体温度、管内流体压力和管外环境温度;b)将所述多个相关参数输入神经网络模型以获得所述被检测管道在所述第一时刻之后的第二时刻下的预测管内流体温度、预测管内流体压力以及预测管外环境温度;c)获取所述被检测管道在所述第二时刻下的实际管内流体温度、实际管内流体压力以及实际管外环境温度;d)基于所述预测管内流体温度和所述实际预测管内温度之间的差值、所述预测管内流体压力和所述实际管内流体压力之间的差值以及所述预测管外环境温度和所述实际管外环境温度之间的差值确定预测误差;e)将所述预测误差与误差阈值进行比较,当确定所述预测误差大于所述误差阈值时,则调整当前的管道泄漏率并重复步骤b)至步骤e),当确定所述预测误差小于或等于所述误差阈值时,将当前的管道泄漏率确定为最终的管道泄漏率;以及f)将所述最终的管道泄漏率与管道泄漏率阈值进行比较,当确定所述最终的管道泄漏率大于所述管道泄漏率阈值时,则判定所述被检测管道存在泄漏,当确定所述最终的管道泄漏率小于或等于所述管道泄漏率阈值时,则判定所述被检测管道不存在泄漏。
在一些示例性实施例中,所述多个相关参数还包括以下参数中的至少一个:管道直径、管道长度、管道材质、管道壁厚、所述被检测管道所包含的阀门类型、所述被检测管道所包含的阀门个数、管内流体类型和管外环境类型。
在一些示例性实施例中,所述神经网络模型为多层前馈神经网络模型。
在一些示例性实施例中,所述神经网络模型的输入包括:管道泄漏率、管内流体温度、管内流体压力、管外环境温度以及以下参数中的至少一个:管道直径、管道长度、管道材质、管道壁厚、所述被检测管道所包含的阀门类型、所述被检测管道所包含的阀门个数、管内流体类型和管外环境类型,所述神经网络模型的输出包括:管内流体温度、管内流体压力以及管外环境温度。
在一些示例性实施例中,所述检测管道泄漏的方法还包括:分别通过设置在所述被检测管道两端的第一次声波传感器和第二次声波传感器采集次声波信号;基于所述次声波信号确定所述被检测管道的泄漏点的位置,其中,所述泄漏点的位置根据如下公式计算:其中,X为所述泄漏点距所述第一次声波传感器的距离,D为所述第一次声波传感器和所述第二次声波传感器之间的距离,v为所述次声波信号传播的速度;Δt为所述第一次声波传感器接收到所述次声波信号的时间与所述第二次声波传感器接收到所述次声波信号的时间之差。
本说明书的另一个方面提供了一种检测管道泄漏的***,其包括:第一温度传感器,用于设置在被检测管道上以检测所述被检测管道的管内流体温度;第二温度传感器,用于设置在被检测管道外部的环境中以检测所述被检测管道的管外环境温度;压力传感器,用于设置在所述被检测管道上以检测所述被检测管道的管内流体压力;计算设备,与所述第一温度传感器、所述第二温度传感器和所述压力传感器通信并包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器在执行所述计算机程序时实现以下步骤:a)获取所述被检测管道在第一时刻下的多个相关参数,所述多个相关参数包括管道泄漏率、管内流体温度、管内流体压力和管外环境温度;b)将所述多个相关参数输入神经网络模型以获得所述被检测管道在所述第一时刻之后的第二时刻下的预测管内流体温度、预测管内流体压力以及预测管外环境温度;c)获取所述被检测管道在所述第二时刻下的实际管内流体温度、实际管内流体压力以及实际管外环境温度;d)基于所述预测管内流体温度和所述实际预测管内温度之间的差值、所述预测管内流体压力和所述实际管内流体压力之间的差值以及所述预测管外环境温度和所述实际管外环境温度之间的差值确定预测误差;以及e)将所述预测误差与误差阈值进行比较,当确定所述预测误差大于所述误差阈值时,则调整当前的管道泄漏率并重复步骤b)至步骤e),当确定所述预测误差小于或等于所述误差阈值时,将当前的管道泄漏率确定为最终的管道泄漏率;以及f)将所述最终的管道泄漏率与管道泄漏率阈值进行比较,当确定所述最终的管道泄漏率大于所述管道泄漏率阈值时,则判定所述被检测管道存在泄漏,当确定所述最终的管道泄漏率小于或等于所述管道泄漏率阈值时,则判定所述被检测管道不存在泄漏。
在一些示例性实施例中,获取所述被检测管道在第一时刻下的多个相关参数包括:通过所述第一温度传感器检测所述被检测管道在所述第一时刻下的管内流体温度;通过所述第二温度传感器检测所述被检测管道在所述第一时刻下的管外环境温度;以及通过所述压力传感器检测所述被检测管道在所述第一时刻下的管内流体压力。
在一些示例性实施例中,所述多个相关参数还包括以下参数中的至少一个:管道直径、管道长度、管道材质、管道壁厚、所述被检测管道所包含的阀门类型、所述被检测管道所包含的阀门个数、管内流体类型和管外环境类型。
在一些示例性实施例中,所述神经网络模型为多层前馈神经网络模型,所述多层前馈神经网络模型的输入包括:管道泄漏率、管内流体温度、管内流体压力、管外环境温度以及以下参数中的至少一个:管道直径、管道长度、管道材质、管道壁厚、所述被检测管道所包含的阀门类型、所述被检测管道所包含的阀门个数、管内流体类型和管外环境类型,所述多层前馈神经网络模型的输出包括:管内流体温度、管内流体压力以及管外环境温度。
在一些示例性实施例中,所述检测管道泄漏的***还包括:第一次声波传感器,用于设置在所述被检测管道的一端以采集由管道泄漏产生的次声波信号;以及第二次声波传感器,用于设置在所述被检测管道的另一端以采集所述次声波信号;其中,所述计算设备与所述第一次声波传感器和所述第二次声波传感器通信,其中,所述处理器执行所述程序时还实现以下步骤:分别通过所述第一次声波传感器和所述第二次声波传感器采集所述次声波信号;以及基于所述次声波信号确定所述被检测管道的泄漏点的位置,其中,所述泄漏点的位置根据如下公式计算:其中,X为所述泄漏点距所述第一次声波传感器的距离,D为所述第一次声波传感器和所述第二次声波传感器之间的距离,v为所述次声波信号传播的速度;Δt为所述第一次声波传感器接收到所述次声波信号的时间与所述第二次声波传感器接收到所述次声波信号的时间之差。
根据本说明书一个或多个实施例的检测管道泄漏的方法和***利用模拟仿真技术和最优化技术计算机坪管道的泄漏率,以判断管道是否存在泄漏,并利用声学定位技术确定泄漏位置。因此,所述检测管道泄漏的方法和***可以将管道泄漏事故遏制在萌芽状态,避免了火灾、生态污染以及资源浪费的发生,进而确保机场的正常运行。
附图说明
以下附图详细描述了本说明书中披露的示例性实施例。其中相同的附图标记在附图的若干视图中表示类似的结构。本领域的一般技术人员将理解这些实施例是非限制性的、示例性的实施例,附图仅用于说明和描述的目的,并不旨在限制本说明书的范围,其他方式的实施例也可能同样的完成本说明书中的构思意图。应当理解,附图未按比例绘制。其中:
图1为根据本说明书一个或多个实施例的检测管道泄漏的方法的流程图;
图2为根据本说明书一个或多个实施例的神经网络模型的示意图;
图3为根据本说明书一个或多个实施例的噪声抑制的示意图;
图4为根据本说明书一个或多个实施例的干扰抵消的示意图;
图5为根据本说明书一个或多个实施例的泄漏定位的示意图;
图6为根据本说明书一个或多个实施例的检测管道泄漏的***的示意图。
具体实施方式
以下描述提供了本说明书的特定应用场景和要求,目的是使本领域技术人员能够制造和使用本说明书中的内容。对于本领域技术人员来说,对所公开的实施例的各种局部修改是显而易见的,并且在不脱离本说明书的精神和范围的情况下,可以将这里定义的一般原理应用于其他实施例和应用。因此,本说明书不限于所示的实施例,而是与权利要求一致的最宽范围。
在本说明书中,将以机坪管网中的管道为例来介绍各个实施例。本领域技术人员应理解,本说明书中公开的方法和***也可应用于检测其他输送流体的管道的泄漏。
图1为根据本说明书一个或多个实施例的检测管道泄漏的方法的流程图。
如图1所示,检测管道泄漏的方法包括步骤10、步骤12、步骤14、步骤16、步骤18、步骤20、步骤22和步骤24。应注意,上述步骤在本说明书中的执行顺序仅为示意性而非限制性的,以其他顺序执行上述步骤的实施例也落入本申请的保护范围。
步骤10:获取被检测管道在第一时刻下的多个相关参数,所述多个相关参数至少包括管道泄漏率、管内流体温度、管内流体压力和管外环境温度。
例如,管内流体温度可通过安装在所述被检测管道上的温度传感器检测,管内流体压力可通过安装在所述被检测管道上的压力传感器检测,管外环境温度可通过埋设在所述被检测管道外的环境内的温度传感器检测。
在一些实施例中,获取被检测管道在第一时刻下的多个相关参数还包括:对所述管道泄漏率进行初始化,即为所述管道泄漏率设定初始值。所述初始值可小于0.04升/立方米每小时(假设管道不发生泄漏时)。管道泄漏率L定义为:
L=Vleak/(V0×t)
其中Vleak是所述被检测管道泄漏的流体体积,V0是所述被检测管道内的原始流体体积,t是流体泄漏的时间。
在一些实施例中,所述多个相关参数还包括以下参数中的至少一个:管道直径、管道长度、管道材质(例如,塑料、金属)、管道壁厚、所述被检测管道所包含的阀门类型(例如,球阀、闸阀、旋塞阀、截止阀、电磁阀)、所述被检测管道所包含的阀门个数、管内流体类型(例如,气体、液体)和管外环境类型(例如,混凝土、土壤、空气)。在本实施例中,所述多个相关参数可包括:管道泄漏率、管内流体温度、管内流体压力和管外环境温度、管道直径、管道长度、管道材质、管道壁厚、所述被检测管道所包含的阀门类型、所述被检测管道所包含的阀门个数、管内流体类型和管外环境类型。
例如,所述多个相关参数的实时数据和历史数据可通过机坪航空燃油管网微泄漏检测***利用机场的监测控制数据获取(SCADA,Supervisory Control And DataAcquisition)***获得。
在一些实施例中,在获得了所述多个相关参数的实时数据和/或历史数据之后,可以对这些数据进行预处理。所述预处理可包括噪声抑制(例如,通过谱减法来降低背景噪声的影响)和数据校准。
对于噪声抑制,可通过如下方式进行。
例如,所述被检测管道的信号模型可用如下公式表示:
y(m)=s(m)+n(m) (1)
其中,y(m)为信号采集单元(例如,传感器)采集到的含噪信号(例如,压力信号,温度信号),s(m)为待检测目标信号,n(m)为噪声信号。
假设噪声信号n(m)为与待检测目标信号s(m)不相关的加性噪声,经加窗处理,可得:
yw(m)=sw(m)+nw(m) (2)
其中,yw(m)、sw(m)、nw(m)分别经加窗处理后的含噪信号、待检测目标信号、噪声信号。
对公式(2)两端分别做傅立叶变换,可得:
Yw(k)=Sw(k)+Nw(k) (3)
其中,Yw(k)、Sw(k)、Nw(k)分别为待检测目标信号、噪声信号及含噪信号的加窗短时谱,k表示傅里叶变换后不同的频率分量。对公式(3)求功率谱,可得:
根据观测数据估算|Yw(k)|2,各项参数近似为统计均值。因待检测目标信号和噪声信号彼此独立,故原始待检测目标信号的估值符合如下等式:
对待检测目标信号的所述估值进行逆傅里叶变换,就能够得到消除噪声后的待检测目标信号。
实际机坪管网泄漏受到管道材质、管道壁厚、管道埋地环境、地温、航空燃油组分等多种复杂因素的影响。对机坪管网微泄漏进行检测时,需要考虑这些影响因素,因此需要对管道数据进行校准。
对于数据校准,以管内流体压力的数据为例,校准函数可以为:
p′=f(T,D,δ,L) (6)
其中,T、D、δ分别表示管外地温、壁厚和材质等影响因素。对于特定管道,实测多组数据后,可以基于统计模型确定***的工作参数,进行温度、压力校准。
步骤12:将所述多个相关参数输入神经网络模型以获得所述被检测管道在所述第一时刻之后的第二时刻下的预测管内流体温度、预测管内流体压力以及预测管外环境温度。
所述神经网络模型可以是之前训练好的神经网络模型。在一些实施例中,所述神经网络模型可以是多层前馈神经网络模型(又称为反向传播(Back Propagation)神经网络模型)。
图2为根据本申请的实施例的神经网络模型的示意图。
如图2所示,所述神经网络模型包括输入层210、输出层230以及位于输入层210和输出层230之间的隐藏层220。在本实施例中,输入层210包括12个输入节点x1至x12,分别对应管道泄漏率、管内流体温度、管内流体压力、管外环境温度(管外地温、管外土壤温度)、管道直径、管道长度、管道材质、管道壁厚、所述被检测管道所包含的阀门类型、所述被检测管道所包含的阀门个数、管内流体类型和管外环境类型(埋地土壤类型)。在本实施例中,输出层230包括3个输出节点y1至y3,分别对应管内流体温度、管内流体压力以及管外环境温度。应注意,图2中虽然仅示出了一个隐藏层220和6个隐藏层节点h1至h6,上述设置仅为示意性而非限制性的,其他数量的隐藏层和隐藏层节点也落入本申请的保护范围。所述神经网络模型的隐含层层数范围可以为1至10000,每个隐含层的节点数范围可以为1至10000。
在一些实施例中,所述神经网络模型的输入层可包括以下参数中的至少一个:管道泄漏率、管内流体温度、管内流体压力、管外环境温度(管外地温)、管道直径、管道长度、管道材质、管道壁厚、所述被检测管道所包含的阀门类型、所述被检测管道所包含的阀门个数、管内流体类型和管外环境类型(埋地环境类型)。在一些实施例中,所述神经网络模型的输出层可包括下参数中的至少一个:管内流体温度、管内流体压力以及管外环境温度。
所述神经网络模型的训练方法可包括:获取被检测管道的多个参数的测试数据;以某一时刻下的管道泄漏率、管内流体温度、管内流体压力、管外环境温度、管道直径、管道长度、管道材质、管道壁厚、所述被检测管道所包含的阀门类型、所述被检测管道所包含的阀门个数、管内流体类型和管外环境类型为输入,以下一时刻下的管内流体温度、管内流体压力以及管外环境温度为输出,对所述神经网络模型进行训练,直至所述神经网络模型的预测准确率大于预定阈值(例如,90%)。所述测试数据可通过多次实际放油测试来获得。在一些实施例中,在获得所述多个参数之后,将所述多个参数进行标准化,各指标处于同一数量级,利用标准化后得数据进行数据分析。所述标准化方法包括最大-最小标准化,Z-score标准化,函数转化等。
在一些实施例中,所述第一时刻可以是当前时刻,所述第二时刻可以下一时刻(例如,下一秒)。所述第一时刻与所述第二时刻之间的间隔可以是几秒、几分钟、或几小时。
步骤14:获取所述被检测管道在所述第二时刻下的实际管内流体温度、实际管内流体压力以及实际管外环境温度。例如,管内流体温度可通过安装在所述被检测管道上的温度传感器检测,管内流体压力可通过安装在所述被检测管道上的压力传感器检测,管外环境温度可通过埋设在所述被检测管道外的环境内的温度传感器检测。
步骤16:基于所述预测管内流体温度和所述实际预测管内温度之间的差值、所述预测管内流体压力和所述实际管内流体压力之间的差值以及所述预测管外环境温度和所述实际管外环境温度之间的差值确定预测误差。
所述预测误差可以根据如下公式计算:
其中,δ为预测误差,表示t=n时刻,预测管内流体温度与实际管内流体温度的差值;表示t=n时刻,预测管外环境温度与实际管外环境温度的差值,表示t=n时刻,预测管内流体压力与实际管内流体压力的差值,k1、k2、k3是预测误差权重。
在一些实施例中,可以仅获得一组预测值和一组实际值进行比较,也可以通过多次执行步骤10至步骤16,以获得多组预测值和多组实际值进行比较。
步骤18:将所述预测误差与误差阈值进行比较,当确定所述预测误差大于所述误差阈值时,则调整当前的管道泄漏率并重复步骤12至步骤18,当确定所述预测误差小于或等于所述误差阈值时,将当前的管道泄漏率确定为最终的管道泄漏率。
第m次模拟仿真及预测误差计算完毕后,若预测误差大于误差阈值,则调整当前的管道泄漏率,并重复步骤10至步骤18以计算新的预测误差。可通过如下公式调整管道泄漏率:
Lm+1=Lm+ΔL
其中,Lm为当前管道泄漏率,ΔL为随机扰动,Lm+1为新的管道泄漏率。
对于基于新的管道泄漏率重新计算的预测误差,如果预测误差减小,则接收这次管道泄漏率的调整;如果预测误差变大,放弃这次调整,重新选择或发生随机扰动。
步骤20:将所述最终的管道泄漏率与管道泄漏率阈值进行比较,当确定所述最终的管道泄漏率大于所述管道泄漏率阈值时,则判定所述被检测管道存在泄漏,当确定所述最终的管道泄漏率小于或等于所述管道泄漏率阈值时,则判定所述被检测管道不存在泄漏。
例如,管道泄漏率阈值可以是0.04升/立方米每小时。
步骤22:分别通过设置在所述被检测管道两端的第一次声波传感器和第二次声波传感器采集次声波信号。
管道泄漏是一个瞬态变化过程,在泄漏瞬间将会产生各种频率的声波信号(例如,次声波信号)。因此,利用声波对机坪管道中的压力管道进行微泄漏的检测和定位是可行的。
例如,所述第一次声波传感器和所述第二次声波传感器可以通过阀门或连接法兰安装在所述被检测管道内。所述第一次声波传感器和所述第二次声波传感器检测到的次声波信号可以传送至声学控制单元(ACU,Acoustic Controller Unit)或数字信号处理器(DSP,Digital Signal Processor)进行时间同步、噪声抑制、干扰抵消以及时间估计处理。
所述时间同步可通过如下步骤完成:泄漏检测按照检测长度划分为若干区段,在各区段两端安置传感器(例如,所述第一次声波传感器和所述第二次声波传感器),每个传感器都连着全球导航卫星***(GNSS,Global Navigation Satellite System)同步时钟;GNSS天线接收GNSS时钟同步信号,并进行相应的处理,以得到时钟同步信号和绝对时间戳并将其发送给采集单元;采集单元接收处理后的GNSS同步信号,达到整个***的同步。
所述噪声抑制可采用维纳滤波的方法,以滤除管道运行过程中的背景噪声。
图3为根据本说明书一个或多个实施例的噪声抑制的示意图。
如图3所示,维纳滤波法是假想带噪信号通过滤波器后产生了一组信号,并得到该组信号与期望信号的误差信号,通过对滤波器系数求导可以获取使均方误差最小时的滤波器系数。
维纳滤波原理:对于一个线性***来说,如果其冲激响应为h(n),则当输入某一随机信号x(n)时,该线性***的输出可表示为输入可表示为x(n)=s(n)+v(n),其中s(n)为信号,v(n)为噪声,表示逼近s(n)的某种估计。
维纳滤波属于最佳线性滤波,是以最小均方误差作为计算准则的一种滤波。设信号的真值与其估计值分别为s(n)与而它们之间的差则称为估计误差。估计误差e(n)为可正可负的随机变量,用它的均方值描述误差大小显然更为合理。而均方误差最小,也就是最小。如图3所示,输入声波信号x(n)=s(n)+v(n),输出y(n)是维纳滤波器输出。
首先估计噪声功率谱V(k),由于噪声v与信号s相互独立,计算得到信号功率谱S(k):
S(k)=X(k)-V(k)
维纳滤波器为:
其中,Hopt(k)是维纳滤波器传输函数,S(k)是信号功率谱,V(k)是噪声功率谱,k为数字频率。
干扰抵消可采用自适应滤波的方法,用于滤除管道操作过程中产生的各种干扰噪声。
图4为根据本说明书一个或多个实施例的干扰抵消的示意图。
如图4所示,自适应滤波器以某种意义上的最优化方式消除包含在基本信号中的未知干扰。自适应滤波器的输入信号可包括:基本信号d以及参考信号u,基本信号d为包含泄漏信号和干扰信号的输入信号,参考信号u为管道内泵和阀门等产生的干扰信号。自适应滤波器的输出信号是去除了干扰的泄漏声波信号。
自适应算法是自适应滤波器中的基础部分。自适应算法是指为使某个准则下达到最优而自适应调整滤波器系数的方法。自适应算法的具体过程如下:
令自适应滤波器参数为θ(k),则目标函数F是输入信号d、参考信号u和自适应滤波器输出信号y的一个函数,即F[u(k),d(k),y(k)],它满足:
(1)非负性:对任意的u(k),d(k)和y(k),都有F[u(k),d(k),y(k)]≥0;
(2)最优性:F[u(k),d(k),y(k)]=0。
在自适应过程中,自适应算法试图使函数F最小化,从而达到y(k)与d(k)的匹配,此时θ(k)收敛到最优系数集合θ0,e(k)是干扰抵消后的声波信号。
步骤24:基于所述次声波信号确定所述被检测管道的泄漏点的位置。
图5为根据本说明书一个或多个实施例的泄漏定位的示意图。如图5所示,所述泄漏点的位置根据如下公式计算:
其中,X为所述泄漏点距所述第一次声波传感器的距离,D为所述第一次声波传感器和所述第二次声波传感器之间的距离,v为所述次声波信号传播的速度;Δt为所述第一次声波传感器接收到所述次声波信号的时间与所述第二次声波传感器接收到所述次声波信号的时间之差。
图6为根据本说明书一个或多个实施例的检测管道泄漏的***的示意图。
如图6所示,检测管道泄漏的***包括第一温度传感器31、第二温度传感器32、压力传感器41、第一次声波传感器51、第二次声波传感器52和计算设备80。图6中还示出了被检测管道90和泄漏点30。
第一温度传感器31可设置在被检测管道90上,用于以检测被检测管道90的管内流体温度。
第二温度传感器32可设置在被检测管道90外部的环境(例如,土壤)中以检测被检测管道90的管外环境温度。
压力传感器41可设置在被检测管道90上以检测被检测管道90的管内流体压力。
第一次声波传感器51可设置在被检测管道90的一端以采集由管道泄漏产生的次声波信号。
第二次声波传感器52可设置在被检测管道90的另一端以采集所述次声波信号。
计算设备80可与第一温度传感器31、第二温度传感器32、压力传感器41、第一次声波传感器51和第二次声波传感器52通信并且可包括处理器81、存储器82及存储在存储器82上并可在处理器81上运行的计算机程序820。计算设备80还可包括输入单元(未示出)和输出单元(未示出)。
计算设备80例如可以为移动电话、智能电话、蜂窝电话、笔记本、移动计算机、膝上型计算机、笔记本计算机、台式计算机、手持计算机、手持设备、PDA设备、手持PDA设备、无线通信设备等。
处理器81例如可以包括中央处理单元(CPU)、数字信号处理器(DSP)、一个或多个处理器核心、单核处理器、双核处理器、多核处理器、微处理器、主处理器、控制器、多个处理器或控制器、芯片、微芯片、一个或多个电路、电路***、逻辑单元、集成电路(IC)、专用IC(ASIC)或任意其他合适的多功能或专用处理器或控制器。处理器81例如可以执行操作***(OS)和/或一个或多个合适应用的指令。
存储器82例如可以包括随机存取存储器(RAM)、只读存储器(ROM)、动态RAM(DRAM)、同步DRAM(SD-RAM)、闪速存储器、易失性存储器、非易失性存储器、高速缓冲存储器、缓冲器、短期存储单元、长期存储单元、或其他合适的存储单元。存储器82例如可以包括硬盘驱动器、软盘驱动器、压缩盘(CD)驱动器、CD-ROM驱动器、DVD驱动器、或其他合适的可移动或不可移动储存单元。
计算设备80与第一温度传感器31、第二温度传感器32、压力传感器41、第一次声波传感器51和第二次声波传感器52的通信通过有线网络、局域网(LAN)、无线LAN(WLAN)网络、无线电网络、蜂窝网络、无线保真(WiFi)网络、IR网络、或蓝牙(BT)网络来实现。
处理器81在执行计算机程序时实现以下步骤:
a)获取所述被检测管道在第一时刻下的多个相关参数,所述多个相关参数包括管道泄漏率、管内流体温度、管内流体压力和管外环境温度;
b)将所述多个相关参数输入神经网络模型以获得所述被检测管道在所述第一时刻之后的第二时刻下的预测管内流体温度、预测管内流体压力以及预测管外环境温度;
c)获取所述被检测管道在所述第二时刻下的实际管内流体温度、实际管内流体压力以及实际管外环境温度;
d)基于所述预测管内流体温度和所述实际预测管内温度之间的差值、所述预测管内流体压力和所述实际管内流体压力之间的差值以及所述预测管外环境温度和所述实际管外环境温度之间的差值确定预测误差;
e)将所述预测误差与误差阈值进行比较,当确定所述预测误差大于所述误差阈值时,则调整当前的管道泄漏率并重复步骤b)至步骤e),当确定所述预测误差小于或等于所述误差阈值时,将当前的管道泄漏率确定为最终的管道泄漏率;
f)将所述最终的管道泄漏率与管道泄漏率阈值进行比较,当确定所述最终的管道泄漏率大于所述管道泄漏率阈值时,则判定所述被检测管道存在泄漏,当确定所述最终的管道泄漏率小于或等于所述管道泄漏率阈值时,则判定所述被检测管道不存在泄漏,
g)分别通过所述第一次声波传感器和所述第二次声波传感器采集所述次声波信号;
h)基于所述次声波信号确定所述被检测管道的泄漏点的位置,其中,所述泄漏点的位置根据如下公式计算:
其中,X为所述泄漏点距所述第一次声波传感器的距离,D为所述第一次声波传感器和所述第二次声波传感器之间的距离,v为所述次声波信号传播的速度;Δt为所述第一次声波传感器接收到所述次声波信号的时间与所述第二次声波传感器接收到所述次声波信号的时间之差。
综上所述,在阅读本详细公开内容之后,本领域技术人员可以明白,前述详细公开内容可以仅以示例的方式呈现,并且可以不是限制性的。尽管这里没有明确说明,本领域技术人员可以理解本说明书意图囊括对实施例的各种合理改变、改进和修改。这些改变、改进和修改旨在由本说明书提出,并且在本说明书的示例性实施例的精神和范围内。
Claims (10)
1.一种检测管道泄漏的方法,其特征在于,包括:
a)获取被检测管道在第一时刻下的多个相关参数,所述多个相关参数包括管道泄漏率、管内流体温度、管内流体压力和管外环境温度;
b)将所述多个相关参数输入神经网络模型以获得所述被检测管道在所述第一时刻之后的第二时刻下的预测管内流体温度、预测管内流体压力以及预测管外环境温度;
c)获取所述被检测管道在所述第二时刻下的实际管内流体温度、实际管内流体压力以及实际管外环境温度;
d)基于所述预测管内流体温度和所述实际预测管内温度之间的差值、所述预测管内流体压力和所述实际管内流体压力之间的差值以及所述预测管外环境温度和所述实际管外环境温度之间的差值确定预测误差;
e)将所述预测误差与误差阈值进行比较,当确定所述预测误差大于所述误差阈值时,则调整当前的管道泄漏率并重复步骤b)至步骤e),当确定所述预测误差小于或等于所述误差阈值时,将当前的管道泄漏率确定为最终的管道泄漏率;以及
f)将所述最终的管道泄漏率与管道泄漏率阈值进行比较,当确定所述最终的管道泄漏率大于所述管道泄漏率阈值时,则判定所述被检测管道存在泄漏,当确定所述最终的管道泄漏率小于或等于所述管道泄漏率阈值时,则判定所述被检测管道不存在泄漏。
2.如权利要求1所述的检测管道泄漏的方法,其特征在于,所述多个相关参数还包括以下参数中的至少一个:管道直径、管道长度、管道材质、管道壁厚、所述被检测管道所包含的阀门类型、所述被检测管道所包含的阀门个数、管内流体类型和管外环境类型。
3.如权利要求1所述的检测管道泄漏的方法,其特征在于,所述神经网络模型为多层前馈神经网络模型。
4.如权利要求1所述的检测管道泄漏的方法,其特征在于,所述神经网络模型的输入包括:管道泄漏率、管内流体温度、管内流体压力、管外环境温度以及以下参数中的至少一个:管道直径、管道长度、管道材质、管道壁厚、所述被检测管道所包含的阀门类型、所述被检测管道所包含的阀门个数、管内流体类型和管外环境类型,所述神经网络模型的输出包括:管内流体温度、管内流体压力以及管外环境温度。
6.一种检测管道泄漏的***,其特征在于,包括:
第一温度传感器,用于设置在被检测管道上以检测所述被检测管道的管内流体温度;第二温度传感器,用于设置在被检测管道外部的环境中以检测所述被检测管道的管外环境温度;压力传感器,用于设置在所述被检测管道上以检测所述被检测管道的管内流体压力;计算设备,与所述第一温度传感器、所述第二温度传感器和所述压力传感器通信并包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其中,所述处理器在执行所述计算机程序时实现以下步骤:
a)获取所述被检测管道在第一时刻下的多个相关参数,所述多个相关参数包括管道泄漏率、管内流体温度、管内流体压力和管外环境温度;
b)将所述多个相关参数输入神经网络模型以获得所述被检测管道在所述第一时刻之后的第二时刻下的预测管内流体温度、预测管内流体压力以及预测管外环境温度;
c)获取所述被检测管道在所述第二时刻下的实际管内流体温度、实际管内流体压力以及实际管外环境温度;
d)基于所述预测管内流体温度和所述实际预测管内温度之间的差值、所述预测管内流体压力和所述实际管内流体压力之间的差值以及所述预测管外环境温度和所述实际管外环境温度之间的差值确定预测误差;
e)将所述预测误差与误差阈值进行比较,当确定所述预测误差大于所述误差阈值时,则调整当前的管道泄漏率并重复步骤b)至步骤e),当确定所述预测误差小于或等于所述误差阈值时,将当前的管道泄漏率确定为最终的管道泄漏率;
f)将所述最终的管道泄漏率与管道泄漏率阈值进行比较,当确定所述最终的管道泄漏率大于所述管道泄漏率阈值时,则判定所述被检测管道存在泄漏,当确定所述最终的管道泄漏率小于或等于所述管道泄漏率阈值时,则判定所述被检测管道不存在泄漏。
7.如权利要求6所述的检测管道泄漏的***,其特征在于,获取所述被检测管道在第一时刻下的多个相关参数包括:通过所述第一温度传感器检测所述被检测管道在所述第一时刻下的管内流体温度;通过所述第二温度传感器检测所述被检测管道在所述第一时刻下的管外环境温度;以及通过所述压力传感器检测所述被检测管道在所述第一时刻下的管内流体压力。
8.如权利要求6所述的检测管道泄漏的***,其特征在于,所述多个相关参数还包括以下参数中的至少一个:管道直径、管道长度、管道材质、管道壁厚、所述被检测管道所包含的阀门类型、所述被检测管道所包含的阀门个数、管内流体类型和管外环境类型。
9.如权利要求6所述的检测管道泄漏的***,其特征在于,所述神经网络模型为多层前馈神经网络模型,所述多层前馈神经网络模型的输入包括:管道泄漏率、管内流体温度、管内流体压力、管外环境温度以及以下参数中的至少一个:管道直径、管道长度、管道材质、管道壁厚、所述被检测管道所包含的阀门类型、所述被检测管道所包含的阀门个数、管内流体类型和管外环境类型,所述多层前馈神经网络模型的输出包括:管内流体温度、管内流体压力以及管外环境温度。
10.如权利要求6所述的检测管道泄漏的***,其特征在于,还包括:第一次声波传感器,用于设置在所述被检测管道的一端以采集由管道泄漏产生的次声波信号;以及第二次声波传感器,用于设置在所述被检测管道的另一端以采集所述次声波信号;其中,所述计算设备与所述第一次声波传感器和所述第二次声波传感器通信,其中,所述处理器执行所述程序时还实现以下步骤:分别通过所述第一次声波传感器和所述第二次声波传感器采集所述次声波信号;以及基于所述次声波信号确定所述被检测管道的泄漏点的位置,其中,所述泄漏点的位置根据如下公式计算:
其中,X为所述泄漏点距所述第一次声波传感器的距离,D为所述第一次声波传感器和所述第二次声波传感器之间的距离,v为所述次声波信号传播的速度;Δt为所述第一次声波传感器接收到所述次声波信号的时间与所述第二次声波传感器接收到所述次声波信号的时间之差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010941489.8A CN112212222A (zh) | 2020-09-09 | 2020-09-09 | 检测管道泄漏的方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010941489.8A CN112212222A (zh) | 2020-09-09 | 2020-09-09 | 检测管道泄漏的方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112212222A true CN112212222A (zh) | 2021-01-12 |
Family
ID=74050564
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010941489.8A Pending CN112212222A (zh) | 2020-09-09 | 2020-09-09 | 检测管道泄漏的方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112212222A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040225458A1 (en) * | 2003-04-25 | 2004-11-11 | Sherikar Sanjay V. | Method of determining valve leakage based on upstream and downstream temperature measurements |
CN1828287A (zh) * | 2006-04-14 | 2006-09-06 | 北京工业大学 | 一种对带粘弹性包覆层充液管道无损检测的方法 |
CN102330887A (zh) * | 2010-12-08 | 2012-01-25 | 中国石油大学(北京) | 一种管道声波检漏定位装置及清管器 |
CA2742579A1 (en) * | 2011-06-09 | 2012-12-09 | Mehrdad Sharif Bakhtiar | Pipeline reflectometry apparatuses and methods field |
CN102927449A (zh) * | 2012-10-25 | 2013-02-13 | 黄腾飞 | 一种基于模拟仿真技术的管网微小泄漏缺陷检测方法及*** |
CN105156905A (zh) * | 2015-07-09 | 2015-12-16 | 南京声宏毅霆网络科技有限公司 | 管道的泄漏监测***及监测方法、监测设备和服务器 |
CN106015951A (zh) * | 2016-07-07 | 2016-10-12 | 北京信息科技大学 | 一种适应多种状态变化的输气管道泄漏检测***及方法 |
CN106090629A (zh) * | 2016-06-15 | 2016-11-09 | 中冶南方工程技术有限公司 | 城市地下管廊供水管道泄漏检测***及方法 |
CN109058771A (zh) * | 2018-10-09 | 2018-12-21 | 东北大学 | 基于样本生成和间隔Markov特征的管道异常检测方法 |
CN109243278A (zh) * | 2018-09-04 | 2019-01-18 | 大唐陕西发电有限公司 | 一种集阀门检修与水压试验并用的检修培训装置 |
CN109387332A (zh) * | 2017-08-09 | 2019-02-26 | 中国石油化工股份有限公司 | 液体阀门内漏模拟实验装置及方法 |
CN208764557U (zh) * | 2018-09-13 | 2019-04-19 | 曹明军 | 一种便携式管道泄漏焊接修复旋压装置 |
CN109668055A (zh) * | 2018-11-16 | 2019-04-23 | 江苏微优软件科技有限公司 | 一种远程在线阀门泄露监测装置及其工作方法 |
-
2020
- 2020-09-09 CN CN202010941489.8A patent/CN112212222A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040225458A1 (en) * | 2003-04-25 | 2004-11-11 | Sherikar Sanjay V. | Method of determining valve leakage based on upstream and downstream temperature measurements |
CN1828287A (zh) * | 2006-04-14 | 2006-09-06 | 北京工业大学 | 一种对带粘弹性包覆层充液管道无损检测的方法 |
CN102330887A (zh) * | 2010-12-08 | 2012-01-25 | 中国石油大学(北京) | 一种管道声波检漏定位装置及清管器 |
CA2742579A1 (en) * | 2011-06-09 | 2012-12-09 | Mehrdad Sharif Bakhtiar | Pipeline reflectometry apparatuses and methods field |
CN102927449A (zh) * | 2012-10-25 | 2013-02-13 | 黄腾飞 | 一种基于模拟仿真技术的管网微小泄漏缺陷检测方法及*** |
CN105156905A (zh) * | 2015-07-09 | 2015-12-16 | 南京声宏毅霆网络科技有限公司 | 管道的泄漏监测***及监测方法、监测设备和服务器 |
CN106090629A (zh) * | 2016-06-15 | 2016-11-09 | 中冶南方工程技术有限公司 | 城市地下管廊供水管道泄漏检测***及方法 |
CN106015951A (zh) * | 2016-07-07 | 2016-10-12 | 北京信息科技大学 | 一种适应多种状态变化的输气管道泄漏检测***及方法 |
CN109387332A (zh) * | 2017-08-09 | 2019-02-26 | 中国石油化工股份有限公司 | 液体阀门内漏模拟实验装置及方法 |
CN109243278A (zh) * | 2018-09-04 | 2019-01-18 | 大唐陕西发电有限公司 | 一种集阀门检修与水压试验并用的检修培训装置 |
CN208764557U (zh) * | 2018-09-13 | 2019-04-19 | 曹明军 | 一种便携式管道泄漏焊接修复旋压装置 |
CN109058771A (zh) * | 2018-10-09 | 2018-12-21 | 东北大学 | 基于样本生成和间隔Markov特征的管道异常检测方法 |
CN109668055A (zh) * | 2018-11-16 | 2019-04-23 | 江苏微优软件科技有限公司 | 一种远程在线阀门泄露监测装置及其工作方法 |
Non-Patent Citations (1)
Title |
---|
黄腾飞,陈秋玲: "基于仿真技术的机坪管网微泄漏检测***", 《油气储运》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | A new leak location method based on leakage acoustic waves for oil and gas pipelines | |
Lu et al. | A novel noise reduction method applied in negative pressure wave for pipeline leakage localization | |
Duan et al. | Transient wave-blockage interaction and extended blockage detection in elastic water pipelines | |
Cui-wei et al. | Experimental study on acoustic propagation-characteristics-based leak location method for natural gas pipelines | |
Chuang et al. | Leak detection in water distribution pipes based on CNN with mel frequency cepstral coefficients | |
CN101592288B (zh) | 一种管道泄漏辨识方法 | |
Liu et al. | Leakage monitoring research and design for natural gas pipelines based on dynamic pressure waves | |
Almeida et al. | The effects of resonances on time delay estimation for water leak detection in plastic pipes | |
Yu et al. | Leak detection in water distribution systems by classifying vibration signals | |
Wang et al. | Experimental study on water pipeline leak using In-Pipe acoustic signal analysis and artificial neural network prediction | |
Huang et al. | An optimization approach to leak detection in pipe networks using simulated annealing | |
CN109556797B (zh) | 基于样条局部均值分解和卷积神经网络的管道泄漏检测与定位方法 | |
CN113348349B (zh) | 分析管道状况的方法和*** | |
Xu et al. | A small leakage detection approach for oil pipeline using an inner spherical ball | |
Wang et al. | Leak detection in pipeline systems using hydraulic methods: A review | |
Han et al. | Plastic pipeline leak localization based on wavelet packet decomposition and higher order cumulants | |
Zeng et al. | Linear phase detector for detecting multiple leaks in water pipes | |
Cui et al. | Variable step normalized LMS adaptive filter for leak localization in water-filled plastic pipes | |
Wang et al. | Real-time identification of natural gas pipeline leakage apertures based on lightweight residual convolutional neural network | |
CN110985897A (zh) | 一种基于频域瞬态波模型和MUSIC-Like算法的管道泄漏定位方法 | |
Han et al. | Localization of CO2 gas leakages through acoustic emission multi-sensor fusion based on wavelet-RBFN modeling | |
CN112212222A (zh) | 检测管道泄漏的方法和*** | |
Li et al. | Multi-modal identification of leakage-induced acoustic vibration in gas-filled pipelines by selection of coherent frequency band | |
Brennan et al. | Some recent research results on the use of acoustic methods to detect water leaks in buried plastic water pipes | |
Li et al. | Leakage simulation and acoustic characteristics based on acoustic logging by ultrasonic detection |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210112 |