CN1184931A - 流体输送管道泄漏检测定位的方法及装置 - Google Patents

Abstract

本发明公开了一种流体输送管道泄漏检测定位的方法及装置,其特点是用神经网络、模式识别对管道运行状况分类、小波变换抑制噪声影响,动态校准流量计误差并建立适用于等温和不等温管道的水力热力综合模型,自学习智能化对原油、成品油、天然气、供水等各种管道的泄漏进行精确检测定位。可有效防止泄漏引起的起火、***、毒害、污染、浪费等的发生并降低损失程度。

Description

流体输送管道泄漏检测定位的方法及装置

本发明涉及管道，属于管道泄漏测量领域，具体涉及一种用于对流体输送管道泄漏进行检测定位的方法及装置，尤其是用于对原油、成品油、天然气、供水及其他复杂混合物等流体输送管道在较恶劣环境、较小泄漏情况下的泄漏进行准确检测并对泄漏点进行精确定位。

众所周知，在把诸如原油、精炼油等流体从一处输送到另一处时要用到管道，这些管道一般都敷设在地下，因此很难判断其泄漏。迄今国际、国内检测流体输送管道泄漏的现有技术有以下几类：A、直接检测法，该类方法包括a、内部投球法采用基于超声、磁通、涡流、录象技术的管内投球(PIG)沿管道移动，检测较准确，但易发生堵塞停运的严重故障，其跟踪也比较困难，成本很高，不能够连续检测管道状况，可参见日本《管道与设备》(配管上装置)杂志28卷第4号。b、测量泄漏流体的出现，如采用物理或化学方法直接探测泄漏流体、采用集流空间收集泄漏流体、铺设感测电缆、安装流体导通开关等，该类技术铺电缆、采用双层管道等需很大投资，且连续使用性差，而物理或化学探测法一般不适用于较长管道，如中国专利94110340.4和94204155.0。c、管内加示踪物质如放射物、发射电磁波等，在管道外探测示踪信号的出现，这种方法成本高检测不连续。B、间接检测法，该类方法不直接探测泄漏流体的出现，而采用根据泄漏后管道运行状况如压力、流量等的变化进行检测，具有投资省，连续监测特点，一般有以下几种：a、静态试压法，对流体管道加压后阀门关闭，根据管道压力下降情况确定管道泄漏，需停止管道正常运行，并且一般不能对泄漏点进行定位；b、流量差、压力差法，根据管道泄漏后管道压力差下降、流量不平衡进行检测，能检测出较大泄漏，灵敏度较差，对不稳定管道流动易误报，且一般不能对泄漏进行定位；c、检测流体管道泄漏时发出的泄漏声，采用人工听声或信号累加、积分值大小确定泄漏，亦可采用相关方法进行泄漏定位，受环境噪声、传播路径衰减、管道温度变化的影响很大，对于粘稠流体泄漏产生的微弱信号检出能力较差，可参见中国专利ZL942267664和美国专利US5349568。d、压力波动检测法，根据管道泄漏时产生负压波检测泄漏的发生，并根据不同传感器接收信号时差和波速来对泄漏进行定位，通常易受管道调泵、调阀等干扰，泄漏量较小时，信号波动较小，灵敏度较低，特别是对于不等温管道由于波速的变化导致定位误差较大，可参见《测量与控制》(Measurement&Control)杂志87年20期第7到15页。e、管道建模法，对管道流动参数进行建模判断故障的发生，一般包括以下几种：对流量、压力信号进行统计、滤波、观测器处理等，易受噪声干扰，不能区分管道的正常调节和发生泄漏的不同工况，反应速度较慢，精度有限；基于流体力学基本方程，如连续、动量、能量、状态方程，采用特征线法等求解，根据计算与则量值差异判断泄漏，一般对于不等温管道计算有较大误差，方程初始边界、管道结构变化等造成很大计算偏差；人为将管道划分为若干假设的计算段，根据每段的温度和流入流出体积变化进行泄漏检测，受主观划分影响精度不高，一般不能对泄漏进行定位，可参见日本专利平451719。f、施加扰动法，在欲检测管道中施加压力如采用泵、压缩机或施加压缩气体等，检测表征泄漏的压力波，缺点是需配备复杂的加压***并且与管道连接安装，使用不便，且不能对管道长期监测，可参见美国专利US293062和中国专利95115115.0.

本发明的目的是，就是根据现有技术的不足，提供一种智能化的、抗环境噪声干扰能力强的、灵敏度高的、定位准确的、同样适用于不等温管道的流体输送管道泄漏检测定位的方法及装置，它能正确区分管道的正常调节和管道发生泄漏故障不同的工况，当泄漏量较小时仍能对泄漏点精确定位，当管道沿程为不等温工况时动态根据温度变化修正声波传播速度减小定位误差，自动学习适用不同的工况；准确考虑管道流动过程中克服摩擦阻力功热转换的影响以及由此产生的流体粘度、密度、热容等参数的变化，从而对不等温管道泄漏进行精确的检出并对泄漏点进行精确定位。

为解决上述任务，本发明流体输送管道泄漏检测定位的方法是这样实现的，即在管道、输送泵、管道环境安装若干个传感器采集、存储、传输反映管道***运行状况的信号，以管道运行状况信号的时域频域特征为输入矩阵，采用神经网络模型进行分析计算判断管道泄漏的发生，采用模式识别对管道正常操作运行信号和泄漏信号的波形进行识别分类判断是否发生泄漏，采用小波变换分析管道运行状况信号的变化特性减少噪声影响，根据变换峰值判断管道是否发生泄漏，并根据由模式识别和小波变换判断出的不同测点处传感信号波形拐点的精确时刻间的时间差、传感器间距和根据管道沿程温度分布修正后的波速对泄漏点进行精确定位，基于管道泄漏信号在其传播路径中的衰减特性拟合函数对管道泄漏点进行定位，对管道输送泵况进行分析作为区分管道泄漏或调节工况的辅助手段，采用流量误差拟合曲线动态校准流量计计量误差并基于管道水力热力综合方程建立适用于等温和不等温管道的水力、热力模型以管道实测参数为边界条件对管道泄漏进行精确检测定位，根据现场管道状况设置不同算法模块的不同置信度来综合判断管道泄漏检测定位的置信度。流体可以是油类，但不限于此，因此本发明的方法和装置可适用于输送任何流体的管道。以下对本发明各部分进行分别说明。

基于神经网络对流体输送管道进行泄漏检测定位通过提取由流体输送管道各种泄漏工况时的管道运行状况信号特征、各种未泄漏工况时的管道运行状况信号特征如应力波、压力波、管壁应力等的特征来构造输入矩阵指导神经网络学习，建立起管道运行状况信号时域和频域特征与流体输送管道工况的非线性映射网络，对流体输送管道工况进行分类。以管道泄漏引发应力波信号为例，管道泄漏发生时对管道施加弹性扰动，泄漏点扰动的传播形成应力波，通过固体的压缩、膨胀和剪切来传播。管道泄漏引发的应力波与泄漏源有关，波动的传播则与流体管道本身特性有关。通过对流体管道泄漏应力波和正常流体管道信号的自学习、自联想建立对于流体管道故障的自判断能力，适应工业现场对于流体管道连续在线监测的要求，同时流体管道泄漏检测***也能根据环境变化和误报警纠正后，自动更新网络参数，适应不同的流体管道***和应用场合。用于管道泄漏检测有多种神经网络可供选择，如反向传播网络BPNN(Back Propagation Neural Network)、霍普菲尔特网络(Hopfield)、玻耳兹曼机等，以下以反向传播网络BPNN为例，分析神经网络用于流体管道泄漏检测的方法。BPNN网络拓扑网络结构包括一个输入层，一个输出层以及一个或多个隐层，每层内有若干个节点，节点采用M-P机型，激励函数为S型函数 即节点的最后输出为：

式中W_ii为权值；O_j ^k为第k层第j个节点的输出；O_i ^k-1为第k-1层第j个节点的输出，W_ni为阈值，ΔW_ii(n+1)=ηδ_jO_i+αΔW_ij(n)，α为惯量因子，惯量项起到了缓冲干滑的作用．由于将管道应力波采样信号直接输入神经网络学***均幅值X_am、方差X_avr、均方根X_rms、方根幅值x_r；反映泄漏波形变化的无量纲波形指标s；反映应力波信号剧变冲击特性指标峰值因子X_cf、脉冲因子x、裕度因子L；反映泄漏引发应力波幅值分布情况，可采用以下无量纲指标峭度X_k、峭度因子X_kf等．运算公式如下：X_amax＝max{|x_i|}   X_cf＝X_amax/X_rms   X_imf=X_amax/X_am

     

其      X_kf=X_k/X_rms中，

根据应用对象状况选择能够显著反映流体管道泄漏发生的特征指标，例如对某实验管道选择方根幅值XR、平均值XAVER、均方差XA、裕度标L、峭度指标XL和峭度AKVR能够较好地反映流体管道状况变化，因此选择这些参数构成样本矩阵输入神经网络，并假设当流体管道正常运行时网络输出0，当流体管道发生泄漏时网络输出1。流体管道泄漏通常引起实测流体管道应力波传感信号功率谱发生变化，设应力波信号谱图沿频率轴方向等分几个区域后，每个矩形面积的平均功率分别为，P₁，P₂，…P_n-1，P_n，则功率谱的特征描述可用如下的n维向量： 根据流体管道实际情况建立教师样本集，选取合适维数的功率谱描述向量就可以建立神经网络泄漏检测***，定义正常状态时网络输出0，泄漏状态时网络输出l，对一组流体管道应力波功率谱特征样本，其中

为流体管道正常时功率谱特征身量样本，为流体管道发生泄漏时功率谱特征向量样本，则可以建立如下样本矩阵：

但是通常情况下泄漏应力波信号的幅值除与泄漏有关外，也和放大倍数，与泄漏点距离，泄漏信号传播路径阻尼有关，为了提取主要反映谱形的特征向量，定义新的n维向量

其中通过提取由实际监测流体管道不同的泄漏时应力波信号特征、不同的未泄漏时应力波信号特征按上述输入样本矩阵构造方法构造教师矩阵指导学习，建立起应力波信号时域和频域特征与流体管道状况的非线性映射网络，就能对流体管道状况进行分类，当有与学习样本相似的应力波信号特征输入时，神经网络自动给出当前流体管道的状态是正常还是发生了泄漏。特别是神经网络具有容错性，对于有一定环境噪声影响的应力波信号，其输出波动小，仍能正确分类。当神经网络发出流体管道泄漏报警信号后，通过实际检查，若属误报警，则可将当前数据存入学习样本矩阵，转入神经网络自学习程序，通过学习改变权值矩阵，调整映射网络，提高其对流体管道泄漏检测能力；同样若出现漏报现象也可由人工强制转入学习，在历史数据库中寻找对应数据，加入学习样本，调整神经网络结构。经过一段时间的训练后，神经网络就能很好地监测流体管道的运行状况。

检测到管道发生泄漏后，可采用如下方法对泄漏点进行定位，基于管道泄漏波动信号特征估计对泄漏进行定位，根据波动信号在管道结构中传播的衰减特性，用拟合方程来描述频谱特征随传播距离变化与泄漏点位置之间关系对管道泄漏检测定位。由于流体管道发生泄漏后，由射流引发在结构内传播的应力波在其传播过程中，不同频率信号受到阻尼不同，在距离泄漏点较近传感器检测到应力波信号具有相对丰富的频率成分，而距离泄漏点较远的传感器采集的应力波信号中低频成分占有优势。考虑应力波沿传播路径的衰减时其频谱重心、频域方差、均方频率的偏移，可采用基于应力波信号特征估计的泄漏定位新方法。设S(f)为应力波信号频谱，则可定义以下特征量：频谱重心   

  

由于不同的设备结构特性不同，其频谱重心、均方频率、频域方差的变化与应力波激发点即泄漏点的距离具有不同的函数关系。以频谱重心为例可采用工程中常用的最小二乘法拟合方程来描述频谱重心与与泄漏点位置之间关系，构造频谱重心C(i)与距离X(i)序列(C(i)，X(i))，由最小二乘法拟合多项式系数a₀，a₁，…，a_n-1用于对管道泄漏检测定位中，同时考虑针对法兰、接头、材料变化等结构突变带来的特殊衰减对测量精度影响的修正。

模式识别检测管道泄漏是通过对管道运行采样信号进行结构特征抽取，可采用峰点、谷点、峰点序列、谷点序列、直线序列、统计直线序列、主导峰、从属峰、支配强度、从属度来定义波形要素，以先验样本特征知识为前提对管道运行状况采样信号如压力、流量等信号进行波形分类识别，有效区分管道调泵、调阀、泵切换等正常操作与管道发生泄漏故障工况，从而正确判断管道泄漏的发生，并根据正确识别的不同测量点处负压波拐点时间差，对管道进行泄漏定位。以下以管道压力波动信号的模式识别为例说明模式识别在管道泄漏检测定位中的应用。当管道泄漏突然发生时，泄漏位置内外压差很大，流体快速迁移，泄漏点向管道的两端扩散传播形成的瞬变负压波具有较为规则的波形，而管道的输送泵调节、阀门调节等也可在管道内引起压力波动但泄漏引发负压波有一定区别，通过一定的方法抽取波形的结构特征并用符号表达作为结构分类器的输入，实现信号模式分类，从而识别管道的运行状况是正常还是发生了泄漏。对于压力波的模式识别可采用相对复杂的基元表述，而采用较为简单的上下文无关文法，用于对压力波形模式描述。基本波形描述要素可按下面的方法定义：定义一波形 波形为X-Y平面上点的有序集合W＝{(x_i，y_i)x_i＜x_i+1，i＝1，2，…，N}。对于任一给定波形W，其y_i的值都唯一由x_i确定，即y_i与x_i相对应，因此可以将x₁到x_N间波形简记为w[x₁，x_N]。同理，将波形w[x₁，x_N]在任一区间〔x_i，x_j〕的子波形记为W〔x₁，x_N〕。定义二峰点 峰点P_i为波形W〔x₁，x_N〕上的一点，

且满足对于任意小的正数ε，若

都有。

定义三谷点 谷点v_i为波形W〔x₁，x_N〕上的一点 且满足对于任意小的正数ε，若 都有。

定义四峰点序列 峰点序列为某一波形W〔x_i，x_i〕上所有峰点的有序集合，记为P〔x_i，x_j〕，且有P〔x_i，x_j〕

定义五谷点序列 谷点序列为某一波形W〔x_i，x_j〕上所有谷点的有序集合，记为V〔x_i，x_j〕，且有V〔x_i，x_j〕定义六直线序列 直线序列为某一波形W〔x_i，x_j〕连续无峰点且无谷点的最长有序集合，记为L〔x_i，x_j〕，且有L〔x_i，x_j〕

定义七统计直线  序列统计直线序列为某一波形W〔x_i，x_j〕上所有连续点的集合，记为L〔x_i，x_j〕，记

   对于统计直线序列L〔x_i，x_j〕有

ε为某一满足***要求的最大正数。定义八主导峰和从属峰 设

且，

为波形W〔x₁，x_N〕上任意两个峰点， 为从P_i到P_j的峰点序列，它是W〔x₁，x_N〕的峰点序列P〔x₁，x_N〕＝{P₁，P₂，…，P_N}的子列。令 (若P_i＝P₁， (若P_j＝P_N，)，_ij和¹ _ij均是W〔x₁，x_N〕的谷点序列V〔x₁，x_N〕的子列。(1)若θ_ij和_ij均为单调非降，则P_j相对于P_i为主导峰，P_i是P_j的从属峰。显然，对于P_k＝(x^P _k，y^p _k)(k≠j)∈P〔x^p ₁，x^p _j〕都是P_j的从属峰。(2)若θ_ij和_ij均为单调非增，则P_i相对于P_j是主导峰，P_j是P_i的从属峰。显然，对于P_k＝(x^P _k，y^P _k)(k≠j)∈P〔x^p _i，x^p _j〕都是P_j的从属峰。(3)若P_i除自身外，不从属于压力波形中其它任何波峰，则P_i是一个主导峰点。由于上述定义主导峰是借助于波峰的相对高度来定义的，没有考虑波峰所包含区域的相对大小，因而可能在波形特征提取中出现伪主导峰和伪从属峰。为了对这种情况进行抑制与修正，本发明特别定义了支配强度和从属度两个概念。定义九支配强度设P_d是波形W〔x_b，x_e〕的主导峰，x_b，x_e均为与P_d相邻的主导谷点，P〔x_b，x_e〕＝{P_i2，P_i2，…，P_ik}是P_d的从属峰序列，P_d∈P〔x_b，x_c〕。则定义支配强度Q(P_i)为该主导峰对其从属峰P_i支配程度的量度Q(P_i)＝S(P_d)/S(P_i)，i₁≤i≤i_k，i≠d式中，S(P_i)为从属峰P_i的强度，当i＜d时，为波形与x_b和P_i的右端点的连线所围成区域的面积；当i＞d时，为波形与x_e和P_i的左端点所围成区域的面积。S(P_d)为该主导峰的强度，为压力波形与x_b，x_e之间连线所围成区域的面积。定义域值T_d，则当Q(P_i)大于阀值T_d时，认为P_d强烈支配P_i否则认为P_i是P_d的伪从属峰，此时波群P_i2，P_i2，…，P_i(当i＜d)或P_i，P_i+1，…，P_ik(当i＞d)从原波群中***出来，形成独立的波群，P_i为该波群的主导峰。对于伪主导峰，考虑波形中两相邻的主导峰点P_i＝(x^p _i，y^p _i)和P_j＝(x^p _j，y^p _j)，不失一般性设y^P _i＜y^p _j、V_r1＝(x^v _r1，y^v _r1)、v_r2＝(x^v _r2，y^v _r2)、v_r3＝(x^v _r3，y^v _r3)为与P_i，P_j相邻主导谷点，且有x^v _r1＜x^p _i＜x^v _r2＜x^p _j＜x^v _r3，从_r1到v_r3所形成的子波形记为W＝W〔x^v _r1，x^v _r3〕。定义十从属度 从属度R(P_i，P_j)为P_i和P_j所代表的两相邻主导峰相关程度的量度R(P_i，P_j)＝S(W)/S(V_r2)其中，S(W)为波形与v_r1，v_r3的连线所围成区域的面积。S(v_r2)为波形与P_i、P_j的连线所围成区域的面积。若有R(P_i，P_j)大于设定阀值T_r，则认为P_j从属于P_i，是伪主导峰。这时，我们将P_i，P_j合并，P_i为合并后的峰群的主导峰。本发明根据调泵和调阀本身速度一般比管道爆裂慢，并且调泵，调阀多发生在管道首端，负压波较平缓且首先通过滤桶、流量计，它们具有相当大的阻尼和滤波作用，从流量计出来后压力传递到管道中，没有负压波明显的波谷和波动余波出现，较平缓地从一个压力状态转换到一个新的压力稳态。在管道末端也装有相同的清洁滤桶和流量计，也没有负压波剧变后的波谷和余波波动，较为平缓地从一个压力态稳定到一个新的压力较低的状态。当管道中间发生泄漏时引发负压波向管道两端传播，和负压波在管道两端发生向管道中间传播其波形结构有着相当大的特征区别。因此，可基于以下特征对流体管道压力波进行模式识别：①管道泄漏引发负压波形与管道调泵引起负压波形有明显不同之处；②负压波形的主要特征是具有较大斜率的压力下降长直线；③负压波形显示出管道压力急剧变化和波动的时间很短，主要处于压力较稳定状态。可将管道负压波形分稳定段、剧变段、持续段三个波形片断，分别为S₁、S₂、S₃，(可参考附图3、4的实施例)，其中X_s1、X_s2、X_s3为段分界点。压力波动结构划分波形片断是对管道负压波形结构层次的划分，负压波形的描述是通过对波形的分段符号化处理来实现的，包括波形片段、波形基元的选取，识别和描述。采用上述定义的波峰、波谷、直线、从属度，支配强调等对负压波形局部形态特征的描述，其中，S₁中作为波形基元的是该段内长的水平线。S₂中作为波形基元的是小的波峰、长而斜率较大的直线、主导谷、单谷点和峰点。S₃中波形基元是长的水平线和小的波峰。波形W〔x₁，x_N〕的符号描述可用下式表示S＝W〔x₁，x_N〕＝S₁+S₂+S₃，式中，S₁、S₂、S₃为各段内的基元的语义符号串。波形结构模式可用上下文无关文法G＝(S，V_N，V_T，R)表示。其中有穷集合V_N为非终结字符集；V_T为终结字符集，其元素为模式中所有可能的基元符号，S∈V_N为初始符号，即待识别模式，有穷集合R具有形如r_i：t_i→V_i，t_i∈V_N，V_i∈V_NUV_T的产生式规则集。通过对大量的实际管道压力波特征分析，对于问题范围Ω内的每一个模式类别都分别建立一个上文无关文法G(i)，作为一个标准模式对应于压力管网的一种状态(包括正常工作状态和各种故障状态)。通过模拟实验或现实数据得到的标准压力波形模式集合形式的模式空间，构成管网各种状态波形模式库，就可据此对压力管网的各种故障进行自动诊断分析。利用基于主导峰(谷)和直线的符号化方法获得待识别管网负压波形的结构特征及其符号描述模式，作为结构分类器的输入。采用自上而下的模式剖析算法来识别与输入模式最相匹配的模式类别。若待识别管网压力波形的符号描述能由模式库中某一给定模式类L_i的文法G(i)产生，则表明待识别波形属于该模式类L_i，否则用模式类库中其它可能的模式类的方法进行分析，若都不符合则说明遇到***不能识别的类型或以前分类模式模板有误差，需要重新学习新类模板或更新已有类符号描述。

小波变换检测管道泄漏是通过对检测到的管道运行采样信号如应力波、压力波信号采用多尺度小波变换进行分析，以多尺度下的小波变换的平方和作为特征指标增强管道工况信号突变所占比重，抑制噪声影响，根据小波变换的极值精确检出信号的拐点，从而根据不同测量点测得泄漏信号到达时刻的间隔和信号传播速度对泄漏点进行精确定位。以下以管道压力波动的小波变换为例，说明小波变换检测管道泄漏的方法。设P(t)为管道泄漏检测装置测得的管道压力信号，小波变换可写为： 可简写为，WT_ap(a，t)＝p(t)^*Ψ_a(t)，其中^*为卷积，a为尺度因子，

是基本小波在尺度上的伸缩。可定义Ψ(t)为高斯低通函数

的一阶导数，为 同时，令

则有 得到用于管道泄漏检测的小波变换为

由此可以得到对p(t)的小波变换，这种变换等价于先对p(t)进行低通滤波，然后进行求导，从而得到WT_ap(t)的极值点对应于平滑后信号的拐点，由此可检测出管道压力波动的瞬变点，从而精确确定负压波的发生时间以根据不同传感器测得信号的时间差对泄漏点进行精确定位。由于当管道***正常工作时，压力信号的波动很小，压力信号的小波变换WT_aP(t)均值为零，其方差随尺度的增大而趋于零。小波变换能够有效抑制压力波动信号中的噪声干扰，因为随着尺度的增大，噪声对应的小波变换极值迅速衰减，信号拐点对应的小波变换的极值增加或衰减变缓，WT_aP(t)中的极值点将主要与压力信号波动有关而与测量噪声、管道噪声等无关，因为考虑到若压力的均值不变，而管道压力的随机波动幅度变大，并假设方差由σ₁ ²变为σ₂ ²；，由于E[WT_ap(t)]≡0，随着尺度的增大E[WT_ap(t)]²将趋于零，因此并不能反映压力随机波动幅度的变大，即噪声干扰的增强。在管道泄漏检测中，为了提高灵敏度，可采用多尺度的小波变换的平方和作为特征指标来检测管道压力信号的变化，例如可令在管道沿程N点测得的压力变化信号为p₁，p₂，…P_N，则可定义如下检测参数：

i＝1，2，…，N，根据SUM_i(t)的极值就可以得到p_i的波形拐点，并根据同一时标下不同测量点处拐点对应的时刻的时间差和压力波在管道中传播的时间对泄漏点进行精确定位。由于这种方法采用了多尺度下的小波变换，其中小尺度变换有利于检测信号的细节特征而大尺度变换有利于克服噪声的影响，同时对变换的平方相加增强了信号突变所占比重，相对减小了对应噪声极值的影响，根据现场应用管道压力波动小波变换的幅值和变化，当计算值大于设定的阈值时，判断管道发生了泄漏，并根据计算值超出设定阈值的大小给出报警的置信度。

根据由模式识别、小波变换确定的不同测量点处管道运行信号波动拐点间的时间差对管道进行泄漏进行定位，采用根据不等温管道水力热力综合模型计算出的管道沿程的温度变化修正后的管道波速计算泄漏位置，消除波速随温度变化带来的定位误差。当对管网压力波形分类识别出管网泄漏发生时，可采用如下方法对泄漏点进行定位，由各压力波采样点的时间出采样频率确定，设在管道上游测点压力信号采集序列中，压力波波形横轴坐标为X_s1位置处时标为t＝t₀+K_ys1*ΔT，设同时刻管网下游测点传感器采集序列中压力波动拐点对应点为X’_s1，则X’_s1位置处时标为：t’＝t₀+k_x’s1*ΔT，其中t₀为同时采集开始时刻，K_rs1为上游测点x_s1处采样序列中位置，k_v’s1为下游测点x’_s1处采样序列中位置，ΔT为压力波形采样周期，t为瞬态负压波拐点传到管道上游测点时刻，t’为瞬态负压波传到管道下游测点时刻，则管网发生泄漏位置为：x＝|a(t-t)+L|/2，其中a为瞬态负压波传播速度，L为管道上下游测点间距离，x为管道泄漏处距管道上游测点距离，公式可简化为x＝a(k_xs1-K_x’s1)ΔT/2+L/2。由于波速a受温度影响很大，当管道为不等温输送时，由于温度变化较大，在使用本公式之前，首先调用管道水力热力模型计算管道沿程的温度分布，根据流体密度、弹性系数随温度变化对波速进行修正，可采用下式计算

其中ρ(t)为流体密度随温度变化函数，k(t)为流体体积弹性系数随温度变化函数，E为管材弹性模量，D为管道直径，δ为管壁厚度，φ为与管道固定状况有关的系数，μ为泊松系数，t为管道沿程流体温度。修正后的波速与管道实际波速将比较吻合，从而使对不等温管道的泄漏定位精度有所提高。由于压力波的传播速度一般1000米左右，因此这种方法对于数公里管道发生的泄漏在几秒内检出，具有极快的响应速度，为扩止事故扩大，减少损失赢得了大量宝贵时间，对于煤气，汽油、剧毒化工原料等流体这几秒钟的意义尤为重要。

泵况分析根据传感器测得的泵工作信号变化进行分析，根据采用神经网络、小波变换处理泵运行状况信号后计算结果是否超过设定的阈值判断管道输送泵的工况，作为区分管道正常调节与管道发生泄漏的辅助手段，并监测输送泵的工作故障。当电压、电流变化不超过设定阈值时认为没有对管道进行工况调节，反之，则认为管道发生了工况调节。对管道振动信号的分析采用与上述基于神经网络检测管道运行信号异常相同的方法，通过采集一系列泵稳定工作或不正常工作的振动信号，对神经网络进行学习训练，用训练得到的网络参数检测分类泵的工作状态。采用上述检测管道泄漏相同小波变换方法对泵振动信号进行变换，根据变换的极值是否超过设定的阈值判断泵是否工作异常。

流量测量误差校准是通过拟合流量计流量误差曲线，动态地根据测得流量数值修正对应流量条件下流量计的误差值，从而得到较准确的管道实际流量值。由于流量计误差不是常数，而是流量Q的非线性函数。根据校准流量计时测得真值，可用数值分析方法求出腰轮流量计随流量变化的误差曲线，据此修正测值提高流量计的测量精度。由于流量校准点的测量十分准确，因此可采用完全通过测量点的三次样条插值函数来分析腰轮流量计的误差。对于一组测得的(Q_i，E_i)序列，用三次样条插值方法是：令ΔQ＝Q_i+1-Q_i，由导数连续条件知：式中i＝1，2，…，n-1。上式中包含了n+1个待求S″(Q_i)，再用松弛边界条件S″(Q₀)＝0，S″(Q_n)＝0，便可求得各点S″(Q_i)。根据三次样条插值条件，并积分两次可得， $S\left(Q\right)-\frac{{(Q_{i+1}-Q)}^3}{6\mathrm{\Δ}{Q}_i}{S}^{\′\′}\left(Q_i\right)+\frac{{(Q-Q_i)}^3}{6\mathrm{\Δ}{Q}_i}{S}^{\′\′}\left(Q_{i+1}\right)+(Q_{i+1}-Q)(\frac{E_i}{\mathrm{\Δ}{Q}_i}-\frac{\mathrm{\Δ}{Q}_i{S}^{\text{'}\text{'}}\left(Q_i\right)}{6})$ $+(Q-Q_i)(\frac{E_{i+1}}{\mathrm{\Δ}{Q}_i}-\frac{\mathrm{\Δ}{Q}_i{S}^{\′\′}\left(Q_{i+1}\right)}{6})$ 式中i＝0，1，…，n-1；ΔQ_i＝Q_i+1  Q_i。通过对上面的方程组联合求解，可以求出插值函数S(Q)。校准点数据越多，三次样条插值分析曲线越准确。当测得流量计示值后，采用由三次样条拟合的流量-误差曲线进行误差修正得到对应的真值，从而减小或消除腰轮流量计滑流量带来的误差，相对提高了仪表精度。

基于管道水力热力模型检测定位管道泄漏的方法通过建立管道沿程水力、热力模型计算管道流量、压力、温度、密度、热容、粘度在管道沿程分布与实测管道运行参数的差异，模型中包括克服摩擦阻力的功热转换对流体的加热、管道与环境的热交换、管内流体物性参数随温度的变化、输送流体物性参数变化对流动特性的影响相互之间复杂的相互作用，从而根据水力、热力方程的综合模型对管道泄漏进行检测定位。在流体沿管道流动过程中，需克服摩擦阻力，这部分动能损失又转化成热量加热流体；同时当管道输送流体与环境温度有差别时必然与环境之间有热交换，热量通过传导、辐射、对流来传播，导致流体温度变化，而通常管道输送流体如原油、天然气等其物性参数如粘度、密度、热容等随温度变化较大，反过来这些参数的变化对流体的流动特性有较大影响。当在管道首端对输入流体进行了加热或输入流体温度高于环境温度时，在流体沿管道流动过程中，随着与环境的能量交换，流体温度越来越低，管道首末端温度相差较大，其粘度、摩阻、密度等随之变化，采用加热输送(或输送过程中流体温度发生变化)管道的热力方程，建立考虑管道沿程热力变化的水力和热力综合模型，能比已有技术准确地对管道泄漏进行检测定位。设流体在管道首端加热到温度T_R，K为流体至周围介质的总传热系数，G为流体质量流量，C为流体的热容，T匀距管道首端L处的流体温度，D为管道外径，T₀为管道周围介质温度，Q为管道的流体流量，i为沿管线的水力坡降，有如下热力平衡公式KπD(T-T₀)dl＝-(GCdT-Gigdl)。由列宾宗公式得到管道沿程水力坡度为

其中β为与流态有关的系数，由于粘变υ随温度变化较大，因此将υ写成υ(t)，同时流体比热容通常也随温度有所变化，因此C写成C(t)，并作如下假设：流体至管周围介质的散热过程为稳定的传热过程；计入摩擦热对流体降温的影响；计入流体物性随温度变化对散热损失的影响；忽略径向温降对散热损失的影响。则流体输送管道的热平衡方程为：

式中D为管路直径，m；t为流体温度，℃；G为流体的质量流量G＝Qρ(t)，kg/s；Q为体积流量，m³/s；t₀为管路周围介质的温度，K；C(t)为流体随温度变化的热容，KJ/kg-K；υ(t)-流体随温度变化的粘度，m²/s；K(t)-流体至管周围介质随温度变化的总传热系数，J/m²s·K；β、m-与流体流态有关的系数；g-重力加速度，m/s²-。将上式整理得 考虑到列宾宗公式表示的管道水力坡降公式，且管道沿程摩阻水力方程为：dh＝idl可推得，

其中ρ(t)，C(t)，υ(t)表示管输流体(如原油)物性随温度的变化，一般可用如下公式计算：ρ(t)＝ρ₂₀-ξ(1-20)，其中，ρ₂₀为指流体20℃时密度，kg/m^3-；ξ为温度系数，kg/(m·℃)；t为计算点处的流体温度，℃；T为计算点处的流体温度，K；T＝t+273。υ(t)随温度的变化比较复杂，一般可通过一系列实测流体粘度值求得流体粘度—温度回归出系数A、B，用下式表示粘度随温度变化函数：υ(t)＝10exp(10^A/T^B)。上述方程描述了流体流动过程中压力，温度随管线长度的变化关系，由上述方程得到管线压头随温度变化关系，对于实际管线，显然有t∈(t_R，t_z)。其中t_R指管道首端温度，t_Z指管道末端流体温度。由管道结构知t与l对应关系t_R→0，t_Z→L，即离首端距离l＝L(管长)时，流体温度等于出口流体温度。由上述方程得到了在管线区间l∈(0，L)上t与l的对应关系。由管道泄漏检测装置定时采集到管道的首末端边界条件。显然，若管道运行正常，由管道首端的边界条件可由上面的水力热力方程组求解管道末端的状况，反之亦然。但是当管道发生泄漏时，其方程的运算结果将不能吻合，管道的运行状况分为泄漏点前后两部分。在管道泄漏点处为相同的边界点，由流体的连续性知在此处温度、压头是相同的。因此我们导出以下的管道泄漏检测定位算法：(1)设管道首端压头为零，管道末端压头为H_z；设管道首端流体温度为T_R，管道末端流体温度为T_Z；设管道长度为L；设距管道首端l处管道的压头为h，温度为t，显然，l∈(0，L)，h∈(0，H_Z)(不考虑地理影响)，t∈(t_Z，t_R)。由式压头随温度变化方程，简写为h＝f(t)求得h随t的变化，可以求出(t_Z，t_R)区间中每一点处的压头。由边界条件，(t＝t_R，Q＝Q_R，l＝0)求得h随t变化关系h₁＝f(t₁)；由边界条件，(t＝t_Z，Q＝Q_Z，l＝L)，可以得到h随t变化关系h₂＝f(t₂)。其中Q_R指管道首端流量，Q_Z指管道末端的流量。(3)由实测管道两端压力差ΔP，求得管道两端压头为h_测＝ΔP/ρg。对序列h→t₁，或h₂→t₂进行相应转换用于管道泄漏定位。以h₂→t₂序列为例，将由方程计算出的管道末端压头调整为实测压头，并将中间值作同等对应处理。求取转换后h₂→t₂序列中，当t₁＞t₂时，h₁→ h₂的点为t_L。反映管道沿程温度变化的方程简写为1＝f(t)求得t＝t_L时l的值为X。当定位点在管道首末端之间，说明该点为管道泄漏位置，当X为零或在管道首末端之外且差值没有超过设定的阈值则说明管道没有发生泄漏，其他情况说明***需要调整，显然，这种算法对于管道运行过程中首末端温差较大的管道，对于原油(或其它流体)其粘度、密度、热容等随着沿程温度下降有较大变化的管道，显示出很大的优越性，不考虑这些变化的管道常温泄漏定位方法只是本方法的一个特例。由于不等温流体输送管道沿程水力变化的非线性，采用忽略热力变化的简化方法会导致很大误差。

为达到本发明目的，用于本发明以上所述流体输送管道泄漏检测定位方法的检测装置采用的解决方案是：由传感网络、信号调理采集电路、计算机和数据纠错远传电路构成检测***，在管道、输送泵、管道环境安装传感网络，其中包括检测管道输送泵电机的电流、电压和输送泵振动的传感器、检测管道运行环境的温度、噪声的传感器、检测管道管壁应力、管壁振动的传感器、测量管道压力、温度、流量、粘度的传感器。数据纠错远传电路采用对数据进行纠错编码、压缩的调制解调芯片设计，用于将不同测量点的检测数据传输到同一检测点进行综合处理运算。对管道输送泵的信号测量用在当流体输送管道泄漏检测定位装置安装在管道首端泵站附近的条件下，用以获得管道泵的工作情况，从而有效区分管道的工况调节和泄漏引发的管道压力波动。

本发明与现有技术相比，具有以下显著效果：

1、通过提取由流体管道不同的泄漏时管道信号特征、不同的未泄漏时信号特征构造输入矩阵指导神经网络学习，对流体管道状况进行分类，具有容错性，对于有一定环境噪声影响的信号，其输出波动小，仍能正确分类；具有自学习能力，当神经网络发出流体管道泄漏报警信号后，通过实际检查，若属误报警，则可将当前数据存入学习样本矩阵，转入神经网络自学习程序调整映射网络，提高其对流体管道泄漏检测能力，克服了已有技术需人工调整不具备智能化的缺点。

2、采用基于管道泄漏波动信号特征估计的泄漏定位方法，用拟合方程来描述频谱特征与与泄漏点位置之间关系对管道泄漏检测定位克服了已有技术如相关分析等因受信号衰减、传播路径非线性等影响定位不准确的缺点，而是充分利用了波动信号的衰减特性。

3、对管道运行采样信号进行结构特征抽取，采用模式识别对管道运行状况采样信号进行波形分类识别，有效区分管道调泵、调阀等正常操作与管道发生泄漏故障工况，克服了已有技术易将管道工况调整判断为管道泄漏的缺点，特别适用于管道中间有支管的管道网络。

4、根据由模式识别、小波变换计算识别得到的不同测量点处负压波拐点的时间差对管道进行泄漏进行精确定位，克服了已有技术基于波形变化斜率来判断波形拐点误差较大的缺点，同时对不等温管道根据水力热力综合模型计算管道沿程的温度变化，对波速根据管道沿程温度变化进行修正从而消除温度变化后波速随之变化带来的误差，提高了对不等温管道泄漏检测定位的精度。

5、采用多尺度小波变换检测管道信号波动根据精确检出的变换极值对应的信号拐点，对泄漏点进行精确定位，具有不需要模型、灵敏度高、抗干扰能量强、检测速度快等特点，克服了已有技术对较小泄漏波动信号突变点检出能力差的缺点

6、泵况分析根据传感器测得的泵工作信号变化，根据采用神经网络、小波变换后计算结果是否超过设定的阈值判断管道输送泵的工况，可作为区分管道工况调节与管道发生泄漏的辅助手段，并可监测输送泵的工作故障，克服了已有技术不能对输送泵进行监测的缺点。

7、采用流量误差拟合曲线修正流量计测值得到相对准确值，减小或消除流量计计量误差随流量大小变化而变化带来的误差，相对提高了仪表精度，降低了管道泄漏监测***对流量计精度的要求，克服了已有技术要求高精度流量计的缺点，降低了***成本。

8、通过建立管道沿程水力、热力模型计算管道压力温度在管道沿程分布与实测管道参数的差别判断管道泄漏的发生并对泄漏点进行定位，综合考虑了克服摩擦阻力的功热转换加热流体、管道与环境温度有热交换、流体物性参数随温度变化、参数变化对流动特性影响等相互之间复杂的相互作用，从而根据水力热力模型准确的计算值对管道泄漏进行精确检测定位，克服了已有技术视管道沿程水力梯度为线性、或不考虑温度变化带来的较大定位误差。

9、由传感网络，信号调到采集电路、计算机和数据纠错远传电路构成的流体输送管道泄漏检测定位装置，具有对管道管壁振动、管壁应力、环境温度噪声测量、输送泵工况进行检测的能力，能综合测量管道的运行参数并进行纠错编码传输，全面对管道状况进行监测，克服了已有技术仅检测管道部分参数且不对各测量数据集中综合处理的缺点。

10、根据现场管道的特点，根据环境对管道运行状况信号中流量、压力、应力波、振动等的不同干扰程度，设置不同计算模块的不同置信度来综合判断管道泄漏检测结果的置信度，使***具有一定的柔性并且具有对环境状况调整适应能力，从而提高了检测的灵敏度和准确性。

附图说明：

图1为本发明流体输送管道泄漏检测定位装置的总体示意图。

图2为本发明流体输送管道泄漏检测定位方法的程序模块图。

图3为本发明实施例***在原油输送管线实验得到的泄漏时压力波动曲线图。

图4为本发明实施例***在原油输送管线实验得到的调泵时压力波动曲线图。

图5为根据本发明综合模型对原油输送管线计算得到的管道沿程温度分布曲线。

图6为根据本发明综合模型对原油输送管线计算得到的管道沿程压头与温度曲线。

图7为某腰轮流量计流量误差校准曲线。

图8为采用神经网络方法对管道泄漏和未泄漏时应力波样本学习曲线。

下面结合附图和实施例对本发明作进一步说明。

结合附图1说明本发明检测装置的构成。1为待检测的流体输送管道，2为管道流体输送泵，3、4、5为泵况测量传感器，其中3为泵电机电流传感器、4为泵电机电压传感器、5为泵振动传感器，6～11为管道运行参数传感器，其中6为流量传感器可选用腰轮、涡轮、电磁、超声波等传感器，7为压力传感器，8为温度传感器可选用电阻、集成电路型等传感器，9为流体粘度传感器可仅在输送流体粘度变化较大时使用，10为管道管壁振动传感器，11为管道管壁应力传感器，12为管道环境温度或埋地管道的土壤温度传感器，13为管道运行环境噪声传感器，14为信号调理采集电路包括对传感信号的放大滤波多路转换模数转换，15为顺序执行计算机或并行计算机用于对测量信号进行运算处理和传输，可以包括图象监视器和键盘。16为数据纠错远传电路采用对数据进行纠错编码、压缩的调制解调芯片用于将不同测量点的检测数据传输到同一检测点进行综合处理运算，17为信号传输通道如电缆、电话线、短波、微波等数据传输通道。其中3、4、5仅安装在泵站附近的测量点，其他测量点不配备，3～14可根据测量点的需要进行增加或减少，3～17构成一个独立的检测终端，在较大的管道检测***中可根据管道的长度选择2个以上(如附图1所示为2个检测终端)的检测终端构成较大的网络，选择其中一个终端配备计算性能较强的计算机进行检测程序的综合运行。

结合附图2说明本发明可采用的计算机程序结构。本发明流体输送管道泄漏检测定位方法，由神经网络计算、模式识别分析、小波变换、泵分析、流量测量误差动态修正和水力热力管道模型几部分构成。流体输送管道泄漏检测定位方法的程序模块图可采用如附图2所示程序结构。程序运行时首先进行***自检，再进行程序参数设定包括各模块是否运行、各模块检测结果的置信度、传感器的选定等，然后由定时中断***控制进行管道各参数压力、温度、流量、管壁振动、管壁应力、环境噪声、环境温度、泵电流、泵电压、泵振动的采集测量，然后进行管道泄漏检测定位方法的运算，其中泵特性分析、神经网络计算、模式识别分析、小波变换、流量测量误差动态校准、管道水力热力综合模型检测管道泄漏并进行定位程序各模块可采用并行计算机并行计算然后对各计算结果综合评判，也可以采用一般顺序处理结构计算机对各模块顺序计算存储各自运算结果，然后对各模块分别的计算结果根据由实际管道而设定的不同置信度进行综合评判，决定对管道泄漏进行报警并定位泄漏点，还是判断管道***正常并继续运行。其中采用模式识别、小波变换检测出管道泄漏后，调用的泄漏检测模块包括在调用基于波速的管道泄漏定位公式之前，首先判断管道输入流体温度是否与环境温度不同，判断是否为不等温输送，若是则调用管道水力热力模型方法计算管道沿程温度，据此对波速进行修正。

采用如附图1和附图2的流体输送管道泄漏检测装置和计算机程序，对管道长度约3000米，管径325mm，原油密度为0.9582×10³kg/m³，粘度50℃时为500m²/s，比热容C＝2.2焦耳/(克·开)，正常运行时管道首端温度维持60.5℃基本不变，管道末端温度实测为50℃，环境地温为18℃，总传热系数为4.88焦耳/(米²·秒·开)，正常流量为0.025m³/s的原油输送管道进行实验，检测装置在管道首端和末端同时进行管道运行状况数据的采集和传输。计算结果说明本发明的准确性和实用性。附图3为计算机以20次/秒的采样速率对管道压力进行采集得到泄漏引发瞬态负压波波形曲线。附图4为在管道输油时进行泵降速引起管道负压波。附图3和4的纵轴为压力单位为KPa，横轴为时间坐标单位S/20。附图3和附图4对比可以看出管道首端调泵和管道泄漏引起的负压波有不同特征。附图5和附图6为当泄漏发生时，管道首端测得流量为0.0335m³/s，管道末端测得流量为0.0215m³/s，实测泄漏时管道首端压力为250KPa，管道末压力为143KPa，并考虑比热容、密度、粘度随温度的变化得到水力热力综合模型对管道泄漏进行的计算结果曲线，其中附图5中纵轴为管道距离单位为m，横轴为温度单位为℃；附图6中横轴为温度单位为℃，纵轴为压头单位为m。可以看出，经过变换后的末端H’-t’曲线与首端H-t曲线在58.3℃处相交，在L-t曲线图中可以找到对应L为550米左右。从而可以看出考虑管道热力模型后泄漏定位精度较高，因为管道实际泄漏位置在距首端545米左右。

附图7为某腰轮流量计根据本发明流量误差校准原理拟合的校准曲线，其中横轴为流量大小单位为m³/h，纵轴为流量计量误差单位为百分比。以我国原油输送管道***中常用的腰轮流量计为例，在压力作用下流体流经转子与壳体以及转子之间缝隙造成的滑流量(Slippage)未经计量，滑流量一般与几个因素有关，流体的粘度、流量计前后压差、流量计本身结构，可以用下式表式：

式中，K-与流量计有关的参数，P-流量计前后压差，η-液体的粘度。流量计校准数据可选取流量计标定时得到的数据，例如根据部标JB2363-78规定，腰轮流量计的标定方法是标定至少三个点，即：流量范围的最大流量，最大流量的40％和最小流量。每点重复测量次数不少于三次。因此，在流量的误差测量中很容易在不增加工作量的情况下从检定室得到9组标定数据，令V为标准体积管体积，I为腰轮流量计示值，则流量计的误差可表示为

对于各测量点的三次测量值，取其均值以减小随机误差影响，即令 附图7对应的实验腰轮流量计为0.2级，校准时测值如下：最大流量为1000m³/h，此时测量三次腰轮量计示值为：5517，5516.9，5516.3.最大流量的40％时测量三次，腰轮流量计的示值为：5534.2，5533.4，5533.1.最小流量为200m³/h，此时测量三次腰轮流量计示值为：5526.4，6626.96，5526.46.标定过程中标准体积管的标准容积分别为：5526.4，5526.96，5526.46.可以求得如下序列(Q，E)为：(1000，-0.175％，)，(400，0.12％)，(200，0.138％)，用三次样条拟合可得到附图7。

图8为采用本发明中的神经网络方法对管道泄漏和未泄漏时采集的应力波动样本进行学习曲线，其横轴为学习次数，纵轴为学习误差取对数，说明采用管道泄漏和未泄漏时应力波时域和频域特征提取构成的神经网络输入矩阵进行学习能够收敛。

Claims (10)

1、一种用于流体输送管道泄漏检测定位的方法，其特征在于在管道、输送泵、管道环境安装的若干个传感器采集、存储、传输反映管道***运行状况的信号，以管道运行状况信号的时域频域特征为输入矩阵的神经网络模型进行分析、用模式识别对管道运行信号的波形识别分类并识别波形拐点、用小波变换抑制噪声影响并识别波形拐点来判断管道是否发生泄漏，根据由模式识别和小波变换判断的波形拐点和根据管道沿程温度分布修正后的波速对泄漏点定位，基于描述管道泄漏信号在其传播路径中的衰减特性的拟合函数对管道泄漏点进行定位，对管道输送泵况监测分析作为区分管道泄漏和调节工况的辅助手段，用流量与误差拟合曲线动态校准流量计量误差，基于管道水力热力综合方程建立适用于等温和不等温管道的模型以管道实测参数为边界条件对管道泄漏检测定位，根据现场管道特点设置不同算法模块的不同置信度来综合判断管道泄漏检测定位结果的置信度。

2、根据权利要求1所述的方法，其特征在于神经网络学习是通过提取由流体输送管道各种泄漏工况时、各种未泄漏工况时的管道运行状况信号特征来建立学习样本库指导，建立起管道运行状况信号的时域和频域特征流体输送管道工况的非线性映射网络，对流体输送管道工况进行分类，当神经网络检测管道泄漏发生漏报、误报将相应数据存入学习样本矩阵，转入神经网络自学习程序调整映射网络，提高其对流体输送管道泄漏检测的灵敏度和准确性。

3、根据权利要求1或2所述的方法，其特征在于对管道运行状况时域信号进行特征提取其提取指标从峰值、平均幅值、方差、均方根、方根幅值、峰值因子、脉冲因子、裕度因子、峭度、峭度因子中选择，对管道运行状况频域信号划分为若干区域，根据各区域内信号包络面积序列向量构造神经网络输入矩阵。

4、根据权利要求1所述的方法，其特征在于用模式识别对管道运行状况分类首先对采样信号进行结构特征抽取，根据管道正常调节和泄漏工况的管道运行信号波形的描述特征不同，区分管道调泵、调阀、泵切换等正常操作和管道发生泄漏的不同工况。

5、根据权利要求1或4所述的方法，其特征在于对管道运行信号波形特征抽取描述采用峰点、谷点、峰点序列、谷点序列、直线序列、统计直线序列、主导峰、从属峰、支配强度、从属度来定义波形要素，采用上下文无关文法对波形进行描述。

6、根据权利要求1所述的方法，其特征在于用小波变化抑制噪声影响采用多尺度小波变换对管道信号波动进行分析，以多尺度下的小波变换的平方和作为特征指标增强管道工况信号突变所占比重，根据变换极值点是否超过设定阈值判断管道是否发生泄漏，并检出变换极值对应的信号拐点的精确时刻。

7、根据权利要求1所述的方法，其特征在于根据由模式识别、小波变换确定的不同测量点处管道运行信号波动拐点间的时间差和波速对管道进行泄漏进行定位，对于不等温管道是根据不等温管道水力热力综合模型计算出的管道沿程的温度变化修正后的管道波速计算，消除波速随温度变化带来的定位误差。

8、根据权利要求1所述的方法，其特征在于基于模型对管道泄漏检测定位是通过建立管道沿程水力、热力模型计算管道流量、压力、温度、密度、热容、粘度在管道沿程分布与实测管道运行参数的差异，模型中包括克服摩擦阻力的功热转换对流体的加热、管道与环境的热交换、管内流体物性参数随温度的变化、输送流体物性参数变化对流动特性的影响相互之间的相互作用。

9、根据权利要求1或8所述的方法，其特征在于管道模型是根据流体与环境热量交换、流体热容和克服摩擦阻力功热转换建立管道热平衡方程采用下式

来计算，流体输送管道沿程水力方程考虑温度变化后流体特性变化导致摩阻发生变化，采用下式

通过由管道首末端边界计算出压头随温度变化曲线和温度沿管道分布，根据实测值调整管道压头-温度曲线位置后相互交点对应的相同温度点在距离-温度曲线上的值确定管道泄漏位置

10、一种用于权利要求1所述方法的流体输送管道泄漏检测定位装置，包括数据调理采集电路和计算机，其特征在于在管道、输送泵、管道环境安装若干个传感器，其中包含有检测管道输送泵电机的电流、电压和输送泵振动的传感器、检测管道运行环境的温度、噪声的传感器、检测管道管壁应力，管壁振动的传感器、测量管道压力、温度、流量、粘度的传感器，装置中包含有将采集数据压缩、纠错编码后传输的电路。

Images