CN206130547U - 一种多工况下的输气管道泄漏检测*** - Google Patents

Abstract

一种多工况下的输气管道泄漏检测***(简称本***)，本***包括：输入模块、输气管道、输气管道传输机理模型、神经网络补偿模型、管道***信号采集模块、修正输出处理模块及误差获取模块；本***的工作过程包括建立输气管道的简化数学模型、得出输气管道状态空间方程、处理输气管道状态空间方程中的流量信号、建立RBF神经网络以及测试与验证不同工况下检测模型的准确性。通过研究输气管道末端负载、管径、管道弯曲以及环境温度、气体波速、气体压缩系数、管道水力摩阻系数等的变化，并对不同工况下管道模型进行训练，检测多状态下***的适应性同时，获取适应管道正常工况变化的准确模型。

Description

一种多工况下的输气管道泄漏检测***

技术领域

本实用新型涉及一种多工况下的输气管道泄漏检测***，属于自动控制及泄漏检测技术以及气体管道泄漏检测领域。

背景技术

经过几十年的发展，国内外研究人员提出了多种管道泄漏检测及定位方法并应用于工程实际。基于硬件的方法利用携带或安装在管道上的各种不同机理的传感器来检测泄漏并进行定位，该方法是早期主要采用的泄漏检测与定位的方法。目前，以软件为主，软、硬件相结合的基于监视控制与数据采集的泄漏检测与定位技术受到广泛的关注，并逐渐成为管道泄漏检测技术的主流。

基于软件的检测方法是依靠管道内流量和压力的测量、质量和体积守恒、管道流动动力学模型等原理通过计算机编程来实现泄漏检测。基于软件的方法可分为基于信号处理的方法、基于知识的方法和基于管道数学模型的方法。基于信号处理的方法有负压波法、质量/体积平衡法、压力点分析法、声波检测法等；基于知识的方法有基于专家***的方法、基于模式识别的方法、基于神经网络的方法；基于数学模型的管道泄漏检测与定位方法可分为瞬态模型法、滤波器法、***辨识法等。

申请号为201210563120.3，标题为“一种管道气体泄漏检测装置”；申请号为200920293127.1，标题为“一种压力管道泄漏测试装置”；申请号为200620127803.4，标题为“一种地下管线泄漏检测装置”；申请号为200810104233.0，标题为“一种管道泄漏检测***”；申请号为201010002941.0，标题为“一种气体管道泄漏检测装置”；申请号201220078512.6，标题为“用于气体管道的漏点检测定位***”等，上述这些专利都是侧重于设计利用各类传感器和仪表检测泄漏的装置，属于基于硬件的管道泄漏检测技术。硬件检测技术具有检测准确、灵敏度高等优点，并且能够确定泄漏位置和泄漏量的大小，但是硬件检测技术具有明显的缺点，这是因为硬件检测需要在管线上布置大量的传感器等硬件设备，安装和维护成本非常巨大，并且对于埋地管线的检测硬件检测的复杂度将更大，目前一般不单独作为管道检测手段，通常配合软件使用。

申请号为201310169679.2，标题为“基于音波信号的输气管道泄漏检测装置与检测方法”的专利，提出采用音波传感器采集管道内流体动态压力信号，对音波信号进行特征提取并进行泄漏判断的方法。但音波传感器采集到的动态压力信号比较微弱，易受外界环境干扰，不宜远传。

申请号为201310523173.7，标题为“一种管道泄漏实验装置及实验方法”的专利，提出采用温度计、体积流量计和压力表等仪器，通过比较流体稳态泄漏速率计算值和测量值得到流体稳态泄漏速率修正模型，研究在不同工况下流体泄漏特征与规律，为管道维护和泄漏检测提供依据。

申请号为200610172271.0，标题为“基于人工神经网络的管道泄漏的检测方法”的专利，提出了采用神经网络进行泄漏检测，利用神经网络法较强的适应性和预测能力，但缺乏物理基础，对训练样本以外的数据，预测效果不佳，有时甚至与实际工业过程矛盾。

申请号为201010004704.8，标题为“输气管道泄漏检测定位装置及其检测定位方法”的专利，提出建立管内气体流动的瞬态数学模型并采用特征线法进行求解，利用模型中压力、流量计算值与压力、流量传感器实测值的误差来判断泄漏，由于机理模型在求解过程中需要进行一些简化和近似，因此必然会带来误差。

综上所述，以上涉及气体管道泄漏检测方法和技术大多是通过压力、流量、温度、音波等各类传感器检测信号并进行信号特征分析提取泄漏信息的装置和方法，各种泄漏检测方法各有优缺点，单一一种泄漏检测方法很难在各个性能指标上均达到良好的效果，如果将多种方法进行有机结合，取长补短，将可以提高泄漏检测与定位的性能。本申请基于神经网络的方法和基于管道数学模型的方法相结合，解决以下两个方面的问题：一方面，本申请仅采用高精度压力传感器采集压力信号，减少设备初期投资，节约成本；另一方面，将具有较好物理基础的模型法与具有较强的适应性和预测能力神经网络相结合，提高输气管道泄漏检测精度。

本申请致力于将“基于气体管道流动数学模型的方法”同“基于知识的检测方法”相结合，优势互补，研究输气管道在末端负载变化、管径发生变化、管道发生弯曲以及环境温度、气体波速、气体压缩系数、管道水力摩阻系数等参数变化的多种状态下检测模型的适应性，用于输气管道的监测及泄漏检测，提出一种输气管道建模及泄漏检测方法。

发明内容

本申请目的在于克服基于硬件的输气管道泄漏检测技术成本高、运行维护困难以及基于传统的输气管道传输机理模型适应性差、精度低的现状，提出一种多工况下的输气管道泄漏检测***。

本申请提出一种多工况下的输气管道泄漏检测***，(简称本***)，具体包括：输入模块、输气管道、输气管道传输机理模型、神经网络补偿模型、管道***信号采集模块、修正输出处理模块及误差获取模块；

其中，所述的输入模块包括实际***输入、输气管道传输机理模型输入及神经网络补偿模型输入；

其中，***输入、输气管道传输机理模型输入及神经网络补偿模型输入三者可以相同，也可以不同；实际***输入为管道的初始条件和边界条件以及输气管道的各个参数；

其中，所述的输气管道传输机理模型(后续简称“机理模型”)，其建立过程为：对气体在输气管道中传输的连续性方程和运动方程进行推导和简化，建立输气管道稳态和动态数学模型，并对输气管道非线性偏微分形式的数学模型进行求解，建立气体管道状态空间方程，并对模型中流量信号进行处理；

其中，所述的神经网络补偿模型(后续简称“神经网络”)，其建立过程为：由于RBF(Radial Basis Function，RBF)神经网络既有生物背景又可以以任意精度逼近非线性函数，并且只要中心点选择适当，只需要很少的神经元就可获得很好的逼近效果，还具有唯一最佳逼近点的优点，本申请选取RBF神经网络，确定网络拓扑结构、网络输入向量和目标向量，建立神经网络模型补偿；并且在负载改变时的不同工况下进行网络训练和测试，补偿输气管道传输机理模型因为多种状态变化所带来的误差；

其中，所述的管道***信号采集模块是指采用安装在管道沿线各节点上的高精度压力传感器，对沿输气管道传输方向上各个节点压力信号进行采集，即获取本***中压力信号实测值；

其中，所述的修正输出处理模块是指将输气管道传输机理模型的计算输出值与神经网络补偿模型的输出进行求和：其中，机理模型为主模型，神经网络为补偿模型，用于补偿输气管道传输机理模型存在的误差，主模型和补偿模型结合，建立输气管道的混合模型，可以更好地监测输气管道运行状态并判断泄漏的发生，从而有效提高检测精度；

其中，所述的误差获取模块计算输气管道各节点压力传感器实测值与机理模型计算输出值之间的误差，该误差作为神经网络训练的输出向量；误差获取模块还计算压力信号实测值与补偿后输气管道的混合模型输出值之间的误差，该误差平方和最小作为网络训练的目标值，该值接近于0或者越小越好；

一种多工况下的输气管道泄漏检测***各模块的连接关系如下：

输入模块与输气管道传输机理模型、神经网络补偿模型和管道***信号采集模块相连，修正输出处理模块与输气管道传输机理模型、神经网络补偿模型、管道信号采集模块和误差获取模块相连，误差获取模块与管道信号采集模块和修正输出处理模块相连。

本***的工作过程基于一种多工况下的输气管道泄漏检测***进行输气管道泄漏检测与补偿，具体步骤如下：

步骤一、考虑到安装流量计会破坏原流场而影响测试精度，还会造成压力损失，在搭建一种多工况下的输气管道泄漏检测***时，采用精度较高的压力传感器取代常规的管道泄漏检测***中的流量计，统一采集输气管道各个节点上的压力信号；

步骤二、将步骤一采集到的初始时刻输气管道各节点上的压力值作为初始条件，输气管道首末端压力传感器在各个时刻采集到的压力值作为边界条件，初始条件和边界条件以及管道的各个参数作为本***已知的输入条件；

步骤三、基于输气管道传输连续性方程、运动方程和状态方程建立输气管道传输机理模型，具体步骤如下：

步骤3.1推导和简化处理输气管道传输机理模型的连续性方程和运动方程，并结合气体状态方程，建立输气管道的动态偏微分方程形式的简化数学模型；

其中，所述的连续性方程为：

其中，所述的运动方程为：

其中，p——输气管道中气体压力，Pa；

q_m——输气管道质量流量，kg/s；

t——时间变量，s；

x——沿输气管道的长度变量，m；

A——输气管道横截面积，m²；

a——气体波速，m/s；

g——重力加速度，m/s²；

θ——输气管道轴线方向与水平面间夹角，rad；

λ——输气管道水力摩阻系数，无量纲；

D——输气管道内径，m；

步骤3.2对步骤3.1建立的简化数学模型进行求解，具体为：基于中心隐式差分法对输气管道动态方程进行差分化，得出输气管道状态空间方程；

其中，所述的输气管道状态空间方程为：

式中X(j)＝[p_1，j，...p_n，j，q_m1，j，...q_mn，j]^T，为常系数矩阵；与本***状态向量的函数；是与边界条件有关的项，此处假设已知的是首端边界条件X₀；

步骤3.3对步骤3.2得到的输气管道状态空间方程中流量信号采用气体流动公式计算法、两点压差法和近似模型法进行处理；

步骤四、建立神经网络补偿模型，并补偿因为近似和简化对机理模型带来的误差，具体步骤如下：

步骤4.1比较各种人工神经网络的优缺点并选择RBF神经网络来建立输气管道的神经网络补偿模型；

步骤4.2在步骤4.1基础上，建立输气管道的神经网络补偿模型，其具体结构：具体采用含输入层、隐含层和输出层的三层RBF神经网络，并确定神经网络补偿模型的输入向量为j时刻输气管道上n个节点的压力计算值：即步骤3.2中的p_1，j，…p_n，j，输出向量为j+1时刻输气管道上各节点上实际测量值与机理模型计算值之间的压力偏差，隐含层采用高斯核函数作为径向基函数；

步骤4.3为了使神经网络补偿模型的训练和学习更加容易，对步骤4.2中确定的神经网络补偿模型的输入向量和输出向量进行数据归一化处理，将其变换到[-1，1]或[0，1]的范围内，以此来减轻RBF神经网络训练时的难度，并且避免因为输入输出数据数量级差别较大而造成网络预测误差较大；

步骤4.4在步骤4.2和4.3基础上，进一步对RBF神经网络进行设计，具体体现在：在输气管道的末端用气量发生变化的多种不同工况下对RBF神经网络进行训练和测试；

具体的，采用MATLAB开发环境编写.m文件程序，对本发明一种多工况下的输气管道泄漏检测***进行具体实现及实验验证，验证在不同工况下此检测***的准确性，并对异常情况的压力数据进行测试，分析输气管道中存在泄漏时的判断依据。

经过上述四个步骤即完成了本***的工作过程。

有益效果

本实用新型提出的一种多工况下的输气管道泄漏检测***，具有如下有益效果：

1.本实用新型的一种多工况下的输气管道泄漏检测***，仅采用压力信号建立适应多状态变化的输气管道泄漏检测***，故仅需安装高精度的压力传感器采集压力信号即可，进一步节约了初期投资和运营维护成本；

2.本实用新型的多工况下的输气管道泄漏检测***，通过对输气管道连续性方程和运动方程进行理论分析，得到一对非线性偏微分方程，采用中心隐式差分法对该简化模型进行数值求解，建立了气体管道无泄漏态空间方程，基于此方程可计算出管道沿线上各节点所有时刻的压力，为泄漏检测提供了参考依据，能够及时发现并准确定位泄漏位置、估计泄漏量并报警，从而更加有效地监测输气管道运行状况；

3.本实用新型的一种多工况下的输气管道泄漏检测***，通过确定管道在无泄漏时的网络拓扑结构，以及网络输入向量和目标向量，采用神经网络补偿管道机理模型中多种状态的变化，并在末端负载发生变化的多种工况下对网络进行训练和测试，建立了气体管道RBF神经网络补偿模型，可有效补偿机理模型存在的误差；

4.本实用新型所提的本***的工作过程，在输气管道中采用机理模型和神经网络相结合，并采用MATLAB环境建立混合模型进行具体实现和理论仿真，验证了本发明所提出的***可适应管道多种状态和负载的变化，具有较高的精度，可准确监测输气管道的运行状态，且当管道发生泄漏时能迅速判断，从而实现高效的输气管道泄漏定位与检测。

附图说明

图1是本实用新型一种多工况下的输气管道泄漏检测***的组成示意图；

图2是本实用新型一种多工况下的输气管道泄漏检测***的实施例中的输气管道RBF神经网络结构图；

图3是本实用新型一种多工况下的输气管道泄漏检测***实施例中实验管道压力采样点和模拟泄漏所在位置示意图；

图4是本实用新型一种多工况下的输气管道泄漏检测***实施例中的工况2各个节点测试RBF神经网络时混合模型输出值、机理模型计算值和实测值之间对比的结果图。

具体实施方式

下面结合附图和实施例对本实用新型做进一步说明和详细描述：

图1是本实用新型一种多工况下的输气管道泄漏检测***的组成示意图；图2是本发明提出的输气管道无泄漏时RBF神经网络补偿模型结构图，由图2可见，该RBF神经网络采用三层网络结构，分别是输入层、隐含层和输出层，其中网络模型输入向量为j时刻管道上n个节点的压力计算值，输出向量为j+1时刻管道上各节点上实际测量值与机理模型计算值之间的压力偏差，隐含层采用高斯核函数作为径向基函数。

本实用新型提出的一种多工况下的输气管道泄漏检测***中，机理模型是通过气体在输气管道中传输的连续性方程和运动方程建立起来的，是主模型，起主要的作用；RBF神经网络作为误差估计模型，对温度、管径、管道弯曲、管道与水平方向的夹角、水力摩阻系数、气体压缩系数等多种状态参数的动态变化给机理模型带来的误差进行补偿，为提高混合模型精度起微调的作用，并对不同工况下管道模型进行训练，获取可以适应管道正常工况变化的准确模型。

实施例

本实施例的一种多工况下的输气管道泄漏检测***中的输气管道为内径10mm、长度75m的钢管，其中气源为空气压缩机，可以产生压力范围为0～0.7Mpa(表压)的压缩气体，输气管道上多处安装高精度压力传感器采集压力信号，并且沿管道不同位置模拟了内径大小不同的泄漏孔，输气管道末端通过安装节流阀调节流量模拟不同工况，节流阀后接消音器通向大气。本实施例的一种多工况下的输气管道泄漏检测***共模拟了五种工况，末端流量为343.3、347.5、355.1、368.4、372.3，单位是g/min(克/分钟)，分别为工况1、工况2、工况3、工况4和工况5。建立RBF神经网络时，采用工况1、3、5的数据作为训练算法中的数据用于训练RBF神经网络，采用工况2和工况4测试网络状态。具体的压力采集位置和模拟泄漏所在位置如图3所示。

工况2测试RBF神经网络混合模型输出值(修正值)、机理模型输出值(计算值)和压力传感器实测压力数据(实测值)之间在各个压力采样点上的对比结果如图4所示。第1个节点是首端边界条件，图4中显示第2个节点到第7个节点压力数据。

从图4可以看出除了在输气管道第2点上个别采样点混合模型误差比机理模型误差稍大一点外，其它各个点上所有采样点上混合模型误差都要小于机理模型误差，说明建立的补偿模型起到了很好的调节作用。管道上各个压力采样点上(首端除外)机理模型误差(Error of Mechanism model，简称EM)和混合模型误差(Error of Hybrid model，简称EH)最大值和最小值以及相应的采样点(时刻)的位置(i)如表所示，单位均为Pa。从表1中可以看出，机理模型压力计算值在节点3，4，5，6上与实际测量值之间存在着一定的误差，而混合模型压力预测值与实测值之间的误差很小，甚至小于压力传感器测量误差(实验***中压力传感器最大测量误差在1220Pa左右)，预测精度很高。

表1 工况2机理模型和混合模型误差对比

以上所述的实施例为本实用新型一种多工况下的输气管道泄漏检测***的较佳实施例而已，本实用新型不应该局限于该实施例和附图所公开的内容。凡是不脱离本实用新型所公开的精神下完成的等效或修改，都落入本实用新型保护的范围。

Claims (1)

1.一种多工况下的输气管道泄漏检测***，其特征在于：包括：输入模块、输气管道、输气管道传输机理模型、神经网络补偿模型、管道***信号采集模块、修正输出处理模块及误差获取模块；

其中，输入模块包括实际***输入、输气管道传输机理模型输入及神经网络补偿模型输入；实际***输入为管道的初始条件和边界条件以及输气管道的各个参数；

所述的管道***信号采集模块是指采用安装在管道沿线各节点上的高精度压力传感器，对沿输气管道传输方向上各个节点压力信号进行采集；

所述的修正输出处理模块是指将输气管道传输机理模型的计算输出值与神经网络补偿模型的输出进行求和：

其中，输气管道传输机理模型为主模型，神经网络补偿模型为补偿模型，主模型和补偿模型结合，建立输气管道的混合模型；

其中，所述的误差获取模块计算输气管道各节点压力传感器实测值与输气管道传输机理模型计算输出值之间的误差，该误差作为神经网络补偿模型的输出向量；

各模块的连接关系如下：

输入模块与输气管道传输机理模型、神经网络补偿模型和管道***信号采集模块相连，修正输出处理模块与输气管道传输机理模型、神经网络补偿模型、管道信号采集模块和误差获取模块相连，误差获取模块与管道信号采集模块和修正输出处理模块相连。