郝永梅徐明李秀中毛小虎嚴欣明岳云飛

（1．常州大學環(huán)境與安全工程學院　江蘇常州213164；2．江蘇省特種設備安全監(jiān)督檢驗研究院常州分院　江蘇常州213016）

?

基于廣義概念的城市燃氣管道泄漏精確定位*

郝永梅1徐明1李秀中2毛小虎2嚴欣明2岳云飛2

（1．常州大學環(huán)境與安全工程學院江蘇常州213164；
2．江蘇省特種設備安全監(jiān)督檢驗研究院常州分院江蘇常州213016）

摘要為了準確地檢測城市燃氣管道泄漏，提出了一種基于廣義概念的管道泄漏檢測定位方法。聲發(fā)射技術對于管道泄漏的檢測、定位是一個極好的工具，但由于泄漏源的傳播容易受到周圍背景噪聲以及復雜工況的影響，其定位誤差較大。基于時延估計的互相關信號處理方法被廣泛用于管道泄漏檢測定位，但由于泄漏應力波傳播通道的動態(tài)特性，使得源信號在傳播過程中會產生波形變化，給互相關函數(shù)峰值位置的確定帶來困難。由此引入廣義相關分析方法，通過對信號進行前置濾波，在一定程度上減少了傳播通道動態(tài)特性因素對泄漏點定位的不利影響，得到了更為準確的時延估值。在此基礎上，通過模擬實驗，編寫Matlab神經網絡代碼，構造GRNN模型，進一步預測定位。結果表明，GRNN預測的聲發(fā)射檢測值、互相關定位值以及廣義相關定位值，相比之前定位精度分別得到提高，其中基于廣義相關的延時估計方法定位最為精確，將該方法用于工程實際中，可以更加精確地定位出泄漏點。

關鍵詞管道泄漏互相關分析廣義相關分析廣義回歸神經網絡

The Precise Location of City Gas Pipeline Leak Based on the Generalized Concept

HAO Yongmei1XU Ming1LI Xiuzhong2MAO Xiaohu2YAN Xinming2YUE Yunfei2
（1．School of Environmental and Safety Engineering，Changzhou University Changzhou，Jiangsu 213164）

Abstract In order to accurately detect leakage of city gas pipeline，a method is proposed based on broad concept of leak detection and location of pipeline．Acoustic emission technique is an excellent tool for the pipeline leak detection and loca-tion，but because the spread of the leak source is susceptible to the surrounding background noise and the impact of complex conditions，its positioning error is greater．The methods based on delay estimation cross－correlation signal processing are widely used in pipeline leak detection and location，but due to the dynamic characteristics of leakage stress wave propagation path，the source signal in the communication process will produce changes in waveform and the peak position to cross－cor-relation function determination difficult．Thus the generalized correlation analysis is introduced．To a certain extent，the ad-verse effects of the dynamic characteristics of the propagation path of the leak location factors are reduced by pre－filtering the signal and a more accurate estimate of the delay is achieved．On this basis，through simulation experiments，the matlab neural network code is compiled and GRNN model is constructed to further predict location．The results show that，GRNN predicted value of acoustic emission detection，cross－correlation values and generalized targeting positioning value are im-proved，compared to the previous positioning accuracy，among which the delay estimation based on generalized method of lo-cating is most accurate，if the method is used in engineering in practice，it will more accurately locate the leak．

Key Words pipeline leakage correlation analysis generalized correlation analysis generalized regression neural network

0　引言

城市燃氣管道在為人們的生產、生活提供了極大便利的同時，也帶了很大的安全隱患。由于腐蝕、焊縫缺陷、振動及沖刷等原因引起的管道泄漏和法蘭、螺紋口及填料函等連接部位的泄漏變得日益嚴重。管道泄漏一直是管道運輸中的一個難題，它不僅給社會和企業(yè)帶來經濟損失，資源浪費，而且造成環(huán)境污染，影響人們的正常生活。因此，研究靈敏、可靠的管道泄漏檢測方法，方便快速地查找到泄漏源，有利于泄漏事故的及時搶修，減少泄漏帶來的損失，因而具有重要的經濟價值和社會意義［1－2］。傳統(tǒng)的管道巡檢方式發(fā)現(xiàn)泄漏采用人的視覺和聽覺相結合的辦法，這種方法易受人的生理因素的制約和勞動經驗的影響，且對巡檢人員的工作技能要求較高，加上外界其他各種因素的干攏，人工巡檢的效果并不十分理想，特別是對細微的管道泄漏，是人力所不能及的。所以，有必要研究高效的管道泄漏檢測儀器和檢測方法，來取代人為判斷，使對管道泄漏的檢測更加精確和快速。利用計算機強大的數(shù)字信號處理能力，可開發(fā)出較硬件更加靈活方便、多通道、分布式的泄漏檢測模塊，使泄漏檢測與神經網絡等信號處理技術相結合，可實現(xiàn)對復雜管道系統(tǒng)的實時監(jiān)測。本文采用軟、硬件相結合的方法，在將聲發(fā)射技術應用于管道泄漏檢測獲得數(shù)據(jù)的基礎上，首先采用相關分析軟件處理方法進行定位，鑒于泄漏聲波傳播通道的動態(tài)特性給相關分析帶來的不利影響，進一步提出應用廣義相關分析理論的泄漏定位方法以得到較為準確的時延估計，最后通過Matlab軟件編寫代碼，構造廣義回歸神經網絡（Generalized Regression Neural Network，GRNN）模型，把聲發(fā)射檢測值、互相關定位值以及廣義相關定位值代入模型進行預測逼近，得出誤差最小的泄漏點定位值，選取最精確的方法運用于工程實際中。

1基于廣義聲發(fā)射信號的管道泄漏檢測原理

壓力管道泄漏所產生的聲發(fā)射信號是廣義的聲發(fā)射信號，管壁本身不釋放能量，只是作為一種傳播介質。泄漏過程中，在泄漏點處由于管內外壓差，使管道中的燃氣在泄漏處形成多相湍射流，這一射流不但使流體的正常流動發(fā)生紊亂，而且與管道及周圍介質相互作用向外輻射能量，在管壁上產生高頻應力波。這種應力波通過漏孔管道的管壁傳播，如果將超聲傳感器置于管道的外壁上，接收這種具有聲能的應力波，并將這種聲音轉換成電信號，再通過A／D轉換成數(shù)字信號在計算機終端上顯示出來，就可以實現(xiàn)泄漏的檢測與定位［3］。定位原理如圖1所示。如在管道上游A點和下游B點兩傳感器之間有1個聲發(fā)射源產生聲發(fā)射信號，到達A傳感器的時間為T1，到達B傳感器的時間為T2，該信號到達兩個傳感器之間的時差為：Δt＝T2－T1，如以D表示兩個探頭之間的距離，以v表示聲波在試樣中的傳播速度，則聲發(fā)射源距A傳感器的距離d可由下式得出［4］：

圖1聲發(fā)射源時差定位原理

由于環(huán)境等因素影響，實測的泄漏信號會受到噪聲的干擾，尤其是城市燃氣管道，其相對于長輸管道，壓力比較低（中低壓管道居多），管徑較小，管網節(jié)點多，位于城市交通干道旁或居民區(qū)內，周圍環(huán)境較為復雜，在能被地面檢測到泄漏前大多呈小泄漏狀態(tài)，如果直接用和去確定，會產生較大的誤差。為克服噪聲的影響，提高定位精度，通常要對信號進行處理，以確定的準確性。

2基于廣義相關分析的管道泄漏定位

2．1基于互相關分析的泄漏定位

管道泄漏定位屬于時延估計問題，在管道泄漏檢測與定位系統(tǒng)中，廣泛采用相關分析方法進行時間差的估計。管道泄漏源信號從泄漏點向管道上下游傳播，信號和分別為上下游傳感器A和傳感器B接收到的信號，則可得［5］

式中，h1（t）和h2（t）分別為泄漏源到上下游傳感器之間管段的脈沖響應函數(shù)，?表示卷積，n1（t）和n2（t）分別為噪聲信號，這里假定其與泄漏源信號s（t）不相關。實際應用中，可采用快速傅里葉變換大大降低總計算量，計算出信號x1（t）和x2（t）的互功率譜Gx1，x2（ω），再通過對Gx1，x2（ω）進行傅里葉快速變換得到其互相關函數(shù)［6］。

由互相關傅里葉變換計算流程得

式中，τ為互相關函數(shù)Rx1，x2的峰值所對應的上下游傳感器接收到信號的時間差的估計值為沖激函數(shù)，的傅里葉逆變換。

2．2廣義相關分析的管道泄漏定位

廣義相關分析是在相關分析基礎上發(fā)展而來的，通過對信號前置濾波得到更好的估計結果［7］，可以有效減少緩慢泄漏、管道動態(tài)特性等因素引起的泄漏信號不規(guī)則對定位的影響。廣義相關分析法的計算流程如圖2所示。

圖2廣義相關分析法的計算流程

式中，Gx1，x2（ω）為信號x1（t）和x2（t）的互相關功率譜。由此可得，其互相關函數(shù)為［9］

3廣義回歸神經網絡的燃氣管道泄漏定位預測

3．1廣義回歸神經網絡結構

GRNN具有很強的非線性映射能力和柔性網絡結構，以及高度的容錯性和魯棒性，適用于解決非線性問題。其算法中使用徑向基函數(shù)運算，具有較好的泛化能力、逼近能力及快速學習特點，而且能逼近任意類型的函數(shù)，仿真精度高，即使在樣本數(shù)據(jù)較少時預測效果也較好，具有良好的實用性［10－11］?；诖?，采用GRNN建立燃氣管道泄漏定位預測模型，對城市燃氣管道泄漏進行精確定位。

如圖3所示，GRNN由4層構成，分別為輸入層、模式層、求和層和輸出層。對應網絡輸入X＝［x1，x2，…，xn］T，其輸出層為Y＝［y1，y2，…，yk］T

3．2城市燃氣管道泄漏GRNN定位模型

選擇一組最能反映期望輸出變化原因的輸入變量直接關系到神經網絡預測的性能。根據(jù)1節(jié)可知，管道的泄漏位置主要與時差Δt和聲波速度有關，聲波傳播速度v與管道壓力P、傳感器間距D、管道內徑R、管道內介質流量Q等有關。因此，以進出口壓力P、傳感器間距D、管徑R、進出口流量Q和進出口溫度T等8個數(shù)據(jù)指標作為網絡輸入變量，分別以聲發(fā)射檢測定位值、互相關計算值和廣義互相關定位值為神經網絡的輸出變量構建GRNN，如圖3所示。

圖3基于GRNN管道泄漏預測模型

表1模擬實驗數(shù)據(jù)樣本（輸入樣本）

表2樣本數(shù)據(jù)（目標樣本）

實驗室模擬燃氣管道泄漏定位進行試驗，泄漏點位于2 600 mm處，選取壓力分別為0．15，0．2，0．3 MPa做3組模擬試驗，每組取樣3次，共9組數(shù)據(jù)，其中1～7組作為訓練樣本，8～9組作為目標樣本，見表1和表2。

在獲得輸入和輸出變量后，對其進行歸一化處理，將數(shù)據(jù)處理為區(qū)間［0，1］之間的數(shù)據(jù)，歸一化處理的公式如下［12］：

對數(shù)據(jù)歸一化處理后進行樣本訓練。經歸一化處理后，確定適合的光滑因子。對于廣義回歸神經網絡，光滑因子的大小對網絡的最終逼近精度有著比較大的影響。理論上講，SPREAD越小，對函數(shù)的逼近越精確，但是逼近的過程越不平滑；SPREAD越大，逼近過程就比較平滑，但是逼近誤差會比較大［13－14］。因此，需要不斷調整SPREAD來確定最佳值，從而減少模型的誤差?？疾旃饣蜃拥娜≈捣秶鸀?．1～0．5。訓練網絡的逼近誤差和預測誤差分別見圖4和圖5。

圖4網絡的逼近誤差

圖5網絡的預測誤差

3．3實驗分析

在此試驗中，通過訓練，由圖4和圖5可見，當光滑因子為0．1，無論是逼近性能還是預測性能，誤差都比較小。隨著光滑因子的增加，誤差也在不斷增加。

從誤差的角度考慮，光滑因子取0．1，此時網絡的輸出為

經過反歸一化處理后，得到的結果為

經過對其中兩組數(shù)據(jù)處理分析可知，聲發(fā)射檢測值、互相關定位值以及廣義互相關定位值都在一定程度上提高了定位的精確度。然后分別采取上述方法，變換不同的訓練樣本和目標樣本進行預測，得到數(shù)據(jù)結果見表3。以上3個輸出變量的預測值平均值為2 387，2 495和2 652。可以看出，經過GRNN處理的值，相比之前得到很大程度的提升，更加接近泄漏點的真實值。由圖6和圖7可以進一步看出，廣義互相關定位值更加接近泄漏點的真實值。mm

圖6真實值和定位值對比

圖7 GRNN預測值和真實值對比

表3 GRNN處理過的數(shù)據(jù)

4城市燃氣管道現(xiàn)場泄漏定位應用分析

4．1現(xiàn)場應用分析

對某市位于人民路的一段燃氣管道進行泄漏檢測。管長約為80 m，屬于中壓B級管線，管道壓力約為150 kPa，管道外徑為426 mm。測量時間為用氣低谷時段，流量約1 200 m3／h。平均埋地深度為1．0 m，測得管道燃氣流速為2．651 km／s。管道上是硬化人行地面，南側是一條交通主干道及公交站臺，人員來往密集區(qū)，北側6 m處是商鋪、小區(qū)，不具備開挖檢測條件。

采用管道泄漏聲發(fā)射檢測系統(tǒng)進行參數(shù)采集。在管道的兩端布置傳感器A和B，傳感器間距為70 m。準備完畢后，對管道進行3次數(shù)據(jù)采集，得到的聲發(fā)射檢測值見表4，在獲取管道參數(shù)的基礎上采用1．2節(jié)介紹的廣義互相關定位方法計算泄漏位置，計算結果見表4。

在獲取以上參數(shù)后，用公式進行歸一化處理，公式采取2．2節(jié)介紹的方法，構建GRNN模型，取光滑因子為0．1時，網絡的逼近誤差和預測誤差最小，此時得到網絡的輸出并進行反歸一化處理，得到的值見表4。

表4某市人民東路燃氣管道定位結果m

4．2泄漏位置驗證

2014年5月，燃氣公司在管道上沿線每隔1 m去土進行泄漏位置驗證，用Gasurveyor 500型可燃氣體檢測報警儀檢測，當檢測儀放在距離1號傳感器38 m的孔內時，檢測值迅速上升并伴隨有報警聲，技術人員判斷此處管道確有泄漏存在。結果表明，經過GRNN預測處理的定位值，更加接近泄漏點的真實值，相比于聲發(fā)射檢測互相關定位值，廣義相關定位值更加準確，值得推廣應用。

5　結論

（1）對于城市燃氣管道泄漏檢測定位，基于時延估計的互相關信號處理方法和廣義相關分析法，都能在一定程度上降低定位誤差，但廣義相關分析法通過對信號前置濾波有效地減少了動態(tài)特性帶來的干擾，能將定位誤差控制在更小的范圍內，且更易于實現(xiàn)。

（2）應用廣義回歸神經網絡強大的容錯和函數(shù)逼近能力，將城市燃氣管道泄漏定位分析轉化為函數(shù)逼近問題，進行定位分析預測，且運算速度快，達到了進一步提高聲波信號泄漏檢測精度定位的預期。

（3）此方法對埋地多節(jié)點的泄漏檢測應用受限，同時燃氣管道基本上采用PV和PE管道，使其在應用面上受到限制。

參考文獻

［1］李佩銘，趙春陽，劉翔，等．基于硬件的燃氣管道泄漏檢測技術發(fā)展趨勢［J］．煤氣與熱力，2012，32（9）：31－34．

［2］周廷鶴．城市燃氣管道的完整性管理［D］．重慶：重慶大學，2009．

［3］沈功田，耿榮生，劉時風，等．聲發(fā)射源定位技術［J］．無損檢測，2002，24（3）：114－117．

［4］楊明緯．聲發(fā)射檢測［M］．北京：機械工業(yè)出版社，2005．

［5］Martins N E，Jesus S M．Blind estimation of the ocean acoustic channel by time－frequency processing［J］．IEEE Journal of O-ceanic Engineering，2006，31（3）：646－656．

［6］李煒，陳希平，毛海杰，等．天然氣管道泄漏點的定位檢測方法研究［J］．甘肅工業(yè)大學學報，2003，29（4）：84－87．

［7］任偉建，孫勤江，林百松，等．基于自適應免疫算法的輸油管道泄漏定位研究［J］．信息與控制，2007，36（5）：634－638．

［8］Knapp C H，Carter G C．The generalized correlation method for estimation of time delay［J］．IEEE Trans Asoustic，Speech，Signal Processing，1976，24：320－327．

［9］趙靜榮．聲發(fā)射信號處理系統(tǒng)與源識別方法的研究［D］．長春：吉林大學，2010．

［10］Zhao Y，X Zhuang，M Shao．A new method of leak location for the natural gas pipeline based on wavelet analysis［J］．En-ergy，2010，35：3814－3820．

［11］溫愛華，李松．基于廣義回歸神經網絡的鐵路貨運量預測［J］．鐵道運輸與經濟，2011，33（2）：88－91．

［12］毛小虎，郝永梅，嚴欣明，等．基于離散小波分析的城市燃氣管道泄漏檢測定位［J］．化工設備與管道，2014，51 （3）：56－60．

［13］Gemma Piella，Henk J A M Heijmans．Adaptive lifting schemes with perfect reconstruction［J］．IEEE Trans On signal processing，2002，50（7）：1620－1630．

［14］劉秀清，宇仁德，范東凱．基于廣義回歸神經網絡的交通事故預測［J］．山東理工大學學報（自然科學版），2007，21 （2）：28－31．

研究與探討

收稿日期：（2015－03－30）

通訊作者徐明，碩士研究生，研究方向：油氣儲運安全。

作者簡介郝永梅，女，1970年生，副教授，碩士學位，主要研究方向：消防工程及油氣儲運風險分析。

*基金項目：江蘇省科技項目（BE2014625），常州市科技項目（CE20145054），2013年國家安監(jiān)總局安全生產重大事故防治關鍵技術科技項目（安監(jiān)總廳科技（2013）140號）。