岳軍紅，王 濤.2，任英橋，郭 明

（1.陜西鐵路工程職業(yè)技術(shù)學(xué)院 陜西 渭南714000；2.長(zhǎng)安大學(xué) 地質(zhì)工程與測(cè)繪學(xué)院，陜西 西安710054；3.北京建筑大學(xué) 北京100044）

基于神經(jīng)網(wǎng)絡(luò)算法的油田油氣管道泄漏檢測(cè)

岳軍紅1，王 濤1.2，任英橋1，郭 明3

（1.陜西鐵路工程職業(yè)技術(shù)學(xué)院 陜西 渭南714000；2.長(zhǎng)安大學(xué) 地質(zhì)工程與測(cè)繪學(xué)院，陜西 西安710054；3.北京建筑大學(xué) 北京100044）

長(zhǎng)慶油田油氣輸送管道發(fā)展迅速，油氣管道里程也越來(lái)越長(zhǎng)。部分油氣管道年代較長(zhǎng)，管道腐蝕情況較嚴(yán)重，發(fā)生油氣管道泄漏的危險(xiǎn)系數(shù)很高。而油氣管道一旦發(fā)生泄漏，將造成嚴(yán)重的事故，危害巨大。神經(jīng)網(wǎng)絡(luò)算法是目前最有效的分類識(shí)算法之一。采集長(zhǎng)慶油田油氣管道的正常壓力波信號(hào)和管道泄漏時(shí)的壓力波信號(hào)，并對(duì)信號(hào)進(jìn)行預(yù)處理，分別對(duì)正常的壓力波信號(hào)和泄漏時(shí)壓力波信號(hào)進(jìn)行小波變換分析，引入神經(jīng)網(wǎng)絡(luò)算法分析結(jié)果顯示，此算法對(duì)長(zhǎng)慶油田原油、天然氣的傳輸管道泄漏問(wèn)題，均具有有效的檢測(cè)能力。當(dāng)油氣管道內(nèi)的壓力差變化達(dá)到5%以上時(shí)，油氣管道泄漏的檢測(cè)、預(yù)報(bào)精度接近100%。當(dāng)油氣管道內(nèi)的壓力差變化低于5%，需要根據(jù)實(shí)際情況分析，檢測(cè)精度跟實(shí)驗(yàn)數(shù)據(jù)的樣本數(shù)量密切相關(guān)。

管道泄漏；神經(jīng)網(wǎng)絡(luò)算法；泄漏診斷；壓力

油氣管道運(yùn)輸，是最可靠、最有效的方式油氣傳

輸方式。管道可穿過(guò)各種復(fù)雜地形，可以大幅降低地域特點(diǎn)對(duì)油氣運(yùn)輸?shù)挠绊懀哂械统杀?、高效率、污染小的特點(diǎn)。目前，長(zhǎng)慶油田的油氣傳輸大部分實(shí)現(xiàn)了油氣管道傳輸，油田的油氣管道的建設(shè)規(guī)模也越來(lái)越大[1-2]。

但是油氣管道在投入運(yùn)營(yíng)后，油氣管道自身受到環(huán)境的影響越來(lái)越大，隨著服役時(shí)間的增長(zhǎng)，環(huán)境中的水、氧氣、土壤中各種礦物成分等，將會(huì)侵蝕油氣管道，導(dǎo)致油氣管道出現(xiàn)泄漏問(wèn)題[3]。長(zhǎng)慶油田始建于70年代，部分油氣管道服役年限很長(zhǎng)，管道腐蝕情況嚴(yán)重，而且缺乏有效的在線監(jiān)測(cè)，管道發(fā)生泄漏的可能性很大。而油氣管道發(fā)生泄漏后，將造成嚴(yán)重的環(huán)境污染，如果油氣管道泄漏不能及時(shí)發(fā)現(xiàn)和處理，將可能導(dǎo)致管道爆炸等惡性事故[4-6]。因此，對(duì)長(zhǎng)慶油田的油氣管道的泄漏檢測(cè)，是目前亟待解決的問(wèn)題，同時(shí)也具有重要的社會(huì)效益和經(jīng)濟(jì)效益。

油氣管道在輸送石油、天然氣時(shí)，油氣管道內(nèi)有著一定的壓力。而當(dāng)油氣管道發(fā)生泄漏時(shí)，油氣管道的內(nèi)的壓力將會(huì)迅速改變，而石油、天然氣將泄漏出來(lái)，造成嚴(yán)重的環(huán)境危害。因此，可以采集油氣管道的壓力波信號(hào)，對(duì)油氣管道的泄漏問(wèn)題進(jìn)行分析[7-10]。

小波分析，是一種強(qiáng)大的波形信號(hào)時(shí)頻分析方法，可以有效提取出信號(hào)中的時(shí)頻信息，通過(guò)小波分解變換，可以得到不同尺度下的小波系數(shù)，這些小波系數(shù)分別代表波形信號(hào)在不同頻域下的特征[11-14]。因此，利用小波分析對(duì)油氣管道的壓力波信號(hào)進(jìn)行分析，提取出不同油氣管道運(yùn)行狀態(tài)下的壓力波信號(hào)特征。神經(jīng)網(wǎng)絡(luò)算法，是目前最有效的分類識(shí)算法之一，引入神經(jīng)網(wǎng)絡(luò)算法，對(duì)壓力波信號(hào)的小波系數(shù)特征進(jìn)行分類識(shí)別，以檢測(cè)油氣管道是否發(fā)生泄漏問(wèn)題[15]。

1 管道泄漏診斷算法

1.1 BP神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是一種常用的機(jī)器學(xué)習(xí)算法，模仿人腦的思維模式，利用大量基本元件構(gòu)建成復(fù)雜網(wǎng)絡(luò)，實(shí)現(xiàn)信息的提取、分析、分類、識(shí)別等，常用系統(tǒng)辨識(shí)、分類、檢測(cè)和故障診斷領(lǐng)域。

BP神經(jīng)網(wǎng)絡(luò)是一種常見的前饋型神經(jīng)網(wǎng)絡(luò)，通常包括三層結(jié)構(gòu)，即為輸入層、隱含層、輸出層等。整個(gè)網(wǎng)絡(luò)由多個(gè)節(jié)點(diǎn)構(gòu)成，每個(gè)節(jié)點(diǎn)可以被認(rèn)為是一個(gè)神經(jīng)元[5]。圖1所示為一個(gè)三層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。

圖1 三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

假定輸入層節(jié)點(diǎn)數(shù)為n，隱含層節(jié)點(diǎn)數(shù)為q，輸出層節(jié)點(diǎn)數(shù)為m，神經(jīng)網(wǎng)絡(luò)的輸入為X=（x1，x2，…，xn）T，輸出為Y=（y1，y2，…，ym）T。vik表示輸入層節(jié)點(diǎn)xi到隱含層節(jié)點(diǎn)zk的權(quán)值系數(shù)，wkj表示隱含層節(jié)點(diǎn)zk到輸出層節(jié)點(diǎn)yj的權(quán)值系數(shù)，Qk表示隱含層節(jié)點(diǎn)zk的閾值，γj表示輸出層節(jié)點(diǎn)yj的閾值?？芍猧=（1，2，…，n），k=（1，2，…，q），j=（1，2，…，m）。 則

隱含層第k個(gè)節(jié)點(diǎn)zk的輸入為：

隱含層第k個(gè)節(jié)點(diǎn)zk的輸出為：

輸出層第j個(gè)節(jié)點(diǎn)yj的輸入為：

輸出層第j個(gè)節(jié)點(diǎn)yj的輸出為：

假定輸出層第j個(gè)節(jié)點(diǎn)yj的預(yù)期輸出為，則整個(gè)神經(jīng)網(wǎng)絡(luò)的誤差為

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程，即通過(guò)誤差反向傳遞方法，調(diào)整輸入層到隱含層的權(quán)值vik和隱含層到輸出層的權(quán)值wkj，以及隱含層的閾值Qk和輸出層的閾值yj。通過(guò)對(duì)這些變量的不斷調(diào)整，使得神經(jīng)網(wǎng)絡(luò)的誤差E小于一定的水平，則神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成。當(dāng)利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試時(shí)，給定輸入變量向量，則可以得到輸出的結(jié)果，根據(jù)該結(jié)果，實(shí)現(xiàn)對(duì)輸出變量狀態(tài)的異常監(jiān)測(cè)和故障診斷。

1.2 故障診斷算法流程

神經(jīng)網(wǎng)絡(luò)方法可以很好地捕捉到輸入變量中的變化，將信號(hào)小波變換后的小波系數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，采集到油氣管道泄漏檢測(cè)時(shí)壓力信號(hào)和正常無(wú)泄漏時(shí)壓力信號(hào)，訓(xùn)練神經(jīng)網(wǎng)絡(luò)參數(shù)，用于油氣管道的泄漏檢測(cè)。圖2所示為該基于小波神經(jīng)網(wǎng)絡(luò)的算法流程。

圖2 基于小波神經(jīng)網(wǎng)絡(luò)的故障診斷算法

2 基于小波神經(jīng)網(wǎng)絡(luò)的管道泄漏診斷實(shí)例分析

采集長(zhǎng)慶油田油氣管道的正常壓力波信號(hào)和管道泄漏時(shí)的壓力波信號(hào)，并對(duì)信號(hào)進(jìn)行預(yù)處理。分別對(duì)正常的壓力波信號(hào)和泄漏時(shí)壓力波信號(hào)進(jìn)行小波變換分析，本處采用Daubechies 3函數(shù)作為小波分析的基函數(shù)。圖3和圖4所示分別為長(zhǎng)慶油田正常情況下的管道壓力波信號(hào)和管道泄漏時(shí)壓力波信號(hào)小波分解各頻斷信號(hào)。對(duì)該管道壓力波信號(hào)進(jìn)行小波變換分析，可以得到一系列的小波分解系數(shù)，以這些小波分解系數(shù)，圖5和圖6所示為長(zhǎng)慶油田油氣管道正常壓力波信號(hào)和泄漏時(shí)壓力波信號(hào)的小波重構(gòu)信號(hào)。

圖3 油氣管道的正常壓力波信號(hào)

圖4 油氣管道泄漏壓力波信號(hào)

選擇3層BP神經(jīng)網(wǎng)絡(luò)，將油氣管道的壓力波信號(hào)的小波分解系數(shù)，作為神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)，訓(xùn)練神經(jīng)網(wǎng)絡(luò)，圖7所示為神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)的誤差曲線。由圖7可知，網(wǎng)絡(luò)訓(xùn)練步長(zhǎng)為260步。根據(jù)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，如果在實(shí)際檢測(cè)中，檢測(cè)到管道的壓力波信號(hào)，通過(guò)小波神經(jīng)網(wǎng)絡(luò)算法，可以確定油氣管道是否發(fā)生泄漏。

圖5 油氣管道的正常壓力波小波各頻段重構(gòu)信號(hào)

圖6 管道泄漏時(shí)壓力波小波各頻段重構(gòu)信號(hào)

該小波神經(jīng)網(wǎng)絡(luò)算法對(duì)管道內(nèi)的壓力變化敏感，對(duì)管道泄漏的檢測(cè)精度很高。當(dāng)油氣管道因?yàn)樾孤斐晒艿纼?nèi)壓力出現(xiàn)些許變化時(shí)，小波神經(jīng)網(wǎng)絡(luò)算法可以有效的捕捉到管道內(nèi)壓力的變化，并判斷出管道泄漏。同時(shí)，該算法抗干擾能力強(qiáng)，對(duì)長(zhǎng)慶油田原油、天然氣的傳輸管道泄漏問(wèn)題，均具有有效的檢測(cè)能力。數(shù)據(jù)分析表明，當(dāng)油氣管道內(nèi)的壓力差變化達(dá)到5%以上時(shí)，油氣管道泄漏的檢測(cè)、預(yù)報(bào)精度接近100%。當(dāng)油氣管道內(nèi)的壓力差變化低于5%，需要根據(jù)實(shí)際情況分析，檢測(cè)精度跟實(shí)驗(yàn)數(shù)據(jù)的樣本數(shù)量密切相關(guān)。

圖7 小波神經(jīng)網(wǎng)絡(luò)誤差訓(xùn)練曲線

3 結(jié)束語(yǔ)

長(zhǎng)慶油田隨著生產(chǎn)的發(fā)展和時(shí)間的推移，油氣管道服役狀態(tài)亟需進(jìn)行有效的監(jiān)測(cè)，一旦油氣管道發(fā)生泄漏，將會(huì)導(dǎo)致嚴(yán)重的生產(chǎn)事故。在實(shí)際的油田生產(chǎn)中，油氣管道的壓力波信號(hào)，較容易采集，而且壓力波信號(hào)也能較好的反應(yīng)油氣管道的運(yùn)行情況。因此，本文引入小波變換和神經(jīng)網(wǎng)絡(luò)算法，發(fā)展了小波神經(jīng)網(wǎng)絡(luò)診斷算法，對(duì)長(zhǎng)慶油田的油氣管道的壓力波信號(hào)進(jìn)行分析，通過(guò)小波分析有效提取壓力波信號(hào)的特征，并利用BP神經(jīng)網(wǎng)絡(luò)算法，對(duì)管道的壓力波信號(hào)進(jìn)行診斷、識(shí)別，確定管道是否發(fā)生了泄漏問(wèn)題。該算法有效的實(shí)現(xiàn)了油氣管道的泄漏檢測(cè)。通過(guò)對(duì)油氣傳輸管道歷史數(shù)據(jù)的分析，分析結(jié)果顯示，小波神經(jīng)網(wǎng)絡(luò)算法對(duì)油氣管道泄漏檢測(cè)精度極高，抗干擾能力強(qiáng)，適用性廣。

[1]賈宗賢.基于小波變換的天然氣管道次聲波信號(hào)分析[J].油氣田地面工程，2011，30（11）：13-15.

[2]賈瑩.基于智能算法的油田天然氣管道泄漏檢測(cè)研究[D].大慶：東北石油大學(xué)，2014.

[3]丁冬，楊成禹.基于遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)在長(zhǎng)輸管道泄漏檢測(cè)系統(tǒng)中的應(yīng)用[J].長(zhǎng)春理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2015（6）:136-139.

[4]高丙坤，任秀菊.基于改進(jìn)差分進(jìn)化算法的神經(jīng)網(wǎng)絡(luò)管道泄漏檢測(cè) [J].化工自動(dòng)化及儀表，2014（1）:14-18.

[5]賈瑩，高丙坤.基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的管道泄漏檢測(cè)方法研究[J].化工自動(dòng)化及儀表，2014（2）:128-131，137.

[6]曾海龍.基于缺陷相關(guān)的腐蝕管道可靠性評(píng)價(jià)[D].蘭州：蘭州理工大學(xué)，2010.

[7]宿蘭花.基于模糊理論的管道失效模式診斷模型與方法研究[D].北京：中國(guó)石油大學(xué)，2010.

[8]崔立元.關(guān)于吳起—延煉原油管道泄漏檢測(cè)與定位系統(tǒng)的研究[D].西安：西安石油大學(xué)，2014.

[9]王正.基于物聯(lián)網(wǎng)的管道遠(yuǎn)程泄漏檢測(cè)系統(tǒng)設(shè)計(jì)[D].成都：西南石油大學(xué)，2015.

[10]王天瑜，吳宗之，王如君，等.基于改進(jìn)灰關(guān)聯(lián)分析法的埋地管道土壤腐蝕性評(píng)價(jià)[J].中國(guó)安全生產(chǎn)科學(xué)技術(shù)，2016（3）:133-136.

[11]王少鋒，仲濟(jì)祥，王建國(guó).立體管網(wǎng)微泄漏實(shí)時(shí)監(jiān)測(cè)系統(tǒng)研究概述[J].河北科技大學(xué)學(xué)報(bào)，2016（2）: 130-138.

[12]周衛(wèi)華，謝耀恒，呂玉宏，等.電氣設(shè)備帶電檢測(cè)述評(píng)[J].湖南電力，2016（2）:1-8.

[13]孫博，聶文.管道內(nèi)檢測(cè)技術(shù)在輸氣管道中的研究與應(yīng)用[J].石油化工自動(dòng)化，2016（2）:58-61.

[14]薛斌.光纜在線檢測(cè)技術(shù)在油氣田行業(yè)中的應(yīng)用[J].信息與電腦（理論版），2016（6）:188-189.

[15]張媛，顧為敏.輸氣站場(chǎng)管道完整性檢測(cè)評(píng)價(jià)技術(shù)體系[J].管道技術(shù)與設(shè)備，2016（2）:47-50，57.

Oil and gas pipeline leak detection in oil field based on neural network algorithm

YUE Jun-hong1，WANG Tao1.2，REN Ying-qiao1，GUO Ming3
（1.Shaanxi Railway Institute，Weinan 714000，China；2.School of Geological Engineering and Surveying and Mapping，Chang'an University，Xi an 710054，China；3.Beijing University of Architecture，Beijing 100044，China）

Changqing oilfield oil and gas pipelines in the rapid development of oil and gas pipeline mileage is getting longer.Part of the oil and gas pipelines in the age of a long time，the pipeline corrosion is more serious，the risk of oil and gas pipeline leakage is very high.The oil and gas pipelines once the leak，will cause serious accidents，great harm.Neural network algorithm is one of the most effective algorithms.Acquisition of Changqing oilfield oil and gas pipelines of normal pressure wave signal and pipeline leakage of pressure wave signals，and the signals were pre processed，respectively to normal pressure wave signal and leakage when pressure wave signals were wavelet transform analysis，using neural network algorithm analysis results show，the algorithm of Changqing Oilfield crude oil and natural gas transmission pipeline leakage problem，is effective in detecting ability.When the pressure difference in the oil and gas pipeline reaches 5%or more，the detection accuracy of the oil and gas pipeline leakage is close to 100%.When the pressure difference in the oil and gas pipeline is less than 5%，according to the actual situation analysis，the detection accuracy is closely related to the number of samples of the experimental data.

pipeline leakage；neural network algorithm；leak diagnosis；pressure

TN98

A

1674－6236（2017）10-0010-04

2016-05-11稿件編號(hào)：20160509

國(guó)家自然科學(xué)基金（41501495）；陜西省教育廳自然科學(xué)研究項(xiàng)目（14JK1167）；陜西鐵路工程職業(yè)技術(shù)學(xué)院科研基金項(xiàng)目（2015-05）

岳軍紅（1982—），男，陜西商洛人，碩士，助教。研究方向：遙感與地理信息系統(tǒng)應(yīng)用研究。