張洪奎

中國石化銷售華中分公司，湖北武漢 430000

分布式光纖傳感預(yù)警系統(tǒng)是基于相位敏感的光時域反射技術(shù)（φ-OTDR），通過伴隨管道的通信光纖作為傳感體，利用光纖中后向瑞利散射光干涉，對管道沿線的振動進(jìn)行實(shí)時監(jiān)測[1-2]。φ-OTDR技術(shù)由美國德克薩斯A&M大學(xué)的Taylor于1993年首次提出[3]，目前廣泛應(yīng)用于油氣管道安全檢測[4]。2009年，王志強(qiáng)等人報道了分布式光纖溫度檢測技術(shù)在氣體管道泄漏檢測中的應(yīng)用[5]，同年朱建新等人報道了基于φ-OTDR光纖管道安全預(yù)警系統(tǒng)在油氣管道安全防范中的應(yīng)用[6]。2015年，任亮等人報道了基于光纖光柵應(yīng)變傳感器的油氣管道腐蝕監(jiān)測應(yīng)用[7]。

武漢—廣水成品油管道應(yīng)用了分布式光纖傳感預(yù)警系統(tǒng)，自2017年12月以來，相繼開發(fā)了利用傳感系統(tǒng)實(shí)現(xiàn)清管器實(shí)時定位、斷纜監(jiān)測等功能，系統(tǒng)于2018年10月驗(yàn)收，驗(yàn)收后在中國石化銷售華中分公司湖北處的推進(jìn)下全面使用，各站對預(yù)警系統(tǒng)的每次報警都進(jìn)行現(xiàn)場排查和確認(rèn)，報警確認(rèn)率接近100%。然而在現(xiàn)場的實(shí)際工作中，對于每一條報警信息都需要安排管道工作人員去現(xiàn)場復(fù)核，由于很多振動是由農(nóng)耕、火車或者道路施工等無害振動原因引起的，這就產(chǎn)生了很大的工作量。另一方面，在管道安全預(yù)警系統(tǒng)中，存在一定數(shù)量的無異常報警，現(xiàn)場復(fù)核會造成人力、物力和財力的浪費(fèi)，為有效降低無異常報警，同時減少對無傷害入侵引起振動的現(xiàn)場復(fù)核次數(shù)，在光纖預(yù)警系統(tǒng)中加入了網(wǎng)格化信息管理數(shù)據(jù)庫和智能識別功能，同時對無異常報警較多處的振動配置參數(shù)進(jìn)行優(yōu)化。經(jīng)實(shí)際監(jiān)測證明有效降低了無異常報警率并提高了報警吻合率。

1 網(wǎng)格化信息管理和信號識別方案

網(wǎng)格化信息管理和信號識別系統(tǒng)設(shè)計為三層，見圖1。最底層是網(wǎng)格化信息統(tǒng)計和對振動信號的底層識別算法；中間層是將網(wǎng)格化信息進(jìn)行組織管理，建立網(wǎng)格化信息庫，同時開發(fā)人際交互的工程應(yīng)用軟件將網(wǎng)格化數(shù)據(jù)庫和識別算法進(jìn)行邏輯融合；最高層為應(yīng)用層，在有振動事件發(fā)生時，系統(tǒng)應(yīng)用軟件對振動事件類型進(jìn)行判斷，同時將振動點(diǎn)的網(wǎng)格化信息自動推送，事件處置人員將參考推送信息對振動做出判斷并進(jìn)行相應(yīng)的處理。

圖1 網(wǎng)格化信息管理和信號識別系統(tǒng)

1.1 網(wǎng)格化信息統(tǒng)計

網(wǎng)格化信息統(tǒng)計是指將輸油管道自身和周邊區(qū)域的多維度信息進(jìn)行統(tǒng)計，建立管道網(wǎng)格狀信息網(wǎng)，在系統(tǒng)出現(xiàn)報警時，將網(wǎng)格化信息推送給處置人員，作為報警處理參考的依據(jù)。多維度網(wǎng)格化信息采集內(nèi)容、參數(shù)和技術(shù)指標(biāo)要求見表1。

表1 網(wǎng)格化信息統(tǒng)計內(nèi)容

1.2 網(wǎng)格化數(shù)據(jù)采集實(shí)施方案

1.2.1 軟件配置準(zhǔn)備

首先利用軟件將返回的瑞利干涉光在時域上解調(diào)，將時域坐標(biāo)轉(zhuǎn)化為管道距離坐標(biāo)。然后對管道距離坐標(biāo)按照傳感系統(tǒng)最大分辨率進(jìn)行分段，如在實(shí)際應(yīng)用中，系統(tǒng)最高分辨率為10 m，則管道坐標(biāo)分為10 m一段，在總長40 km的監(jiān)測系統(tǒng)中，管道分為4 000段。同時預(yù)設(shè)置每段的報警參數(shù)，如信號累積閾值、報警閾值及靈敏度等。

1.2.2 工程標(biāo)點(diǎn)

標(biāo)點(diǎn)是網(wǎng)格化工程實(shí)施的核心部分。首先沿管道走向每隔50～100 m進(jìn)行管道走向標(biāo)點(diǎn)。標(biāo)點(diǎn)過程為在沿管道每個樁點(diǎn)處進(jìn)行敲擊，當(dāng)振動信號強(qiáng)度超過累積閾值時，信號強(qiáng)度開始累積疊加，當(dāng)疊加值超過設(shè)定報警閾值時，系統(tǒng)報警，此時軟件將顯示報警段數(shù)，將此樁號的段數(shù)、樁號、經(jīng)緯度、報警閾值設(shè)置、周圍環(huán)境等網(wǎng)格化信息進(jìn)行統(tǒng)計，輸入Excel表格，同時也將敲擊點(diǎn)環(huán)境照片留存。

除標(biāo)點(diǎn)獲取的現(xiàn)場信息外，系統(tǒng)還增加了施工管道沿線的地圖信息，可將報警點(diǎn)位置標(biāo)在地圖上，現(xiàn)場處置人員可更加準(zhǔn)確和迅速地到達(dá)現(xiàn)場。

1.2.3 信息上傳

將網(wǎng)格化信息的Excel表格、地圖信息及其他的網(wǎng)格化信息上傳到軟件。此時可通過軟件調(diào)取地圖查看管道走向和對應(yīng)樁號，見圖2。當(dāng)有入侵振動并引起報警時，軟件自動彈出報警框，見圖3。報警框包含振動點(diǎn)網(wǎng)格化信息，能夠快速及時將振動點(diǎn)位置、振動類型和現(xiàn)場信息反饋給工作人員。

圖2 帶有樁號走向的地圖

圖3 網(wǎng)格化信息報警圖

1.3 信號智能識別及參數(shù)優(yōu)化配置

信號智能識別利用人工智能的支持向量機(jī)SVM和BP神經(jīng)網(wǎng)絡(luò)算法，對信號在時域和頻域上進(jìn)行特征提取，根據(jù)提取的特征針對不同的振動信號類型進(jìn)行模型訓(xùn)練，最后形成識別模型并組成算法邏輯融合器，對現(xiàn)場振動信號進(jìn)行實(shí)時類型識別，提升系統(tǒng)的智能化和自動化，最后通過振動的智能識別，降低無害入侵的現(xiàn)場復(fù)核次數(shù)。

1.3.1 邏輯架構(gòu)

振動信號識別的算法融合器將支持向量機(jī)SVM和BP神經(jīng)網(wǎng)絡(luò)兩種算法結(jié)合，每一個算法對應(yīng)一個子分類器，各個分類器之間的訓(xùn)練、分類和識別過程相互獨(dú)立，每個子分類器都會輸出其分類結(jié)果，然后對這些分類結(jié)果執(zhí)行“與”運(yùn)算，輸出最終識別結(jié)果。算法融合器邏輯架構(gòu)如圖4所示。

圖4 算法融合器邏輯架構(gòu)

1.3.2 基本原理

支持向量機(jī)SVM的原理是設(shè)計一個決策函數(shù)，即找到一個最優(yōu)超平面，將兩類樣本集完全分開且使分類間隔最大化，見圖5，左邊是第一類事件的分辨特征，右邊是第二類事件的分辨特征，設(shè)計的決策函數(shù)或超平面就是中間的那一條線。

圖5SVM原理

對于線性可分/線性不可分的分辨特征集，間隔最大化的分離超平面為：

x是分辨特征矢量，Φ（x） 是特征空間轉(zhuǎn)換函數(shù)，w和b是最大超平面的參數(shù)。最大分離超平面對應(yīng)的分類決策函數(shù)為：

BP神經(jīng)網(wǎng)絡(luò)是一種前饋型的神經(jīng)網(wǎng)絡(luò)，如圖6所示，信息只能從輸入層輸入信息，傳輸時只能向前傳輸，一直傳輸?shù)捷敵鰧訛橹?。整個BP網(wǎng)絡(luò)采取分層結(jié)構(gòu)，即輸入層、中間層（隱層） 和輸出層三層。層與層之間采取全連接或全互聯(lián)方式連接，同一層的神經(jīng)元之間沒有連接關(guān)系。

圖6 BP神經(jīng)網(wǎng)絡(luò)原理

在人工神經(jīng)網(wǎng)絡(luò)中，輸入是特征矢量集，輸出是單個結(jié)果，該算法實(shí)現(xiàn)了多個輸入非線性映射到單個輸出。神經(jīng)網(wǎng)絡(luò)的基本運(yùn)算單元是神經(jīng)元，每個神經(jīng)元有相對應(yīng)的權(quán)重，表示相鄰神經(jīng)元之間的連接強(qiáng)度。通過設(shè)置求和器的閾值和激活函數(shù)實(shí)現(xiàn)了一個非線性映射，完成神經(jīng)元的輸出，如圖7所示。

圖7 人工神經(jīng)網(wǎng)絡(luò)模型

1.3.3 信號特征提取

分類器輸入的特征值數(shù)據(jù)為對信號特征提取后得到的矢量集。具體為長時主沖擊強(qiáng)度分辨特征B1、長時次沖擊強(qiáng)度分辨特征B2、長時幅度比例分辨特征B3、長時小波包分辨特征B4、非異常信號主沖擊強(qiáng)度分辨特征B5、長時嚴(yán)格沖擊信號個數(shù)B6。不同的事件類型有著不同的B1～B6，將它們輸入到子分類器中，得到各自的分類結(jié)果，再將這些分類結(jié)果通過報警策略處理，得到最終判別結(jié)果。

1.3.4 報警策略

在信號識別分類算法中考慮三分類的情況，將人為偷油挖掘記為1、人工挖掘記為2、安靜環(huán)境噪聲記為3。報警策略見表2。從表2可以看出，報警策略為當(dāng)兩個子分類器同時輸出1時，才輸出為1；當(dāng)兩個子分類器同時輸出為2時，才輸出為2；其余情況均輸出為3。

表2 報警策略

1.3.5 配置參數(shù)調(diào)整

根據(jù)前期無效報警相對較多的點(diǎn)，統(tǒng)計報警類別和地點(diǎn)，分析報警原因，對振動源的特點(diǎn)如振動強(qiáng)度、持續(xù)時間、時間間隔、位置等進(jìn)行了統(tǒng)計，針對不同的情況分別調(diào)整了各點(diǎn)的靈敏度和閾值。如深度較淺管道，周圍有國道汽車行駛引起誤報較多，可以降低靈敏度或者提高閾值；深度較深管道，可以提高靈敏度降低閾值。

2 方案實(shí)施成果

2.1 方案實(shí)施效果評價標(biāo)準(zhǔn)

根據(jù)管道安全監(jiān)測的實(shí)際需要和傳感系統(tǒng)的特點(diǎn)，現(xiàn)階段評價以上方案實(shí)施效果的主要標(biāo)準(zhǔn)為：無異常報警次數(shù)降低和報警吻合率提升。

無異常報警是指系統(tǒng)有報警推送，但是現(xiàn)場復(fù)核卻沒有發(fā)現(xiàn)振動源，因此降低無異常報警次數(shù)可以有效降低誤報率，減少現(xiàn)場復(fù)核次數(shù)。同時以報警吻合率的高低來反映系統(tǒng)報警準(zhǔn)確度的高低，在當(dāng)前使用階段影響吻合率的主要因素是報警現(xiàn)場復(fù)核后有無明顯動土痕跡來判斷是否為“無異?！眻缶?，處理結(jié)果為“無異?！钡膱缶鳛闊o效報警，如有明顯動土或者振動源則為有效報警。

2.2 方案實(shí)施結(jié)果

通過對前期統(tǒng)計的無異常報警點(diǎn)進(jìn)行優(yōu)化處置，通過跟蹤觀察、現(xiàn)場排查分析，對無異常報警點(diǎn)進(jìn)行了相應(yīng)的閾值調(diào)整和靈敏度優(yōu)化，靈敏度調(diào)整為過去靈敏度的80%，調(diào)整后8月份相較7月份調(diào)整前，試點(diǎn)段報警數(shù)量明顯減少，從346條變?yōu)?09條，下降40%，無異常報警從145條降低到12條。報警吻合率從58.09%上升至94.26%，提升36.17%。具體對比數(shù)據(jù)見表3（表中“無異?！睘樵趫缶l(fā)生地點(diǎn)未發(fā)現(xiàn)任何引起報警的行為但卻報警，其他包括重型車輛駛過、水泵抽水等不在分類里的引起報警的情況）。

表3 靈敏度優(yōu)化和無異常處理前后報警數(shù)據(jù)對比

3 結(jié)束語

本文通過對光纖預(yù)警系統(tǒng)的試點(diǎn)段進(jìn)行網(wǎng)格化信息統(tǒng)計、算法優(yōu)化以及參數(shù)調(diào)整等方法，使得系統(tǒng)報警復(fù)核量減少，報警準(zhǔn)確率提升，從而使管道周邊挖掘預(yù)警系統(tǒng)的報警響應(yīng)更高效，為系統(tǒng)工業(yè)化運(yùn)行夯實(shí)基礎(chǔ)。