林藝松，李 明，林俊宇，陳汝信

（1.廣東省華大物流有限公司，廣東廣州 510145；2.廣東省廣物控股集團(tuán)有限公司，廣東廣州 510640）

目前，我國大多數(shù)加油站使用的都是埋地油罐的儲(chǔ)存方式，油罐與加油機(jī)間采用管道輸送。這些油罐管道使用久了會(huì)產(chǎn)生老化、腐蝕等問題，油罐管道泄漏事件時(shí)有發(fā)生，不僅污染環(huán)境［1］，甚至可能引發(fā)加油站油罐爆炸事故。因此，加油站油罐管道泄漏監(jiān)測是近年來一個(gè)重要研究課題［2-3］。在油罐管道發(fā)生泄漏時(shí)，如何快速準(zhǔn)確定位泄漏點(diǎn)，對(duì)于加油站安全運(yùn)行、降低事故損失以及防止重大安全事故發(fā)生都具有重要意義［4］。

國內(nèi)外的油罐管道泄漏監(jiān)測方法主要分為兩大類，分別基于流量和壓力數(shù)據(jù)。許多研究人員也在不斷開發(fā)新的泄漏監(jiān)測方法，例如研究多樣化的泄漏信號(hào)處理方式、如何更好地提取信號(hào)本身特征等。王曉敏等［5］針對(duì)采集的油罐管道流量信號(hào)，使用小波變換進(jìn)行分解和重構(gòu)，采用統(tǒng)計(jì)技術(shù)提取流量信號(hào)特征，將特征提取結(jié)果分別作為多層感知器神經(jīng)網(wǎng)絡(luò)（MLPNN）分類器的輸入項(xiàng)，根據(jù)輸出結(jié)果確定泄漏狀態(tài)并確定泄漏點(diǎn)位置。王新穎等［6］使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）實(shí)現(xiàn)油罐管道泄漏監(jiān)測，選取管道泄漏中9 種特征參數(shù)作為模型原始輸入量，通過CNN 提取數(shù)據(jù)特征，進(jìn)行參數(shù)重構(gòu)，再經(jīng)過soft-max 分類，最終達(dá)到泄漏監(jiān)測的目的。但這2 種泄漏監(jiān)測方法不能對(duì)油罐管道數(shù)據(jù)進(jìn)行有效的多維序列特征提取，也不能發(fā)現(xiàn)時(shí)序時(shí)間數(shù)據(jù)中數(shù)據(jù)間的相互依賴關(guān)系。

近年發(fā)展起來的人工神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)方法在多個(gè)研究領(lǐng)域都取得了卓越成果，因此也被用于管道泄漏監(jiān)測研究［7］。為了更好地監(jiān)測油罐管道泄漏情況，筆者構(gòu)建了融合CNN 和長短期記憶網(wǎng)絡(luò)（LSTM）這2 種人工神經(jīng)網(wǎng)絡(luò)的組合預(yù)測模型，以此為基礎(chǔ)研究了加油站油罐管道泄漏監(jiān)測新方法，從而達(dá)到高效監(jiān)測和實(shí)時(shí)預(yù)警的目的。

1 油罐管道輸送動(dòng)力學(xué)模型

在管道流體動(dòng)力學(xué)分析中，用一元運(yùn)動(dòng)模擬油體在油罐管道中的輸送，構(gòu)建對(duì)應(yīng)的偏微分方程組需要遵循3 個(gè)定律，即能量、質(zhì)量和動(dòng)量守恒，其公式為：

式中：v 為油體流速，ρ 為油體密度，p 為油體壓力，d 為管道內(nèi)徑，t 為時(shí)間，x 為沿管長變量，g 為重力加速度，z 為高程，h 為油體的焓，u 為油體內(nèi)能，Q為單位質(zhì)量油體散發(fā)的熱量，λ 為摩阻系數(shù)。

管道輸送過程中進(jìn)行3 個(gè)設(shè)定：①地形沒有高低變化。②時(shí)間因素不會(huì)干擾油體的流速、壓力和溫度，油體流動(dòng)穩(wěn)定。③管道橫截面積保持一致并實(shí)現(xiàn)滿流。由此，式（1）可變換為：

根據(jù)熱力學(xué)關(guān)系可進(jìn)一步得出：

式中：D 為管道外徑，Z 為油體傳熱系數(shù)，T 為油體溫度，T0為鄰域介質(zhì)溫度。

調(diào)整式（2）可得：

其中

為了獲取式（4）的解dy/dx=f（x，y），需要設(shè)置向量y=（p，T）。計(jì)算管道溫度以及壓力時(shí)的運(yùn)算步長是每段微元管道的長度Δx，總體管道由M 段微元管道組成。采用三階龍格-庫塔法［8］，依據(jù)第i-1 段管道的溫度Ti-1和壓力pi-1求解第i段管道溫度Ti及壓力pi：

2 基于CNN-LSTM 的油罐管道泄漏監(jiān)測方法

2.1 CNN

CNN 是一種前饋型神經(jīng)網(wǎng)絡(luò)［9］，其特點(diǎn)是擁有超強(qiáng)的空間數(shù)據(jù)處理能力，可以對(duì)采集的管道流量和壓力數(shù)據(jù)進(jìn)行有效的多維序列特征提取。

CNN 分為3 個(gè)部分，①卷積層。該層負(fù)責(zé)特征提取，包含很多個(gè)特征面，通過這些特征面對(duì)數(shù)據(jù)的特征進(jìn)行分解，構(gòu)建新的特征矩陣，經(jīng)過卷積運(yùn)算把特征提取出來。②池化層。降維采樣是其主體過程，可以對(duì)特征量進(jìn)行二次提取。池化層具有與卷積層相同數(shù)量的特征面，還能夠降低關(guān)聯(lián)參數(shù)的維度，使用最大值的方式進(jìn)行降維處理，可以使CPU 在工作中更加節(jié)能減耗。③全連接層。為了導(dǎo)出最終結(jié)果，需要通過隱含層，并提前將特征圖上的全部神經(jīng)單元都連接起來。

2.2 LSTM

LSTM 具有優(yōu)秀的管道流量預(yù)測性能［10］，特別是在處理長期的管道流量和壓力數(shù)據(jù)時(shí)比CNN 的應(yīng)用效果更好。因?yàn)樵陂L時(shí)間序列訓(xùn)練進(jìn)程中，LSTM 能夠消除CNN 不能長期保存歷史信息以及梯度消失等缺點(diǎn)，較好地分析管道流量和壓力等序列數(shù)據(jù)間的依賴關(guān)系。

圖1 LSTM 單元內(nèi)部結(jié)構(gòu)示圖

上一時(shí)刻記憶單元Ct-1的遺忘比例表示為遺忘門：

選允許進(jìn)入本單元的信息，也就是輸入門：

在Ct中挑選性地錄入新的記憶信息，以ft和it為依據(jù)，更新t 時(shí)刻單元狀態(tài)：

激活Ct，并決策其輸出大小，即為t 時(shí)刻的輸出門：

雙曲正切激活函數(shù)tanh x 和sigmoid 激活函數(shù)σ（x）為：

最后通過下式取得預(yù)測值yt：

式中：Wy為輸出層權(quán)重矩陣，by為偏置項(xiàng)。

2.3 CNN-LSTM 組合管道泄漏預(yù)測模型

CNN-LSTM 是一種空間和時(shí)間相結(jié)合的網(wǎng)絡(luò)，能夠充分提取多維空間數(shù)據(jù)特征，并捕獲時(shí)間序列數(shù)據(jù)間的依賴關(guān)系，從而提高預(yù)測能力。

在管道輸送過程中，要預(yù)測管道流量，需要采集管道上各個(gè)壓力采樣點(diǎn)和流量計(jì)的數(shù)據(jù)，依據(jù)這些壓力數(shù)據(jù)計(jì)算出壓力梯度值，再將壓力梯度值加上流量數(shù)據(jù)組成數(shù)據(jù)樣本，輸入CNN-LSTM組合模型中進(jìn)行模型訓(xùn)練，從而預(yù)測出管道流量。管道流量與壓力梯度二者之間是確定關(guān)系：

因?yàn)楦鱾€(gè)管道情況存在差異，所以必須對(duì)模型的參數(shù)進(jìn)行調(diào)整，即設(shè)置流量計(jì)數(shù)量k、回溯時(shí)間深度j 和壓力梯度變量數(shù)值i。

通過上述深度學(xué)習(xí)網(wǎng)絡(luò)模型，輸入采集的油罐管道壓力和流量數(shù)據(jù)，訓(xùn)練出一個(gè)能夠根據(jù)壓力梯度預(yù)測流量的預(yù)測模型。為了監(jiān)測泄漏事件，需要實(shí)時(shí)預(yù)測油罐管道中的流量，并將其與實(shí)際流量作對(duì)比，實(shí)時(shí)監(jiān)控二者之間的誤差，如果超過閾值即為發(fā)生泄漏［11-12］。

3 油罐管道泄漏點(diǎn)定位

為了對(duì)油罐管道泄漏點(diǎn)進(jìn)行準(zhǔn)確定位，提出了基于CNN-LSTM 組合模型的泄漏監(jiān)測方法，其主要流程見圖2。

圖2 CNN-LSTM 組合模型泄漏監(jiān)測方法流程

管道輸送過程中一旦發(fā)生泄漏，即預(yù)測流量與實(shí)際流量誤差超過閾值時(shí)，泄漏點(diǎn)所在管段的流量和壓力就會(huì)產(chǎn)生變化。為了尋找壓力擾動(dòng)源在管段內(nèi)的方位，需要運(yùn)算各個(gè)管段壓力波形曲線序列每個(gè)點(diǎn)之間的距離，建立矩陣遞推出最短路徑，進(jìn)行匹配和分類識(shí)別，從而找到泄漏點(diǎn)位置。運(yùn)算時(shí)為了增加定位精度，需要使用采樣間隔為0.09 s 的壓力數(shù)據(jù)，并進(jìn)行濾波處理。

采用可以衡量時(shí)間序列重合度的動(dòng)態(tài)時(shí)間彎曲算法（DTW）進(jìn)行泄漏點(diǎn)定位［13］，DTW 的特點(diǎn)是可以自動(dòng)匹配2 條時(shí)間序列的波谷和波峰，因此可以實(shí)現(xiàn)一對(duì)多的數(shù)據(jù)響應(yīng)，也就是能夠度量不等長的時(shí)間序列，進(jìn)行匹配和分類識(shí)別，最終達(dá)到根據(jù)油罐管道壓力數(shù)據(jù)定位泄漏點(diǎn)的目的。為了對(duì)時(shí)間進(jìn)行整齊運(yùn)算，DTW 使用動(dòng)態(tài)規(guī)劃的方式進(jìn)行，流程為，①構(gòu)建距離矩陣M（i，j），通過運(yùn)算壓力波形曲線序列每個(gè)點(diǎn)的間距實(shí)現(xiàn)。②以獲取最短路徑為目的，通過遞推，從矩陣左上角至右下角找到一個(gè)可以使路徑上元素和最小的路線，遞推過程需要遵守的約束是：

式中：Lmin（i，j）為矩陣左上角（1，1）到任何一點(diǎn)（i，j）的最短路徑長度。

根據(jù)運(yùn)算結(jié)果，距離矩陣的最短路徑值越小，代表2 個(gè)壓力波形曲線序列越相似［14-15］。在泄漏事件發(fā)生時(shí)，將各個(gè)管段壓力點(diǎn)的采樣數(shù)據(jù)通過DTW 進(jìn)行匹配和分類識(shí)別，其中最短路徑值最大，也就是匹配度最低的一組壓力波形曲線序列即為泄漏位置的壓力數(shù)據(jù)，根據(jù)該壓力采樣點(diǎn)在管段內(nèi)的方位即可找到泄漏點(diǎn)。

4 加油站油罐管道泄漏監(jiān)測現(xiàn)場試驗(yàn)

4.1 試驗(yàn)現(xiàn)場設(shè)計(jì)

油罐管道泄漏監(jiān)測試驗(yàn)對(duì)象為廣州荔灣區(qū)某加油站，該加油站占地面積為621 m2，包括2 臺(tái)15 m3埋地汽油罐、1 臺(tái)15 m3埋地柴油罐、6 臺(tái)加油機(jī)和12 支加油槍。油罐上加裝了阻隔防爆材料裝置，設(shè)置了二次油氣回收系統(tǒng)、三級(jí)濾池和油氣回收在線監(jiān)控系統(tǒng)，提高了加油站的環(huán)境質(zhì)量及安全系數(shù)。加油站的安全管理和職業(yè)健康管理均符合國家有關(guān)管理規(guī)范。加油站油罐管道泄漏監(jiān)測試驗(yàn)現(xiàn)場見圖3。

圖3 加油站油罐管道泄漏監(jiān)測試驗(yàn)現(xiàn)場圖

4.2 試驗(yàn)平臺(tái)構(gòu)建

根據(jù)基于CNN-LSTM 組合模型的泄漏監(jiān)測方法構(gòu)建加油站泄漏監(jiān)測試驗(yàn)平臺(tái)，采集荔灣加油站2022-05—2022-10 共6 個(gè)月的監(jiān)測數(shù)據(jù)作為樣本，輸入模型進(jìn)行訓(xùn)練，模型結(jié)構(gòu)參數(shù)為k=1、i=3、j=6。經(jīng)過多次訓(xùn)練使預(yù)測數(shù)據(jù)與實(shí)際數(shù)據(jù)基本一致，得出適合試驗(yàn)管道使用的最終深度模型。

4.3 試驗(yàn)結(jié)果分析

閥門放油測試中使用了數(shù)控球閥和渦輪流量計(jì)，采用數(shù)控球閥可以達(dá)到精確控制閥門運(yùn)行方式和開閥速度的目的。選用測試管段的6#閥室（距流量計(jì)23 m）和3#閥室（距流量計(jì)47 m），采用間斷開閥和緩慢開閥2 種方式進(jìn)行試驗(yàn)。首次放油試驗(yàn)選擇6#閥室，間斷開閥，閥門開到位時(shí)間10 s，得到的管道實(shí)際體積流量和模型預(yù)測體積流量數(shù)據(jù)曲線見圖4。從圖4 可以看出，在閥門關(guān)閉測試時(shí)，管道實(shí)際體積流量值與模型預(yù)測值基本相同。打開閥門后，模型預(yù)測值明顯升高，并提醒系統(tǒng)發(fā)出泄漏警報(bào)。

圖4 6#閥室放油試驗(yàn)中管道實(shí)際體積流量與模型預(yù)測體積流量曲線

現(xiàn)場閥門放油測試結(jié)果見表1。從表1 看出，在不同開閥方式下，2 個(gè)閥室相對(duì)管段長的泄漏點(diǎn)定位誤差都小于1.4%，報(bào)警時(shí)間都在50 s 以內(nèi)。測試結(jié)果表明，使用本文方法進(jìn)行油罐管道泄漏監(jiān)測能夠快速預(yù)測流量，且報(bào)警時(shí)間較短，同時(shí)因?yàn)椴捎昧硕虝r(shí)段平均數(shù)據(jù)，所以可增加預(yù)測結(jié)果的準(zhǔn)確性，減小泄漏監(jiān)測誤差。

表1 現(xiàn)場閥門放油測試結(jié)果

在基于各種神經(jīng)網(wǎng)絡(luò)的管道泄漏監(jiān)測方法中，CNN 以及MLPNN 是常用的2 種建模網(wǎng)絡(luò)。CNN結(jié)合了空間特征，MLPNN 可以解決非線性分類問題。采用CNN-LSTM 構(gòu)建的組合模型是時(shí)間與空間相結(jié)合的復(fù)合預(yù)測模型。選用這3 種神經(jīng)網(wǎng)絡(luò)構(gòu)建的模型進(jìn)行油罐管道泄漏監(jiān)測對(duì)比試驗(yàn)，選取測試管段6#閥室進(jìn)行放油測試，統(tǒng)一調(diào)配閥門開到位時(shí)間和開閥方式，都選用間斷30 s 和緩慢20 s 開閥方式。

不同神經(jīng)網(wǎng)絡(luò)模型下6#閥室現(xiàn)場放油測試結(jié)果見表2。從表2 可以看出，2 種不同開閥方式下，CNN-LSTM 組合模型可以快速準(zhǔn)確預(yù)測油罐管道泄漏事件的發(fā)生，報(bào)警時(shí)間最短，泄漏點(diǎn)定位誤差最小，預(yù)測性能顯著高于其它2 種神經(jīng)網(wǎng)絡(luò)模型。

表2 不同神經(jīng)網(wǎng)絡(luò)模型下6# 閥室現(xiàn)場放油測試結(jié)果

實(shí)際工況下，由于各個(gè)加油站的設(shè)計(jì)布局、規(guī)模大小以及油罐輸油管道的位置和長度存在差異，所以單獨(dú)的試驗(yàn)環(huán)境具有很大的局限性。為此，使用PNS 管網(wǎng)仿真軟件構(gòu)建了另外2 個(gè)加油站油罐管道仿真模型A 和仿真模型B，其設(shè)定參數(shù)見表3。為了測試本文方法的適應(yīng)性，采用相同的數(shù)據(jù)樣本對(duì)2 個(gè)管道仿真模型進(jìn)行泄漏監(jiān)測仿真測試。加油站泄漏監(jiān)測誤差閾值設(shè)為2.4%。

表3 油罐管道仿真模型設(shè)定參數(shù)

仿真模型的管道內(nèi)徑調(diào)整維度是200 ～500 mm，管道長度調(diào)整維度是10～30 m，分別在管道的2/10、4/10、6/10、……、10/10 里程處設(shè)定泄漏點(diǎn)，不同泄漏率下油罐管道仿真模型的泄漏點(diǎn)定位結(jié)果見圖5。定位測試結(jié)果表明，在不同油罐管道規(guī)格和泄漏率情況下，本文方法都可以精準(zhǔn)確定泄漏點(diǎn)位置，定位精度高，且泄漏率越高，定位誤差越小，仿真模型A 和仿真模型B 的泄漏點(diǎn)定位誤差始終低于誤差閾值2.4%。

圖5 不同泄漏率下油罐管道仿真模型泄漏點(diǎn)定位結(jié)果

5 結(jié)束語

基于實(shí)際加油站油罐管道環(huán)境，構(gòu)建了用壓力梯度精準(zhǔn)預(yù)測實(shí)時(shí)流量的CNN-LSTM 組合模型，結(jié)合曲線距離算法確定泄漏點(diǎn)位置，提出了一種新的加油站油罐管道泄漏監(jiān)測方法。現(xiàn)場試驗(yàn)結(jié)果表明，①本文方法可以快速預(yù)測流量，并且縮短預(yù)警時(shí)間，提高預(yù)測結(jié)果準(zhǔn)確性，減小泄漏定位誤差，減少設(shè)備操作中誤報(bào)情況的發(fā)生。②采用的CNN-LSTM 組合模型能夠捕獲序列數(shù)據(jù)之間的依賴關(guān)系，結(jié)合多維序列特征提取，快速準(zhǔn)確地定位泄漏點(diǎn)，報(bào)警時(shí)間最短，泄漏定位誤差最小。③本文方法使用壓力梯度預(yù)測流量的方式，降低了測量設(shè)備的局限性，對(duì)于安裝單個(gè)和多個(gè)流量計(jì)的情況都適用，適合實(shí)際中各種規(guī)模加油站油罐管道的泄漏監(jiān)測，實(shí)用價(jià)值高。