一种改进的基于小波分析的石油管道泄漏检测方法
【专利说明】
[0001]
技术领域
[0002] 本发明涉及石油管道泄漏检测领域，具体涉及了一种改进的基于小波分析的石油 管道泄漏检测方法。
[0003]
【背景技术】
[0004] 近年来，伴随着国家的经济发展，石油能源输送的安全可靠性问题受到越来越多 的重视。由于石油管道铺设的环境大多在野外，容易受到各种环境因素以及人为因素的影 响发生泄漏，从而对石油输送的安全稳定造成影响，甚至引起严重的安全危害，造成巨大的 经济损失。因此，对石油管道泄漏进行有效检测与定位，制定有效的修复策略，具有重大理 论指导与现实意义。
[0005] 为了对石油管道泄漏进行有效检测与定位，本发明提出了一种改进的基于小波分 析的石油管道泄漏检测方法，通过管道泄漏信号进行小波去噪处理后提取的信号特征，作 为训练好的加入了干扰因子的量子群优化的小波神经网络的输入向量，从而达到对石油管 道泄漏进行有效检测与定位的目的，具有广泛的应用前景以及经济价值。
[0006]
【发明内容】
[0007] 本发明提出了一种改进的基于小波分析的石油管道泄漏检测方法，为石油管道泄 漏检测及处理提供参考，从而保证石油输送的安全稳定。
[0008] 为实现上述目的，本发明采用的技术方案是： 一种改进的基于小波分析的石油管道泄漏检测方法，包括以下步骤： 步骤1 :采集石油管道泄漏信号； 步骤2 :将采集的信号进行小波降噪处理； 步骤3 :利用小波包对降噪后的信号进行特征提取； 步骤4 :将提取后的信号输入训练好的量子粒子优化的小波神经网络； 步骤5 :输出石油管道泄漏状态与定位信息。
[0009] 所述步骤2中具体包括： 步骤2. 1，石油管道泄漏信号的4层小波分解； 步骤2. 2,对分解的高频系数阈值进行量化； 步骤2. 3,根据分解的最低频系数以及量化后的高频系数进行小波重构。
[0010] 所述步骤3中的特征提取采用4级小波包进行分解。
[0011] 所述步骤4中所述的量子粒子优化的小波神经网络包括输入层、隐含层及输出 层；所述小波神经网络参数包括输入层神经元31、隐含层神经元及输出层神经元所述输 入层神经元为归一化的管道压力值、5-35kHz的泄漏信号均值、泄漏信号的小波分解第2级 细节信号与泄漏信号的小波分解第3级细节信号；归一化处理公式为式（1): 对数据
丨建立映线性映射：
所述隐含层神经元为I个隐含层节点；所述输出层神经元为泄漏状态与定位信息。
[0012] 所述步骤4中所述的量子粒子优化的小波神经网络中所述隐含层神经元小波基 函数为：
式中，i?:与为伸缩平移尺度因子取Morlet小波：
所述输出层神经元通过选择Sigmoid函数：
小波神经网络的输入输出可以表示为：
式中，I为样本个数，_、_、画、漏为网络学习速率，￥为网络动量因子。
[0013] 所述步骤4中所述的量子粒子优化的小波神经网络中将小波神经网络连接权值 以及参数映射为量子粒子群中的个体粒子；所述的粒子位置进化方程为：
式中，Iii为迭代次数为I时粒子群的当前位置，I为个体粒子最佳位置，表示为 之间的随机数，$为第个粒子的最优位置，I为粒子群的全局最 优位置，I为III之间的随机数，#为收缩-扩张因子，迭代次数为I时取为
|_为迭代最大次数，为粒子群的平均最优位置，当种群规模为I肘，表 示为：
所述步骤4中所述的量子粒子群优化算法中引入了正态分布的干扰因子来改变当前 搜索粒子的位置，从而提高粒子群的多样性，所述的干扰因子表示为：
其中，f为控制参数，_|为输出为正态分布值的随机函数；干扰因子引入判断基准为： 当重复迭代次数大于早熟因子时，启动干扰因子，早熟因子根据实际数据进行设置。
[0014] 所述的加入干扰因子的量子粒子群算法当到达最大迭代次数或者允许误差范围 时，停止迭代得到最优粒子，通过最优粒子分解映射获取所述的小波神经网络连接权值以 及参数；i的最优值。
[0015] 所述步骤5中所述的石油管道泄漏状态与定位信息由训练好的小波神经网络输 出反归一化获取。
[0016] 本发明的有益效果在于： 本发明的一种改进的基于小波分析的石油管道泄漏检测方法，可以达到对石油管道泄 漏进行有效检测与定位的目的，从而为石油管道泄漏处理提供参考，保证石油输送的安全 稳定。
[0017]
【附图说明】
[0018] 图1为本发明的流程图。
[0019] 图2为本发明中小波神经网络结构图。
[0020] 图3为本发明中引入干扰因子的量子粒子群优化小波神经网络初始参数方法的 流程图。
【具体实施方式】
[0021] 以下结合附图1-附图3对本发明的优选实施例进行说明，应当理解，此处所描 述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
[0022] 一种改进的基于小波分析的石油管道泄漏检测方法，包括以下步骤： 步骤1 :采集石油管道泄漏信号； 步骤2 :将采集的信号进行小波降噪处理； 步骤3 :利用小波包对降噪后的信号进行特征提取； 步骤4 :将提取后的信号输入训练好的量子粒子优化的小波神经网络； 步骤5 :输出石油管道泄漏状态与定位信息。
[0023] 所述步骤2中具体包括： 步骤2. 1，石油管道泄漏信号的4层小波分解； 步骤2. 2,对分解的高频系数阈值进行量化； 步骤2. 3,根据分解的最低频系数以及量化后的高频系数进行小波重构。
[0024] 所述步骤3中的特征提取采用4级小波包进行分解。
[0025] 所述步骤4中所述的量子粒子优化的小波神经网络包括输入层、隐含层及输出 层；所述小波神经网络参数包括输入层神经元s、隐含层神经元及输出层神经元I ;所述输 入层神经元为归一化的管道压力值、5_35kHz的泄漏信号均值、泄漏信号的小波分解第2级 细节信号与泄漏信号的小波分解第3级细节信号；归一化处理公式为式（1): 对数据
I建立映线性映射：
所述隐含层神经元为I个隐含层节点；所述输出层神经元为泄漏状态与定位信息。
[0026] 所述步骤4中所述的量子粒子优化的小波神经网络中所述隐含层神经元小波基 函数为：
式中，与为伸缩平移尺度因子，ο = G，取Morlet小波：
所述输出层神经元通过选择Sigmoid函数：
小波神经网