基于ann的音波法输气管道泄漏监测方法
【技术领域】
[0001] 本发明涉及输气管道泄漏监测领域，尤其是一种基于ANN的音波法输气管道泄漏 监测方法。
【背景技术】
[0002] 输气管道泄漏监测目前已发展较为成熟，但是在信号特征提取，多工况泄漏判定 算法以及模态识别算法优化等方面还较为欠缺。因此，现有输气管道泄漏方法的误报率较 高，准确率并不理想。为了高效准确的识别管道泄漏工况，排除其它相似干扰工况，还需在 这三方面进行深入研究。本发明中，ANN为人工神经网络的简称。
【发明内容】
[0003] 本发明的目的是为弥补上述提出的技术欠缺，提供一种基于ANN的音波法输气管 道泄漏监测方法。
[0004] 为实现上述目的，本发明采用下述技术方案：
[0005] 基于ANN的音波法输气管道泄漏监测方法，包括以下步骤：
[0006] 步骤一:获取输气管道多工况下音波信号样本，对不同工况下音波信号样本去噪， 并提取不同工况下音波信号样本特征值；
[0007] 步骤二:采用高斯隶属度函数对不同工况下音波信号样本特征值进行模糊分割， 获取模糊分割量；
[0008] 步骤三:利用F-自适应遗传算法对BP神经网络初始训练值进行优化，将模糊分割 量代入BP神经网络进行训练，获取用于输气管道瞬时工况判定的BP神经网络；
[0009] 步骤四：根据就近原则和分时段统计法，结合步骤三中BP神经网络输出值进行输 气管道工况判定，并在泄漏发生时利用互相关函数法确定泄漏位置。
[0010] 优选的，所述步骤一中，获取泄漏工况、阀门启闭工况和压缩机启闭工况下的音波 信号样本，并对所述不同工况下音波信号样本进行小波去噪，其中小波基函数选取sym8,分 解尺度确定为5，去噪阈值选取规则采用r i gr sure法。
[0011] 进一步优选的，所述步骤一中，对不同工况音波信号样本特征值提取方法为对每 秒内去噪后的音波信号样本进行均值、峰度、均方根斜率计算。
[0012] 进一步优选的，所述步骤一中，对每秒内去噪后的音波信号样本进行均值、峰度、 均方根斜率计算的公式为：
[0013]
[0014]
[0015]
;φ:μχ表示数据均值，x(n)表示样本数据值。
[0016]优选的，所述步骤二具体包括:采用高斯型隶属度函数对步骤一中获取的不同工 况样本音波信号样本的均值、峰度值进行模糊分割，分别获得模糊分割函数，将所述不同工 况样本音波信号样本的均值、峰度值分别代入各自模糊分割函数，获得模糊分割量;其中， 均值对应的模糊分割量表示为：
[0017]
[0018]
[0019]
[0020]
[00211 其中：yieak(X)表示泄漏工况模糊输入变量;μ??νβ(X)表示阀门开启工况模糊输入 变量;(X)表示压缩机关闭工况模糊输入变量;μη0_? (X)表示正常工况模糊输入变 量;0!，02，03，04表不为经验取值，都取为最大值减去最小值的六分之一。
[0022]优选的，所述步骤三中采用F-自适应遗传算法对BP神经网络初始训练值进行优 化的子步骤为：
[0023] S301:建立种群并计算种群中染色体适应度值E;
[0024] S302:根据染色体适应度值E，对染色体进行选择、交叉、变异操作；
[0025] S303:将优选后的染色体与优选前种群按比例混合；
[0026] S304:重复S301~S303步骤，直到达到最大迭代步数，提取适应度值最高的染色 体，将该染色体解码成BP神经网络参数，并赋值给用于输气管道泄漏判断的BP神经网络，完 成BP初始网络参数的优化。
[0027] 进一步优选的，所述步骤S301具体步骤如下：先计算种群中每个染色体的网络结 果矩阵Y，其计算公式为：
[0028] Y=log sig(VXtan sig(ff XX+B)+D)；
[0029]其中：X表不输入参数矩阵;Y表不输出参数矩阵;W表不输入层到隐层的权值;B表 示输入层到隐层的阈值;V表示隐层到输出层的权值;D表示隐层到输出层的阈值;tansig表 示将数据映射到(-1，1)区间内；logsig表示将数据映射到(0，1)区间内；
[0030] 通过网络结果矩阵Y，计算各个染色体的网络参数适应度，其计算公式采用目标向 量Dkj与实际计算结果向量 Ykj的误差平方和，即：
[0031]
[0032] 进一步优选的，所述步骤S303具体步骤如下:根据染色体适应度值E，对染色体进 行选择、交叉、变异操作，其交叉、变异率的计算公式为：
[0033]
[0034]
[0035] 式中：fmax表示种群中最大适应度值，favg表示群体平均适应度值，f'表示配对染色 体中适应度值较大的一个，f表示待变异个体适应度值，？。 1，？。2，？^，？^表示公式概率常数， 介于0 ~1，pcl = 0.9，pc2 = 0.6，Pml = 0.1，Pm2 = 0.01。
[0036] 优选的，所述步骤四中的就近原则指输气管线首末两端传感器采集数据的判定情 况不一致时，采用互相关函数法比较发生工况变化位置与首末传感器间远近，采纳较近一 端判定结果，但只要有一端判断为泄漏，则直接判定管线发生泄漏。
[0037] 优选的，所述步骤四中的分时段统计法指根据10秒内BP神经网络的判断情况决定 当前输气管道工况状态，10秒内输气管道工况判定标准如下：
[0038] 工况类别为压缩机关闭时，判断标准为10秒内连续出现4次；
[0039] 工况类别为阀门启闭时，判断标准为10秒内连续出现3次；
[0040] 工况类别为管线泄漏时，判断标准为10秒内出现4次。
[0041] 本发明的有益效果是：
[0042] 1.本发明提取的三种输气管道音波信号特征值(均值、峰度和均方根斜率)应用于 BP神经网络时判定准确率较高，因此能够有效地提高泄漏识别准确率。
[0043] 2.本发明采用F-自适应遗传算法优化了用于输气管道泄漏监测的BP神经网络初 始参数，加快了训练速度，增强了网络收敛稳定性。
[0044] 3.本发明结合模糊逻辑和人工神经网络，构建的模糊BP神经网络，优化了网络输 入值，提高了 BP神经网络泄漏识别的准确率。
[0045] 4.本发明确定了贝叶斯归一化算法为泄漏判断BP神经网络的训练算法，提高了网 络泛化能力。
[0046] 5.本发明考虑了与管道泄漏音波信号相似的干扰工况（阀门启闭、压缩机启闭）， 采用了分时段统计的方法提高了泄漏工况的识别能力，同时降低了其误报率。
[0047] 6.本发明采用互相关函数算法，确定工况变化点与上下游传感器间远近程度，以 就近原则确定管道工况情况，增强了判定结果的可信度。
【附图说明】
[0048] 图1表示本发明提供的基于ANN的音波法输气管道泄漏检测方法的流程图；
[0049] 图2是本发明提供的泄漏工况去噪后音波样本数据；
[0050] 图3是本发明提供的阀门启闭工况去噪后音波样本数据；
[0051] 图4是本发明提供的压缩机启闭工况去噪后音波样本数据；
[0052] 图5是本发明提供的各工况音波样本数据均值图；
[0053]图6是本发明提供的各工况音波样本数据峰度图；
[0054]图7是本发明提供的各工况音波样本数据均方根斜率图；
[0055]图8是本发明提供的各工况音波样本数据均值模糊分割函数图；
[0056]图9是本发明提供的各工况音波样本数据峰度模糊分割函数图；
[0057]图10是本发明提供的F-自适应遗传算法网络参数训练曲线图；
[0058 ]图11是本发明提供的L_M训练算法网络收敛曲线；
[0059] 图12是本发明提供的贝叶斯归一化算法网络收敛曲线；
[0060] 图13是本发明提供的普通BP神经网络收敛曲线；
[0061] 图14是本发明提供的AGA-BP神经网络收敛曲线；
[0062] 图15是本发明提供的模糊BP神经网络收敛曲线；
[0063]图16是本发明提供的输气管道泄漏监测系统在正常工况下的界面显示；
[0064]图17是本发明提供的输气管道泄漏监测系统在泄漏工况下的界面显示；
[0065]图18是本发明提供的输气管道泄漏监测系统在阀门启闭工况下的界面显示；
[0066] 图19是本发明提供的输气管道泄漏监测系统在压缩机启闭工况下的界面显示。
【具体实施方式】
[0067] 下面结合附图和实例对本发明进一步说明。
[0068]如图1所示，基于ANN的音波法输气管道泄漏检测方法，包括以下步骤：
[0069]步骤一:获取输气管道多工况下音波信号样本，对不同工况下音波信号样本去噪， 并提取不同工况下音波信号样本特征值；
[0070] 具体实施中，如图2~图4,步骤一采集的样本信号为管线压力0.2MPA，管径42mm下 泄漏工况、阀门启闭工况和压缩机启闭工况小波去噪后的音波数据。
[0071] 提取不同工况下音波信号样本特征值参考图5至图7,由图可知，泄漏信号与其它 两种干扰工况间存在较大差别，对每秒内去噪后的音波信号样本进行均值、峰度、均方根斜 率计算的公式为：
[0072]
[0073]
[0074] 其中:X(n)表示样本数据值，μχ表示均值，kurtosis表示峰值，σ'χ表示均方根斜率。
[0075] 步骤二:采用高斯隶属度函数对不同工况下音波信号样本特征值进行模糊分割， 获取模糊分割量；其中均值分割后的四个模糊分割函数，且峰度与均值分割方法相同，其 中，均值对应的模糊分割量表示为：
[0076]
[0077]
[0078]
[0079]
[0080] 其中：yleak(x)表示泄漏工况模糊输入变量;yvalve3(x)表示阀门开启工况模糊输入 变量;(X)表示压缩机关闭工况模糊输入变量;μ η〇_? (X)表示正常工况模糊输入变 量;〇!，〇2，03，〇4表不为经验取值，都取为最大值减去最小值的六分之一。
[0081] 获得的模糊分割函数如图8和图9所示，可以看出均值和峰度各自的四个模糊函数 均存在较明显的样本中心，即是对管道正常工况、泄漏工况、阀门启闭工况和压缩机启闭工 况存在一定区分性。将样本均值、峰度值分别代入各自模糊分割函数共获得8个模糊分割 量。
[0082]步骤三:利用F-自适应遗传算法对BP神经网络初始参数进行优化，将模糊分割量 代入BP神经网络进行训练，获取用于输气管道瞬时工况判定的BP神经网络。
[0083]将8个模糊分割变量和均方根斜率共9个样本参数代入F-自适应遗传算法。按照 步骤S301组建一个与网络参数同维且染