BP神经网络在输油管道泄漏定位中的应用

罗会玖

摘要：为了更好地对输油管道泄漏进行定位，对标准BP神经网络算法进行改进，使用增加动量项和学习速率自适应调整算法加速了收敛速度及避免了陷入局部极小值，选用改进后的BF神经网络对输油管道工况进行模式识别，确保了管道安全可靠地运行。

关键词：BP 神经网络；管道监控；泄漏定位；输油管道

中图分类号：TP183 文献标识码：A 文章编号：1009-3044（2013）08-1885-04

输油管道是石化系统中极其重要的一环，由于各种原因，比如：管道所处环境恶劣、管道自然老化、管道运行磨损、人为打孔等，导致管道泄漏频频发生，这对管道监控提出了更高的要求，必须及时准确地对泄漏做出检测；传统的检测方法存在误差大或易漏报、误报等缺陷，难以准确发现定位输油管道的泄漏位置； BP神经网络是一种具有三层或三层以上结构的无反馈的、层内无互连结构的前向网络，随着误差反向传播，误差不断得到修正，逐渐减小误差，自动更新网络参数，从而不断提高对输入模式识别的正确率，非常适合应用到输油管道泄漏定位。

1 BP神经网络

1.1 标准BP神经网络算法

BP神经网络（Back Propagation Neural Network，简称BP网络）通常是指基于误差反向传播算法（BP算法）的多层前向神经网络，它与PDP（并行分布处理）理论相结合，使BP网络受到广泛关注，成为目前最流行的一种神经网络模型，该模型采用BP算法进行学习，其学习过程分四个阶段：“模式顺传播”过程， “误差逆传播”过程， “记忆训练”过程和“学习收敛”过程，典型的BP神经网络是一种具有三层或三层以上结构的无反馈的、层内无互连结构的前向网络，三层（输入层、隐含层和输出层）BP神经网络结构图如图1所示，其中首尾两层分别称为输入层和输出层，中间各层为隐含层（也称中间层），各层之间的神经元为全连接关系，层内的各个神经元之间无连接。

1）中心站计算机：负责实时检测管道两端的压力等状态信号，对管道两端的数据进行分析处理，判断是否发生泄漏，当判断泄漏发生时，需要及时报警，并确定泄漏点位置。

2）传输网路：通过以太网为媒介，当中心站请求数据时，向中心站传送所需的数据。

4）现场仪表：压力变送器、温度变送器、流量传感器，负责把压力、温度及流量转变为电信号。

3 基于BP神经网络的管道泄漏检测

3.1 管道泄漏检测

泄漏检测流程为：先根据工程需要预先设置好管道配置链表，启动泄漏检测程序后，程序根据已经配置好的管段链表进行轮询；在某一时刻获得某一管段信息，管段信息包括首站及末站IP地址，传感器编号，管道段长，波传播速度等。中心站先根据管道段首、末站IP地址，向这两个IP地址发送数据请求，首、末站接收到请求后，根据中心站要求发送相应的传感器数据；中心站在发送完请求包后等待基站回应数据。如在规定的时间内接收到首末站数据，则对传来的数据进行滤波、检测，如有泄漏信号则给出报警信号，并把检测结果记录到文件中，否则则给出超时信号，并将该管道添加到离线分析管段链表中，形成断线记录；另一任务则根据离线分析管段链表发送离线数据请求，完成离线数据检测。

管道泄漏神经网络检测技术，主要提取了三个变量作为泄漏信号的特征量，它们分别是区间信号能量、区间最大信号下降斜率和区间信号最大负极值，这些特征量的提取是基于动态压力信号是一个个正负相间的信号这个特点，且都是从动态压力信号中提取出来的。

与现有的基于神经网络泄漏判断不同的是，这三个特征量都是取相对于历史数据的比值作为神经网络的输入，因此，在泄漏检测可靠性的基础上，进一步提高了泄漏检测的灵敏度。

用于泄漏检测的神经网络采用BP神经网络，BP神经网络的拓扑结构包括三个输入，中间隐含层包含五个节点，一个输出，它事实上是一个神经网络模式分类器，用于判断是泄漏或不是泄漏。

3.2 BP 网络结构的设计

在实际应用中，面对一个具体的问题时，首先要分析利用BP网络求解的问题的性质，然后依据问题的特点，建立网络。最后通过对网络进行训练、仿真等，检验网络的性能是否满足要求。进行BP网络的设计前，一般应从网络的层数、每层中的神经元个数、初始值以及学习方法等方面来考虑。

1）输入样本的确定

具有足够多典型性好和精度高的样本是采用BP神经网络方法建模的首要和前提条件，同一种故障模式则需要大量的网络训练样本数据输入，这样才可以更好地表征管道泄漏的故障模式，该文对正常、调泵和泄漏三种故障模式的每一种选择多个样本进行训练，同时将收集到的数据随机分成测试样本（10%以上）、检验样本（10%以上）和训练样本3部分。

2）网络层数的选择

大多数通用的神经网络都预先预定了网络的层数，而BP网络可以包含不同的隐层。对多层BP神经网络，隐层层数至少为1层或1层以上，每个隐层的神经元个数至少为1个或1个以上，否则与多层网络的命题矛盾而不成立。

3）隐含层中神经元数目的确定

输油管道有很多种故障模式，该文只对其中的三种（正常、调泵、泄漏）故障模式进行分析，其对应的输出模式为：正常（1，0，0），调泵（0，0，1），泄漏（0，1，0），因此，需要建立具有8个神经单元的神经网络输入层及具有3个神经单元的输出层，隐含层神经元的个数没有明确规定，在本设计中，一般采用试凑的方法来确定隐含层神经元的个数，隐含层有17个神经元。

4）初始权值的设定以及学习速率的选择

5）传递函数

4 结束语

输油管道作为石化行业中重要的一个环节，逐渐老化的输油管道直接威胁到国民经济和人们的日常生活，文中将BP神经网络应用到输油管道监测中，提高了装置的准确性、可靠性及稳定性，具有十分重要的现实意义。

参考文献：

[1] 于金广.基于模糊神经网络的成品油管网泄漏检测方法[J].油气储运，2012（10）.

[2] 沈继忱.管道泄漏诊断方法研究[J].化工自动化及仪表，2012（3）.

[3] 王军茹.基于神经网络的气体管道泄漏检测与定位[J].北京信息科技大学学报：自然科学版，2010（4）.

[4] 易方.基于模糊神经网络的管道缺陷识别方法研究[J].微计算机信息，2010（2）.