2种基于模式识别的环状燃气管网泄漏检测方法*

虞丹阳，玉建军，靳新迪,2

(1.天津城建大学 能源与安全学院，天津 300384；2. 中国石化销售有限公司 上海石油分公司，上海 200000)

0　引言

现阶段大部分城市燃气管网服役年限较长，具有一定的脆弱性[1]，且燃气具有易燃易爆的特性，这些因素都极易引发燃气管网的泄漏事故，进而导致火灾、爆炸、中毒窒息等事故。尽早检测出燃气管网的泄漏，及时启动应急预案，有助于减少和避免事故的发生。

国内外各方面的专家和学者对燃气管网的泄漏检测进行了长期探索和实践[2-8]。目前检测泄漏的方法主要有人工巡检法、声波法、负压波法、分布式光纤检测法、磁通量漏损检测器检测法和人工智能法等，其中，模式识别方法是人工智能法的一种。

目前，国内已将模式识别技术应用于燃气管网泄漏检测。但很多方法只局限于单条管线[9]或枝状管线[10]，对环状管网的泄漏检测则研究较少。调研发现，在少数的环状管网泄漏检测的研究中，由于对环状管网应用模式识别技术中存在特征向量维度大的问题[11]，检测效果也并不理想。与此同时，采用模式识别方法过程中特征向量的选取并不相同，究竟哪种形式的特征向量最优，学术界并没有统一的认识。有些专家认为采用压力矩阵可以得到更为准确的结果，但并未进行实际比较和论证。因此，以下以天津城建大学燃气实验室环状燃气管网泄漏为例，分别采用节点压力矩阵与提取压力图像特征向量法来对环状燃气管网泄漏进行检测，进而找到一种较好的检测方法。

1　模式识别技术概述

模式识别是对表征事物或现象的数值、文字或逻辑关系信息进行处理和分析，以对事物或现象进行描述、辨识、分类和解释的工程。模式识别也可以称为模式分类，就是把具体的样本归类到某一个模式。在设计模式识别系统时，选择不同的特征提取方法将会关系到整个系统的好坏[12-13]。

以下设计了2种特征提取方法，一种是提取压力图像特征向量法，另一种是节点压力矩阵法。提取压力图像特征向量法主要是受模式识别应用中指纹识别的启发[14]。并且近些年来，已有学者利用图像的识别来进行单条管网的泄漏检测[15-16]。于是，产生了将环网的压力图像进行识别的想法，以期进行环状管网泄漏检测。而压力矩阵法是保持最原始数据的一种模式识别方法，与此做比对有一定的意义。

模式识别系统主要由数据获取、预处理(数据处理)、特征提取和选择、分类决策4个部分组成。本文采用模式识别技术来进行环状燃气管网泄漏检测的主要流程如图1。下面将按照下图流程对每一步骤进行详细的介绍。

图1　基于模式识别技术的燃气管网泄漏检测流程Fig.1　The flow chart of gas pipeline leak detection based on the pattern recognition

2　数据获取

2.1　燃气实验室环状燃气管网系统介绍

天津城建大学燃气实验室环状燃气管网系统包括供气系统、燃气管网系统和数据处理系统。其中，供气系统由活塞式空气压缩机、缓冲罐、过滤器、调压器和压力表等组成；燃气管网系统由U-PVC管、法兰、弯头和球阀等组成；数据处理系统由转子流量计、涡轮流量计、压差表、传输电缆、计算机、SETP7编程软件和WINCC软件等组成。燃气管网系统为9个相同单环构成的环状管网，见图2。环网包含24个管段，考虑局部阻力，每个管段的当量长度为48 m。设备详细情况见表1；总体简化流程见图3。

2.2　模拟管网与实验管网水力工况基本相同论证

首先，利用环状燃气管网系统分别调节实验管网中球阀开度来调节负荷点Q1，Q2，Q3的流量，选取(Q1=15，Q2=0，Q3=0)，(Q1=15，Q2=2.5，Q3=0)，(Q1=5，Q2=6，Q3=10) (单位：Nm3/h) 3种工况，并将各工况下实验管网中16个节点压力记录下来。然后，使用Pipeline Studio模拟与实验同样的3种工况，得到各工况下模拟管网中节点压力。最后，分别绘制各工况下模拟节点压力以及实测节点压力散点图。以工况2(Q1=15，Q2=2.5，Q3=0)为例，如图4所示。

图2　燃气实验室环状燃气管网系统Fig. 2　The loop pipe network system of Gas Laboratory

通过图4对模拟节点压力与实测节点压力的对比可以发现，二者节点压力散点图十分接近。因此，可以认为对于上述环状管网的模拟管网与实验管网水力工况基本相同。

表1　实验室设备情况

图3　燃气实验室环状燃气管网流程Fig.3　The flow chart of loop pipe network of Gas Laboratory

图4　模拟节点压力以及实测节点压力散点图(工况2)Fig. 4　The scatter diagram of the Simulated and measured pressure of pipe nodes (the condition 2)

2.3　训练和测试样本来源

由于上述已论证模拟与实验管网水力工况基本相同，则本文将实验测得28个工况作为测试样本，而与之对应的模拟获得的28个工况作为训练样本。

利用图2所示实验室环状燃气管网系统进行管网泄漏实验，将Q1，Q2看做正常用气负荷，Q3作为泄漏点，气源点压力保持在300 kPa，测得28个工况下各节点压力，作为测试样本。具体步骤如下：

1)单负荷工况。关闭Q2处阀门，即Q2=0 Nm3/h，将负荷Q1流量依次设置为5，10，15和20 Nm3/h，Q3依次设置为0，2.5，4和6 Nm3/h，由此构成单负荷状态下Q3=0 Nm3/h的4种正常运行工况和Q3≠0 Nm3/h的12种泄漏工况，使用差压变送器测量并记录上述16种工况下各节点与气源点处压力差，并换算为各处表压。

2)多负荷工况。保持负荷Q1=5 Nm3/h，Q2依次设置为5，10，15 Nm3/h，Q3依次设置为0，2.5，4和6 Nm3/h，由此构成多负荷状态下Q3=0 Nm3/h的3种正常运行工况和Q3≠0的9种泄漏工况，使用差压变送器测量并记录上述12种工况下各节点与气源点处压力差，并换算为各处表压。

利用由图3建立的计算机模拟管网对实验选取的28个工况分别进行模拟，并提取各节点压力，作为训练样本。

3　研究方法

3.1　提取压力图像特征向量法

3.1.1数据处理

通过下述步骤将各工况下的节点压力经过一定的数据处理获得燃气管网压力图。示例如图5所示。

1)结合燃气管网的管段走向及长度信息绘制燃气管网拓扑结构，并选取管网上节点作为控制点。

2)将各管段上的压力变化简化为线性公式：

(1)

3)忽略燃气管网中存在的高差，以其所在平面为基准面(xoy平面)，建立oxyz三维坐标系，其中，z轴为压力值。每隔一定的间隔选取一个压力值，代入式(1)，则可得到由多个平面组成的分段曲面方程z=f(x,y)。

4)按照上述曲面方程绘制“分段等压曲面”，将该曲面投影至基准面，并将每个分段投影所得闭合区域按照一定的规律着色。

图5　燃气管网压力图举例Fig.5　Example of gas pipe network pressure diagram

3.1.2压力图像特征向量

可以用于描述管网泄漏压力图的统计特征众多，包括纹理、颜色、等压区域形状、等压线在管道上的截距以及等压区域周长等。利用自编MATLAB提取程序将燃气管网泄漏压力图批量进行彩色图像转换为灰度图像的预处理，然后，由该程序提取得到各燃气管网压力图的特征向量feature(t,n)，其中，t为特征图像编号，n为样本特征图像数量，feature(t,n)为一个由管网泄漏压力图像均值、角二阶距、标准差和熵值依序组成四维行向量的4×n阶矩阵。

3.2　节点压力矩阵法

将节点压力依序排列构成特征向量，形式如下：

式中:pi,j为第i种工况下节点j的压力值。

4　支持向量机分类器

支持向量机(Support Vector Machine，SVM)是实现统计学习理论的一种学习算法，它遵循机构风险最小化原则。支持向量机的主要模块是最大间隔分类器，它的原理在于求解线性可分下的最优分类超平面。最优分类超平面在保证将2类样本无错误分开的前提下，尽量使2类之间的分类距离最大。

LIBSVM是通用SVM软件包，可以用来解决多种SVM相关分类问题。利用LIBSVM提供的MATLAB语言接口，通过Visual C++6.0将源代码编译为MATLAB程序，对2种方法获得的特征向量用于支持向量机的训练与分类检验。LIBSVM的主要参数设置有SVM类型、核函数类型、惩罚因子C与核函数中的gamma函数设置参数g等。参数C控制对大间隔和最小训练错误率之间的平衡，其与参数g对支持向量机分类性能影响较大。因此，研究中采用C-SVM类型，核函数为径向基核函数(RBF)，对于参数C与g则分别使用基于交互检验(Cross Validation，CV)的网格搜索算法(Grid Search Method，GS)、遗传算法(Genetic Algorithm，GA)和粒子群优化算法(Particle Swarm Optimization，PSO)进行寻优运算，以获取最佳参数C与g。GS算法中，C与g的搜索范围为-8～8，步长为0.5，交叉验证折数V=5。GA算法与PSO算法中，C与g的范围设置为0～100，进化代数均设置为100，种群数量均为20，交叉验证折数V=5。最终输出与最佳参数C与g对应的最终交互检验意义下的分类准确率(CV accuracy)、学习精度(train set accuracy)、分类准确率(test set accuracy)。

5　结果对比与分析

对训练样本与测试样本分别进行图像预处理及特征提取，按照管网是否泄漏将管网工况分为2种模式，即当Q3=0 Nm3/h时，管网未发生泄漏，对该种工况所对应的特征向量赋予分类标签0；当Q3≠0Nm3/h时，管网存在泄漏，对该工况所对应的特征向量赋予分类标签1。按照上述取值，对LIBSVM进行参数设置。使用训练样本提取的特征向量对SVM进行训练，并利用测试样本对训练好的支持向量机进行测试。采用提取压力图像特征向量法的结果见表2，采用节点压力矩阵为特征向量的结果见表3。

由提取压力图像特征向量法的测试结果(表2)可知训练获得的支持向量机分类结果较为准确，其分类准确率均在90%左右，这表示该支持向量机基本能正确判断实验管网中Q3位置是否发生泄漏。

表2　采用提取压力图像特征向量法的泄漏检测测试结果

表3　采用节点压力矩阵为特征向量的泄漏检测测试结果

下面主要通过Q1=5 Nm3/h，Q3位置发生6Nm3/h泄漏前后的训练样本和测试样本压力图对比，简单分析分类准确率未能达到100%的原因。样本图像如图6所示。

图6　4种燃气管网压力图对比Fig. 6　Comparison of four kinds of gas pipe network pressure diagram

通过对比发生泄漏前后训练样本和测试样本图像，可以看出计算机管网模拟数据与实验数据之间仍然存在一定的误差，并非完全吻合。这样将会对分类造成干扰，导致同一泄漏工况下，训练样本图像与测试样本图像存在略微的不同，因此导致结果中的分类准确率并未达到100%。在实际的工程应用中，通过采用实际管网泄漏作为训练样本可以避免此种现象的发生，提高燃气管网泄漏检测准确率。

由表3所示结果，利用节点压力矩阵构成的特征向量训练所得支持向量机其学习精度、分类准确率以及最终交互检验意义下的分类准确率均低于采用提取压力图像特征向量法所训练的支持向量机，且该方法特征向量维度为16，其维度远远大于管网压力图提取的4维特征向量。因此，提取压力图像特征向量法在准确率和特征向量维数上均优于压力矩阵法。

采用提取压力图像特征向量法可将泄漏点定位到一个小区域。由于实验室管网具有对称性，所以采用一半区域进行定位，其区域划分如图7所示，实际当中可根据需要来划分区域。利用前文的方法获取样本，将样本处理成压力图，提取压力图的均值、角二阶距、标准差和熵值作为特征向量，送入SVM分类器，最后得到的结果见表4。

图7　泄漏定位区域划分情况Fig. 7　Regional division of leakage location

由表4可知，采用压力图像法进行泄漏定位到重叠小区域的分类准确率在45%左右，并且A，B，C区域的分类效果优于I，II，III区域，这说明不同区域的划分对压力图像法泄漏定位的效果会产生影响。同时，提取压力图像的均值、角二阶距、标准差和熵值作为特征向量，对于提取压力图的特征向量不同必然也会影响其效果。对于如何用压力图像法提高泄漏定位准确率需更深入的研究。

表4　泄漏定位测试结果

6　结论

1)提取压力图像特征向量法和压力矩阵法2种方法均可用于环状管网燃气泄漏识别。提取压力图像特征向量法有效地降低了特征向量的维度和数据波动的干扰，因此，其识别结果优于节点压力矩阵法。

2)在实践中可结合SCADA和GIS系统，利用提取压力图像特征向量法进行实际供水、燃气、输油等环状管网泄漏检测和定位，这样无需对管网现有硬件设施进行改造，或只需在控制点处增加压力变送器，其成本较低。

3)与现有技术相比，提取压力图像特征向量法不受城市燃气管网拓扑结构复杂及其附属设施的影响，且以图像特征作为分类特征，具有一定的模糊性，其适应性较强。

[1]王春雪, 吕淑然. 城市燃气管线泄漏致灾灾害链研究[J]. 中国安全生产科学技术, 2016, 12(5):16-21.

WANG Chunxue, LYU Shuran. Research on disaster chain of leakage disaster in urban gas pipeline [J]. Journal of Safety Science and Technology, 2016, 12(5): 16-21.

[2]GAO Xiaoming, FAN Hong, HUANG Teng, et al. Natural gas pipeline leak detector based on NIR diode laser absorption spectroscopy[J]. Spectrochimica Acta Part A-Molecular and Biomolecular Spectroscopy, 2006, 65(1): 133-138.

[3]MENG Lingya, LI Yuxing, WANG Wuchang, et al. Experimental study on leak detection and location for gas pipeline based on acoustic method[J]. Journal of Loss Prevention in the Process Industries, 2012, 25(1): 90-102.

[4]李军, 徐永生, 玉建军.燃气管道泄漏检测新技术[J].煤气与热力, 2007, 27(7):56-59.

LI Jun, XU Yongsheng, YU Jianjun. New technologies for leakage detection of gas pipelin [J]. GAS & HEAT, 2007, 27(7): 56-59.

[5]Fukushima K, Maeshima R, Kinoshita A. Gas pipeline leak detection system using the online simulation method [J]. Computers and Chemical Engineering, 2000, 24: 453-456.

[6]张丽娟.基于小波分析的燃气管道泄漏检测与定位研究[D]. 武汉: 华中科技大学, 2006.

[7]黄凤洁，田贯三，贾文磊，等．基于BP神经网络的城市燃气管网泄漏定位[J]．山东建筑大学学报，2011，26(5)：436-439, 475．

HUANG Fengjie，TIAN Guansan，JIA Wenlei, et al. Research on the leak location of urban gas pipe network based on BP network [J]. Journal of Shandong Jianzhu University, 2011, 26(5): 436-439, 475.

[8]季娟,田贵云,王平. 燃气管道检测技术研究进展[J]. 无损检测, 2012, 34(12):20-24.

JI Juan, TIAN Guiyun, WANG Ping. Research and development of detection technologies for gas pipeline [J]. Nondestructive Testing, 2012, 34(12):20-24.

[9]侯庆民.燃气长直管道泄漏检测及定位方法研究 [D]. 哈尔滨: 哈尔滨工业大学, 2014.

[10]张丽娟, 李帆, 王文龙. 2种基于模式识别的枝状燃气管网泄漏定位方法[J]. 天然气工业, 2007, 27(8):106-108.

ZHANG Lijuan, LI Fan, WANG Wenlong. Two leakage positioning methods for dentritic gas pipeline network based on pattern recognition [J]. Natural Gas Industry, 2007, 27(8): 106-108.

[11]段昱, 武平. 基于模式识别的燃气管网泄漏检测技术[J]. 能源研究与管理, 2014(2):69-72.

DUAN Li, WU Ping. Leak detection of gas pipeline network based on pattern recognition [J]. Energy research and management, 2014(2):69-72.

[12]范会敏, 王浩. 模式识别方法概述 [J].电子设计工程, 2012, 20(19):48-51.

FAN Huimin, WANG Hao. An overview of the pattern recognition methods [J]. Electronic Design Engineering, 2012, 20(19): 48-51.

[13]张铮,倪红霞,苑春苗.精通Matlab数字图像处理与识别[M].北京：人民邮电出版社,2013:42.

[14]王健康.自动指纹识别技术研究 [D]. 长沙: 中南大学, 2010.

[15]刘炜, 刘宏昭. 检测与定位管道泄漏的图像处理方法研究[J].控制工程, 2014, 21(2):294-297.

LIU Wei, LIU Hongzhao. Application of image processing technology on detection and location of pipeline leak [J]. Control Engineering of China, 2014, 21(2):294-297.

[16]陈华立，叶昊．基于图像处理的管道泄漏检测与定位[J]．清华大学学报(自然科学版)，2005，45(1)：119-122.

CHEN Huali, YE Hao. Oil pipeline leak detection and location based on image processing [J]. Journal of Tsinghua University(Science and Technology), 2005, 45(1):119-122.

[17]焦娇娜. 变负荷工况下燃气管网泄漏特性实验研究与仿真模拟[D]. 天津: 天津城建大学, 2013.