基于神经网络算法的油田油气管道泄漏检测

岳军红，王 涛.2，任英桥，郭 明

（1.陕西铁路工程职业技术学院 陕西 渭南714000；2.长安大学 地质工程与测绘学院，陕西 西安710054；3.北京建筑大学 北京100044）

基于神经网络算法的油田油气管道泄漏检测

岳军红1，王 涛1.2，任英桥1，郭 明3

（1.陕西铁路工程职业技术学院 陕西 渭南714000；2.长安大学 地质工程与测绘学院，陕西 西安710054；3.北京建筑大学 北京100044）

长庆油田油气输送管道发展迅速，油气管道里程也越来越长。部分油气管道年代较长，管道腐蚀情况较严重，发生油气管道泄漏的危险系数很高。而油气管道一旦发生泄漏，将造成严重的事故，危害巨大。神经网络算法是目前最有效的分类识算法之一。采集长庆油田油气管道的正常压力波信号和管道泄漏时的压力波信号，并对信号进行预处理，分别对正常的压力波信号和泄漏时压力波信号进行小波变换分析，引入神经网络算法分析结果显示，此算法对长庆油田原油、天然气的传输管道泄漏问题，均具有有效的检测能力。当油气管道内的压力差变化达到5%以上时，油气管道泄漏的检测、预报精度接近100%。当油气管道内的压力差变化低于5%，需要根据实际情况分析，检测精度跟实验数据的样本数量密切相关。

管道泄漏；神经网络算法；泄漏诊断；压力

油气管道运输，是最可靠、最有效的方式油气传

输方式。管道可穿过各种复杂地形，可以大幅降低地域特点对油气运输的影响，具有低成本、高效率、污染小的特点。目前，长庆油田的油气传输大部分实现了油气管道传输，油田的油气管道的建设规模也越来越大[1-2]。

但是油气管道在投入运营后，油气管道自身受到环境的影响越来越大，随着服役时间的增长，环境中的水、氧气、土壤中各种矿物成分等，将会侵蚀油气管道，导致油气管道出现泄漏问题[3]。长庆油田始建于70年代，部分油气管道服役年限很长，管道腐蚀情况严重，而且缺乏有效的在线监测，管道发生泄漏的可能性很大。而油气管道发生泄漏后，将造成严重的环境污染，如果油气管道泄漏不能及时发现和处理，将可能导致管道爆炸等恶性事故[4-6]。因此，对长庆油田的油气管道的泄漏检测，是目前亟待解决的问题，同时也具有重要的社会效益和经济效益。

油气管道在输送石油、天然气时，油气管道内有着一定的压力。而当油气管道发生泄漏时，油气管道的内的压力将会迅速改变，而石油、天然气将泄漏出来，造成严重的环境危害。因此，可以采集油气管道的压力波信号，对油气管道的泄漏问题进行分析[7-10]。

小波分析，是一种强大的波形信号时频分析方法，可以有效提取出信号中的时频信息，通过小波分解变换，可以得到不同尺度下的小波系数，这些小波系数分别代表波形信号在不同频域下的特征[11-14]。因此，利用小波分析对油气管道的压力波信号进行分析，提取出不同油气管道运行状态下的压力波信号特征。神经网络算法，是目前最有效的分类识算法之一，引入神经网络算法，对压力波信号的小波系数特征进行分类识别，以检测油气管道是否发生泄漏问题[15]。

1 管道泄漏诊断算法

1.1 BP神经网络

神经网络是一种常用的机器学习算法，模仿人脑的思维模式，利用大量基本元件构建成复杂网络，实现信息的提取、分析、分类、识别等，常用系统辨识、分类、检测和故障诊断领域。

BP神经网络是一种常见的前馈型神经网络，通常包括三层结构，即为输入层、隐含层、输出层等。整个网络由多个节点构成，每个节点可以被认为是一个神经元[5]。图1所示为一个三层结构的BP神经网络结构图。

图1 三层BP神经网络结构图

假定输入层节点数为n，隐含层节点数为q，输出层节点数为m，神经网络的输入为X=（x1，x2，…，xn）T，输出为Y=（y1，y2，…，ym）T。vik表示输入层节点xi到隐含层节点zk的权值系数，wkj表示隐含层节点zk到输出层节点yj的权值系数，Qk表示隐含层节点zk的阈值，γj表示输出层节点yj的阈值。可知i=（1，2，…，n），k=（1，2，…，q），j=（1，2，…，m）。 则

隐含层第k个节点zk的输入为：

隐含层第k个节点zk的输出为：

输出层第j个节点yj的输入为：

输出层第j个节点yj的输出为：

假定输出层第j个节点yj的预期输出为，则整个神经网络的误差为

BP神经网络的训练过程，即通过误差反向传递方法，调整输入层到隐含层的权值vik和隐含层到输出层的权值wkj，以及隐含层的阈值Qk和输出层的阈值yj。通过对这些变量的不断调整，使得神经网络的误差E小于一定的水平，则神经网络训练完成。当利用BP神经网络进行测试时，给定输入变量向量，则可以得到输出的结果，根据该结果，实现对输出变量状态的异常监测和故障诊断。

1.2 故障诊断算法流程

神经网络方法可以很好地捕捉到输入变量中的变化，将信号小波变换后的小波系数作为BP神经网络的输入，采集到油气管道泄漏检测时压力信号和正常无泄漏时压力信号，训练神经网络参数，用于油气管道的泄漏检测。图2所示为该基于小波神经网络的算法流程。

图2 基于小波神经网络的故障诊断算法

2 基于小波神经网络的管道泄漏诊断实例分析

采集长庆油田油气管道的正常压力波信号和管道泄漏时的压力波信号，并对信号进行预处理。分别对正常的压力波信号和泄漏时压力波信号进行小波变换分析，本处采用Daubechies 3函数作为小波分析的基函数。图3和图4所示分别为长庆油田正常情况下的管道压力波信号和管道泄漏时压力波信号小波分解各频断信号。对该管道压力波信号进行小波变换分析，可以得到一系列的小波分解系数，以这些小波分解系数，图5和图6所示为长庆油田油气管道正常压力波信号和泄漏时压力波信号的小波重构信号。

图3 油气管道的正常压力波信号

图4 油气管道泄漏压力波信号

选择3层BP神经网络，将油气管道的压力波信号的小波分解系数，作为神经网络的输入数据，训练神经网络，图7所示为神经网络训练时的误差曲线。由图7可知，网络训练步长为260步。根据训练好的BP神经网络，如果在实际检测中，检测到管道的压力波信号，通过小波神经网络算法，可以确定油气管道是否发生泄漏。

图5 油气管道的正常压力波小波各频段重构信号

图6 管道泄漏时压力波小波各频段重构信号

该小波神经网络算法对管道内的压力变化敏感，对管道泄漏的检测精度很高。当油气管道因为泄漏，造成管道内压力出现些许变化时，小波神经网络算法可以有效的捕捉到管道内压力的变化，并判断出管道泄漏。同时，该算法抗干扰能力强，对长庆油田原油、天然气的传输管道泄漏问题，均具有有效的检测能力。数据分析表明，当油气管道内的压力差变化达到5%以上时，油气管道泄漏的检测、预报精度接近100%。当油气管道内的压力差变化低于5%，需要根据实际情况分析，检测精度跟实验数据的样本数量密切相关。

图7 小波神经网络误差训练曲线

3 结束语

长庆油田随着生产的发展和时间的推移，油气管道服役状态亟需进行有效的监测，一旦油气管道发生泄漏，将会导致严重的生产事故。在实际的油田生产中，油气管道的压力波信号，较容易采集，而且压力波信号也能较好的反应油气管道的运行情况。因此，本文引入小波变换和神经网络算法，发展了小波神经网络诊断算法，对长庆油田的油气管道的压力波信号进行分析，通过小波分析有效提取压力波信号的特征，并利用BP神经网络算法，对管道的压力波信号进行诊断、识别，确定管道是否发生了泄漏问题。该算法有效的实现了油气管道的泄漏检测。通过对油气传输管道历史数据的分析，分析结果显示，小波神经网络算法对油气管道泄漏检测精度极高，抗干扰能力强，适用性广。

[1]贾宗贤.基于小波变换的天然气管道次声波信号分析[J].油气田地面工程，2011，30（11）：13-15.

[2]贾莹.基于智能算法的油田天然气管道泄漏检测研究[D].大庆：东北石油大学，2014.

[3]丁冬，杨成禹.基于遗传算法优化的神经网络在长输管道泄漏检测系统中的应用[J].长春理工大学学报（自然科学版），2015（6）:136-139.

[4]高丙坤，任秀菊.基于改进差分进化算法的神经网络管道泄漏检测 [J].化工自动化及仪表，2014（1）:14-18.

[5]贾莹，高丙坤.基于遗传算法优化神经网络的管道泄漏检测方法研究[J].化工自动化及仪表，2014（2）:128-131，137.

[6]曾海龙.基于缺陷相关的腐蚀管道可靠性评价[D].兰州：兰州理工大学，2010.

[7]宿兰花.基于模糊理论的管道失效模式诊断模型与方法研究[D].北京：中国石油大学，2010.

[8]崔立元.关于吴起—延炼原油管道泄漏检测与定位系统的研究[D].西安：西安石油大学，2014.

[9]王正.基于物联网的管道远程泄漏检测系统设计[D].成都：西南石油大学，2015.

[10]王天瑜，吴宗之，王如君，等.基于改进灰关联分析法的埋地管道土壤腐蚀性评价[J].中国安全生产科学技术，2016（3）:133-136.

[11]王少锋，仲济祥，王建国.立体管网微泄漏实时监测系统研究概述[J].河北科技大学学报，2016（2）: 130-138.

[12]周卫华，谢耀恒，吕玉宏，等.电气设备带电检测述评[J].湖南电力，2016（2）:1-8.

[13]孙博，聂文.管道内检测技术在输气管道中的研究与应用[J].石油化工自动化，2016（2）:58-61.

[14]薛斌.光缆在线检测技术在油气田行业中的应用[J].信息与电脑（理论版），2016（6）:188-189.

[15]张媛，顾为敏.输气站场管道完整性检测评价技术体系[J].管道技术与设备，2016（2）:47-50，57.

Oil and gas pipeline leak detection in oil field based on neural network algorithm

YUE Jun-hong1，WANG Tao1.2，REN Ying-qiao1，GUO Ming3
（1.Shaanxi Railway Institute，Weinan 714000，China；2.School of Geological Engineering and Surveying and Mapping，Chang'an University，Xi an 710054，China；3.Beijing University of Architecture，Beijing 100044，China）

Changqing oilfield oil and gas pipelines in the rapid development of oil and gas pipeline mileage is getting longer.Part of the oil and gas pipelines in the age of a long time，the pipeline corrosion is more serious，the risk of oil and gas pipeline leakage is very high.The oil and gas pipelines once the leak，will cause serious accidents，great harm.Neural network algorithm is one of the most effective algorithms.Acquisition of Changqing oilfield oil and gas pipelines of normal pressure wave signal and pipeline leakage of pressure wave signals，and the signals were pre processed，respectively to normal pressure wave signal and leakage when pressure wave signals were wavelet transform analysis，using neural network algorithm analysis results show，the algorithm of Changqing Oilfield crude oil and natural gas transmission pipeline leakage problem，is effective in detecting ability.When the pressure difference in the oil and gas pipeline reaches 5%or more，the detection accuracy of the oil and gas pipeline leakage is close to 100%.When the pressure difference in the oil and gas pipeline is less than 5%，according to the actual situation analysis，the detection accuracy is closely related to the number of samples of the experimental data.

pipeline leakage；neural network algorithm；leak diagnosis；pressure

TN98

A

1674－6236（2017）10-0010-04

2016-05-11稿件编号：20160509

国家自然科学基金（41501495）；陕西省教育厅自然科学研究项目（14JK1167）；陕西铁路工程职业技术学院科研基金项目（2015-05）

岳军红（1982—），男，陕西商洛人，硕士，助教。研究方向：遥感与地理信息系统应用研究。