多算法融合管道泄漏检测预警系统试验研究

艾 信，田 鹏，吉效科，白文雄，华 剑

(1.长庆油田分公司 油气工艺研究院，西安710018；2.低渗透油气田勘探开发国家工程实验室，西安710018；3.长庆工程设计有限公司，西安 710018；4.长庆油田分公司 机械制造总厂，西安 710201 ；5.长江大学 机械工程学院，湖北 荆州 434023)

近年来，我国油气管道建设飞速发展，已建成四大油气战略通道，油气管网网络化运行，油气储运技术快速发展。截止2020年，我国陆上石油天然气管网规模达到了16.9×104km，预计到2025年，管网规模将达到24×104km。基本实现了全国骨干线联网，管道运输对国民经济的作用日趋显著，被誉为国民经济的命脉[1]。

尽管管道行业取得历史性的突破，但其安全问题仍然是重中之重，特别是2013年“11·22”青岛输油管道特大伤亡事故，给我们敲响了警钟，管道安全已上升为公共安全。因此，研究应用管道泄漏在线检测技术就显得尤为重要。单一管线泄露检测存在误判多，给运行维护带来较大不变。本文将业普遍应用的3种泄露检测方法进行融合试验研究，取得了比较满意的效果。多算法融合管道泄露检测可优化管线维护工作、避免管道周边人员伤亡、环境污染等恶性安全环保事故的发生[2-4]。

1 管道泄漏检测数据采集方法

考虑到现场数据采集系统复杂多变，因此，设计RTU/PLC数据采集方法与基于OPC的数据采集方法，将2种方法统一，提高多算法融合管道泄漏检测系统的现场适应性[5-7]。

1.1 基于Modbus协议

目前，国内外RTU/PLC一般均支持Modbus_TCP通信协议，因此，在管道泄漏检测定位系统中集成Modbus_TCP数据采集方法(如图1所示)实现网络传输。

图1 RTU/PLC数据采集方法

1.2 基于OPC协议

OPC(OLE for Process Control)是以Microsoft公司的OLE/COM技术为基础，采用客户/服务器模型制定的一种工业控制领域的开放式标准。OPC在工业控制设备与应用软件之间建立了统一的软件接口标准，主要用来解决监控程序与数据源的交互问题。

首先SCADA服务器通过Modbus、Profibus等协议直接读取PLC/RTU现场采集数据，存储在工业数据库中，形成集散控制系统的数据源；其次在SCADA服务器上内嵌OPC数据服务器；最后在管道泄漏检测系统内嵌OPC数据采集驱动(如图2所示)，就可以实现数据源内任何数据的读取。

图2 OPC数据采集方法

2 管道泄漏检测信号预处理

现场采集回来的压力、流量等信号，由于存在电磁波干扰、输油泵振动等情况，一定程度上均存在干扰问题。因此，需要对信号进行预处理。小波算法由于具有滤波效果好、信号细节损失少的优点，从而引起广泛关注和实际应用。小波去噪滤波过程如图3所示，其工作原理：首先将原始采集信号进行小波变换[8-12]，变换采用DB6小波，采用Wavedec函数进行8尺度分解，得到在1～8层信号高频系数以及第8层信号低频系数，然后采用小波变换重构函数Wdencmp对信号进行重构，得到消噪后的压力信号。

图3 小波去噪滤波过程

3 管道泄漏检测算法研究

在实际生产中，管道铺设高低起伏较大，并且存在油气混输现象，加之实际泄漏量有大有小。因此，用单一算法的泄漏检测判断方法，必然存在一定的局限性[13-14]。本文提出多算法融合泄漏检测算法，如图4所示，实现各类算法之间的互补，达到快速发现泄漏的目的。并对3种算法综合分析，针对不同的输油管道，给出不同的泄漏报警权重，进而确定最终的泄漏概率。当泄漏概率小于50%时，进一步监测，当班员工需开始关注；当泄漏概率大于50%时，直接发出报警，当班员工现场勘察。

图4 多算法融合管道泄漏检测预警系统实现方法

3.1 专家经验分析算法

管道泄漏检测系统采集上游站点压力数据、瞬时流量数据、累计流量数据，下游站点压力数据、瞬时流量数据、累计流量数据，以及高点压力数据。专家经验分析算法就是根据管线运行的经典特征，通过所采集的数据综合分析，进而识别管道运行状态[15-16]。

专家经验分析算法一般将管道运行状态事件划分为3类：

1) 输油泵故障(或自动停泵)事件。管道平稳输油时，若出现上下游压力下降、高点压力下降、上下游流量下降现象的任意条件组合时，则可认定为输油泵故障(或自动停泵)事件。

2) 管道拥堵事件。管道平稳输油时，若出现上游压力上升、上游流量下降、下游压力上升、流量下降现象的任意条件组合时，则可认定为管线拥堵事件。

3) 管道泄漏事件。管道平稳输油时，若出现上游压力下降、上游流量上升、高点压力下降、下游压力下降、下游流量下降现象的任意条件组合时，则可认定为管线泄漏事件。

在实际应用中，以管道泄漏事件为例，由于泄漏点所处的位置不确定，泄漏事件发生后，并不是上述泄漏事件的所有条件均成立。因此，一般设立4个条件判断组，每组包含上游压力下降、上游流量上升、高点压力下降、下游压力下降、下游流量下降等条件，组内条件可以选择。组内是“相与关系”，组间是“相或关系”。

基于专家经验的分析算法，其实现过程如图5所示。只要能够设置合理的阈值，确定合理的条件判断组，就可以对快速泄漏和缓慢泄漏实现检测。

3.2 向量机模式识别算法

支持向量机(support vector machines简称 SVM)模式识别算法可以视为泄漏和未泄漏的2种模式问题，进一步可以根据上下游压力、流量数据4类样本数据的学习方法，从而可得出“泄漏”的负样本与“非泄漏”的正样本，采用SVM方法通过有监督的学习得到一种非线性分类器，从而自动的检测出管线泄漏。

以上游压力信号为例：假定X=X1∪X2是输入Ω空间上的训练集，这里X1={x1,x2,…,xm}是上游压力信号正常的训练集，属于“非泄漏集”。X2={xm+1,xm+2,…,xn}是上游压力信号异常训练集，属于“泄漏集”。利用SVM方法训练完成后，根据样本分类函数f(x)相关定义，给定一个向量x，有如下结论：

图5 专家经验分析算法实现过程

f(x)=1，则x相似于X1(即x是正常样本，属于“非泄漏集”)。

f(x)=-1，则x相似于X2(即x是异常样本，属于“泄漏集”)。

使用这一方法，只要样本训练足够多，足够准确，就可以组成有关上下游压力、流量的信号的“非泄漏集”与“泄漏集”，就可以识别出小的泄漏和缓慢泄漏情况。支持向量机(SVM)算法实现过程如图6所示。

图6 支持向量机(SVM)算法实现过程

3.3 序贯概率比检验算法

根据动态质量平衡检测管道泄漏原理，当管道发生泄漏时，上下游输差就会发生变化，由正常输油状态下的稳态向泄漏状态下的稳态过渡。应用序贯概率比检验方法和模型识别技术对实际测量的瞬时输差进行分析，对每一组新的数据，使用修正流量差来计算泄漏和不发生泄漏的概率。若修正流量差的统计平均值增加，泄漏的概率就会增加。若平均值长时间保持很高，以致使泄漏的概率大大高于不发生泄漏的概率，此时就发出泄漏警告。

在输油工况进入稳态后，选取一段时间内的瞬时输差序列τ(1)，τ(2),…，τ(n)，得出其均值μ、标准差σ与标准差σ2。

首先，根据输差序列τ，求取泄漏前后的联合概率密度。

未泄漏的联合概率密度：

(1)

泄漏后的概率密度：

(2)

其次，求得泄漏后与泄漏前的联合概率密度比值，即似然比。

观察其似然比值：

①若式(3)成立，那么管道正常运行。

(3)

②若式(4)成立，那么管道泄漏。

(4)

③若式(5)成立，需要继续抽样检测。

(5)

式中：α为误报率；β为漏报警率。

最后，对上述检测方程进行简化。

在t次取样时，取概率比的对数

(6)

得到式(7)

(7)

因此，序贯概率比检验的判断参数为：

(8)

判断参数可转换为：

(9)

当λ(t)超过预设的临界值时，可产生泄漏报警信号。由于累计和λ(t)在上述的递推公式中不断的进行修正，它的计算量比实时模型的计算量小很多。检测到泄漏后，通过用在线最新更新值μ减去公式中所示的τ(t)平均值来估算泄漏量。

在实际应用中，检验参数λ(n)初始值取为零，因为此初始值对于判断泄漏的关系不是很密切，所以取为零，相对较简单。当检验参数超过下边界时，即可做出未发生泄漏的判断，然后检验参数λ(n)的值重新从零开始计算；当检验参数超出上边界时，做出泄漏的判断，并调用相应的判断程序给出泄漏时刻，检验参数λ(n)同样重新从零开始计算。上述的判断步骤完全是根据序贯概率比检验的原理设计的，只有当检验参数未超过上下边界时无法做出是否泄漏的判断，继续计算λ(n)，一旦其超出边界，则做出判断，并将检验参数做归零处理，重新开始计算。序贯概率比检验算法实现过程如图7所示。

图7 序贯概率比检验算法实现过程

3.4 融合方法

在实际应用中，需要根据管道以及算法设计成熟度等特性，对3种算法建立报警概率矩阵计算模型，具体计算如下：

(10)

式中：a1,a2,a3分别为3种算法的报警状态，检测到泄漏为1，未检测到泄漏为0；b1,b2,b3分别为3种算法的报警权重，报警权重根据管线实际情况确定。

具体计算举例：

对于某次泄漏，专家经验模型算法报警，向量机模式识别算法报警，序贯概率比检验算法未报警，若3种算法权重分别为40%，40%，20%，那么泄漏的概率即可达到80%。

4 管道泄漏检测试验研究

对本文提出的多算法融合管道泄漏检测系统开展现场试验研究，并从定位精度、误报率、漏报率以及系统响应时间等方面展开评估，试验验证了多算法融合管道泄漏检测预警系统的可靠性与准确性。

4.1 试验过程概述

选取长庆油田采油一厂侯三增至侯一拉外输管线作为试验管线，管线全长6.15 km，采用本文提出的多算法融合泄漏检测算法对泄漏源精确定位试验，并进行试验结果分析。试验分为2种类型，第1类试验是对同一泄漏点进行多次试验，从定位精度、误报率、漏报率以及系统相应时间等方面，分析融合检测算法的适用性；第2类试验是将泄漏点设置在不同点，进一步研究泄漏点位置对融合检测算法的影响。试验管线高程分布如图8所示，图中标记为泄漏点的位置，第1泄漏点的位置距离上游站点3 km，高程为1 355 m，第2泄漏点的位置距离上游站点3.9 km，高程为1 522 m。

图8 侯三增至侯一拉外输管线高程分布

4.2 试验结果分析

分别在该管线上的2个放油点各开展泄漏检测试验测试9次，泄漏流量分别调至0.1、0.5和1.0 m3/h，每次放油30 min，分别检验3种管道泄漏检测算法的报警响应时间以及泄漏后的定位精度。 现场泄漏试验数据如表1所示。

1) 采用多算法融合的管道泄漏检测预警系统可以逐步提升泄漏后置信概率，如果3种算法均检测到泄漏，那就说明管道必然泄漏。

2) 采用单一算法的管道泄漏检测系统，存在一定程度的漏报警。

3) 泄漏量越小，报警响应的时间越长；泄漏量越大，报警响应的时间越短。

4) 泄漏点的位置对泄漏的发现有一定影响。

表1 多算法融合泄漏检测现场试验数据

续表1

该套泄漏检测预警系统连续运行30 d，误报率小于5%，漏报率为0%，泄漏定位精度小于管线全长的3%，报警响应时间较短。通过试验验证，多算法融合管道泄漏检测预警系统能够对油田集输管线实现高可靠性、高稳定性泄漏检测，在现场应用中具有很好的优越性与适应性。

5 结语

未来输油管道泄漏检测预警系统的使用会更加普遍,高可靠性管道泄漏检测预警系统也愈发重要。它必须具备较低的误报率和漏报率，较快的报警响应时间以及较精准的泄漏检测定位功能。试验表明，文中提出的多算法融合管道泄漏预警方法，通过将3种业界使用较好的、较先进的管道泄漏检测算法并行运行，最终分析其泄漏概率，弥补了传统的单一算法误报警多、漏报警次数多以及适用性不强的缺点。下一步，对于专家经验分析算法，需要进一步融入自适应阈值设置算法；对于向量机模式识别算法，需要进一步收集样本数据，不断对其训练；对于序贯概率比检测算法，需要进一步将压力、流量数据也应用序贯概率比的检测方法，展开管道运行工况评价。