基于GA_Elman神经网络的长输管道泄漏检测方法

张 勇 韦焱文 王明吉 周兴达 刘 洁 杨文武

（东北石油大学物理与电子工程学院）

油气长输管道作为石油与天然气的主要运输方式，具有平稳性强、安全系数好、运输量大、质量可靠、物料损失低、占地面积小及运费低等优点［1］。 截止到2015年末，我国陆地油气管道（包括天然气管道、原油管道和成品油管道）已经达到了12.23×104km，其中天然气管道长约7.6×104km，原油管道长约2.4×104km，成品油管道长约2.2×104km［2］。但我国陆地油气管道已经用了30年甚至更久，老化、腐蚀、地形及人为破坏等原因造成油气管道泄漏事件时有发生，对管线旁居民的身体健康和财产安全造成重大影响。 因此，对在役长输管道运行状态进行检测，成为学者们持续研究的热点。 目前，管道泄漏检测方法较多，总体分为两大类：硬件检测方法和软件检测方法。 硬件检测方法有放射性探伤检测法、红外线成像法及管道机器人检测法等；软件检测方法则有小波变换检测法、负压波检测法、声波检测法和神经网络模型检测法［3～5］，其中负压波检测法是当前最主要的检测方法，对大泄漏信号可实现快速检测和定位，但对小泄漏信号却易误报甚至漏报［6］。

神经网络通常被运用于解决非线性系统问题，具有自学习、并行处理及鲁棒性好等优点［7］。Elman神经网络与BP神经网络的不同之处是，Elman神经网络具有局部记忆功能， 但也有易陷入局部极值的缺陷，并且隐藏神经元需要反复试错才能确定。 针对以上问题，笔者提出基于GA_Elman神经网络的管道泄漏检测技术， 利用遗传算法（GA）优化Elman神经网络的权值和阈值，解决Elman神经网络权值、 阈值和神经元难以确定且易陷入局部极值的问题，以减小管道泄漏检测的误差、误报和漏报。

1 Elman神经网络的构建

Elman神经网络是一种可以记忆过去系统状态的反馈型神经网络［8］，它在BP神经网络的基础上引入反馈环节，增强了系统的时变特性和动态特性，预测性能比BP神经网络要好［9］。

如图1所示，传统Elman神经网络的结构有输入层、隐含层、承接层和输出层4层。

输入层神经元接收外部传入的信息，再将信息传递给隐含层，达到传输信号的作用；隐含层的传递函数可以选择非线性函数或线性函数对信号进行变换与处理；承接层是连接并记忆上一时刻的隐含层状态和当前时刻的网络输入共同作为隐含层的输入，相当于状态反馈；输出层的作用是线性加权，即将隐含层的输出信号按权值作线性加权后输出网络［10］。

当引入承接层（延时算子）后，可以将隐含层发出的信号再一次发送回隐含层，这种方式对输入的历史数据具有高度的敏感性，从而让系统具有时变特性，能够动态地反映系统的特性。

假设系统有n个输入、n个输出，隐含层也有n个神经元，w1、w2、w3分别为输入层到隐含层、隐含层到输出层、隐含层到承接层的连接权值，则Elman网络的非线性状态的表达式为：

其中，u（k）、uc（k）、x（k）分别为隐含层节点向量、反馈状态向量和输入向量，f（·）表示隐含层的传递函数，通常选择S型函数，即：

y（k）为m维输出节点的向量，g（·）表示输出层的传递函数（通常选择线性函数），则有：

2 GA优化Elman神经网络

GA是具有高度并行性、自适应性和随机性的全局搜索算法［11］，算法常依靠GA较强的全局搜索能力解决特征选择、目标优化及最优路线等问题。

由于Elman神经网络和BP神经网络都是采取同一种权值更新的方法——梯度下降法，特点是易陷入局部极值。因此，笔者将用GA对Elman神经网络的权值和阈值优化作为目标。 GA优化Elman分为3个步骤：Elman神经网络的构建，GA优化，以及优化后的Elman神经网络预测［12］。 其中输入、输出的参数个数确定Elman神经网络的架构， 从而确定GA个体的长度，GA优化的权值与阈值，通过得到个体的适应度函数运算个体的适应度。GA通过选择、交叉和变异找到最优个体。 Elman神经网络再采用优化后的权值与阈值进行网络训练后输出［13］。

GA_Elman神经网络模型的工作流程如下：

a. 种群初始化。 实数编码为个体编码方式，这些个体都由实数串组成且被称为染色体，由输入层与隐含层的连接权值、承接层与隐含层的连接权值、隐含层与输出层的连接权值、隐含层阈值和输出层阈值5部分构成。GA将Elman神经网络的初始权值与阈值转变为由若干个染色体组成的初始种群。

e. 变异。 变异是从种群中随机抽取个体，再将抽取的个体随机选择变异位置，然后用随机概率对变异位置的变异体进行反运算或给变异体用随机概率加一个在一定范围内均匀分布的随机数，变异概率范围在0.01～0.10。

f. 成为新的一代。

g. 当达到最大的后代数时，算法暂停。

h. GA优化后的权值和阈值产生。

i. 对Elman神经网络进行学习与训练，计算优化后的权值与阈值是否达到要求。

j. 达到训练个数，流程结束。

GA优化Elman神经网络的流程如图2所示。

图2 GA优化Elman神经网络的流程

3 管道泄漏检测数据处理实验

为了验证GA_Elman算法和模型的准确性与优越性，将算法和模型应用到管道泄漏检测实验数据的分类中，用传统BP神经网络、Elman神经网络、GA_Elman神经网络模型对同一组数据进行多次相同的实验后比较其结果。

3.1 实验数据与实验平台

本次实验数据采集自东北石油大学人工智能能源研究院长输管道泄漏检测实验平台。 实验平台（图3）管道有效长度为181.2 m、管壁厚度为4 mm、DN80 mm，材料为不锈钢，管道上设有18个模拟泄漏点（其中14个为手动泄漏点，4个为自动泄漏点）均匀分布（每隔10 m设置一处泄漏点），管道两端分别配有压力传感器、 液体流量计、气体流量计和温度传感器，这些传感器在试验过程中以1 024 Hz的频率采集数据， 当管道运行状态正常时，采集的数据为正常数据，打开泄漏点时采集的数据为泄漏数据。 管道内的气体为空气，压强（0.4±0.05） MPa。

实验模拟15号泄漏点，结果采用入口压力和出口压力两部分数据，样本数据150组，其中50组泄漏信号、50组小泄漏信号（泄漏量小于4 m3/h）、50组正常信号。 前105组用于训练，后45组用于测试，每种算法进行20次实验。

3.2 评估模型的构建

Elman神经网络的输入层有2个指标（输入节点为2），输出层为二维向量（输出节点为2）。 笔者据此构建2-9-2型GA_Elman神经网络进行评估。模型参数设置为：种群规模50，遗传代数40，交叉概率0.2，变异操作0.05。 Elman神经网络最大迭代次数2 000，学习率0.1，误差1×10-3。 经过多次实验，得到的种群适应度函数进化曲线如图4所示，当隐含层数为9、种群迭代次数为43时，评估模型出现最好的性能。

图4 种群适应度函数进化曲线

3.3 实验结果

实验中，传统BP神经网络、Elman神经网络和GA_Elman神经网络模型的期望输出与实际输出的比较见表1。

表1 3种模型的期望输出与实际输出

神经网络模型在实验平台进行的泄漏检测准确率如图5所示。

分析3种模型实验指标统计结果（表2），可以看出，GA_Elman神经网络模型可以很好地反映管道的状态，平均准确率达到了96.9%，而且检测率稳定，波动最小。 虽然Elman神经网络的检测准确率波动不大， 但是与GA_Elman神经网络模型相比，准确率低了近5%。 传统BP神经网络的检测准确率低于GA_Elman神经网络模型，其波动性也较大，不宜选用。

表2 3种模型实验指标统计

4 结论

4.1 利用GA优化Elman神经网络的权值和阈值，能够在Elman神经网络工作中有效避免易陷入极值、收敛速度慢等缺陷，而且增加了全局搜索能力。

4.2 GA_Elman神经网络模型在管道泄漏检测实验中的平均准确率达到了96.9%， 表明改进后的神经网络具有更高的预测准确率，其效果好于传统BP神经网络和Elman神经网络。