管道泄漏检测与定位技术研究及应用现状

王佳豪，柳文欣，杨奕

西安石油大学石油工程学院（陕西 西安 710065）

管道作为全球运输油气资源的主要方式之一，其安全运行对国家、社会以及人类具有重要的现实意义。管道泄漏的检测与定位作为管道安全运行研究的重要领域，经过几十年的发展，涌现出众多技术并不断发展，但技术的更新和实际的应用仍存在较大的差距。本文从管道泄漏检测与定位方法的技术重点角度出发，根据相关文献资料及研究成果对其技术方法进行归纳总结，同时对相关技术在现场的实际应用进行分析。

1 泄漏检测定位方法对比

管道泄漏检测定位技术经过多年的研究，已发展了很多理论完善的科学方法[1]，实际生产运营中对泄漏检测的准确率和定位精度要求越来越高，同时在不影响管道正常运行的情况下做到实时检测快速响应。这就需要根据不同的问题情况选择具有优势的技术方法，管道泄漏检测与定位方法的对比见表1。

表1 泄漏检测与定位方法的对比

2 泄漏检测与定位技术方法及研究进展

2.1 模型检测法

采集管道物理数据以及管内流体的性质，基于质量守恒方程、运动方程和能量守恒方程，结合流体力学知识描述管道输送过程中管内流体流动状态的参数变化规律，将管道首末端的压力流量等数据作为边界条件，建立目标管道的实时模型，模型与管道同步运行，通过判断两者运行参数的差别是否超过设定阈值进行泄漏检测与定位。

Diao X等人[2]通过研究管道泄漏的机理建立模型，实验验证其可以检测微小泄漏和管道多点连续泄漏。同时提出了一种改进的基于瞬态的储层管道阀门系统泄漏检测和定位方法。在泄漏检测模型中，将一维非稳态摩擦模型引入特征线法。通过分析第一瞬态压力波获得其中未知参数，特别是泄漏尺寸系数。华东阳等人[3]，从提高参数准确度的角度出发，通过分析管道模型不准确性产生的原因，针对参数的不准确性对模型精度的影响采用粒子群算法对模型参数进行校正。刘刚[4]等人融合数据驱动建模与机理建模，通过两者协同描述研究对象的物理特性，科学分析现场数据内在关联和过程变量演化规律，建立双驱动高保真混合模型。王寿喜等[5]开发的工业软件PNS，涉及仿真理论与方法、软件与技术、数据与自动化等诸多问题和因素，通过建立管网仿真系统模型，对现场大型管网进行泄漏检测与定位。

但采用模型检测方法时，需要管网具有完善的设备，且数学模型的精度与设备的精度直接相关，实际上，运行中的管道内部条件参数瞬息万变，准确反映管内瞬时状态的模型几乎无法建立，这也造成管道微小泄漏的检测与定位仅凭模型检测法无法达到应用要求。

2.2 信号检测法

在不同的物理信号中，管道泄漏会激发相应的特征信号，与正常工况下的管道信号有所区别，在实际研究和应用中采用多方法互补以充分利用不同信号的泄漏特征，通过对信号中噪声的过滤和奇异点的识别对泄漏进行检测和定位。

以负压波为例，管道发生泄漏会激发负压波并以特定的速度传播至管道首末端的传感器,根据负压波波速及泄漏特征信号到达管道两端的时间差,即可实现对漏点的定位。

天津大学王立宁等[6]通过研究热输原油沿程降温规律及其对压力波速的影响，改进压力梯度公式，结合模式识别和小波变换进行泄漏检测与定位。伦淑娴等[7]分析信号中突变信号被噪声淹没的情况，提出自适应模糊神经网络法，针对信号进一步滤波和去噪。孙良等人[8]从负压波产生和衰减的机理角度出发建立管道泄漏定位模型，实际泄漏模拟验证了其模型的有效性，基于负压波泄漏检测法提出了的管道构造特征和可检测泄漏率指标之间的关系。Liang Sun等人[9]提出了一种基于综合信号的泄漏定位方法，该方法将压力和流量信号结合起来，解决了由于管道末端压力容易被设备固定和微小或缓慢泄漏引起的压力变化太小而无法检测到的问题。Juan Li等人[10]通过推导负压波随管道传播方程，提出了一种基于负压波衰减的泄漏位置定位算法，避免了传统负压波方法可能存在的时差难以精确定位和负压波速度受管道内液体流量干扰的问题。

负压波检测法作为目前国际国内应用最成熟的泄漏监测方法，具有系统结构简单、灵敏度高、响应迅速等优点，但随着管道安全运营需求的不断变化，负压波对于泄漏量小于瞬时流量的3%的泄漏检测和定位效果不明显的缺陷逐渐凸显。噪声的处理和管道运行工况变化的有效区分，对基于负压波法的泄漏检测与定位精度提高具有重要的意义。

研究和应用中通常采用小波分析进行信号去噪，以提高泄漏信号突变点的分辨率。小波分析众多参数的合理选取直接影响小波去噪效果。例如小波变换分解尺度越大，信噪分离的效果越好，但重构误差也越大。小波参数的选取应综合考虑管道实际情况，从而提高此方法的泄漏定位精度。

Yu Zhang等[11]设计了一种基于DPT的长输管道泄漏检测监测系统（LDMS），通过DPT获得管道沿线的动态压力信号，然后通过提取小波包熵（WPE）检测管道泄漏，探索和发展了用于管道泄漏判断的WPE信号特征提取方法。此外，还进一步讨论了小波基和计算窗口宽度对WPE识别性能的影响。石光辉[12]提出在管网中设置一定的高频压力传感器,以提高仪表采集的信号细节,再利用小波对信号进行分析,得到奇异点的值计算泄漏时差，最终找到泄漏点的准确位置。

噪声处理对于泄漏检测定位，尤其是对于微小泄漏的检测具有重要意义，在许多方法结合的技术手段中，信号处理方法的选择必不可少。在泄漏检测与定位中，泄漏所激发的信息往往会被淹没在检测信号的噪声中，这也造成了微小泄漏检测成为领域内难点和重点的原因。当前研究中，微小泄漏检测通常采用模式识别检测法或设计针对性的硬件检测器。

2.3 模式识别检测法

模式识别法是对管道运行数据进行特征提取，利用机器学习在特征识别上的优势进行泄漏检测，运行数据通常选取压力信号和声波信号[13]，特征提取一般针对统计学特征[14]、相关能量系数[11]、计算智能特征[15]等。采用机器学习等智能信息处理技术识别信号[16]。

在实际管道运行数据中，泄漏的数据样本占比少，支持向量机（SVM）算法对于这种小样本的学习能力较强，受到许多学者重视。Jiedi Su等[17]根据现场采集的压力信号，提出采用独立量分析针对压力信号降噪，利用不同的工况样本，提出一种改进SVM的泄漏检测方法进行工况的识别，其泄漏误报率降低到9.7%，而采用基于BP神经网络的管道工况识别误报率为32.6%。Mandal等[18]借鉴前人的研究成果，采用人工群（ABC）算法寻优支持向量机，有效降低了泄漏误报率，但只适用于单点泄漏检测。Wei Jiechen等人[19]提出了一种用于多标签分类的多标签双支持向量机（MLTSVM）。MLTSVM通过设计多个非平行超平面捕获数据中嵌入的多标签信息。开发出一种有效的连续超松弛（SOR）算法来解决MLTSVM中涉及的二次规划问题（QPP），加快了MLTSVM的训练速度，推进了泄漏检测与定位技术在机器学习算法上的提高。

从实验验证，管道泄漏检测与定位中SVM算法优于BP神经网络算法。但在实际应用中SVM的核函数和惩罚参数选取对泄漏检测与定位效果至关重要，利用优化算法对SVM的核函数和惩罚参数进行寻优，成为提高管道泄漏工况识别准确率的有效手段。

3 泄漏检测与定位技术应用现状

3.1 国内外应用现状

由于国内外技术条件和地理条件等因素的不同，油气管道泄漏检测与定位方法的应用略显不同[20]，见表2。

表2 常用油气管道泄漏检测与定位方法的应用情况

3.2 现场应用情况

在现场应用中，技术的更新和实际的应用仍存在较大差距，存在普适性较差的问题，有些技术甚至无法应用于实际现场。主要表现在设备的条件和管道历史信息的完整性，例如，在负压波检测法的应用中，现场的数据采集能力及设备条件远不及实验室的数据采集能力和设备条件，大大增加了信号的处理和分析难度，理论技术在现场应用中出现不足。同时，现场管道的历史信息缺乏完整性，沿线高程、仪表参数和管道数据等数据的不精确也导致了技术应用的误差。因此，实际现场应用中采用多技术融合的方法，以满足生产运行中对管道泄漏检测的要求。技术完善且应用成熟的示例是王寿喜等开发的管网在线仿真工业软件PNS，其在川气东送和南海西部海底天然气长输管道的应用案例，展示了当前在线仿真研究成果的应用过程和效果[5]。

4 结论

目前，泄漏检测和定位技术重点在于相关泄漏数据的采集、分析和处理，实验研究条件和现场应用条件存在较大差异导致技术应用效果受制于现场数据和硬件条件。分析认为，应充分利用各方法的优势，通过多领域、多方法结合弥补各方法的不足，提高在实际应用中的适用性。

1）模型检测法采取对目标管网进行精准建模，尽可能的用到了管网所能提供的全部数据进行模型搭建，以求所建模型能对目标管网进行精准描述，因而泄漏检测效果与定位精度受制于模型精度和目标管网数据和硬件条件。在实际应用中，管网的历史信息和硬件条件往往参差不齐，例如管道受损情况和运营过程中结蜡现状等历史信息模糊，模型的精度受到直接影响从而导致研究技术的应用缺陷。

2）信号检测法利用自身所需的信号数据进行泄漏检测和定位所需参数的求取，因而对于信号自身的条件，降噪效果和奇异点提取精度要求较高，现场环境噪声和设备噪声对降噪技术提出了较高的要求。同时，泄漏概率相对较大的管网往往建设早，运营服役时间长，这就导致了信号采集设备不能满足新技术对于信号质量的需求。例如音波法和负压波法对于信号的频率要求，新的研究往往采用了较高频率的信号采集设备，而在现场SCADA系统上传的数据往往相差甚远，这就导致研究技术在数据质量上的应用缺陷。

3）模式识别检测法需要大量的数据样本进行学习，因而数据的质量和数量要求均较高，同时样本数据的合理利用直接影响到特征提取的效果，进而对模式识别准确率和效率产生影响。应用中，样本质量的不理想和数量的不均衡，例如时间序列数据不规则，泄漏样本存在先天量少的特征等，导致模式识别检测法往往作为辅助手段与其他技术方法结合使用。