基于人工神经网络的加油站油罐管道泄漏监测方法

林艺松，李 明，林俊宇，陈汝信

（1.广东省华大物流有限公司，广东广州 510145；2.广东省广物控股集团有限公司，广东广州 510640）

目前，我国大多数加油站使用的都是埋地油罐的储存方式，油罐与加油机间采用管道输送。这些油罐管道使用久了会产生老化、腐蚀等问题，油罐管道泄漏事件时有发生，不仅污染环境［1］，甚至可能引发加油站油罐爆炸事故。因此，加油站油罐管道泄漏监测是近年来一个重要研究课题［2-3］。在油罐管道发生泄漏时，如何快速准确定位泄漏点，对于加油站安全运行、降低事故损失以及防止重大安全事故发生都具有重要意义［4］。

国内外的油罐管道泄漏监测方法主要分为两大类，分别基于流量和压力数据。许多研究人员也在不断开发新的泄漏监测方法，例如研究多样化的泄漏信号处理方式、如何更好地提取信号本身特征等。王晓敏等［5］针对采集的油罐管道流量信号，使用小波变换进行分解和重构，采用统计技术提取流量信号特征，将特征提取结果分别作为多层感知器神经网络（MLPNN）分类器的输入项，根据输出结果确定泄漏状态并确定泄漏点位置。王新颖等［6］使用卷积神经网络（CNN）实现油罐管道泄漏监测，选取管道泄漏中9 种特征参数作为模型原始输入量，通过CNN 提取数据特征，进行参数重构，再经过soft-max 分类，最终达到泄漏监测的目的。但这2 种泄漏监测方法不能对油罐管道数据进行有效的多维序列特征提取，也不能发现时序时间数据中数据间的相互依赖关系。

近年发展起来的人工神经网络深度学习方法在多个研究领域都取得了卓越成果，因此也被用于管道泄漏监测研究［7］。为了更好地监测油罐管道泄漏情况，笔者构建了融合CNN 和长短期记忆网络（LSTM）这2 种人工神经网络的组合预测模型，以此为基础研究了加油站油罐管道泄漏监测新方法，从而达到高效监测和实时预警的目的。

1 油罐管道输送动力学模型

在管道流体动力学分析中，用一元运动模拟油体在油罐管道中的输送，构建对应的偏微分方程组需要遵循3 个定律，即能量、质量和动量守恒，其公式为：

式中：v 为油体流速，ρ 为油体密度，p 为油体压力，d 为管道内径，t 为时间，x 为沿管长变量，g 为重力加速度，z 为高程，h 为油体的焓，u 为油体内能，Q为单位质量油体散发的热量，λ 为摩阻系数。

管道输送过程中进行3 个设定：①地形没有高低变化。②时间因素不会干扰油体的流速、压力和温度，油体流动稳定。③管道横截面积保持一致并实现满流。由此，式（1）可变换为：

根据热力学关系可进一步得出：

式中：D 为管道外径，Z 为油体传热系数，T 为油体温度，T0为邻域介质温度。

调整式（2）可得：

其中

为了获取式（4）的解dy/dx=f（x，y），需要设置向量y=（p，T）。计算管道温度以及压力时的运算步长是每段微元管道的长度Δx，总体管道由M 段微元管道组成。采用三阶龙格-库塔法［8］，依据第i-1 段管道的温度Ti-1和压力pi-1求解第i段管道温度Ti及压力pi：

2 基于CNN-LSTM 的油罐管道泄漏监测方法

2.1 CNN

CNN 是一种前馈型神经网络［9］，其特点是拥有超强的空间数据处理能力，可以对采集的管道流量和压力数据进行有效的多维序列特征提取。

CNN 分为3 个部分，①卷积层。该层负责特征提取，包含很多个特征面，通过这些特征面对数据的特征进行分解，构建新的特征矩阵，经过卷积运算把特征提取出来。②池化层。降维采样是其主体过程，可以对特征量进行二次提取。池化层具有与卷积层相同数量的特征面，还能够降低关联参数的维度，使用最大值的方式进行降维处理，可以使CPU 在工作中更加节能减耗。③全连接层。为了导出最终结果，需要通过隐含层，并提前将特征图上的全部神经单元都连接起来。

2.2 LSTM

LSTM 具有优秀的管道流量预测性能［10］，特别是在处理长期的管道流量和压力数据时比CNN 的应用效果更好。因为在长时间序列训练进程中，LSTM 能够消除CNN 不能长期保存历史信息以及梯度消失等缺点，较好地分析管道流量和压力等序列数据间的依赖关系。

图1 LSTM 单元内部结构示图

上一时刻记忆单元Ct-1的遗忘比例表示为遗忘门：

选允许进入本单元的信息，也就是输入门：

在Ct中挑选性地录入新的记忆信息，以ft和it为依据，更新t 时刻单元状态：

激活Ct，并决策其输出大小，即为t 时刻的输出门：

双曲正切激活函数tanh x 和sigmoid 激活函数σ（x）为：

最后通过下式取得预测值yt：

式中：Wy为输出层权重矩阵，by为偏置项。

2.3 CNN-LSTM 组合管道泄漏预测模型

CNN-LSTM 是一种空间和时间相结合的网络，能够充分提取多维空间数据特征，并捕获时间序列数据间的依赖关系，从而提高预测能力。

在管道输送过程中，要预测管道流量，需要采集管道上各个压力采样点和流量计的数据，依据这些压力数据计算出压力梯度值，再将压力梯度值加上流量数据组成数据样本，输入CNN-LSTM组合模型中进行模型训练，从而预测出管道流量。管道流量与压力梯度二者之间是确定关系：

因为各个管道情况存在差异，所以必须对模型的参数进行调整，即设置流量计数量k、回溯时间深度j 和压力梯度变量数值i。

通过上述深度学习网络模型，输入采集的油罐管道压力和流量数据，训练出一个能够根据压力梯度预测流量的预测模型。为了监测泄漏事件，需要实时预测油罐管道中的流量，并将其与实际流量作对比，实时监控二者之间的误差，如果超过阈值即为发生泄漏［11-12］。

3 油罐管道泄漏点定位

为了对油罐管道泄漏点进行准确定位，提出了基于CNN-LSTM 组合模型的泄漏监测方法，其主要流程见图2。

图2 CNN-LSTM 组合模型泄漏监测方法流程

管道输送过程中一旦发生泄漏，即预测流量与实际流量误差超过阈值时，泄漏点所在管段的流量和压力就会产生变化。为了寻找压力扰动源在管段内的方位，需要运算各个管段压力波形曲线序列每个点之间的距离，建立矩阵递推出最短路径，进行匹配和分类识别，从而找到泄漏点位置。运算时为了增加定位精度，需要使用采样间隔为0.09 s 的压力数据，并进行滤波处理。

采用可以衡量时间序列重合度的动态时间弯曲算法（DTW）进行泄漏点定位［13］，DTW 的特点是可以自动匹配2 条时间序列的波谷和波峰，因此可以实现一对多的数据响应，也就是能够度量不等长的时间序列，进行匹配和分类识别，最终达到根据油罐管道压力数据定位泄漏点的目的。为了对时间进行整齐运算，DTW 使用动态规划的方式进行，流程为，①构建距离矩阵M（i，j），通过运算压力波形曲线序列每个点的间距实现。②以获取最短路径为目的，通过递推，从矩阵左上角至右下角找到一个可以使路径上元素和最小的路线，递推过程需要遵守的约束是：

式中：Lmin（i，j）为矩阵左上角（1，1）到任何一点（i，j）的最短路径长度。

根据运算结果，距离矩阵的最短路径值越小，代表2 个压力波形曲线序列越相似［14-15］。在泄漏事件发生时，将各个管段压力点的采样数据通过DTW 进行匹配和分类识别，其中最短路径值最大，也就是匹配度最低的一组压力波形曲线序列即为泄漏位置的压力数据，根据该压力采样点在管段内的方位即可找到泄漏点。

4 加油站油罐管道泄漏监测现场试验

4.1 试验现场设计

油罐管道泄漏监测试验对象为广州荔湾区某加油站，该加油站占地面积为621 m2，包括2 台15 m3埋地汽油罐、1 台15 m3埋地柴油罐、6 台加油机和12 支加油枪。油罐上加装了阻隔防爆材料装置，设置了二次油气回收系统、三级滤池和油气回收在线监控系统，提高了加油站的环境质量及安全系数。加油站的安全管理和职业健康管理均符合国家有关管理规范。加油站油罐管道泄漏监测试验现场见图3。

图3 加油站油罐管道泄漏监测试验现场图

4.2 试验平台构建

根据基于CNN-LSTM 组合模型的泄漏监测方法构建加油站泄漏监测试验平台，采集荔湾加油站2022-05—2022-10 共6 个月的监测数据作为样本，输入模型进行训练，模型结构参数为k=1、i=3、j=6。经过多次训练使预测数据与实际数据基本一致，得出适合试验管道使用的最终深度模型。

4.3 试验结果分析

阀门放油测试中使用了数控球阀和涡轮流量计，采用数控球阀可以达到精确控制阀门运行方式和开阀速度的目的。选用测试管段的6#阀室（距流量计23 m）和3#阀室（距流量计47 m），采用间断开阀和缓慢开阀2 种方式进行试验。首次放油试验选择6#阀室，间断开阀，阀门开到位时间10 s，得到的管道实际体积流量和模型预测体积流量数据曲线见图4。从图4 可以看出，在阀门关闭测试时，管道实际体积流量值与模型预测值基本相同。打开阀门后，模型预测值明显升高，并提醒系统发出泄漏警报。

图4 6#阀室放油试验中管道实际体积流量与模型预测体积流量曲线

现场阀门放油测试结果见表1。从表1 看出，在不同开阀方式下，2 个阀室相对管段长的泄漏点定位误差都小于1.4%，报警时间都在50 s 以内。测试结果表明，使用本文方法进行油罐管道泄漏监测能够快速预测流量，且报警时间较短，同时因为采用了短时段平均数据，所以可增加预测结果的准确性，减小泄漏监测误差。

表1 现场阀门放油测试结果

在基于各种神经网络的管道泄漏监测方法中，CNN 以及MLPNN 是常用的2 种建模网络。CNN结合了空间特征，MLPNN 可以解决非线性分类问题。采用CNN-LSTM 构建的组合模型是时间与空间相结合的复合预测模型。选用这3 种神经网络构建的模型进行油罐管道泄漏监测对比试验，选取测试管段6#阀室进行放油测试，统一调配阀门开到位时间和开阀方式，都选用间断30 s 和缓慢20 s 开阀方式。

不同神经网络模型下6#阀室现场放油测试结果见表2。从表2 可以看出，2 种不同开阀方式下，CNN-LSTM 组合模型可以快速准确预测油罐管道泄漏事件的发生，报警时间最短，泄漏点定位误差最小，预测性能显著高于其它2 种神经网络模型。

表2 不同神经网络模型下6# 阀室现场放油测试结果

实际工况下，由于各个加油站的设计布局、规模大小以及油罐输油管道的位置和长度存在差异，所以单独的试验环境具有很大的局限性。为此，使用PNS 管网仿真软件构建了另外2 个加油站油罐管道仿真模型A 和仿真模型B，其设定参数见表3。为了测试本文方法的适应性，采用相同的数据样本对2 个管道仿真模型进行泄漏监测仿真测试。加油站泄漏监测误差阈值设为2.4%。

表3 油罐管道仿真模型设定参数

仿真模型的管道内径调整维度是200 ～500 mm，管道长度调整维度是10～30 m，分别在管道的2/10、4/10、6/10、……、10/10 里程处设定泄漏点，不同泄漏率下油罐管道仿真模型的泄漏点定位结果见图5。定位测试结果表明，在不同油罐管道规格和泄漏率情况下，本文方法都可以精准确定泄漏点位置，定位精度高，且泄漏率越高，定位误差越小，仿真模型A 和仿真模型B 的泄漏点定位误差始终低于误差阈值2.4%。

图5 不同泄漏率下油罐管道仿真模型泄漏点定位结果

5 结束语

基于实际加油站油罐管道环境，构建了用压力梯度精准预测实时流量的CNN-LSTM 组合模型，结合曲线距离算法确定泄漏点位置，提出了一种新的加油站油罐管道泄漏监测方法。现场试验结果表明，①本文方法可以快速预测流量，并且缩短预警时间，提高预测结果准确性，减小泄漏定位误差，减少设备操作中误报情况的发生。②采用的CNN-LSTM 组合模型能够捕获序列数据之间的依赖关系，结合多维序列特征提取，快速准确地定位泄漏点，报警时间最短，泄漏定位误差最小。③本文方法使用压力梯度预测流量的方式，降低了测量设备的局限性，对于安装单个和多个流量计的情况都适用，适合实际中各种规模加油站油罐管道的泄漏监测，实用价值高。