基于ann的音波法輸氣管道泄漏監(jiān)測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及輸氣管道泄漏監(jiān)測領(lǐng)域，尤其是一種基于ANN的音波法輸氣管道泄漏 監(jiān)測方法。
【背景技術(shù)】
[0002] 輸氣管道泄漏監(jiān)測目前已發(fā)展較為成熟，但是在信號特征提取，多工況泄漏判定 算法以及模態(tài)識別算法優(yōu)化等方面還較為欠缺。因此，現(xiàn)有輸氣管道泄漏方法的誤報率較 高，準確率并不理想。為了高效準確的識別管道泄漏工況，排除其它相似干擾工況，還需在 這三方面進行深入研究。本發(fā)明中，ANN為人工神經(jīng)網(wǎng)絡(luò)的簡稱。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的是為彌補上述提出的技術(shù)欠缺，提供一種基于ANN的音波法輸氣管 道泄漏監(jiān)測方法。
[0004] 為實現(xiàn)上述目的，本發(fā)明采用下述技術(shù)方案：
[0005] 基于ANN的音波法輸氣管道泄漏監(jiān)測方法，包括以下步驟：
[0006] 步驟一:獲取輸氣管道多工況下音波信號樣本，對不同工況下音波信號樣本去噪， 并提取不同工況下音波信號樣本特征值；
[0007] 步驟二:采用高斯隸屬度函數(shù)對不同工況下音波信號樣本特征值進行模糊分割， 獲取模糊分割量；
[0008] 步驟三:利用F-自適應(yīng)遺傳算法對BP神經(jīng)網(wǎng)絡(luò)初始訓(xùn)練值進行優(yōu)化，將模糊分割 量代入BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，獲取用于輸氣管道瞬時工況判定的BP神經(jīng)網(wǎng)絡(luò)；
[0009] 步驟四：根據(jù)就近原則和分時段統(tǒng)計法，結(jié)合步驟三中BP神經(jīng)網(wǎng)絡(luò)輸出值進行輸 氣管道工況判定，并在泄漏發(fā)生時利用互相關(guān)函數(shù)法確定泄漏位置。
[0010] 優(yōu)選的，所述步驟一中，獲取泄漏工況、閥門啟閉工況和壓縮機啟閉工況下的音波 信號樣本，并對所述不同工況下音波信號樣本進行小波去噪，其中小波基函數(shù)選取sym8,分 解尺度確定為5，去噪閾值選取規(guī)則采用r i gr sure法。
[0011] 進一步優(yōu)選的，所述步驟一中，對不同工況音波信號樣本特征值提取方法為對每 秒內(nèi)去噪后的音波信號樣本進行均值、峰度、均方根斜率計算。
[0012] 進一步優(yōu)選的，所述步驟一中，對每秒內(nèi)去噪后的音波信號樣本進行均值、峰度、 均方根斜率計算的公式為：
[0013]
[0014]
[0015]
;φ:μχ表示數(shù)據(jù)均值，x(n)表示樣本數(shù)據(jù)值。
[0016]優(yōu)選的，所述步驟二具體包括:采用高斯型隸屬度函數(shù)對步驟一中獲取的不同工 況樣本音波信號樣本的均值、峰度值進行模糊分割，分別獲得模糊分割函數(shù)，將所述不同工 況樣本音波信號樣本的均值、峰度值分別代入各自模糊分割函數(shù)，獲得模糊分割量;其中， 均值對應(yīng)的模糊分割量表示為：
[0017]
[0018]
[0019]
[0020]
[00211 其中：yieak(X)表示泄漏工況模糊輸入變量;μ??νβ(X)表示閥門開啟工況模糊輸入 變量;(X)表示壓縮機關(guān)閉工況模糊輸入變量;μη0_? (X)表示正常工況模糊輸入變 量;0!，02，03，04表不為經(jīng)驗取值，都取為最大值減去最小值的六分之一。
[0022]優(yōu)選的，所述步驟三中采用F-自適應(yīng)遺傳算法對BP神經(jīng)網(wǎng)絡(luò)初始訓(xùn)練值進行優(yōu) 化的子步驟為：
[0023] S301:建立種群并計算種群中染色體適應(yīng)度值E;
[0024] S302:根據(jù)染色體適應(yīng)度值E，對染色體進行選擇、交叉、變異操作；
[0025] S303:將優(yōu)選后的染色體與優(yōu)選前種群按比例混合；
[0026] S304:重復(fù)S301~S303步驟，直到達到最大迭代步數(shù)，提取適應(yīng)度值最高的染色 體，將該染色體解碼成BP神經(jīng)網(wǎng)絡(luò)參數(shù)，并賦值給用于輸氣管道泄漏判斷的BP神經(jīng)網(wǎng)絡(luò)，完 成BP初始網(wǎng)絡(luò)參數(shù)的優(yōu)化。
[0027] 進一步優(yōu)選的，所述步驟S301具體步驟如下：先計算種群中每個染色體的網(wǎng)絡(luò)結(jié) 果矩陣Y，其計算公式為：
[0028] Y=log sig(VXtan sig(ff XX+B)+D)；
[0029]其中：X表不輸入?yún)?shù)矩陣;Y表不輸出參數(shù)矩陣;W表不輸入層到隱層的權(quán)值;B表 示輸入層到隱層的閾值;V表示隱層到輸出層的權(quán)值;D表示隱層到輸出層的閾值;tansig表 示將數(shù)據(jù)映射到(-1，1)區(qū)間內(nèi)；logsig表示將數(shù)據(jù)映射到(0，1)區(qū)間內(nèi)；
[0030] 通過網(wǎng)絡(luò)結(jié)果矩陣Y，計算各個染色體的網(wǎng)絡(luò)參數(shù)適應(yīng)度，其計算公式采用目標向 量Dkj與實際計算結(jié)果向量 Ykj的誤差平方和，即：
[0031]
[0032] 進一步優(yōu)選的，所述步驟S303具體步驟如下:根據(jù)染色體適應(yīng)度值E，對染色體進 行選擇、交叉、變異操作，其交叉、變異率的計算公式為：
[0033]
[0034]
[0035] 式中：fmax表示種群中最大適應(yīng)度值，favg表示群體平均適應(yīng)度值，f'表示配對染色 體中適應(yīng)度值較大的一個，f表示待變異個體適應(yīng)度值，？。 1，？。2，？^，？^表示公式概率常數(shù)， 介于0 ~1，pcl = 0.9，pc2 = 0.6，Pml = 0.1，Pm2 = 0.01。
[0036] 優(yōu)選的，所述步驟四中的就近原則指輸氣管線首末兩端傳感器采集數(shù)據(jù)的判定情 況不一致時，采用互相關(guān)函數(shù)法比較發(fā)生工況變化位置與首末傳感器間遠近，采納較近一 端判定結(jié)果，但只要有一端判斷為泄漏，則直接判定管線發(fā)生泄漏。
[0037] 優(yōu)選的，所述步驟四中的分時段統(tǒng)計法指根據(jù)10秒內(nèi)BP神經(jīng)網(wǎng)絡(luò)的判斷情況決定 當前輸氣管道工況狀態(tài)，10秒內(nèi)輸氣管道工況判定標準如下：
[0038] 工況類別為壓縮機關(guān)閉時，判斷標準為10秒內(nèi)連續(xù)出現(xiàn)4次；
[0039] 工況類別為閥門啟閉時，判斷標準為10秒內(nèi)連續(xù)出現(xiàn)3次；
[0040] 工況類別為管線泄漏時，判斷標準為10秒內(nèi)出現(xiàn)4次。
[0041] 本發(fā)明的有益效果是：
[0042] 1.本發(fā)明提取的三種輸氣管道音波信號特征值(均值、峰度和均方根斜率)應(yīng)用于 BP神經(jīng)網(wǎng)絡(luò)時判定準確率較高，因此能夠有效地提高泄漏識別準確率。
[0043] 2.本發(fā)明采用F-自適應(yīng)遺傳算法優(yōu)化了用于輸氣管道泄漏監(jiān)測的BP神經(jīng)網(wǎng)絡(luò)初 始參數(shù)，加快了訓(xùn)練速度，增強了網(wǎng)絡(luò)收斂穩(wěn)定性。
[0044] 3.本發(fā)明結(jié)合模糊邏輯和人工神經(jīng)網(wǎng)絡(luò)，構(gòu)建的模糊BP神經(jīng)網(wǎng)絡(luò)，優(yōu)化了網(wǎng)絡(luò)輸 入值，提高了 BP神經(jīng)網(wǎng)絡(luò)泄漏識別的準確率。
[0045] 4.本發(fā)明確定了貝葉斯歸一化算法為泄漏判斷BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法，提高了網(wǎng) 絡(luò)泛化能力。
[0046] 5.本發(fā)明考慮了與管道泄漏音波信號相似的干擾工況（閥門啟閉、壓縮機啟閉）， 采用了分時段統(tǒng)計的方法提高了泄漏工況的識別能力，同時降低了其誤報率。
[0047] 6.本發(fā)明采用互相關(guān)函數(shù)算法，確定工況變化點與上下游傳感器間遠近程度，以 就近原則確定管道工況情況，增強了判定結(jié)果的可信度。
【附圖說明】
[0048] 圖1表示本發(fā)明提供的基于ANN的音波法輸氣管道泄漏檢測方法的流程圖；
[0049] 圖2是本發(fā)明提供的泄漏工況去噪后音波樣本數(shù)據(jù)；
[0050] 圖3是本發(fā)明提供的閥門啟閉工況去噪后音波樣本數(shù)據(jù)；
[0051] 圖4是本發(fā)明提供的壓縮機啟閉工況去噪后音波樣本數(shù)據(jù)；
[0052] 圖5是本發(fā)明提供的各工況音波樣本數(shù)據(jù)均值圖；
[0053]圖6是本發(fā)明提供的各工況音波樣本數(shù)據(jù)峰度圖；
[0054]圖7是本發(fā)明提供的各工況音波樣本數(shù)據(jù)均方根斜率圖；
[0055]圖8是本發(fā)明提供的各工況音波樣本數(shù)據(jù)均值模糊分割函數(shù)圖；
[0056]圖9是本發(fā)明提供的各工況音波樣本數(shù)據(jù)峰度模糊分割函數(shù)圖；
[0057]圖10是本發(fā)明提供的F-自適應(yīng)遺傳算法網(wǎng)絡(luò)參數(shù)訓(xùn)練曲線圖；
[0058 ]圖11是本發(fā)明提供的L_M訓(xùn)練算法網(wǎng)絡(luò)收斂曲線；
[0059] 圖12是本發(fā)明提供的貝葉斯歸一化算法網(wǎng)絡(luò)收斂曲線；
[0060] 圖13是本發(fā)明提供的普通BP神經(jīng)網(wǎng)絡(luò)收斂曲線；
[0061] 圖14是本發(fā)明提供的AGA-BP神經(jīng)網(wǎng)絡(luò)收斂曲線；
[0062] 圖15是本發(fā)明提供的模糊BP神經(jīng)網(wǎng)絡(luò)收斂曲線；
[0063]圖16是本發(fā)明提供的輸氣管道泄漏監(jiān)測系統(tǒng)在正常工況下的界面顯示；
[0064]圖17是本發(fā)明提供的輸氣管道泄漏監(jiān)測系統(tǒng)在泄漏工況下的界面顯示；
[0065]圖18是本發(fā)明提供的輸氣管道泄漏監(jiān)測系統(tǒng)在閥門啟閉工況下的界面顯示；
[0066] 圖19是本發(fā)明提供的輸氣管道泄漏監(jiān)測系統(tǒng)在壓縮機啟閉工況下的界面顯示。
【具體實施方式】
[0067] 下面結(jié)合附圖和實例對本發(fā)明進一步說明。
[0068]如圖1所示，基于ANN的音波法輸氣管道泄漏檢測方法，包括以下步驟：
[0069]步驟一:獲取輸氣管道多工況下音波信號樣本，對不同工況下音波信號樣本去噪， 并提取不同工況下音波信號樣本特征值；
[0070] 具體實施中，如圖2~圖4,步驟一采集的樣本信號為管線壓力0.2MPA，管徑42mm下 泄漏工況、閥門啟閉工況和壓縮機啟閉工況小波去噪后的音波數(shù)據(jù)。
[0071] 提取不同工況下音波信號樣本特征值參考圖5至圖7,由圖可知，泄漏信號與其它 兩種干擾工況間存在較大差別，對每秒內(nèi)去噪后的音波信號樣本進行均值、峰度、均方根斜 率計算的公式為：
[0072]
[0073]
[0074] 其中:X(n)表示樣本數(shù)據(jù)值，μχ表示均值，kurtosis表示峰值，σ'χ表示均方根斜率。
[0075] 步驟二:采用高斯隸屬度函數(shù)對不同工況下音波信號樣本特征值進行模糊分割， 獲取模糊分割量；其中均值分割后的四個模糊分割函數(shù)，且峰度與均值分割方法相同，其 中，均值對應(yīng)的模糊分割量表示為：
[0076]
[0077]
[0078]
[0079]
[0080] 其中：yleak(x)表示泄漏工況模糊輸入變量;yvalve3(x)表示閥門開啟工況模糊輸入 變量;(X)表示壓縮機關(guān)閉工況模糊輸入變量;μ η〇_? (X)表示正常工況模糊輸入變 量;〇!，〇2，03，〇4表不為經(jīng)驗取值，都取為最大值減去最小值的六分之一。
[0081] 獲得的模糊分割函數(shù)如圖8和圖9所示，可以看出均值和峰度各自的四個模糊函數(shù) 均存在較明顯的樣本中心，即是對管道正常工況、泄漏工況、閥門啟閉工況和壓縮機啟閉工 況存在一定區(qū)分性。將樣本均值、峰度值分別代入各自模糊分割函數(shù)共獲得8個模糊分割 量。
[0082]步驟三:利用F-自適應(yīng)遺傳算法對BP神經(jīng)網(wǎng)絡(luò)初始參數(shù)進行優(yōu)化，將模糊分割量 代入BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，獲取用于輸氣管道瞬時工況判定的BP神經(jīng)網(wǎng)絡(luò)。
[0083]將8個模糊分割變量和均方根斜率共9個樣本參數(shù)代入F-自適應(yīng)遺傳算法。按照 步驟S301組建一個與網(wǎng)絡(luò)參數(shù)同維且染