人工智能型的管道泄漏監測系統在克－烏成品油管道的應用研究（上
(1.新疆新捷股份有限公司,烏魯木齊 830000；2.北京昊科航科技有限責任公司，北京 100039)
摘 要 根據克-烏線的情況，采用《HKH系列管道泄漏監測報警定位系統》，設計了合適的專用模糊神經網絡，給出了專用網絡圖和部分算法。說明了調試方法，對測試數據進行了分析，根據試驗效果對該系統在克-烏成品油管道上的適用性做出了結論，提出了存在問題和改進建議。
關鍵詞 人工智能；模糊神經網絡；泄漏監測；應用研究
中圖分類號：文獻標識碼：文章編號
Application on Artificial Intelligent System for Leck Monitoring Using in Finished Oil Pipeline from Karamay to Urumchi
Bi Fengdong Li Shujie Chen Jiuhui Ma Ji
1.Xinjiang Xin Jie Co.,Ltd, Wulumuqi830000 ,China;
2．Beijing Haokehang Science&Technology Co.,Ltd,Beijing100039,China
3. College of Information Engineering, Shenyang University, Shenyang 110043, China)
Abstract: According to the using of pipeline, designed a suitable and special fuzzy nerve network with HKH pipeline monitoring system for leck detection and assessed the special net picture and part of arithmetic. We amplify the method of test and research the data, then draw the conclusion of system application in the finished oil pipeline from Karamay to Urumchi, according to experimental effect and give the problem in exite and advise for improvement.
Key words: artificial intelligent; pipeline; leaking monitoring; application research.
1 引言
人工智能作為現代設計方法學○1的一個重要組成部分，已經在我國管道泄漏監測中有了成功應用案例○2。為了解決克—烏成品油管道泄漏監測的技術難題，彌補國外技術的不足，根據克-烏線的情況，采用《HKH系列管道泄漏監測報警定位系統》，研究合適的專用模糊神經網絡，確定該網絡在克－烏成品油管道上的適用性。
2人工智能型的管道泄漏監測模型
2.1克－烏成品油管道泄漏監測的神經網絡模型
克－烏成品油管道是長距離多品種油密閉順序輸送管道，兩個進油站，一個出油站，中間又有四個串聯泵站，每個泵站又都有變頻泵和工頻泵，串聯泵站沒有流量計，管道內混油頭數量不定，管道輸送壓力變化較大，情況復雜。為了在這種環境中能正確識別出管道泄漏信號，經反復研究，我們設計了專門的網絡。為了給網絡提供盡可能多的信息，我們在沒有流量計的站增加了差壓變送器，用以代替流量計信號。這樣，每個站就有了三種進入網絡的原始信號。
圖一 克－烏線管道泄漏監測系統人工神經網絡模型圖
A B C D E F G H
這個網絡圖共分了八層。
A層：是輸入層，其中：
是人工設定的閾值，是與檢測量性質和量程相關的一個數值。是輸入量，對于中間的一個站來講，他們分別代表進站壓力、差壓和出站壓力。
B層是模糊層：在此完成檢測量的模糊化， 是上層的輸出、下層的輸入。
(1.1)
其中： ——是與檢測量性質和量程相關的一個系數，是與采集數相關的一個量。
C層：是閾值配置層，在此完成信息分類前的閾值配置。是人工設置的閾值，對任何輸入 ，該值對應的每一個下級單元都是不同的。
(1.2)
在這里， 1，2，3； 1，2，3……12。是信號分配器，對于任何輸入 ， 所對應的每一個下級單元都是不同的。
(1.3)
是與 相關的閾值。
D層是分類層：在這里，管道運行狀態被分成了12個特征點：
保存了上次計算的結果，
(1.4)
E層是歷史經驗層：
是提取的歷史經驗，是根據F層的數據變化經一定的運算以后不斷更新的，當F層數據進來時，該層要對更新要求進行識別，進行合理處理后作為新的歷史經驗被保存下來；
(1.5)
F層是函數運算層：
包括二方面的內容，一個是根據以前的經驗和當前進來的信息進行綜合運算，給出一個輸出數據，送到下一級，再一個是給出一個歷史經驗的新數據，送到E層；
(1.6)
G層是合成層：
根據前級數據合成的一個新數值，送到下一級；
(1.7)
H層是輸出層：
接受前面的三個數據，在此進運算后輸出，給出一個唯一的結論。
(1.8)
2.2專用模糊神經網絡的定位技術
動態管道泄漏監測要解決的問題其實只有兩個，一個是正確的識別出泄漏，一個是定位。識別泄漏是關鍵的技術，在此基礎上的才是定位。
采用專用模糊神經網絡監測能夠正確識別管道泄漏，這第一個問題就解決了。接下來的就是定位的問題了。
為了解決克烏線微小信號下定位誤差大的問題，我們選擇了水擊波速度法。根據監測點內管道長度、上下游監測點接收到水擊波信號的時間差和管道內水擊波的傳播速度就可以計算出泄漏點的位置。該法的定位公式如下：
(1.9)
式中：
—— 泄漏點的位置
——被監測的管道的長度
——波在管道中傳播的速度
——首末兩站點收到波的時間差
(1.10)
式中：
——流體密度；
K——液體的體積彈性系數；
E——管材彈性系數；
D——管道的平均直徑
δ——管壁厚度；
Ψ——系數，對于埋地管道，Ψ＝1－μ2；
μ——泊松系數，鋼管的μ=0.3；
從上面的公式可以看出，一般情況下， 和 的變化可以忽略不計，定位誤差大小僅與 有關，所以采用水擊波速度計算泄漏位置的關鍵問題是找到事件發生的確切時刻 。由于專用模糊神經網絡能準確的找到事件的發生時刻，從而為準確的計算 提供了依據，也解決了小信號所需定位時間太長的問題。
3 專用模糊神經網絡的調試
專用人工智能網絡的調試是在系統軟硬件安裝后在現場進行的。首先根據運行參數進行初調試，再進行實地放油試驗。放油過程中不進行調試操作，放油后再根據放油結果調整系統學習模型，這是一個不斷循環的過程。直至達到調試目標。
調試放油方法：放油前1個小時至最后一次放油結束期間內各站不要進行較大的人工操作，包括啟停泵，切換混油以及變頻設備的調整等；系統各單元正常運行30分鐘以上；每兩次放油的最短時間間隔不能少于20分鐘（以前一次關閥時間至下一次開閥時間計算）；現場放油操作要求準確、快捷，并進行精確放油計量；最小泄放量不小于瞬時量的0.5%；開關閥門放油要連續操作，不反復開關閥門調節流量；每次放油持續時間不少于2.5分鐘。
摘 要 根據克-烏線的情況，采用《HKH系列管道泄漏監測報警定位系統》，設計了合適的專用模糊神經網絡，給出了專用網絡圖和部分算法。說明了調試方法，對測試數據進行了分析，根據試驗效果對該系統在克-烏成品油管道上的適用性做出了結論，提出了存在問題和改進建議。
關鍵詞 人工智能；模糊神經網絡；泄漏監測；應用研究
中圖分類號：文獻標識碼：文章編號
Application on Artificial Intelligent System for Leck Monitoring Using in Finished Oil Pipeline from Karamay to Urumchi
Bi Fengdong Li Shujie Chen Jiuhui Ma Ji
1.Xinjiang Xin Jie Co.,Ltd, Wulumuqi830000 ,China;
2．Beijing Haokehang Science&Technology Co.,Ltd,Beijing100039,China
3. College of Information Engineering, Shenyang University, Shenyang 110043, China)
Abstract: According to the using of pipeline, designed a suitable and special fuzzy nerve network with HKH pipeline monitoring system for leck detection and assessed the special net picture and part of arithmetic. We amplify the method of test and research the data, then draw the conclusion of system application in the finished oil pipeline from Karamay to Urumchi, according to experimental effect and give the problem in exite and advise for improvement.
Key words: artificial intelligent; pipeline; leaking monitoring; application research.
1 引言
人工智能作為現代設計方法學○1的一個重要組成部分，已經在我國管道泄漏監測中有了成功應用案例○2。為了解決克—烏成品油管道泄漏監測的技術難題，彌補國外技術的不足，根據克-烏線的情況，采用《HKH系列管道泄漏監測報警定位系統》，研究合適的專用模糊神經網絡，確定該網絡在克－烏成品油管道上的適用性。
2人工智能型的管道泄漏監測模型
2.1克－烏成品油管道泄漏監測的神經網絡模型
克－烏成品油管道是長距離多品種油密閉順序輸送管道，兩個進油站，一個出油站，中間又有四個串聯泵站，每個泵站又都有變頻泵和工頻泵，串聯泵站沒有流量計，管道內混油頭數量不定，管道輸送壓力變化較大，情況復雜。為了在這種環境中能正確識別出管道泄漏信號，經反復研究，我們設計了專門的網絡。為了給網絡提供盡可能多的信息，我們在沒有流量計的站增加了差壓變送器，用以代替流量計信號。這樣，每個站就有了三種進入網絡的原始信號。
圖一 克－烏線管道泄漏監測系統人工神經網絡模型圖
A B C D E F G H
這個網絡圖共分了八層。
A層：是輸入層，其中：
是人工設定的閾值，是與檢測量性質和量程相關的一個數值。是輸入量，對于中間的一個站來講，他們分別代表進站壓力、差壓和出站壓力。
B層是模糊層：在此完成檢測量的模糊化， 是上層的輸出、下層的輸入。
(1.1)
其中： ——是與檢測量性質和量程相關的一個系數，是與采集數相關的一個量。
C層：是閾值配置層，在此完成信息分類前的閾值配置。是人工設置的閾值，對任何輸入 ，該值對應的每一個下級單元都是不同的。
(1.2)
在這里， 1，2，3； 1，2，3……12。是信號分配器，對于任何輸入 ， 所對應的每一個下級單元都是不同的。
(1.3)
是與 相關的閾值。
D層是分類層：在這里，管道運行狀態被分成了12個特征點：
保存了上次計算的結果，
(1.4)
E層是歷史經驗層：
是提取的歷史經驗，是根據F層的數據變化經一定的運算以后不斷更新的，當F層數據進來時，該層要對更新要求進行識別，進行合理處理后作為新的歷史經驗被保存下來；
(1.5)
F層是函數運算層：
包括二方面的內容，一個是根據以前的經驗和當前進來的信息進行綜合運算，給出一個輸出數據，送到下一級，再一個是給出一個歷史經驗的新數據，送到E層；
(1.6)
G層是合成層：
根據前級數據合成的一個新數值，送到下一級；
(1.7)
H層是輸出層：
接受前面的三個數據，在此進運算后輸出，給出一個唯一的結論。
(1.8)
2.2專用模糊神經網絡的定位技術
動態管道泄漏監測要解決的問題其實只有兩個，一個是正確的識別出泄漏，一個是定位。識別泄漏是關鍵的技術，在此基礎上的才是定位。
采用專用模糊神經網絡監測能夠正確識別管道泄漏，這第一個問題就解決了。接下來的就是定位的問題了。
為了解決克烏線微小信號下定位誤差大的問題，我們選擇了水擊波速度法。根據監測點內管道長度、上下游監測點接收到水擊波信號的時間差和管道內水擊波的傳播速度就可以計算出泄漏點的位置。該法的定位公式如下：
(1.9)
式中：
—— 泄漏點的位置
——被監測的管道的長度
——波在管道中傳播的速度
——首末兩站點收到波的時間差
(1.10)
式中：
——流體密度；
K——液體的體積彈性系數；
E——管材彈性系數；
D——管道的平均直徑
δ——管壁厚度；
Ψ——系數，對于埋地管道，Ψ＝1－μ2；
μ——泊松系數，鋼管的μ=0.3；
從上面的公式可以看出，一般情況下， 和 的變化可以忽略不計，定位誤差大小僅與 有關，所以采用水擊波速度計算泄漏位置的關鍵問題是找到事件發生的確切時刻 。由于專用模糊神經網絡能準確的找到事件的發生時刻，從而為準確的計算 提供了依據，也解決了小信號所需定位時間太長的問題。
3 專用模糊神經網絡的調試
專用人工智能網絡的調試是在系統軟硬件安裝后在現場進行的。首先根據運行參數進行初調試，再進行實地放油試驗。放油過程中不進行調試操作，放油后再根據放油結果調整系統學習模型，這是一個不斷循環的過程。直至達到調試目標。
調試放油方法：放油前1個小時至最后一次放油結束期間內各站不要進行較大的人工操作，包括啟停泵，切換混油以及變頻設備的調整等；系統各單元正常運行30分鐘以上；每兩次放油的最短時間間隔不能少于20分鐘（以前一次關閥時間至下一次開閥時間計算）；現場放油操作要求準確、快捷，并進行精確放油計量；最小泄放量不小于瞬時量的0.5%；開關閥門放油要連續操作，不反復開關閥門調節流量；每次放油持續時間不少于2.5分鐘。
文章版權歸西部工控xbgk所有，未經許可不得轉載。
服務咨詢