一种基于模糊推理的管道泄漏定位方法

摘要

本发明提供一种基于模糊推理的管道泄漏定位方法，包括：实时采集管道首末两端的压力信号和温度信号；若实时采集的管道两端的压力信号中存在非工况调整引起的压力突变信号，则当前管道存在泄漏点，计算压力突变信号到达管道首末两端的时间差；利用负压波法、广义递归神经网络定位方法、利用温度梯度法，定位管道泄漏点到管道首端的距离；根据利用负压波法、广义递归神经网络定位方法、温度梯度法定位得到的管道泄漏点到管道首端的距离，利用模糊推理算法对泄漏点进行定位。采用三种不同的定位方法对管道泄漏点进行定位，经过模糊推理，鱼群算法隶属度函数参数自适应优化，赋予三种定位结果不同的置信度，从而实现泄漏点的精确定位。

说明书

技术领域

本发明属于管道检测技术领域，具体涉及一种基于模糊推理的管道泄漏定位方法。

背景技术

随着输油管道的增多和管道服役时间的增长，管道运输的安全状态不容乐观。很多管道 的老化程度比较严重，且已进入泄漏事故多发期。此外，人为破坏管道窃取石油资源的现象 也相当严重，带来重大安全隐患。因此，管道泄漏检测成为管道安全生产管理的重要工作内 容，对管道泄漏点进行定位也成了工作中的重中之重。

目前，已经出现了温度梯度法、负压波法、管道模型法等多种方法实现对管道泄漏点的 定位，但是，在这些方法中，有些方法简单方便、实用性强，但是定位精度较差；而另外一 些方法定位精度较准确，但是方法复杂，需要考虑多种因素。因此，设计一种定位精度高、 实用性强的管道泄漏定位装置具有重要的现实意义。

发明内容

针对现有技术存在的问题，本发明提供一种基于模糊推理的管道泄漏定位方法。

一种基于模糊推理的管道泄漏定位方法，包括以下步骤：

步骤1：实时采集管道首末两端的压力信号和温度信号；

步骤2：判断实时采集的管道两端的压力信号中是否存在压力突变信号，是，则执行步骤3， 否则返回步骤1；

步骤3：判断当前管道是否存在工况调整，是，则返回步骤1，否则，当前管道存在泄漏点， 计算压力突变信号到达管道首末两端的时间差；

步骤4：利用负压波法，根据压力突变信号到达管道首末两端的时间差，定位管道泄漏点到 管道首端的距离；

步骤5：利用广义递归神经网络定位方法，根据压力突变信号到达管道首末两端的时间差， 定位管道泄漏点到管道首端的距离；

步骤6：利用温度梯度法，根据采集到的管道首末两端的温度信号，定位管道泄漏点到管道 首端的距离；

步骤7：根据利用负压波法、广义递归神经网络定位方法、温度梯度法定位得到的管道泄漏 点到管道首端的距离，利用模糊推理算法对泄漏点进行定位；

步骤7.1：根据历史数据建立模糊推理规则，用来描述管道的决策条件空间与其对应的决策结 果空间的关系；

所述管道的决策条件空间包括管道首末两端的温度差和管道首末两端压力差；

所述决策结果空间包括管道运行正常、管道发生泄漏和管道工况调整，其中，管道发生泄漏 决策结果的三个程度模糊子集分别为严重泄漏、较大泄漏和小泄漏；

步骤7.2：对各管道的决策条件空间和各决策结果分别建立模糊隶属度函数；

步骤7.3：利用鱼群算法优化各模糊隶属度函数的顶点位置和模糊隶属度函数宽度；

步骤7.3.1：将各决策条件的模糊隶属度函数的顶点位置和模糊隶属度函数宽度、决策结果的 模糊隶属度函数的顶点位置和模糊隶属度函数宽度作为基因，并将各基因任意排列构成人工 鱼个体形式；

步骤7.3.2：按照构成的人工鱼个体形式随机产生N组数据，即N个人工鱼个体；

步骤7.3.3：分别计算N个人工鱼个体的食物浓度，记录食物浓度最大值及其对应的人工鱼个 体；

步骤7.3.4：设定人工鱼个体的感知距离、人工鱼个体移动的最大步长、拥挤度因子、寻优最 大次数、食物浓度阈值；

步骤7.3.5：对人工鱼个体进行寻优；

步骤7.3.5.1：确定与当前人工鱼个体间距离小于感知距离的所有人工鱼个体，并确定这些人 工鱼个体对应的模糊隶属度函数的顶点位置的平均值及模糊隶属度函数宽度的平均值，同时 确定这些人工鱼个体中食物浓度最大的人工鱼个体及其食物浓度；

步骤7.3.5.2：根据聚群、追尾和觅食确定新的人工鱼个体；

步骤7.3.5.3：计算新的人工鱼个体的食物浓度，判断该新的人工鱼个体的食物浓度是否大于 记录的食物浓度最大值，是，则记录该新的人工鱼个体的食物浓度及其对应的人工鱼个体； 否则，维持记录的食物浓度最大值；

步骤7.3.5.4：判断是否所有人工鱼个体均完成步骤7.3.5.1～步骤7.3.5.3：是，则执行步骤7.3.5.5， 否则对下一条人工鱼个体执行步骤7.3.5.1～步骤7.3.5.3；

步骤7.3.5.5：判断是否达到寻优最大次数或者当前记录的食物浓度最大值大于食物浓度阈值， 则当前记录的食物浓度最大值对应的人工鱼个体为最优人工鱼个体，进而确定优化的各模糊 隶属度函数的顶点位置和模糊隶属度函数宽度，否则，返回步骤7.3.5.1；

步骤7.4：根据确定的优化的各模糊隶属度函数的顶点位置和模糊隶属度函数宽度，得到管道 发生泄漏决策结果对应的模糊隶属度函数，进而得到严重泄漏的置信度、较大泄漏的置信度 和小泄漏的置信度；

步骤7.5：将严重泄漏的置信度、较大泄漏的置信度和小泄漏的置信度分别作为利用负压波法、 温度梯度法、广义递归神经网络定位方法定位得到的管道泄漏点到管道首端的距离的置信度， 计算管道泄漏点到管道首端的距离x_L：

$x_L=\frac{{\mathrm{cof}}_0{x}_1+{\mathrm{cof}}_2{x}_3+{\mathrm{cof}}_1{x}_2}{{\mathrm{cof}}_0+{\mathrm{cof}}_1+{\mathrm{cof}}_2}$

其中，cof₀、cof₁和cof₂分别为利用负压波法、广义递归神经网络定位方法、温度梯度法定位 得到的管道泄漏点到管道首端的距离的置信度，x₁、x₂和x₃分别为利用负压波法、广义递归 神经网络定位方法、温度梯度法定位得到的管道泄漏点到管道首端的距离。

有益效果：

采用三种不同的定位方法对管道泄漏点进行定位，利用压力信号到达管道首末端的时间 差实现了基于管道机理模型的负压波定位和基于数据驱动方法的广义递归神经网络模型定 位，同时，利用管道首末端的温度信号实现了基于温度梯度的定位；对上述三种定位结果进 行二次定位，经过模糊推理，鱼群算法隶属度函数参数自适应优化，赋予三种定位结果不同 的置信度，从而实现泄漏点的精确定位。

附图说明

图1为本发明一种实施方式的基于模糊推理的管道泄漏定位装置结构框图；

图2为本发明一种实施方式的第一信号调理模块的电路原理图；

图3为本发明一种实施方式的A/D转换芯片与FPGA的接口电路图；

图4为本发明一种实施方式的基于模糊推理的管道泄漏定位方法流程图；

图5为本发明一种实施方式模糊推理方法流程图；

图6为本发明一种实施方式优化运行状态和决策结果的隶属度函数参数优化流程图。

具体实施方式

下面结合附图对本发明的具体实施方式做详细说明。

本实施方式中，实现基于模糊推理的管道泄漏定位方法所采用的基于模糊推理的管道泄 漏定位装置，如图1所示，该装置包括压力传感器模块、温度传感器模块、第一信号调理模 块、第二信号调理模块、第一A/D转换模块、第二A/D转换模块和FPGA中央处理单元，其 中FPGA中央处理单元模块包括时序控制模块和基于模糊推理的泄漏定位模块，时序控制模 块用于产生A/D转换模块的工作时序，基于模糊推理的泄漏定位模块包括负压波定位模块、 广义递归神经网络定位模块、温度梯度定位模块和模糊推理模块。

压力传感器模块的型号为PT500-502，温度传感器模块的型号为PT100，第一A/D转换 模块和第二A/D转换模块的型号均为ADS7844，FPGA中央处理单元模块的型号为 EP3C25Q240C8。

压力传感器和温度传感器均安装在管道首末两端，分别采集管道首端和末端的压力和温 度信号，压力传感器输出端连接第一信号调理模块的输入端，温度传感器输出端连接第二信 号调理模块的输入端，第一信号调理模块的输出端、第二信号调理模块的输出端分别连接第 一A/D转换模块的输入端和第一A/D转换模块的输入端，第一A/D转换模块的输出端、第 二A/D转换模块的输出端分别连接FPGA中央处理单元的输入端，FPGA中央处理单元的时 序控制模块分别连接第一A/D转换模块和第二A/D转换模块。

第一信号调理模块的电路原理图如图2所示，该模块实现信号的滤波和放大，压力传感 器的输出首先经过滤波电路滤波，然后经一个10K的电阻R2连接到运算放大器的反相输入 端，同相输入端接2.5V的参考电压，运算放大器的输出端连接电阻R3的一端、电阻R1的 一端及电容C2的一端，电阻R3的另一端作为信号调理模块的输出端连接A/D转换芯片的输 入端，电阻R1的另一端连接运算放大器的反相输入端，电容C2的另一端接地。本实施方式 中运算放大器的型号为AD824。第二信号调理模块的原理与第一信号调理模块相同。

第一A/D转换模块/第二A/D转换模块与FPGA的接口电路图如图3所示，第一A/D转 换模块、第二A/D转换模块均采用ADS7844的A/D转换芯片，A/D转换芯片将电压信号转 换为数字信号，A/D转换芯片的6个不同的输出端分别连接FPGA时序控制模块的自定义I/O 口，即A/D转换芯片的DCLK端连接FPGA的I/O.23端，A/D转换芯片的CS端连接I/O.24 端、A/D转换芯片的Din端连接I/O.25端、A/D转换芯片的Busy端连接I/O.26端，A/D转换 芯片的Dout端连接I/O.27端，FPGA的型号为EP3C25Q240C8。

本实施方式中，基于模糊推理的管道泄漏定位方法，如图4所示，包括以下步骤：

步骤1：实时采集管道首末两端的压力信号和温度信号；

步骤2：判断实时采集的管道两端的压力信号中是否存在压力突变信号，是，则执行步骤3， 否则返回步骤1；

步骤3：判断当前管道是否存在工况调整，是，则返回步骤1，否则，当前管道存在泄漏点， 计算压力突变信号到达管道首末两端的时间差；

步骤4：利用负压波法，根据压力突变信号到达管道首末两端的时间差，定位管道泄漏点到 管道首端的距离x₁；

$x_1=\frac{1}{2}(L+v·\Delta t^{\prime })$

其中，L为管道的长度，v为管道输油介质中压力波的传播速度，Δt′为管道实时压力突变信 号到达管道首末两端的时间差；

步骤5：利用广义递归神经网络定位方法，根据压力突变信号到达管道首末两端的时间差， 定位管道泄漏点到管道首端的距离x₂；

基于广义递归神经网络模型建立的理论时间差Δt与泄漏位置X的对应关系Z＝F(Δt)， 利用压力突变信号到达管道首、末端的时间差，定位出管道泄漏点到管道首端的距离x₂；

步骤5-1：从管段首端开始，到末端为止(全长为L)，构造模拟泄漏位置序列 Z＝{0,Z_l,Z_2l,…，Z_L}，l为单位步长，l越小，定位精度越高；

步骤5-2：计算负压波在管道介质中的传播速度；

v(Z)＝{v(0),v(Z_l),v(Z_2l),…,v(Z_L)}

和管道内传输介质的流速

u(Z)＝{u(0),u(Z_l),u(Z_2l),…,u(Z_L)}；

步骤5-3：构建模拟泄漏位置对应的理论时间差序列Δt＝{Δt₀,Δt_l,Δt_2l,…,Δt_L}，其中

$\mathrm{\Delta t}={\int }_0^X\frac{1}{v\left(Z\right)-u\left(Z\right)}\mathrm{dx}-{\int }_X^L\frac{1}{v\left(Z\right)+u\left(Z\right)}\mathrm{dx}$

步骤5-4：建立基于模拟泄漏位置对应的理论时间差序列的广义递归神经网络模型，利用 历史数据进行训练；

步骤5-5：将管道实时压力突变信号到达管道首末两端的时间差作为广义递归神经网络模 型的输入，广义递归神经网络模型的输出为管道泄漏点到管道首端的距离x₂。

步骤6：利用温度梯度法，根据采集到的管道首末两端的温度信号，定位管道泄漏点到管道 首端的距离x₃；

根据管道首端的温度数据、管道的流量信息和管道固有特性构建管道泄漏温度下降曲线 1，再根据管道末端的温度数据、管道的流量信息和管道固有特性构建管道泄漏温度上升曲线 2，利用曲线1和曲线2的交点定位出管道泄漏点到管道首端的距离x₃；

具体步骤如下：

步骤6-1：构建管道泄漏温度下降曲线1，公式如下：

$t_2=t_0-\frac{\mathrm{Ki\pi D}}{C}+(t_1-t_0+\frac{\mathrm{Ki\pi D}}{C})\exp (-\frac{\mathrm{K\pi DX}}{\mathrm{GC}})$

其中，t₂表示到首端距离为X处的温度，t₀表示X处周围介质的温度，K表示介质传热系数， i表示管道的水力坡降，D表示管道直径，C表示比热容，t₁表示管道首端温度，G表示流量。

步骤6-2：构建管道泄漏温度上升曲线2，公式如下：

$t_4=t_0+\frac{\mathrm{Ki\pi D}}{C}+(t_3-t_0-\frac{\mathrm{Ki\pi D}}{C})\exp \left(\frac{\mathrm{K\pi DX}}{\mathrm{GC}}\right)$

其中，t₄表示到末端距离为X处的温度，t₃表示管道末端温度。

步骤6-3：利用管道泄漏温度下降曲线1和管道泄漏温度上升曲线2的交点，定位出管道 泄漏点距离管道首段的距离x₃。

步骤7：根据利用负压波法、广义递归神经网络定位方法、温度梯度法定位得到的管道泄漏 点到管道首端的距离，利用模糊推理算法对泄漏点进行定位；

如图5所示，具体步骤如下：

步骤7.1：根据历史数据建立模糊推理规则，用来描述管道的决策条件空间与其对应的决策结 果间的关系；

管道的决策条件空间包括管道首末两端的压力差和温度差；

决策结果空间包括管道运行正常、管道发生泄漏和管道工况调整，其中，管道发生泄漏决策 结果的三个泄漏程度模糊子集分别为严重泄漏、较大泄漏和小泄漏；

模糊推理规则R_i的文字描述形式如下：

R_i：If运行状态属于决策条件空间的子集，

then当前管道运行状况的决策结果是···。

管道的决策条件空间C＝{c₁,c₂}，其中c₁代表首末两端温度差，c₂代表首末两端压力差， D表示决策结果空间，决策条件c_j(j＝1,2)表示管道运行状态，D＝{d₁,d₂,d₃}，其中d₁代 表运行正常，d₂代表发生泄漏，d₃代表调节工况。

步骤7.2：对各管道的决策条件空间和各决策结果分别建立模糊隶属度函数；

决策条件空间中每一类决策条件表示的运行状态被划分为5个程度的模糊子集，当前运行状 态属于每一个模糊子集的隶属度为E＝{e₀,e₁,…，e₄}，e_k(k＝0,1,···4)代表由该决策条件表 示的运行状态偏离其正常值的程度；每一类决策结果同样被划分为3个程度模糊子集，每一 类决策结果属于其对应的模糊子集的隶属度为F＝{f₀,f₁,f₂}，f_k(k＝0,1,2)表示该类决策 结果可能性的程度。

步骤7.3：利用鱼群算法优化各模糊隶属度函数的顶点位置和模糊隶属度函数宽度；

如图6所示，具体步骤如下：

步骤7.3.1：将各决策条件的模糊隶属度函数的顶点位置和模糊隶属度函数宽度、决策结果的 模糊隶属度函数的顶点位置和模糊隶属度函数宽度作为基因，并将各基因任意排列构成人工 鱼个体形式；

将运行状态c_j的模糊隶属度函数进行实数编码为：v_j1w_j1…v_j5w_j5作为一个基因， v_ji＝(i＝1，2…5)表示运行状态c_j中第i个隶属度函数的顶点位置，w_ji表示运行状态c_j中第i个 隶属度函数宽度；将决策结果d_r的模糊隶属度函数进行实数编码为：c_r1z_r1c_r2z_r2c_r3z_r3作为一 个基因，c_ri(i＝1,2,3)表示决策结果d_r中第i个隶属度函数的顶点位置，z_ri表示决策结果d_r中 第i个隶属度函数宽度。将由运行状态得到的2个基因同由决策结果得到的3个基因任意排列 构成一个人工鱼个体形式X。

步骤7.3.2：按照构成的人工鱼个体形式随机产生N组数据，即N个人工鱼个体，N＝50；

每组数据均在其所对应的隶属度函数论域内，则每一组数据可视为一个人工鱼 X_i,i＝1,2,…,50；

步骤7.3.3：分别计算N个人工鱼个体X_i的食物浓度，记录食物浓度最大值及其对应的人工 鱼个体；

食物浓度Y(X_i)公式如下：

$Y\left(X_i\right)=\underset{j=1}{\overset{2}{\Sigma }}\underset{1<k<i\le 5}{\Sigma }\left[\max \right[\left[\frac{v_{\mathrm{ji}}-v_{\mathrm{jk}}+w_{\mathrm{ji}}-w_{\mathrm{jk}}}{\min (w_{\mathrm{jk}},w_{\mathrm{ji}})}\right],1]-1]+\underset{r=1}{\overset{3}{\Sigma }}\underset{1<s<t\le 3}{\Sigma }\left[\max \right[\left[\frac{c_{\mathrm{rt}}-z_{\mathrm{rs}}+c_{\mathrm{rt}}-z_{\mathrm{rs}}}{\min (w_{\mathrm{rs}},w_{\mathrm{rt}})}\right],1]-1].$

步骤7.3.4：设定人工鱼个体的感知距离T、人工鱼个体移动的最大步长step、拥挤度因子ρ、 寻优最大次数NUM为200、食物浓度阈值T_m；

步骤7.3.5：对人工鱼个体进行寻优；

步骤7.3.5.1：确定与当前人工鱼个体间距离小于感知距离的所有人工鱼个体，并确定这些人 工鱼个体对应的模糊隶属度函数的顶点位置的平均值及模糊隶属度函数宽度的平均值，同时 确定这些人工鱼个体中食物浓度最大的人工鱼个体及其食物浓度；

令d_ij＝||X_i-X_j||表示人工鱼X_i和X_j之间的距离；

确定人工鱼X_i的邻域(即d_ij＜T)内的人工鱼条数s(包括X_i本身)，即确定与当前人 工鱼个体间距离小于感知距离的所有人工鱼个体，将s条人工鱼任意排列，表示为：

X₁,X₂,…,X_i,…X_s，取P为：

其中，P表示此 邻域d_ij＜T鱼群的中心位置，v_fji(i＝1,2，…5)表示第f条人工鱼X_f的运行状态c_j中第i个 隶属度函数的顶点位置，w_fji表示第f条人工鱼X_f的运行状态c_j中第i个隶属度函数宽度， c_fki表示第f条人工鱼X_f的决策结果d_k中第i个隶属度函数的顶点位置，z_fki表示第f条人工 鱼X_f的决策结果d_k中第i个隶属度函数宽度。选取X_1,X₂,…，X_i，…X_s中食物浓度最大的人工 鱼，标记为X_max，分别计算X_max的食物浓度Y(X_max)和中心位置的食物浓度Y(P)。

步骤7.3.5.2：根据聚群、追尾和觅食确定新的人工鱼个体；

(1)聚群

如果满足Y(P)/(s-1)＞ρ·Y(X_i)且Y(X_i)＜Y(P)的条件时，则根据

得到新的个体鱼X_inext。(rand()为随机产生的0～1范围内的 随机数)。

(2)追尾

如果满足Y(X_max)/(s-1)＞ρ·Y(X_max)且Y(X_i)＜Y(X_max)的条件时，则根据 得到的新人工鱼X_inext。如果聚群和追尾的条件同时满 足，则比较Y(X_max)和Y(P)，按照值较大的方式进行移动。

(3)觅食

如果(1)和(2)两个条件都不满足，则在人工鱼X_i的邻域内(即d_ij＜T)中随机选择 一个人工鱼X_j，若Y(X_i)＜Y(X_j)，根据得到新的人工鱼 X_inext；否则重新随机选择X_j，重复判断，若反复5次后仍不满足条件，则按照

X_inext＝X_i+rand()·step随机得到X_inext。

计算新的人工鱼X_inext的食物浓度Y(X_inext)。

步骤7.3.5.3：计算新的人工鱼个体的食物浓度，判断该新的人工鱼个体X_inext的食物浓度 Y(X_inext)是否大于记录的食物浓度最大值，是，则记录该新的人工鱼个体的食物浓度及其对 应的人工鱼个体；否则，维持记录的食物浓度最大值；

步骤7.3.5.4：判断是否所有50条人工鱼个体均完成步骤7.3.5.1～步骤7.3.5.3：是，则执行步 骤7.3.5.5，否则对下一条人工鱼个体执行步骤7.3.5.1～步骤7.3.5.3；

步骤7.3.5.5：判断是否达到寻优最大次数200或者当前记录的食物浓度最大值大于食物浓度 阈值T_m，则当前记录的食物浓度最大值对应的人工鱼个体为最优人工鱼个体，进而确定优化 的各模糊隶属度函数的顶点位置和模糊隶属度函数宽度，否则，将新个体鱼作为X_i，返回步 骤7.3.5.1；

步骤7.4：根据确定的优化的各模糊隶属度函数的顶点位置和模糊隶属度函数宽度，得到管道 发生泄漏决策结果对应的模糊隶属度函数，进而得到严重泄漏的置信度、较大泄漏的置信度 和小泄漏的置信度；

步骤7.5：将严重泄漏的置信度、较大泄漏的置信度和小泄漏的置信度分别作为利用负压波法、 温度梯度法、广义递归神经网络定位方法定位得到的管道泄漏点到管道首端的距离的置信度， 计算管道泄漏点到管道首端的距离x_L：

$x_L=\frac{{\mathrm{cof}}_0{x}_1+{\mathrm{cof}}_2{x}_3+{\mathrm{cof}}_1{x}_2}{{\mathrm{cof}}_0+{\mathrm{cof}}_1+{\mathrm{cof}}_2}$

其中，cof₀、cof₁和cof₂分别为利用负压波法、广义递归神经网络定位方法、温度梯度法定 位得到的管道泄漏点到管道首端的距离的置信度，x₁、x₂和x₃分别为利用负压波法、广义递 归神经网络定位方法、温度梯度法定位得到的管道泄漏点到管道首端的距离。

决策结果空间中的d₂代表发生泄漏，其3个泄漏程度模糊子集为：严重泄漏(f₀)、较 大泄漏(f₁)和小泄漏(f₂)，其相应的置信度分别为cof₀、cof₁和cof₂，分别将该三个置信 度等同于利用负压波法、广义递归神经网络定位方法定位、温度梯度法得到的管道泄漏点到 管道首端的距离的置信度，进而完成泄漏点定位。