基于BP网络用于光纤管道泄漏监测装置的管道安全识别方法

摘要

本发明涉及一种基于BP网络用于光纤管道泄漏监测装置的管道安全识别方法，属于管道监测技术。该过程包括：利用至少双通道的同步数据采集卡采集干涉型分布式光纤管道泄漏监测装置中两路干涉光经光电转换后输出的电压信号。利用小波包分解计算得到检测信号的特征向量。每种侵入事件选择若干采集样本，对BP神经网络进行训练和测试。该模型训练完成之后，系统即可实时采集检测信号，提取信号特征，输入到已训练好的模型在线识别管道沿线发生的异常事件类型，并对异常事件进行定位。本发明的优点主要在于该方法简单易用，系统占用资源小，实时性好，可用多种形式实现。

说明书

技术领域

本发明涉及一种基于BP网络用于光纤管道泄漏监测装置的管道安全识别方法，属于管道监测技术。

背景技术

作为油气运输的重要方式之一的管道输送由于其自身的优点，已在国民经济建设中发挥越来越重要的作用。油气管道沿途可能穿越各种不同的环境，周围存在的施工、人为破坏(如打孔盗油等)以及自然灾害(如地震、洪水、泥石流以及山体滑坡等)等诸多因素都可能影响到管道安全，并导致管道泄漏，一旦发生事故将会造成巨大的生命财产损失和环境污染。

目前国内外已有多种管道泄漏检测技术和方法，但大多数的管道泄漏在线监测技术主要是基于管内流体介质的流失所造成的管道运行参数的变化来检测管道泄漏的，如通过监测管道输入端和输出端的压力、流量等管道运行参数的变化，可以判断出管道是否发生泄漏，同时也可以确定管道泄漏发生的位置。该类方法受输送物质特性及输送工况等因素影响，检测灵敏度不高。

基于光纤干涉原理的管道泄漏监测装置能够在异常事件发生时对事发点进行高精度的管道泄漏前定位，已经受到越来越多的关注。中国发明专利(授权号：ZL200410020046.6)已经对该技术内容已经作了很详细的叙述。该方法通过测量两路干涉光的时差达到对异常事件定位的目的，其突出优点在于可在管道泄漏前对事发点进行定位，其定位精度较高且与管道长度无关。

干涉型分布式光纤油气管道监测装置在管道附近沿管道同沟平行铺设一条光缆，利用其中的三条单膜光纤构成基于光纤干涉仪原理的分布式振动信号传感器，用于获取管道沿途的振动信号。利用光缆中的两条光纤构成传感器的两个传感光臂，第三条光纤用于信号传输。两条测试光纤中光波汇合后形成的干涉信号传输到光电二极管，将光信号转换成电信号，随后通过放大和滤波电路对信号进行处理，经过模数转换传输到计算机中做进一步的信号处理和分析。

人工神经网络是由众多的神经元经可调的连接权值连接而成，它具有大规模并行处理、分布式信息存储、良好的自组织自适应性，并具有很强的学习能力。在人工神经网络的实际应用中，BP神经网络是神经网络众多算法中应用最为广泛的一种，它在函数逼近、模式识别、分类、数据压缩等领域有着更加广泛的应用，其结构简单，可操作性强，能模拟任意的非线性输入输出关系。由Kolmogorov定理可知，给定任一连续函数f：Uⁿ→R^m，f(x)＝Y，这里U是闭单位区间[0，1]，f可以精确地用一个三层前向网络实现，此网络的第一层(即输入层)有n个处理单元，中间层有2n+1个处理单元，第三层(即输出层)有m个处理单元。该定理保证任一连续函数可由一个三层神经网络来实现。

在上述监测装置中，管道沿线异常事件类型与对应的信号特征之间为非线性函数关系，因此BP神经网络非常适合用于预警系统中的事件识别。

发明内容

本发明的目的在于提供一种基于BP网络用于光纤管道泄漏监测装置的管道安全识别方法，该方法能有效识别管道沿线发生的危害管道安全事件的类型，识别过程具有简便和可靠的特点。

本发明是通过以下技术方案加以实现：一种基于BP网络用于光纤管道泄漏监测装置的管道安全识别方法，所述的光纤管道泄漏监测装置为：干涉型分布式光纤管道泄漏监测装置。该装置包括分布式光纤微振动传感器、引导光纤及微振动检测器，微振动检测器由半导体激光二极管光源、光隔离器、两个光电检测器和两个信号调理模块构成。其中两个信号调理模块分别对两个光电检测器检测信号进行信号处理，其作用包括：信号放大、滤波。以上述装置基于BP神经网络识别管道安全的方法，其特征在于包括以下过程：

一、建立危害管道安全事件类型的BP神经网络模式库

1、振动信号特征向量提取过程

利用通道数大于2的同步数据采集卡，采集光纤管道泄漏监测装置输出的0V～+10V电压信号。将该电压信号经模数转化后的时间序列输入计算机，并对该时间序列进行小波包分解，计算电压信号中部分频率区间上的能量，作为振动信号的特征向量。该振动信号的特征向量提取具体过程包括如下步骤：

1)设振动信号的采样频率为2f，对信号进行j层小波包分解，则形成2^j个等宽频带，每个频带区间频宽为f/2^j。经小波包分解后，得到j层小波包系数C_j，k^m，k＝0，1……2^j-1，式中m为小波包空间位置标识，若j层中第k个节点小波包系数长度为n，则m＝0，1……n-1。

2)设j层节点k对应的小波包分解得到的信号频带能量为T_j，k，则有

$T_{j,k}=\underset{m}{\Sigma }{\left|C_{j,k}^m\right|}^2---\left(1\right)$

3)对能量T_j，k进行归一化处理，令

$T=\underset{k=0}{\overset{2^j-1}{\Sigma }}{T}_{j,k},(k=\mathrm{0,1},...,2^j-1)---\left(2\right)$

则有

${T_{j,k}}^{\prime }=\frac{T_{j,k}}{\underset{n}{\Sigma }{T}_{j,k}}---\left(3\right)$

式(3)中T′_j，k为对T_j，k归一化处理后的结果。

4)T′＝[T₁′，T₂′，…，T_n′]           (4) 

式(4)中T′即为振动信号的归一化特征向量，该特征向量将作为后续BP神经网络的输入。

2、以事件的特征向量为BP神经网络的输入，训练及测试BP神经网络以建立事件模式库

所述的危害管道安全事件包括管道开孔泄漏和在管道及光纤上方挖掘破坏等。对包括管道泄漏在内的每种危害管道安全事件选择20个左右采集到的电压信号样本(0V～10V)，按照上述特征提取流程提取其特征向量。将提取的信号特征向量作为BP神经网络的输入，对应事件类型作为输出对BP神经网络进行训练，具体训练过程包括：

1)BP神经网络的网络权值和阈值初始值设定：

为了避免初始值过大而引起的网络饱和，同时兼顾网络的收敛速度和样本的复杂性，本发明所采用的BP神经网络的权值和阈值项均预先置为均匀分布的较小随机数值，取为(-0.5～0.5)。

2)BP神经网络的网络拓扑结构选择：

本发明中BP神经网络采用三层结构，即输入层、单隐层和输出层。输入层节点数由信号特征向量中元素个数确定。输出层节点数与事件类型个数一致，即系统判断事件类型总数为i，而系统判断事件j(1≤j≤i)发生时，BP神经网络输出的1×i形式的行向量[a₀a₁...a_i]中仅aj＝1，其他元素均为0，若无异常事件发生系统输出行向量中各元素皆为0。单隐层内节点数应在保证系统逼近精度且情况下尽量少，以提高网络收敛速度。

3)对训练好的BP神经网络进行测试：

每种异常事件选取10～20个测试样本，对已训练完毕的BP神经网络进行测试。将采集到的异常事件信号的特征向量输入已训练好的BP神经网络，将BP神经网络经过计算得出的输出与实际的异常事件类型进行对比，并将系统误判事件个数与测试样本总数相除得到系统误判率。若测试结果的误判率小于或等于设计要求的误判率，说明建立的BP神经网络模型满足设计要求，可以用于实际的管道沿线安全监测；若误判率大于设计要求，调整模型参数，重复上述步骤，重新训练和测试BP神经网络模型，直到BP神经网络误判率满足系统设计要求。

二、将完成训练的BP神经网络用于实时监控危害管道安全事件

BP神经网络经测试表明满足设计要求后，监控系统即可实时采集预警系统两路光电转换输出的电压信号，提取其中一路振动信号的特征向量，输入BP神经网络实现在线识别油气管道沿线所发生异常事件类型。一旦判断管道沿线发生BP神经网络模式库中存在的异常事件，系统对异常事件进行定位。

预警系统发现异常事件后，通过测量两路电信号的时间差来对事发点进行定位。定位原理如式(5)所示

$X=\frac{L-v(\mathrm{\Delta t}-\frac{L}{v})}{2}---\left(5\right)$

式(5)中，X为异常事件事发点沿埋设光缆距光缆首端的距离；L为埋设光缆全长；Δt为两路电信号时差；v为光波在光纤中的传播速度。

本发明的优点主要在于有效识别发生在管道沿线的危害管道安全事件类型，一旦确定事件类型后，就可迅速通过各种手段加以安全防范。较现有的其它方法具有快捷、实施费用低的特点。

附图说明

图1为干涉型分布式光纤管道泄漏监测装置结构图。

图中：1a、1b为传感光缆1中两条传感光纤、1c为传感光缆1中的一条引导光纤、3a和3b为引导光缆3中包含两条引导光纤、4为微振动检测器、其中微振动检测器4中包括：5为半导体激光二极管、7为光隔离器、6a和6b为信号传输光纤、8、10a和10b为耦合器、9a、9b、9c和9d为信号传输光纤、11a和11b为光电检测器、12a和12b为信号调理模块、13a和13b为A/D转换模块、14为计算机。

图2为本发明过程流程图。

图3：提取振动信号特征向量计算流程图。

图4：BP神经网络训练流程图。

图5：BP神经网络训练后测试流程图。

图6：为采集到的气管道泄漏引起振动信号样本(输气管径为Φ159mm，管道压力0.8MPa，泄漏孔径3mm)，横坐标为时间(单位为采样间隔)，纵坐标为电压(V)；

图7：为图6中检测信号对应的特征向量图，横坐标为频带编号，纵坐标为归一化能量值。

图8：当输入为图7中气管道泄漏样本特征向量时，完成训练和测试的BP神经网络输出为[0 1]。

图9：采集到的在光缆上方人工挖掘检测信号样本，横坐标为时间(单位为采样间隔)，纵坐标为电压(V)。

图10：为图9中检测信号对应的特征向量，横坐标为频带编号，纵坐标为归一化能量值。

图11：当输入为图10中人工挖掘样本特征向量时，完成训练和测试的BP神经网络输出为[1 0]。

具体实施方式

下面以气管道泄漏和人工挖掘两种异常事件为例，结合附图和具体实施方式对本发明作进一步详细的说明：

系统电压信号采集：

利用至少双通道的数据采集卡采集干涉型分布式光纤管道泄漏监测装置的两路电压信号，即图1中12a和12b两个光电转换器输出的电压信号。

随后执行图2所示的本方法流程，其中黑色宽框为计算机内部实现的算法，其余部分由实际的设备实现。框图内流程具体步骤如下：

光电转换单元将干涉型分布式光纤管道监测装置中两路干涉光信号转换为0V～+10V的模拟电压信号。模数转换装置(模数转换装置采用美国NI公司的同步采集卡PCI-6132，四路同步采集，2.5MS/s，采集范围为-10V～+10V)采集范围设定为0V～+10V，将两路模拟信号分别转化为数字信号，随后输入计算机进行数字信号处理和相关计算。

检测信号的特征提取：

将上述两路转换后的数字信号中的一路通过小波包分解计算敏感频率区间上的能量，将其作为振动信号的特征向量，该步骤得到的信号特征向量可以描述油气管道沿线发生的事件特征，此处具体流程见图3所示。

每种异常事件选择若干有代表性的20个采集样本，通过信号特征提取流程提取检测信号的特征向量，该特征向量为归一化能量组成的1×8形式向量。为了使样本信号有代表性，气管道泄漏信号选取泄漏孔直径3mm～50mm范围内、管内压力0.1MPa～15MPa范围内气体泄漏引起振动信号样本；人工挖掘信号选取力量大小不同、光纤两侧垂直距离2米内范围内不同挖掘点用镐挖掘土壤产生的振动信号的样本。

BP神经网络建立及训练：

本发明实例中，采用8×10×2结构的BP神经网络模型，即输入节点数为8、隐含节点数为10、输出节点数为2，对神经网络模型进行训练和测试

将上述两种异常事件引起振动信号的特征向量作为BP神经网络输入，对应异常事件类型作为输出对BP神经网络进行训练，具体训练过程如图4流程所示。

试验及测试结果：

为了验证建立的BP神经网络能够有效地识别管道沿线异常事件，在实际管道上进行模拟气管道泄漏和人工挖掘试验。试验中利用一段长100m、管径为Φ159mm的气管道展开相关模拟实验。将测试光缆与管道同沟埋入土壤中，测试光缆位于管道正上方且垂直距离为500mm。实验管道可以承压大于2MPa，试验中使用空压机向管道注入压缩空气，使管内的压力达到0.95MPa。试验中制造气管道泄漏、人工挖掘两种异常事件。

本次试验中光纤规格为4芯单模光纤；系统光源采用半导体激光器，波长为1550nm，功率为1mW；光电探测器采用InGaAs光电二极管，其最小上升(下降)时间为0.1ns。实验装置中的数据采集部分采用美国国家仪器公司的PCI-6132数据采集卡，该卡可同步采集4路差分输入的模拟信号，同步采集速度可达3MS/s。

选取10个气管道泄漏测试样本和10个人工挖掘测试样本，对已训练完毕的BP神经网络进行测试，如表1所示。表1中，序号1～10为气管道泄漏测试样本，序号11～20为人工挖掘测试样本；特征元素1至特征元素8为本发明中特征提取方法得到的检测信号特征向量的元素；识别结果为每个测试样本经建立的BP神经网络识别的结果，其中“1”表示气管道泄漏，“2”表示人工挖掘。

表1已建立的BP神经网络对测试样本识别结果

序号特征元素1特征元素2特征元素3特征元素4特征元素5特征元素6特征元素7特征元素8识别结果 1 0.2072 0.1471 0.1294 0.1819 0.1060 0.0945 0.1275 0.1009    1 2 0.1593 0.1690 0.1335 0.1733 0.1055 0.1090 0.1428 0.1167    1

  3  0.1140  0.1865  0.1411  0.1269  0.1224  0.1114  0.1516  0.1575    1  4  0.2693  0.1629  0.1404  0.1127  0.0842  0.1121  0.1266  0.1039    1  5  0.1181  0.1972  0.1576  0.1504  0.1235  0.1005  0.1229  0.1303    1  6  0.2383  0.1666  0.1212  0.1285  0.1060  0.1189  0.1326  0.1069    1  7  0.2383  0.1666  0.1212  0.1285  0.1060  0.1189  0.1326  0.1069    1  8  0.1105  0.1745  0.1815  0.1854  0.1110  0.1243  0.1286  0.1084    1  9  0.1205  0.1480  0.1517  0.1834  0.1233  0.1243  0.1499  0.1231    1  10  0.3045  0.1200  0.1562  0.1342  0.0844  0.0852  0.1096  0.0912    1  11  0.1757  0.4531  0.0080  0.3610  0.0000  0.0006  0.0007  0.0015    2  12  0.2585  0.3170  0.0575  0.2903  0.0003  0.0023  0.0652  0.0112    1  13  0.3124  0.3560  0.0233  0.2753  0.0000  0.0004  0.0249  0.0080    2  14  0.1655  0.6303  0.0133  0.1874  0.0000  0.0004  0.0013  0.0022    2  15  0.5633  0.3572  0.0013  0.0777  0.0000  0.0001  0.0002  0.0003    2  16  0.3914  0.2881  0.0440  0.2473  0.0001  0.0004  0.0202  0.0090    2  17  0.1328  0.4772  0.0794  0.2762  0.0001  0.0013  0.0295  0.0048    2  18  0.5098  0.1986  0.0297  0.2380  0.0000  0.0004  0.0139  0.0100    2  19  0.3184  0.3290  0.0468  0.2975  0.0000  0.0005  0.0065  0.0019    2  20  0.2329  0.5008  0.0438  0.2074  0.0000  0.0007  0.0104  0.0046    2

表1中标号为12的样本类型应为人工挖掘，但被误判为气管道泄漏。测试结果表明已建立的BP神经网络的误判率为5％，其余样本均被正确识别。因此，已建立的BP神经网络对20个测试样本的正确识别率为95％，说明建立的BP神经网络的识别正确率较高。若符合一般工程实际要求，即所建立的BP神经网络模型正确。

例如，若工程实际要求BP神经网络误判率低于5％，则目前所建立的BP神经网络误判率未达到规定值，调整模型参数，重复上述步骤，重新训练和测试BP神经网络模型，直到误判率满足系统设计要求为止，此步骤如图5流程所示。

对管道沿线异常事件的在线识别：

检测系统在管道沿线进行实时监测，该系统的检测信号特征输入已训练好的BP神经网络，一旦该神经网络判断管道沿线发生威胁管道安全的异常事件时，系统将激活定位模块。系统定位模块通过测量两路电压信号时间差对事发点进行定位。