基于多智能体的输油管道分布式协同泄漏检测系统及方法

摘要

本发明提出基于多智能体的输油管道分布式协同泄漏检测系统及方法，包括N个智能体、N个太阳能光伏电源模块和远程上位机；太阳能光伏电源模块为各智能体提供直流24V电源；各智能体，用于实时采集其安装位置的输油管道的状态数据信号，将采集的状态数据信号进行均值滤波和信号放大，将其传输至远程上位机以及其他接入网络的智能体；判断其实时传输的状态数据信号是否出现异常，当其状态数据信号出现异常时根据深度优先搜索来检查输油管道上所有监控站节点的输油工况调整情况，判断异常现象是否为泄漏事故。本发明为分布式数据采集，可以实现多点、多信号实时高速采集，利用多智能体建立多个分系统协同故障诊断方法，提高了诊断的速度和准确性。

说明书

技术领域

本发明属于故障诊断技术领域，具体涉及一种基于多智能体的输油管道分布式协同泄漏检测系统及方法。

背景技术

管道石油输送关系着国家的命脉，一旦发生泄漏不能及时处理不仅会造成经济损失，还会对环境造成严重的污染。因此，利用工业现场的各种信号对管道进行实时的泄漏检测是各大用油国家和公司竞相研究的技术。由于工业现场存在多种多样的信号，因此对数据采集装置的要求也各不相同，实现单一的采集某种信号的数据采集装置无法满足工业现场多样化信号的要求，目前应用于工业现场的数据采集装置在采样精度、信号处理速度、远程数据传输、数据存储、体积等方面不能很好的满足工业现场的需求。

在现行的管道泄漏检测技术中，在针对单一管道上的泄漏检测上，已经具有了较高的灵敏度和准确度，但在现今复杂的输油管道结构下，繁琐的工况调整，以及压力波在管网传播的过程中不同程度的衰减，都使得泄漏检测的误报率逐渐增加，甚至会出现一天之中就有多达十余次误报警的情况。因此亟需追求一种高效、健壮、安全、实时性好的数据驱动的管道监控泄漏及检测定位方法，由于我国西北输油管道一般为300公里以上的长管道，在管道之间位置的状态信息对判断管道整体的运行情况至关重要，因此，需要在野外管道放置一定量的设备来实现分布式数据采集和分析，在现有的技术中缺少基于分布式采集的协同检测方法来屏蔽误报警，因而设计出一种适应户外恶劣环境的分布式检测装置以及协同检测方法尤为关键，此技术能够有效地降低泄漏检测的误报率，并增加泄漏检测系统的鲁棒性。

发明内容

针对现有技术的不足，本发明提出一种基于多智能体的输油管道分布式协同泄漏检测系统及方法。

本发明技术方案如下：

一种基于多智能体的输油管道分布式协同泄漏检测系统，包括N个智能体、N个太阳能光伏电源模块和远程上位机；

所述各智能体设置于各监控站的输油管道中，以及两个监控站在之间每间隔m公里处的输油管道中，所述两个监控站之间共有N个智能体，所述太阳能光伏电源模块的输出端连接对应智能体的电源输入端，所述各智能体的信号输入端连接输油管道的多路连续信号输入接口和多路数字信号输入接口，所述各智能体的输出端连接远程上位机；

所述太阳能光伏电源模块，用于为各智能体提供直流24V电源；

所述各智能体，用于实时采集其安装位置的输油管道的状态数据信号，包括压力、流量和密度，将采集的状态数据信号进行均值滤波和信号放大，设定触发时间若第时刻采集的状态数据信号满足更新条件，则更新第时刻采集的状态数据信号作为传输的状态数据信号，否则，将继续将上一时刻更新的状态数据信号作为传输的状态数据信号，将其传输至远程上位机以及其他接入网络的智能体；判断其实时传输的状态数据信号在时间内是否出现异常，即传输的压力和流量的变化值在时间内是否均超出其设定阈值，当其状态数据信号出现异常时根据深度优先搜索来检查输油管道上所有监控站节点的输油工况调整情况，判断异常现象是否为泄漏事故，记录状态数据信息，并传输至远程上位机；

所述远程上位机，用于获取当前接入网络中的智能体的位置关系，得到当前整条输油管道接入网络的多智能体位置关系拓扑图G＝(V，E，A)，并将多智能体位置关系拓扑图G＝(V，E，A)分别传送至各接入网络的智能体，并接收出现泄漏的智能体在泄漏时刻的状态数据信息，并显示；

其中，V＝{υ₁，…，υ_i，…υ_n}为多智能体位置关系拓扑图的顶点集，υ_i为接入网络的第i个智能体作为第i个节点，若该智能体在监控站内则该节点作为监控站节点，否则，该节点作为阀室节点，n为当前接入网络中的智能体总数，为多智能体位置关系拓扑图的边集，当某一条边(υ_i，υ_j)∈E则υ_j为与υ_i有通信任务的一个相邻智能体，其中，υ_j∈N_i，N_i为网络中节点υ_i的邻域智能体节点集，A＝[a_ij]为多智能体位置关系拓扑图中相邻智能体节点之间的通信权重值，当(υ_i，υ_j)∈E，则a_ij＝1，否则a_ij＝0。

所述各智能体包括：微处理器、A/D转换器、信号调理器、存储模块和通讯模块；

所述信号调理器的输入端连接输油管道的多路连续信号输入接口和多路数字信号输入接口，所述信号调理器的输出端连接A/D转换器的输入端，所述A/D转换器的输出端连接微处理器，所述微处理器的电源端连接太阳能光伏电源模块的输出端，所述微处理器通过通讯模块与远程上位机和其他智能体之间进行通讯；

所述信号调理器，用于将采集的电流信号转换为电压信号，并对转换后的电压信号进行二阶滤波和稳压处理，将经过处理后的信号传输至A/D转换器；

所述A/D转换器，用于将经过信号调理器处理的信号进行A/D转换，并传输至微处理器；

所述微处理器，用于设定触发时间若第时刻采集的状态数据信号满足更新条件，则更新第时刻采集的状态数据信号作为传输的状态数据信号，否则，将继续将上一时刻更新的状态数据信号作为传输的状态数据信号，将其传输至远程上位机以及其他接入网络的智能体；判断其实时传输的状态数据信号在时间内是否出现异常，即传输的压力和流量的变化值在时间内是否均超出其设定阈值，当其状态数据信号出现异常时根据深度优先搜索来检查输油管道上所有监控站节点的输油工况调整情况，判断异常现象是否为泄漏事故，记录状态数据信息，并传输至远程上位机。

所述通讯模块，包括GPRS无线传输模块、以太网通讯模块、GPS通讯模块和USB通讯接口；

所述GPRS无线传输模块通过USART串口与微处理器相连接，所述以太网通讯模块通过SPI接口与微处理器相连接，所述GPS通讯模块通过USART串口与微处理器相连接，所述USB通讯接口连接，所述USB通讯接口通过串口连接微处理器；

所述GPS通讯模块，用于实现对智能体的同步校时；

所述以太网通讯模块，用于通过双绞线或光纤与远程上位机和其他智能体之间进行通讯；

所述GPRS无线传输模块，通过双绞线或光纤与远程上位机和其他智能体之间进行通讯；

所述USB通讯接口，用于连接U盘接口。

所述存储模块包括SD卡存储模块和外部存储器；

所述SD卡存储模块通过SDIO接口连接微处理器，所述外部存储器USB接口与微处理器连接；

所述SD卡存储模块，用于存储智能体采集的信号；

所述外部存储器，用于存储当前智能体和相邻智能体的状态数据信息。

采用基于多智能体的输油管道分布式协同泄漏检测系统进行分布式协同泄漏检测的方法，包括以下步骤：

步骤1：将监控站智能体接入网络，并选取相邻两个监控站之间初始接入网络的智能体接入网络，其选取原则为：若两个监控站之间的智能体个数n为奇数，则选取靠近两个监控站的智能体和中间的采集点接入网络，若两个监控站之间的智能体个数n为偶数，则选取靠近两个监控站的智能体接入网络；

步骤2：接入网络中的各智能体开始工作，实时采集其所在输油管道的状态数据信号，包括压力、流量和密度，其对应的太阳能光伏电源模块为其提供直流24V电源，各智能体将采集的状态数据信号进行均值滤波和信号放大；

步骤3：通过远程上位机获取当前接入网络中的智能体的位置关系，得到当前整条输油管道接入网络的多智能体位置关系拓扑图G＝(V，E，A)，传送至各接入网络的智能体；

步骤4：当前接入网络的各智能体υ_i实时将其采集的状态数据信号传输至远程上位机以及其他接入网络的智能体，其传输的原则为：设定当前接入网络的各智能体的触发时间若第时刻采集的状态数据信号满足更新条件，则更新第时刻采集的状态数据信号作为传输的状态数据信号，否则，将继续将上一时刻更新的状态数据信号作为传输的状态数据信号，将其传输至远程上位机以及其他接入网络的智能体；

所述更新条件如下：

其中，σ＞0为常数，为第i个节点在第时刻采集的状态数据，为第i个节点在第时刻采集的状态数据，为第i个节点在第时刻采集的状态数据，为第i个节点在第时刻采集的状态数据；

步骤5：当前接入网络的各阀室节点υ_i的智能体判断其实时传输的状态数据信号在时间内是否出现异常，即传输的压力和流量的变化值在时间内是否均超出其设定阈值，若是，则执行步骤6，否则，返回步骤4；

步骤6：将出现异常的阀室节点υ_i的各邻域阀室节点υ_j的智能体接入网络，通过各接入网络的智能体判断邻域阀室节点υ_j的智能体传输的状态数据信号在时刻是否出现异常，若是，则将阀室节点υ_i到阀室节点υ_j方向的下一个阀室节点智能体接入网络，直至将出现异常的阀室节点υ_i所在的两个监控站节点之间的输油管道上所有出现异常的阀室节点均接入网络；

步骤7：出现异常的阀室节点υ_i智能体以距离阀室节点υ_i最近的监控站节点υ_s作为网络中的起始节点，根据深度优先搜索来检查输油管道上所有监控站节点的输油工况调整情况，若存在某一邻域监控站节点υ_c在时间内存在工况调整，则对监控站节点υ_c内设备动作类型与效果进行工况匹配，执行步骤8，否则，执行步骤9；

步骤8：出现异常的阀室节点υ_i智能体判断监控站节点υ_c内设备动作类型与效果进行工况匹配结果是否为导致距离阀室节点υ_i最近的监控站节点υ_s造成减压效果，若是，返回步骤4，否则，执行步骤9；

步骤9：通过远程上位机获取当前接入网络中的智能体的位置关系，得到当前整条输油管道接入网络的多智能体位置关系拓扑图，传送至各接入网络的智能体；

步骤10：通过出现异常的阀室节点υ_i智能体将距离阀室节点υ_i最近的监控站节点υ_c1作为中心，从监控站节点υ_c1方向上距离出现异常的阀室节点υ_i最近的阀室节点υ_p的测量状态x_p(t)开始，直至监控站节点υ_c1，依次计算其置信度值，若其置信度值超出置信度阈值，则执行步骤11，否则，返回步骤4；

步骤11：该阀室节点υ_i的异常现象为泄漏事故，阀室节点υ_i记录其状态信息数据，并传输至远程上位机。

所述以距离阀室节点υ_i最近的监控站节点υ_s作为网络中的起始节点，根据深度优先搜索来检查输油管道上所有监控站节点的输油工况调整情况的具体过程如下所述：

以网络中距离阀室节点υ_i最近的监控站节点υ_s作为网络中的起始节点出发，依次从监控站节点υ_s的未被检查的邻接监控站节点υ_d开始检查，若监控站节点υ_d不存在，则返回访问上一邻接监控站节点的其他邻接监控站节点，直至网络中所有与监控站节点υ_s有路径相通的监控站节点均被访问到，若此时网络中尚有监控站节点未被访问到，则另选未被访问到的其他监控站节点作为起始节点，从未被访问的邻接监控站节点出发，直至网络中所有监控站节点的输油工况调整情况都被检查到为止。

所述置信度值计算过程如下：

建立阀室节点υ_p相对于监控站节点υ_c1的压力波衰减模型x_c1p(t)，根据阀室节点υ_p的压力变化值Δp_p计算监控站节点υ_c1的等效压力变化值Δp′_c1，监控站节点υ_c1的等效压力变化值Δp′_c1与监控站节点υ_c1的压力变化值Δp_c1的比值作为置信度值；

所述阀室节点υ_p相对于监控站节点υ_c1的压力波衰减模型x_c1p(t)如下所示：

其中，Δv_p为阀室节点υ_p出现状态异常的下一个时间内的波速变化值，v_p为阀室节点υ_p状态异常之前管道的起始流速，λ_i为管道的摩阻系数，d为管道的内直径，单位mm，σ为管道的迭代系数，g＝(a·L²+b·L+c)·e^-ε·ω为修正因子，ω为阀室节点υ_i在触发时刻的下一个时间段t₁的平均压降与时间段t₂的平均压降的比值，2t₂＝t₁L为阀室节点υ_i和为阀室节点υ_i之间的管道里程，a、b、c和ε为常数。

本发明的有益效果：

本发明提出一种基于多智能体的输油管道分布式协同泄漏检测系统及方法，本发明为分布式数据采集，可以实现多点、多种信号实时高速采集，对于中远距离的多点数据采集都能适用；本发明采用的微处理器为具有RISC架构的ARM微处理器，支持Thumb(16位)/ARM(32位)双指令集，操作灵活，简单方便；本系统可以同时采集连续信号、数字信号等多种信号，很好的满足工业现场的需求，便于服务器利用多种信号对管道进行实时检测；本发明装置的电源由太阳能发电装置提供，基本适应野外复杂坏境的特点，另外装置内装有GPS系统，可以实现多点数据采集的同步性，为数据的高精度处理提供了保证；装置通过无线网络通信与其他智能体连接，支持多种网络通讯协议，可以针对不同的要求进行修改；本发明采用的是模块化设计，具有很好的可扩展性；

本发明方法可以将现场采集到大量数据在合理的时间内进行有效的泄漏故障诊断，利用多智能体技术建立的多个分系统协同故障诊断方法，提高了诊断的速度和准确性，同时给出的调度处理意见对调度员处理故障具有辅助作用，在诊断复杂泄漏情况时，系统会同时利用管道的具体特征对泄漏故障进行诊断，给出不同的诊断指标，为调度员准确判断故障，及时采取正确的调度措施以遏制故障的发展提供了帮助，作为新一代管道实时监控系统的一部分，为实时监控系统实现自动化功能提供了必要的条件。

附图说明

图1为本发明具体实施方式中基于多智能体的输油管道分布式协同泄漏检测系统示意图；

图2为本发明具体实施方式中智能体电路结构框图；

图3为本发明具体实施方式中基于多智能体的输油管道分布式协同泄漏检测方法的流程图。

具体实施方式

下面结合附图对本发明具体实施方式加以详细的说明。

本发明提出一种基于多智能体的输油管道分布式协同泄漏检测系统及方法。

一种基于多智能体的输油管道分布式协同泄漏检测系统，如图1所示，包括N个智能体、N个太阳能光伏电源模块和远程上位机。

各智能体设置于各监控站的输油管道中，以及两个监控站在之间每间隔m公里处的输油管道中，两个监控站之间共有N个智能体，太阳能光伏电源模块的输出端连接对应智能体的电源输入端，各智能体的信号输入端连接输油管道的多路连续信号输入接口和多路数字信号输入接口，各智能体的输出端连接远程上位机。

太阳能光伏电源模块，用于为各智能体提供直流24V电源。

本实施方式中，太阳能光伏电源模块包括太阳能电池方阵、控制器、蓄电池组。太阳能电池方阵的输出端连接控制器的输入端，控制器的输入端连接蓄电池组。

太阳能光伏电源模块负责提供野外装置的正常供电，太阳能电池方阵为阿特斯公司的DYMOND系列太阳能组件，控制器为金升阳公司的LH系列中LH05-10Bxx型号的电源模块。

各智能体，用于实时采集其安装位置的输油管道的状态数据信号，包括压力、流量和密度，将采集的状态数据信号进行均值滤波和信号放大，设定触发时间若第时刻采集的状态数据信号满足更新条件，则更新第时刻采集的状态数据信号作为传输的状态数据信号，否则，将继续将上一时刻更新的状态数据信号作为传输的状态数据信号，将其传输至远程上位机以及其他接入网络的智能体；判断其实时传输的状态数据信号在时间内是否出现异常，即传输的压力和流量的变化值在时间内是否均超出其设定阈值，当其状态数据信号出现异常时根据深度优先搜索来检查输油管道上所有监控站节点的输油工况调整情况，判断异常现象是否为泄漏事故，记录状态数据信息，并传输至远程上位机。

所述远程上位机，用于获取当前接入网络中的智能体的位置关系，得到当前整条输油管道接入网络的多智能体位置关系拓扑图G＝(V，E，A)，并将多智能体位置关系拓扑图G＝(V，E，A)分别传送至各接入网络的智能体，并接收出现泄漏的智能体在泄漏时刻的状态数据信息，并显示。

其中，V＝{υ₁，…，υ_i，…υ_n}为多智能体位置关系拓扑图的顶点集，υ_i为接入网络的第i个智能体作为第i个节点，若该智能体在监控站内则该节点作为监控站节点，否则，该节点作为阀室节点，n为当前接入网络中的智能体总数，为多智能体位置关系拓扑图的边集，当某一条边(υ_i，υ_j)∈E则υ_j为与υ_i有通信任务的一个相邻智能体，其中，υ_j∈N_i，N_i为网络中节点υ_i的邻域智能体节点集，A＝[a_ij]为多智能体位置关系拓扑图中相邻智能体节点之间的通信权重值，当(υ_i，υ_j)∈E，则a_ij＝1，否则a_ij＝0。

本实施方式中，各智能体包括：微处理器、A/D转换器、信号调理器、存储模块和通讯模块。

信号调理器，用于将采集的电流信号转换为电压信号，并对转换后的电压信号进行二阶滤波和稳压处理，将经过处理后的信号传输至A/D转换器。

本实施方式中，信号调理器包括信号转换电路、信号滤波电路、信号稳压电路和光电耦合隔离电路。

信号转换电路选用2个0805封装的0.1％精度的330欧姆的金属膜贴片电阻并联构成。

信号滤波电路的有源滤波器选用的运算放大器是LM2902，用于对输入模拟信号的进行滤波处理。

信号稳压电路的稳压器选择的是DAN217，将输入的电压稳定在0-3.3V。

信号调理器首先将输入的4-20mA的电流信号转换成0.6-3V的电压信号，然后将转换后的电压信号输入到LM2902构成的二阶滤波器的输入端，将滤波后的信号经过反向器处理后，再经过LM2902构成的一阶低通滤波处理，最后经过DAN217的稳压作用得到处理后的信号。经过信号调理器处理后的信好输入到高精度A/D转换器AD7606的模拟输入端，AD7606将经过A/D转换后的数字信号提供并行通信的方式发送到微控制器STM32F103ZET6的通用GPIO口。

光电耦合隔离电路的光电耦合器选用TLP127，多路数字信号输入接口与光电耦合器TLP127的输入端链接，TLP127的输出端与微处理器STM32F103ZET6的GPIO端口相连接。

A/D转换器，用于将经过信号调理器处理的信号进行A/D转换，并传输至微处理器。

本实施方式中，A/D转换器选用ADI品牌的AD7606，它采用单电源供暖工作方式，具有片内滤波和高输入阻抗，因此无需驱动运算放大器和外部双极性电源；内置16位的双极性同步采样ADC，采样速率能达到200kSPS，支持串行通信和并行通信两种通信方式，通过软件编程，可以实现24位的采样精度，同时支持8路A/D转换。

微处理器，用于设定触发时间若第时刻采集的状态数据信号满足更新条件，则更新第时刻采集的状态数据信号作为传输的状态数据信号，否则，将继续将上一时刻更新的状态数据信号作为传输的状态数据信号，将其传输至远程上位机以及其他接入网络的智能体；判断其实时传输的状态数据信号在时间内是否出现异常，即传输的压力和流量的变化值在时间内是否均超出其设定阈值，当其状态数据信号出现异常时根据深度优先搜索来检查输油管道上所有监控站节点的输油工况调整情况，判断异常现象是否为泄漏事故，记录状态数据信息，并传输至远程上位机。

本实施方式中，微处理器选用基于Cortex-M3的32位高性能低功耗处理器STM32F103ZET6，具有64KB SRAM和512KB Flash，AHB总线接口和APB总线接口，时钟频率可以达到72MHz；包含SPI、USART、并口、SDIO等通讯方式，可实现与无线模块的USART通信，与SD的SDIO通信，与AD7606的并口通信，与W5200的SPI通信。

通讯模块，包括GPRS无线传输模块、以太网通讯模块、GPS通讯模块和USB通讯接口。

GPS通讯模块，用于实现对智能体的同步校时。

本实施方式中，GPS通讯模块选用NEO-M8。

以太网通讯模块，用于通过双绞线或光纤与远程上位机和其他智能体之间进行通讯。

本实施方式中，以太网通讯模块选用W5200芯片，是一种全硬件TCP/IP协议的嵌入式以太网控制器，它能使嵌入式系统通过SPI(串行外设接口)接口轻松地连接到网络；支持TCP、UDP、IPv4等协议，通过使用W5200，用户只需通过使用一个简单的SOCKET程序就能实现以太网的应用，而不再需要处理复杂的以太网控制器了，W5200支持高达80MHz的SPI接口间的通信。

GPRS无线传输模块，通过双绞线或光纤与远程上位机和其他智能体之间进行通讯。

本实施方式中，GPRS无线传输模块选用西门子公司提供的MC52i模块，通过USART串口与STM32F103ZET6的USART1相连接，当双绞线或光纤等通讯介质出现故障时用于与服务器通信。

存储模块包括SD卡存储模块和外部存储器。

SD卡存储模块，用于存储智能体采集的信号。

本实施方式中，SD卡存储模块选用32G的SD卡，采用SDIO接口与STM32F103ZET6的SDIO接口相连接，用于存储智能体采集的信号，便于离线分析。

外部存储器，用于存储当前智能体和相邻智能体的状态数据信息。

本实施方式中，外部存储器为Flash芯片存储模块，选用AT24C256，AT24C256的存储空间为256KB，采用I2C通信与STM32F103ZET6的I2C1接口相连接，用于存储智能体的代码、通信协议等。

USB通讯接口，用于连接U盘接口。

本实施方式中，USB通讯接口选用CP210。

本实施方式中，如图2所示，信号转换电路的输入端连接输油管道的多路连续信号输入接口，信号转换电路的输出端连接信号滤波电路的输入端，信号滤波电路的输出端连接信号稳压电路的输入端，信号稳压电路的输出端连接A/D转换器AD7606的模拟输入端，A/D转换器AD7606的并口连接微处理器，光电耦合隔离电路的输入端连接输油管道的多路数字信号输入接口，光电耦合隔离电路的输出端通过IO总线连接微处理器的GPIO端口，外部存储器采用I2C通信与微处理器的I2C1接口相连，以太网通讯模块通过SPI通讯接口连接微处理器，GPS通讯模块通过USART串口与微处理器的USART3串口相连接，GPRS无线传输模块通过USART串口与微处理器的USART1相连，SD卡存储模块通过SDIO接口连接微处理器的SDIO接口，USB通讯接口通过USART4串口连接微处理器的串口端，微处理器内置看门狗电路，微处理器中内包括JTAG调试接口连接远程上位机和和其他智能体，微处理器的24V电源输入端通过屏蔽绝缘电源线连接太阳能光伏电源模块。

采用基于多智能体的输油管道分布式协同泄漏检测系统进行分布式协同泄漏检测的方法，如图3所示，包括以下步骤：

步骤1：将监控站智能体接入网络，并选取相邻两个监控站之间初始接入网络的智能体接入网络，其选取原则为：若两个监控站之间的智能体个数n为奇数，则选取靠近两个监控站的智能体和中间的采集点接入网络，若两个监控站之间的智能体个数n为偶数，则选取靠近两个监控站的智能体接入网络。

本实施方式中，输油管道中监控站数目为5，分别为A、B、C、D、E，根据监控站彼此之间的间距选择之间的装置上线个数，在A和B之间，监控站之间的间距为76.7km，则在监控站之间放置7个智能体，按照输油方向依次编号，取初始的接入网络的智能体编号为1，4，7的装置，其余的装置设置为离线，此次类推。

步骤2：接入网络中的各智能体开始工作，实时采集其所在输油管道的状态数据信号，包括压力、流量和密度，其对应的太阳能光伏电源模块为其提供直流24V电源，各智能体将采集的状态数据信号进行均值滤波和信号放大。

本实施方式中，接入网络中的各智能体开始工作，首先，初始化存储模块，为采样数据分配内存空间，初始化通信模块以及配置A/D转换器，设置采样频率，进行数据的采集，包括智能体当前位置的压力、流量和密度信息，将采集上来的信号进行均值滤波、信号放大处理，并每隔一段时间对信息进行GPS校时，将准确的信号进行归一化处理，将其转换为标准统一的数据，并存至SD卡中，当信息到达一定数量的时候，发送数据包至其他智能体及远程上位机。

步骤3：通过远程上位机获取当前接入网络中的智能体的位置关系，得到当前整条输油管道接入网络的多智能体位置关系拓扑图G＝(V，E，A)，传送至各接入网络的智能体。

步骤4：当前接入网络的各智能体υ_i实时将其采集的状态数据信号传输至远程上位机以及其他接入网络的智能体，其传输的原则为：设定当前接入网络的各智能体的触发时间若第时刻采集的状态数据信号满足更新条件，则更新第时刻采集的状态数据信号作为传输的状态数据信号，否则，将继续将上一时刻更新的状态数据信号作为传输的状态数据信号，将其传输至远程上位机以及其他接入网络的智能体。

更新条件如式(1)所示：

其中，σ＞0为常数，为第i个节点在第时刻采集的状态数据，为第i个节点在第时刻采集的状态数据，为第i个节点在第时刻采集的状态数据，为第i个节点在第时刻采集的状态数据。

步骤5：当前接入网络的各阀室节点υ_i的智能体判断其实时传输的状态数据信号在时间内是否出现异常，即传输的压力和流量的变化值在时间内是否均超出其设定阈值，若是，则执行步骤6，否则，返回步骤4。

本实施方式中，设定阈值为压力值是0.005-0.007Mpa，流量是3-5立方米每小时。

步骤6：将出现异常的阀室节点υ_i的各邻域阀室节点υ_j的智能体接入网络，通过各接入网络的智能体判断邻域阀室节点υ_j的智能体传输的状态数据信号在时刻是否出现异常，若是，则将阀室节点υ_i到阀室节点υ_j方向的下一个阀室节点智能体接入网络，直至将出现异常的阀室节点υ_i所在的两个监控站节点之间的输油管道上所有出现异常的阀室节点均接入网络。

步骤7：出现异常的阀室节点υ_i智能体以距离阀室节点υ_i最近的监控站节点υ_s作为网络中的起始节点，根据深度优先搜索来检查输油管道上所有监控站节点的输油工况调整情况，若存在某一邻域监控站节点υ_c在时间内存在工况调整，则对监控站节点υ_c内设备动作类型与效果进行工况匹配，执行步骤8，否则，执行步骤9。

本实施方式中，以距离阀室节点υ_i最近的监控站节点υ_s作为网络中的起始节点，根据深度优先搜索来检查输油管道上所有监控站节点的输油工况调整情况的具体过程如下所述：

以网络中距离阀室节点υ_i最近的监控站节点υ_s作为网络中的起始节点出发，依次从监控站节点υ_s的未被检查的邻接监控站节点υ_d开始检查，若监控站节点υ_d不存在，则返回访问上一邻接监控站节点的其他邻接监控站节点，直至网络中所有与监控站节点υ_s有路径相通的监控站节点均被访问到，若此时网络中尚有监控站节点未被访问到，则另选未被访问到的其他监控站节点作为起始节点，从未被访问的邻接监控站节点出发，直至网络中所有监控站节点的输油工况调整情况都被检查到为止。

本实施方式中，对监控站节点υ_c内设备动作类型与效果进行工况匹配的过程如下所示：

对监控站节点υ_c内设备动作类型与效果进行分类：即增压流程、减压流程和下载流程，将监控站中的所有传感器、控制设备以及安全保证设备进行编号分类，并定义站内操作类型，分别为：1、进出站压力增大、减小，2、进出站流量增大、减小，下载流量：下载量增大、下载量减小，3、油品密度升高、降低；主输泵的工作数量的增加、减少，4、出站阀门开度增加、减小，5、下载阀门开启、关闭、开度增大或开度减小，6、油罐切换情况，即接入新的油罐、切除旧的油罐；根据智能体位置关系拓扑，将设备的动作类型与实际效果一一对应，通过对应关系匹配现场实际操作类型的效果。

步骤8：出现异常的阀室节点υ_i智能体判断监控站节点υ_c内设备动作类型与效果进行工况匹配结果是否为导致距离阀室节点υ_i最近的监控站节点υ_s造成减压效果，若是，返回步骤4，否则，执行步骤9。

步骤9：通过远程上位机获取当前接入网络中的智能体的位置关系，得到当前整条输油管道接入网络的多智能体位置关系拓扑图，传送至各接入网络的智能体。

步骤10：通过出现异常的阀室节点υ_i智能体将距离阀室节点υ_i最近的监控站节点υ_c1作为中心，从监控站节点υ_c1方向上距离出现异常的阀室节点υ_i最近的阀室节点υ_p的测量状态x_p(t)开始，直至监控站节点υ_c1，依次计算其置信度值，若其置信度值超出置信度阈值，则执行步骤11，否则，返回步骤4。

本实施方式中，置信度阈值为：白天6点-18点置信度阈值在0.8-1.2之间，晚上18点到第二天6点，置信度阈值在0.5-1.5之间。

本实施方式中，置信度值计算过程如下：

建立阀室节点υ_p相对于监控站节点υ_c1的压力波衰减模型x_c1p(t)，根据阀室节点υ_p的压力变化值Δp_p计算监控站节点υ_c1的等效压力变化值Δp′_c1，监控站节点υ_c1的等效压力变化值Δp′_c1与监控站节点υ_c1的压力变化值Δp_c1的比值作为置信度值。

阀室节点υ_p相对于监控站节点υ_c1的压力波衰减模型x_c1p(t)如式(2)所示：

其中，Δv_p为阀室节点υ_p出现状态异常的下一个时间内的波速变化值，v_p为阀室节点υ_p状态异常之前管道的起始流速，λ_i为管道的摩阻系数，d为管道的内直径，单位mm，σ为管道的迭代系数，g＝(a·L²+b·L+c)·e^-ε·ω为修正因子，ω为阀室节点υ_i在触发时刻的下一个时间段t₁的平均压降与时间段t₂的平均压降的比值，2t₂＝t₁L为阀室节点υ_i和为阀室节点υ_i之间的管道里程，a、b、c和ε为常数。

本实施方式中，确定修正因子g的具体过程：选取现场管道输油时的多个压力波衰减数据为样本集，计算出每个样本中单位时间为30s的实际压力衰减比，利用单一管道的压力波衰减历史数据得出ω和g的二维点分布曲线，选用具有最小二乘值的固定系数值的自然数指数函数模型来对ω进行拟合，首先，利用多个长度不同但其他固定参数相近的管道压力数据，获取ω基本相同的负压波的衰减数据为样本；然后，用实际压力衰减比计算出每个样本的修正因子g的值，得出管道长度L和g的二维曲线图，根据样本数据的分布决定为修正因子增加一个线性的系数，计算得出修正因子g如式(3)所示：

g＝(0.0157·L²+0.8667·L-0.2556)·e^-0.64·ω(3)

本实施方式中，管道的摩阻系数λ_i的计算公式如式(4)所示：

其中，K为管道内壁的绝对粗糙度，单位mm；d表示的是管道的内直径，单位mm，δ为管内介质的运动黏度，单位m²/s。re_i为雷诺系数，v_i为阀室节点υ_i状态异常之前管道的起始流速。

步骤11：该阀室节点υ_i的异常现象为泄漏事故，阀室节点υ_i记录其状态信息数据，并传输至远程上位机。