一种基于韧性评估的协同韧性增强燃气安全管控装置

摘要

本发明公开了一种基于韧性评估的协同韧性增强燃气安全管控装置，所述管控装置包括：燃气激光传感器、信号传递模块、前置机、中心处理机、呼叫中心主机、移动现场终端，以及移动GPS接收终端；其中，所述燃气激光传感器安装在燃气管道阀门井内，用于检测燃气管道泄露的燃气以及阀门井内的阀门泄露的燃气；所述信号传递模块与燃气激光传感器通信连接，用于接收来自燃气激光传感器的信号，并将该信号传递到所述前置机。本管控装置从整体系统层面考虑管网本体及联动措施整体系统的抵御力、吸收力、适应力、恢复力和学习力，从报警、韧性评估及韧性增强的闭环过程实现燃气管网的整体安全管控。

说明书

技术领域

本发明属于公共安全技术领域，具体涉及一种基于韧性评估的协同韧性增强燃气安全管控装置。

背景技术

我国天然气管网正在快速建设发展，但是与城市地下其他管网相比，如供水管网、排水管网、电力管网等管网系统，燃气管网系统由于燃气的易燃易爆，如果管网发生泄漏事故，不及时处理造成的灾害更大，生命财产损失更严重。目前我国的城市地下燃气管网系统已进入了事故高发期。由于我国部分地区的燃气管网已经年代久远，易发生内腐蚀、外腐蚀、再加上城市建设施工、车辆碾压、地质沉降、接头缺陷、焊接缺陷，常发生直埋天然气管道泄漏事故。而近年来，国际上因为燃气泄漏引发的事故数不胜数，生命财产安全受到严重威胁，危害性极大。

近年来国内天然气需求量不断增加，城市燃气管网也进入快速发展时期，地下天然气管网也将更加密集。一旦发生地下燃气泄漏，地下天然气管道的密集分布，将使检测定位等后续操作更加复杂，由此带来灾害事故也将更加严重。但部分天然气管道年代较久，加之燃气管道内外腐蚀、第三方破坏等原因，使得天然气管道事故频发。

燃气泄漏事故中管道腐蚀穿孔是天然气管道泄漏最常见的情况之一。直埋燃气管道会因为腐蚀等原因而发生小孔泄漏，小孔泄漏的初期不易被发现，检测较困难，实时监测同样不易。但在充分时间泄漏扩散下，泄漏天然气会聚集形成高浓度，并向土壤周围区域进行扩散，一旦进入排水管线或检查井等密闭空间，浓度达到爆炸下限后达到着火点后易发生爆炸，危及人民生命财产安全。而城市中燃气管道往往很难避免与排水管道、雨水管道、生活污水管道等市政管道相邻交叉，这些地下区域面积较广，是燃气泄漏扩散、集聚、并引发安全事故造成人员伤亡等严重后果的高风险区。

目前国内外大量专家学者及研究机构对易燃易爆气体在大气环境中泄漏扩散规律进行了理论研究、数值模拟及实验研究，对燃气在大气中的研究已较为成熟。然而，对燃气在土壤中泄漏扩散规律的系统研究的很少，基于大尺度实验方法分析燃气在土壤中扩散规律的研究案例更加稀少。而实际大部分情况是城市直埋燃气管道的土壤覆盖面为水泥或者沥青。当燃气通过土壤扩散至水泥或沥青表面，难以直接将其穿透进而扩散至大气环境中，因此燃气在土壤中泄漏扩散规律的研究具有重要的现实意义。

综上，城市燃气管网安全与国家经济发展和社会繁荣稳定关系密切，城市燃气管网事故防范是世界范围内公共安全领域面临的世界难题。

随着近年城镇建设的加快，地下其他管道及设施构筑物逐渐增多，造成埋地燃气管道周边存在大量相邻地下构筑物空间，如地下超市，地下停车场，以及其他市政管道如排水管道，热力管道、电力管道以及各类检查井、窨井等。土壤中气体总会寻找最便捷的路径向地表扩散，一旦泄漏的埋地天然气管道附近存在以上相邻地下空间时，天然气便不会从泄漏口处径直向地表扩散，而是沿这些相邻地下空间扩散，并且将在这些井室或管沟等密闭空间中形成高浓度的燃气与空气的混合气体，一旦达到爆炸极限，极易产生爆炸。

燃气管网安全问题具有非常复杂的特征，如燃气、供排水、热力、电力等多种灾害常以耦合形式出现，风险隐蔽并在系统间转移，事故连锁、后果叠加等复杂特征，难以发现和控制。

按照地下空间其物理连通属性，分别研究连通与非连通两大类埋地燃气管道相邻地下空间，一类是连通性较差的地下空间，例如电力井、通信井、供水井、供热井、燃气井、消防井。此类井与井相对独立，可认为是非连通地下空间。另一类是连通地下空间。连通地下空间如污水井、雨水井等，此类地下空间以连通管道相连，相对于非连通性的地下空间，可燃气体可从管道任意位置扩散至窨井，遇点火源极易发生爆炸。

目前各种监测报警技术基于简单的监测浓度判断，没有从整体系统层面考虑管网本体及联动措施整体系统的抵御力、吸收力、适应力、恢复力和学习力，没有从报警、韧性评估及韧性增强的闭环过程实现燃气管网的整体安全管控，因此，需要发展一种可以实现实时监测、韧性评估及协同韧性的一体化系统及方法。

发明内容

针对现有技术中存在的问题，本发明提供一种基于韧性评估的协同韧性增强燃气安全管控装置。

为实现上述目的，本发明采用以下技术方案：

一种基于韧性评估的协同韧性增强燃气安全管控装置，所述管控装置包括：燃气激光传感器、信号传递模块、前置机、中心处理机、呼叫中心主机、移动现场终端，以及移动GPS接收终端；其中，所述燃气激光传感器安装在燃气管道阀门井内，用于检测燃气管道泄露的燃气以及阀门井内的阀门泄露的燃气；所述信号传递模块与燃气激光传感器通信连接，用于接收来自燃气激光传感器的信号，并将该信号传递到所述前置机；所述前置机用于接收来自信号传递模块的信号，并将接收到的信号进行分析，从而对燃气管道的运行进行监控，该分析为动态韧性评估预处理，分析后如果产生报警信息，则并将所述报警信息传输到中心处理机；所述中心处理机，接收所述前置机发送的报警信息，并基于前置机的动态韧性评估预处理结果进行二次韧性增强评估，然后根据二次韧性增强评估结果执行调度优化策略，通过与之相连的所述呼叫中心主机向所述移动GPS接收终端发送维修任务信号，同时，所述中心处理机将相关维修任务数据发送到所述移动现场终端。

优选地，所述燃气激光传感器为激光型甲烷浓度传感器。

优选地，所述移动GPS接收终端是具有GPS接收装置的抢险车辆。

优选地，所述移动现场终端是现场的控制设备。

优选地，所述管控装置的工作方法包括如下步骤：步骤一、燃气激光传感器检测燃气浓度，当检测到浓度上升时进入下一步骤；步骤二、前置机接收到燃气激光传感器的信号，进行动态韧性评估预处理；步骤三、判断系统是否满足韧性要求，如果是，进入步骤四，如果否，进入步骤五；步骤四、现场风机启动并持续监测；步骤五、系统不满足韧性要求时，前置机发送相关报警信息到中心处理机，中心处理机进行二次韧性增强评估并根据韧性增强评估结果执行调度优化策略，通过呼叫中心主机向移动GPS接收终端发送信号，同时，中心处理机将相关维修任务数据发送到移动现场终端。

优选地，所述步骤二中所述前置机中的动态韧性评估预处理过程具体如下：步骤201、收集燃气泄露监测数据及韧性监测数据，获取一个监测点或多监测点确认燃气泄漏的监测数据及监测曲线作为样本数据；步骤202、剔除异常数据，对于样本集中每一个监测点的监测数据、监测曲线特征信息进行异常值处理的操作；步骤203、降噪滤波，对于样本集中每一个监测点的监测数据、监测曲线特征信息进行异常值处理的操作；步骤204、提取特征波形参数；步骤205、交叉检验，然后同时进入步骤206和步骤208；步骤206、交叉检验后的数据送入训练集，然后进入步骤207；步骤207、训练支持向量机分类模型，然后进入步骤210；步骤208、交叉检验后的数据送入测试集，然后进入步骤209；步骤209、判断性能度量是否满足要求，如果是，进入步骤210，否则返回步骤207；步骤210、结合步骤207和步骤209的结果获得模型参数；步骤210、模型参数输入已训练好的模型；步骤211、输出分类结果。

优选地，所述步骤201中，选择描述检测地点的甲烷浓度波动的15个特征参数：最大值、最小值、平均值、峰值、整流平均值、变化率、标准差、峭度、均方根、波形因子、峰值因子、脉冲因子、裕度因子、峰值时间、波谷时间。

优选地，所述步骤210中的已训练好的模型的获取过程如下：步骤2121、获取监测点30天的监测时序数据；步骤2122、剔除异常数据；步骤2123、降噪滤波；步骤2124、提取特征波形参数；步骤2125、归一化；步骤2126、获得已训练好的模型。

优选地，所述步骤五中，中心处理机进行二次韧性增强评估是基于单个前置机对各个泄露点的韧性评估结果，形成相应的韧性评估等级，然后对每个泄漏点的韧性评估结果进行基本概率指派，再通过全局数据进行证据融合，实现整体韧性评估结果。

优选地，所述步骤五中，中心处理机进行二次韧性增强评估后执行调度优化策略，所述调度优化策略具体包括如下步骤：步骤501、确认有泄漏事故；步骤502、获取二次韧性增强评估结果；步骤503、启动呼叫中心主机；步骤504、呼叫中心主机向具有GPS接收装置的抢险车辆发送信号；步骤505、判断抢险车辆是否距离最近以及无任务，如果是，进入步骤506，否则返回步骤504；步骤506、判断最近服务站有无人员及工具，如果是，进入步骤507，否则进行人员调配；步骤507、现场处置；步骤508、判断是否需要施工，如果是，进入步骤509，否则处理结束；步骤509、进行人员调配；步骤510、现场施工。

与现有技术相比，本发明的有益效果为：本管控装置从整体系统层面考虑管网本体及联动措施整体系统的抵御力、吸收力、适应力、恢复力和学习力，从报警、韧性评估及韧性增强的闭环过程实现燃气管网的整体安全管控。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是基于韧性评估的协同韧性增强燃气安全管控装置结构示意图。

图2是基于韧性评估的协同韧性增强燃气安全管控装置的工作流程图。

图3是前置机中的动态韧性评估预处理过程图。

图4是中心处理机的二次韧性增强评估过程图。

图5是中心处理机执行的调度优化策略图。

图6是滤波前后的对比度图。

燃气管线-1；风机-2；甲烷检测器阀门井-3；前置机-4；呼叫中心主机-5；移动GPS接收终端-6；中心处理机-7；移动现场终端-8。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

如图1所示，本实施例公布的基于韧性评估的协同韧性增强燃气安全管控装置包括燃气激光传感器、信号传递模块、前置机、中心处理机、呼叫中心主机、移动现场终端，以及移动GPS接收终端。

所述燃气激光传感器安装在在燃气管道阀门井内，用于检测燃气管道泄露的燃气以及阀门井内的阀门泄露的燃气。

信号传递模块与燃气激光传感器通信连接，用于接收来自燃气激光传感器的信号，并将该信号传递到前置机。

前置机用于接收来自信号传递模块的信号，并将接收到的信号进行分析，从而对燃气管道的运行进行监控，该分析为动态韧性评估预处理，并将报警信息传输到中心处理机。

中心处理机，接收前置机发送的相关报警信息，并基于前置机的动态韧性评估预处理结果进行二次韧性增强评估，然后根据韧性增强评估结果执行调度优化策略，通过呼叫中心主机向移动GPS接收终端发送信号，该移动GPS接收终端可以是具有GPS接收装置的抢险车辆，同时，中心处理机将相关维修任务数据发送到移动现场终端，该移动现场终端可以是现场的控制设备，中心处理机在执行调度优化策略后执行协同后韧性评估。

燃气激光传感器优选激光型甲烷浓度传感器，通过优化布点合理设置激光型甲烷浓度传感器，可以实现城市级燃气管网的泄露检测、韧性评估及协同韧性增强联动过程，实现城市级燃气管网的整体韧性增强。

如图2所示，基于韧性评估的协同韧性增强燃气安全管控装置的工作过程如下：

步骤一、燃气激光传感器检测燃气浓度，当检测到浓度上升时进入下一步骤，本实施例中采用的是激光型甲烷浓度传感器，因此，当激光型甲烷浓度传感器检测到甲烷浓度上升时即进入步骤二；

步骤二、前置机接收到燃气激光传感器的信号，进行动态韧性评估预处理；

步骤三、判断系统是否满足韧性要求，如果是，进入步骤四，如果否，进入步骤五；

步骤四、现场风机启动并持续监测；

步骤五、系统不满足韧性要求时，前置机发送相关报警信息到中心处理机，中心处理机进行二次韧性增强评估并根据韧性增强评估结果执行调度优化策略，通过呼叫中心主机向移动GPS接收终端发送信号，该移动GPS接收终端可以是具有GPS接收装置的抢险车辆，同时，中心处理机将相关维修任务数据发送到移动现场终端，该移动现场终端可以是现场的控制设备；

步骤六、中心处理机在执行调度优化策略后执行协同后韧性评估。

本发明实施例通过燃气激光传感器、信号传递模块、前置机、中心处理机、呼叫中心主机、移动现场终端，以及移动GPS接收终端的协同工作，对燃气管网泄露风险进行科学有效的在线监测、动态韧性评估及韧性增强协同，保障城市燃气管网的安全韧性。

韧性主要判定指标包括：

抵御力：地下空间结构、地面环境、相邻空间、管类型、监测和预警力、危险源情况、交通情况；

吸收力：土壤材质、管土耦合系数、泄漏点孔尺寸、湿度，其中土壤材质又可以分为沙土、粘土、沥青、水泥；

适应力：浓度变化、泄漏声源、扩散速率；

恢复力：经济损失、人口构成、风机能力、维修机动能力、附近管网类型、应急预案编制与演练、应急救援队伍、人员培训；

学习力：历史维修数据、历史案例、泄露监测和预警、协作能力、领导力、责任制度、巡检等。

如图3所示，步骤二中前置机中的动态韧性评估预处理过程具体如下：

步骤201、收集燃气泄露监测数据及韧性监测数据，获取一个监测点或多监测点确认燃气泄漏的监测数据及监测曲线作为样本数据；

步骤202、剔除异常数据，对于样本集中每一个监测点的监测数据、监测曲线特征信息进行异常值处理的操作，优选地，基于历史数据，形成阈值、特征值变化率、滑动时间窗口的平均值等特征，剔除明显异常数据；

步骤203、降噪滤波，对于样本集中每一个监测点的监测数据、监测曲线特征信息进行异常值处理的操作，优选地，基于小波变化及卡尔曼滤波算法进行降噪滤波，提高信号质量；

步骤204、提取特征波形参数，优选地，主要提取最大值、最小值、平均值、峰值、整流平均值、变化率、标准差、峭度、均方根、波形因子、峰值因子、脉冲因子、裕度因子、峰值时间、波谷时间等特征；

步骤205、交叉检验，是指重复的使用数据，把得到的样本数据进行切分，组合为不同的训练集和测试集，其中，用训练集来训练模型，测试集来评估模型的好坏，然后同时进入步骤206和步骤208；

步骤206、交叉检验后的数据送入训练集，然后进入步骤207；

步骤207、训练支持向量机分类模型，是指将现场采集的样本数据特征集作为支持向量机的输入变量，指定每个样本的韧性输出结果，通过调整分类器分类函数的系数向量建立输入与输出的正确映射，当所有样本训练之后，得到最终分类器分类函数的系数向量，然后进入步骤210；

步骤208、交叉检验后的数据送入测试集，然后进入步骤209；

步骤209、判断性能度量是否满足要求，具体是指判断是否分类正确率是否满足阈值要救济，如果是，进入步骤210，否则返回步骤205；

步骤210、结合步骤207和步骤209的结果获得模型参数，即分类器分类函数的系数向量；

步骤211、模型参数输入已训练好的模型；

步骤212、输出分类结果，即得到前置机韧性评估结果值。

进一步，步骤201中，作为具体的一个例子，选择描述检测地点的甲烷浓度波动的15个特征参数：最大值、最小值、平均值、峰值、整流平均值、变化率、标准差、峭度、均方根、波形因子、峰值因子、脉冲因子、裕度因子、峰值时间、波谷时间。具体介绍和计算方法如下所述：

<1>最大值：监测数据的最大值X

<2>最小值：监测数据的最小值X

<3>平均值：描述监测数据的稳定分量

<4>峰值：通常是指振动波形的单峰最大值，由于它是一个时不稳参数，不同的时刻变动很大。因此，在机械故障诊断系统中采取如下的方式以提高峰值指标的稳定性：在一个信号样本的总长中，找出绝对值最大的10个数，用这10个数的算数平均值作为峰值，因为在天然气泄漏的过程中其浓度变化同样在不同时刻的变化波动很大，所以采用同样的计算方法。

<5>整流平均值：是指信号绝对值的平均值

<6>变化率：

<7>标准差：是方差的算数平方根，标准差能反映一个数据集的离散程度

<8>峭度：是反映振动信号分布特性的数值统计量，矩

<9>均方根：与有效值用于描述振动信号的能量

<10>波形因子：无因次量，是讯号的均方根值和整流平均值的比值

<11>峰值因子：计算的波形的振幅与均方根的比值，代表的是峰值在波形中的极端程度

<12>脉冲因子：是用来检测信号中是否存在冲击的统计指标

<13>裕度因子：是信号峰值与方根幅值的比值

<14>峰值时间：振动波形的单峰最大值对应的时间点。

进一步，步骤212中的已训练好的模型的获取过程如下：

步骤2121、获取监测点30天的监测时序数据，即历史监测记录原始数据；

步骤2122、剔除异常数据，参照步骤202；

步骤2123、降噪滤波，参照步骤203；

步骤2124、提取特征波形参数，参照步骤204；

步骤2125、归一化，即将具有不同量程和单位的特征值处理为0-1区间的无量纲数据；

步骤2126、获得已训练好的模型。

如图4所示，步骤五中，中心处理机进行二次韧性增强评估是基于单个前置机对各个泄露点的韧性评估结果，形成相应的韧性评估等级，然后对每个泄漏点的韧性评估结果进行基本概率指派，再通过全局数据进行证据融合，实现整体韧性评估结果，即基于样本证据距离及可信度函数得到基本概率指派，基于不同的基本概率指派和证据合成公式进行证据融合计算。

如图5所示，步骤五中，中心处理机进行二次韧性增强评估后执行调度优化策略，调度中心主要根据二次韧性增强评估结果值的大小、调度车辆信息(位置、任务状态)、服务站信息(人员、任务状态、工具)及工程施工队信息(人员、任务状态、工具等)等进行综合调度任务排序。所述调度优化策略具体包括如下步骤：

步骤501、确认有泄漏事故；

步骤502、获取二次韧性增强评估结果；

步骤503、启动呼叫中心主机；

步骤504、呼叫中心主机向具有GPS接收装置的抢险车辆发送维修任务信号；

步骤505、判断抢险车辆是否距离最近以及无任务，如果是，进入步骤506，否则返回步骤504；

步骤506、判断最近服务站有无人员及工具，如果是，进入步骤507，否则进行人员调配；

步骤507、现场处置；

步骤508、判断是否需要施工，如果是，进入步骤509，否则处理结束；

步骤509、进行人员调配；

步骤510、现场施工。

步骤六中，中心处理机在执行调度优化策略后执行协同后韧性评估，其中协同后的韧性评估按照前置机与中心机的评估算法流程处理。

上述方法的验证过程如下：

使用的数据采集自一个月，一个月内有甲烷浓度波动的传感器数值，数据已经被审核，即已经被成功判断报警原因，并赋予相应的标签。

利用MATLAB中的信号处理函数包中数据平滑中的均值滤波，滤波前后的对比度图如图6所示，其原理为用均值代替原本数据中的各个值，选择一个点，然后利用这个点邻域内的若干个点，求这些全部点的均值，然后再将该均值赋予当前点。这个邻域在信号处理中称之为“窗”。窗开的越大，输出的结果也就越平滑，但是也可能会把我们有用的信号特征给抹掉，所以窗的大小也要根据实际的信号和噪声特性来确定，算法窗大小选择了领域周围的20个点，降噪曲线图6所示。从第一幅图可以看出，信号的背景十分嘈杂，波动的特征被淹没在噪声中，不便于后期的机器学习分类，经过滤波后得到了相对平滑的波形，便于天然气管道的泄漏诊断。

利用预处理后的数据，采用SVM进行模型训练，结果如下表1所示，可以看出SVM的核函数“rbf”和“sigmoid”是对应不同的核函数，当惩罚参数都为0.8的时候，sigmoid核函数的表现明显优于高斯(RBF)核函数，但是这两个不同核函数下的SVM对于天然气管道泄漏的查全率和沼气聚集的查准率表现都很优秀。SVM在特定下的设定时，其分类器可以满足项目的需求，高准确率、高天然气管道泄漏的查全率和高沼气聚集的查准率。

表1

尽管上述实施例已对本发明作出具体描述，但是对于本领域的普通技术人员来说，应该理解为可以在不脱离本发明的精神以及范围之内基于本发明公开的内容进行修改或改进，这些修改和改进都在本发明的精神以及范围之内。