專利名稱：：基于bp網絡用于光纖管道泄漏監測裝置的管道安全識別方法
技術領域：
：本發明涉及一種基于BP網絡用于光纖管道泄漏監測裝置的管道安全識別方法，屬于管道監測技術。
背景技術：
：作為油氣運輸的重要方式之一的管道輸送由于其自身的優點，已在國民經濟建設中發揮越來越重要的作用。油氣管道沿途可能穿越各種不同的環境，周圍存在的施工、人為破壞(如打孔盜油等)以及自然災害(如地震、洪水、泥石流以及山體滑坡等)等諸多因素都可能影響到管道安全，并導致管道泄漏，一旦發生事故將會造成巨大的生命財產損失和環境污染。目前國內外已有多種管道泄漏檢測技術和方法，但大多數的管道泄漏在線監測技術主要是基于管內流體介質的流失所造成的管道運行參數的變化來檢測管道泄漏的，如通過監測管道輸入端和輸出端的壓力、流量等管道運行參數的變化，可以判銜出管道是否發生泄漏，同時也可以確定管道泄漏發生的位置。該類方法受輸送物質特性及輸送工況等因素影響，檢測靈敏度不高。基于光纖干涉原理的管道泄漏監測裝置能夠在異常事件發生時對事發點進行高精度的管道泄漏前定位，已經受到越來越多的關注。中國發明專禾i」(授權號ZL200410020046.6)已經對該技術內容已經作了很詳細的敘述。該方法通過測量兩路干涉光的時差達到對異常事件定位的目的，其突出優點在于可在管道泄漏前對事發點進行定位，其定位精度較高且與管道長度無關。干涉型分布式光纖油氣管道監測裝置在管道附近沿管道同溝平行鋪設一條光纜，利用其中的三條單膜光纖構成基于光纖干涉儀原理的分布式振動信號傳感器，用于獲取管道沿途的振動信號。利用光纜中的兩條光纖構成傳感器的兩個傳感光臂，第三條光纖用于信號傳輸。兩條測試光纖中光波匯合后形成的干涉信號傳輸到光電二極管，將光信號轉換成電信號，隨后通過放大和濾波電路對信號進行處理，經過模數轉換傳輸到計算機中做進一步的信號處理和分析。人工神經網絡是由眾多的神經元經可調的連接權值連接而成，它具有大規模并行處理、分布式信息存儲、良好的自組織自適應性，并具有很強的學習能力。在人工神經網絡的實際應用中，BP神經網絡是神經網絡眾多算法中應用最為廣泛的一種，它在函數逼近、模式識別、分類、數據壓縮等領域有著更加廣泛的應用，其結構簡單，可操作性強，能模擬任意的非線性輸入輸出關系。由Kolmogorov定理可知，給定任一連續函數/:t/"—iT，/(x)=:r，這里t/是閉單位區間，/可以精確地用一個三層前向網絡實現，此網絡的第一層(即輸入層)有"個處理單元，中間層有2"+l個處理單元，第三層(即輸出層)有m個處理單元。該定理保證任一連續函數可由一個三層神經網絡來實現。在上述監測裝置中，管道沿線異常事件類型與對應的信號特征之間為非線性函數關系，因此BP神經網絡非常適合用于預警系統中的事件識別。
發明內容本發明的目的在于提供一種基于BP網絡用于光纖管道泄漏監測裝置的管道安全識別方法，該方法能有效識別管道沿線發生的危害管道安全事件的類型，識別過程具有簡便和可靠的特點。本發明是通過以下技術方案加以實現一種基于BP網絡用于光纖管道泄漏監測裝置的管道安全識別方法，所述的光纖管道泄漏監測裝置為干涉型分布式光纖管道泄漏監測裝置。該裝置包括分布式光纖微振動傳感器、引導光纖及微振動檢測器，微振動檢測器由半導體激光二極管光源、光隔離器、兩個光電檢測器和兩個信號調理模塊構成。其中兩個信號調理模塊分別對兩個光電檢測器檢測信號進行信號處理，其作用包括信號放大、濾波。以上述裝置基于BP神經網絡識別管道安全的方法，其特征在于包括以下過程一、建立危害管道安全事件類型的BP神經網絡模式庫l、振動信號特征向量提取過程利用通道數大于2的同步數據采集卡，采集光纖管道泄漏監測裝置輸出的0V+10V電壓信號。將該電壓信號經模數轉化后的時間序列輸入計算機，并對該時間序列進行小波包分解，計算電壓信號中部分頻率區間上的能量，作為振動信號的特征向量。該振動信號的特征向量提取具體過程包括如下步驟1)設振動信號的采樣頻率為2/，對信號進行y層小波包分解，則形成2'個等寬頻帶，每個頻帶區間頻寬為//2、經小波包分解后，得到/層小波包系數C;，&=0，1……27-1，式中m為小波包空間位置標識，若/層中第A個節點小波包系數長度為"，則附=O，l......w—1。2)設j'層節點k對應的小波包分解得到的信號頻帶能量為7^，則有3)對能量7^進行歸一化處理，令2^-1^-27^("0，1，…，2J-1)(2)則有77ti—./，a。,*=(3)式(3)中r;為對7^歸一化處理后的結果。4)rw,7v，…，7;'](4)式(4)中r即為振動信號的歸一化特征向量，該特征向量將作為后續bp神經網絡的輸入。2、以事件的特征向量為BP神經網絡的輸入，訓練及測試BP神經網絡以建立事件模式庫所述的危害管道安全事件包括管道開孔泄漏和在管道及光纖上方挖掘破壞等。對包括管道泄漏在內的每種危害管道安全事件選擇20個左右采集到的電壓信號樣本(0V10V)，按照上述特征提取流程提取其特征向量。將提取的信號特征向量作為BP神經網絡的輸入，對應事件類型作為輸出對BP神經網絡進行訓練，具體訓練過程包括1)BP神經網絡的網絡權值和閾值初始值設定為了避免初始值過大而引起的網絡飽和，同時兼顧網絡的收斂速度和樣本的復雜性，本發明所采用的BP神經網絡的權值和閾值項均預先置為均勻分布的較小隨機數值，取為(-0.5~0.5)。，2)BP神經網絡的網絡拓撲結構選擇本發明中BP神經網絡采用三層結構，即輸入層、單隱層和輸出層。輸入層節點數由信號特征向量中元素個數確定。輸出層節點數與事件類型個數一致，即系統判斷事件類型總數為"而系統判斷事件/(l^/^Z)發生時，BP神經網絡輸出的lx/形式的行向量中僅=1，其他元素均為0，若無異常事件發生系統輸出行向量中各元素皆為0。單隱層內節點數應在保證系統逼近精度且情況下盡量少，以提高網絡收斂速度。3)對訓練好的BP神經網絡進行測試每種異常事件選取1020個測試樣本，對已訓練完畢的BP神經網絡進行測試。將采集到的異常事件信號的特征向量輸入已訓練好的BP祌經網絡，將BP神經網絡經過計算得出的輸出與實際的異常事件類型進行對比，并將系統誤判事件個數與測試樣本總數相除得到系統誤判率。若測試結果的誤判率小于或等于設計要求的誤判率，說明建立的BP神經網絡模型滿足設計要求，可以用于實際的管道沿線安全監測；若誤判率大于設計要求，調整模型參數，重復上述步驟，重新訓練和測試BP神經網絡模型，直到BP神經網絡誤判率滿足系統設計要求。二、將完成訓練的BP神經網絡用于實時監控危害管道安全事件BP神經網絡經測試表明滿足設計要求后，監控系統即可實時采集預警系統兩路光電轉換輸出的電壓信號，提取其中一路振動信號的特征向量，輸入BP神經網絡實現在線識別油氣管道沿線所發生異常事件類型。一旦判斷管道沿線發生BP神經網絡模式庫中存在的異常事件，系統對異常事件進行定位。預警系統發現異常事件后，通過測量兩路電信號的時間差來對事發點進行定位。定位原理如式(5)所示<formula>formulaseeoriginaldocumentpage8</formula>(5)式(5)中，義為異常事件事發點沿埋設光纜距光纜首端的距離；Z為埋設光纜全長；^為兩路電信號時差；v為光波在光纖中的傳播速度。本發明的優點主要在于有效識別發生在管道沿線的危害管道安全事件類型，一旦確定事件類型后，就可迅速通過各種手段加以安全防范。較現有的其它方法具有快捷、實施費用低的特點。圖1為干涉型分布式光纖管道泄漏監測裝置結構圖。圖中la、lb為傳感光纜1中兩條傳感光纖、lc為傳感光纜l中的一條引導光纖、3a和3b為引導光纜3中包含兩條引導光纖、4為微振動檢測器、其中微振動檢測器4中包括5為半導體激光二極管、7為光隔離器、6a和6b為信號傳輸光纖、8、10a和10b為耦合器、9a、9b、9c和9d為信號傳輸光纖、lla和lib為光電檢測器、12a和12b為信號調理模塊、13a和13b為A/D轉換模塊、14為計算機。圖2為本發明過程流程圖。圖3:提取振動信號特征向量計算流程圖。圖4:BP神經網絡訓練流程圖。圖5:BP神經網絡訓練后測試流程圖。圖6:為采集到的氣管道泄漏引起振動信號樣本(輸氣管徑為①159mm，管道壓力0.8MPa，泄漏孔徑3mm)，橫坐標為時間(單位為采樣間隔)，縱坐標為電壓(V);圖7:為圖6中檢測信號對應的特征向量圖，橫坐標為頻帶編號，縱坐標為歸一化能量值。圖8:當輸入為圖7中氣管道泄漏樣本特征向量時，完成訓練和測試的BP神經網絡輸出為[Ol]。圖9:采集到的在光纜上方入工挖掘檢測信號樣本，橫坐標為時間(單位為采樣間隔)，縱坐標為電壓(v)。圖10:為圖9中檢測信號對應的特征向量，橫坐標為頻帶編號，縱坐標為歸一化能量值。圖ll:當輸入為圖10中人工挖掘樣本特征向量時，完成訓練和測試的BP神經網絡輸出為[io]。具體實施例方式下面以氣管道泄漏和人工挖掘兩種異常事件為例，結合附圖和具體實施方式對本發明作進一步詳細的說明系統電壓信號采集利用至少雙通道的數據采集卡采集干涉型分布式光纖管道泄漏監測裝置的兩路電壓信號，即圖l中12a和12b兩個光電轉換器輸出的電壓信號。隨后執行圖2所示的本方法流程，其中黑色寬框為計算機內部實現的算法，其余部分由實際的設備實現。框圖內流程具體步驟如下光電轉換單元將干涉型分布式光纖管道監測裝置中兩路干涉光信號轉換為0V~+10V的模擬電壓信號。模數轉換裝置(模數轉換裝置采用美國NI公司的同步采集卡PCI-6132，四路同步采集，2.5MS/s，采集范圍為-10V+10V)采集范圍設定為0V+10V，將兩路模擬信號分別轉化為數字信號，隨后輸入計算機進行數字信號處理和相關計算。檢測信號的特征提取將上述兩路轉換后的數字信號中的一路通過小波包分解計算敏感頻率區間上的能量，將其作為振動信號的特征向量，該步驟得到的信號特征向量可以描述油氣管道沿線發生的事件特征，此處具體流程見圖3所示。每種異常事件選擇若干有代表性的20個采集樣本,通過信號特征提取流程提取檢測信號的特征向量，該特征向量為歸一化能量組成的1x8形式向量。為了使樣本信號有代表性，氣管道泄漏信號選取泄漏孔直徑3mm50mm范圍內、管內壓力0.1MPa15MPa范圍內氣體泄漏引起振動信號樣本；人工挖掘信號選取力量大小不同、光纖兩側垂直距離2米內范圍內不同挖掘點用鎬挖掘土壤產生的振動信號的樣本。BP神經網絡建立及訓練本發明實例中，采用8xl0x2結構的BP神經網絡模型，即輸入節點數為8、隱含節點數為10、輸出節點數為2，對神經網絡模型進行訓練和測試將上述兩種異常事件引起振動信號的特征向量作為BP神經網絡輸入，對應異常事件類型作為輸出對BP神經網絡進行訓練，具體訓練過程如圖4流程所示。試驗及測試結果為了驗證建立的BP神經網絡能夠有效地識別管道沿線異常事件，在實際管道上進行模擬氣管道泄漏和人工挖掘試驗。試驗中利用一段長lOOm、管徑為0159mm的氣管道展開相關模擬實驗。將測試光纜與管道同溝埋入土壤中，測試光纜位于管道正上方且垂直距離為500mm。實驗管道可以承壓大于2MPa，試驗中使用空壓機向管道注入壓縮空氣，使管內的壓力達到0.95MPa。試驗中制造氣管道泄漏、人工挖掘兩種異常事件。本次試驗中光纖規格為4芯單模光纖；系統光源采用半導體激光器，波長為1550nm，功率為lmW;光電探測器采用InGaAs光電二極管，其最小上升(下降)時間為0.1ns。實驗裝置中的數據采集部分采用美國國家儀器公司的PCI-6132數據采集卡，該卡可同步采集4路差分輸入的模擬信號，同步采集速度可達3MS/s。選取10個氣管道泄漏測試樣本和10個人工挖掘測試樣本，對已訓練完畢的BP神經網絡進行測試，如表1所示。表1中，序號110為氣管道泄漏測試樣本，序號1120為人工挖掘測試樣本；特征元素1至特征元素8為本發明中特征提取方法得到的檢測信號特征向量的元素；識別結果為每個測試樣本經建立的BP神經網絡識別的結果，其中"1"表示氣管道泄漏，"2"表示人工挖掘。表1已建立的BP神經網絡對測試樣本識別結果<table>tableseeoriginaldocumentpage10</column></row><table><table>tableseeoriginaldocumentpage11</column></row><table>表1中標號為12的樣本類型應為人工挖掘，但被誤判為氣管道泄漏。測試結果表明已建立的BP神經網絡的誤判率為5X，其余樣本均被正確識別。因此，已建立的BP神經網絡對20個測試樣本的正確識別率為95%，說明建立的BP神經網絡的識別正確率較高。若符合一般工程實際要求，即所建立的BP神經網絡模型正確。例如，若工程實際要求BP祌經網絡誤判率低于5X，則目前所建立的BP神經網絡誤判率未達到規定值，調整模型參數，重復上述步驟，重新訓練和測試BP神經網絡模型，直到誤判率滿足系統設計要求為止，此步驟如圖5流程所示。對管道沿線異常事件的在線識別檢測系統在管道沿線進行實時監測，該系統的檢測信號特征輸入已訓練好的BP神經網絡，一旦該神經網絡判斷管道沿線發生威脅管道安全的異常事件時，系統將激活定位模塊。系統定位模塊通過測量兩路電壓信號時間差對事發點進行定位。權利要求1.一種基于BP網絡用于光纖管道泄漏監測裝置的管道安全識別方法，所述的光纖管道泄漏監測裝置為干涉型分布式光纖管道泄漏監測裝置，該裝置包括分布式光纖微振動傳感器、引導光纖及微振動檢測器，微振動檢測器由半導體激光二極管光源、光隔離器、兩個光電檢測器和兩個信號調理模塊構成，其中兩個信號調理模塊分別對兩個光電檢測器檢測信號進行信號處理，其作用包括信號放大、濾波，以上述裝置基于BP神經網絡識別管道安全的方法，其特征在于包括以下過程建立危害管道安全事件類型的BP神經網絡模式庫1)振動信號特征向量提取過程利用通道數大于2的同步數據采集卡，采集光纖管道泄漏監測裝置輸出的0V～+10V電壓信號，將該電壓信號經模數轉化后的時間序列輸入計算機，并對該時間序列進行小波包分解，計算電壓信號中部分頻率區間上的能量，作為振動信號的特征向量，該振動信號的特征向量提取具體過程包括如下步驟(1)設振動信號的采樣頻率為2f，對信號進行j層小波包分解，則形成2j個等寬頻帶，每個頻帶區間頻寬為f/2j，經小波包分解后，得到j層小波包系數Cj，km，k＝0，1……2j-1，式中m為小波包空間位置標識，若j層中第k個節點小波包系數長度為n，則m＝0，1……n-1，(2)設j層節點k對應的小波包分解得到的信號頻帶能量為Tj，k，則有全文摘要本發明涉及一種基于BP網絡用于光纖管道泄漏監測裝置的管道安全識別方法，屬于管道監測技術。該過程包括利用至少雙通道的同步數據采集卡采集干涉型分布式光纖管道泄漏監測裝置中兩路干涉光經光電轉換后輸出的電壓信號。利用小波包分解計算得到檢測信號的特征向量。每種侵入事件選擇若干采集樣本，對BP神經網絡進行訓練和測試。該模型訓練完成之后，系統即可實時采集檢測信號，提取信號特征，輸入到已訓練好的模型在線識別管道沿線發生的異常事件類型，并對異常事件進行定位。本發明的優點主要在于該方法簡單易用，系統占用資源小，實時性好，可用多種形式實現。文檔編號H04B10/08GK101183899SQ20071006035公開日2008年5月21日申請日期2007年12月19日優先權日2007年12月19日發明者琰周,皓封,曲志剛,曾周末,靳世久申請人:天津大學