梁洪衛(wèi) 張 旭 鄒岱峰

(東北石油大學(xué)電氣信息工程學(xué)院)

基于VMD-BP神經(jīng)網(wǎng)絡(luò)模型的天然氣管道工況檢測研究

梁洪衛(wèi) 張 旭 鄒岱峰

(東北石油大學(xué)電氣信息工程學(xué)院)

通過對小波變換、可變模態(tài)分解(VMD)、經(jīng)驗?zāi)B(tài)分解(EMD)及BP神經(jīng)網(wǎng)絡(luò)等多種算法在天然氣管道中應(yīng)用的學(xué)習(xí)研究，提出一種基于VMD-BP神經(jīng)網(wǎng)絡(luò)的天然氣管道工況判斷模型。首先對管道信號進(jìn)行可變模態(tài)分解，再將分解后的特征信號通過BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行網(wǎng)絡(luò)訓(xùn)練測試，進(jìn)而對管道工況做出判斷。

VMD-BP神經(jīng)網(wǎng)絡(luò)模型 天然氣管道 管道敲擊信號 工況判斷 模態(tài)分解

天然氣綠色環(huán)保、經(jīng)濟(jì)實惠，被廣泛應(yīng)用于生產(chǎn)和生活的各個方面。為方便天然氣的運輸，管道鋪設(shè)日益復(fù)雜化，而隨著管道投入生產(chǎn)年限的增加以及人為破壞，對天然氣管道的運行工況進(jìn)行實時有效的檢測迫在眉睫[1]。目前，管道檢測方法主要有應(yīng)用統(tǒng)計法、紅外熱成像法、分布式光纖法及聲波法等[2]。但是大多效果不理想，而且大多只對泄漏工況做出判斷，而對人為破壞管道所產(chǎn)生的敲擊信號則無法進(jìn)行準(zhǔn)確判斷。

筆者通過現(xiàn)場調(diào)研發(fā)現(xiàn)，人為破壞管道的情況多發(fā)生在管道停運的狀態(tài)下，而人為破壞管道常伴有對管道進(jìn)行敲擊等動作，因此檢測判斷管道的敲擊信號對預(yù)防人為破壞管道有積極意義。筆者通過對各種管道工況檢測方法的學(xué)習(xí)研究，提出基于VMD-BP神經(jīng)網(wǎng)絡(luò)模型的天然氣管道工況檢測方法。

1 基于VMD算法的信號特征預(yù)提取

1.1 VMD算法原理

可變模態(tài)分解算法將每個模態(tài)函數(shù)uk看作是圍繞中心頻率wk的有限帶寬，通過變分模型估計相應(yīng)的頻段和模態(tài)函數(shù)[2]。估算每個模態(tài)函數(shù)uk帶寬的步驟如下：

a. 通過希爾伯特變換，求解每個模態(tài)函數(shù)uk的相應(yīng)解析函數(shù)的邊際譜[3]；

b. 每個模態(tài)函數(shù)中心頻率通過指數(shù)混合調(diào)制估算得到，每個模態(tài)函數(shù)uk的頻譜將被轉(zhuǎn)移到基帶[4]；

c. 信號帶寬通過解調(diào)的高斯光滑度和梯度平方估算。

約束變分問題可由上述步驟得到：

∑kuk=f

其中，{uk}={u1,u2,…,uk}為各模態(tài)函數(shù)；{ωk}={ω1,ω2,…,ωk}為各模態(tài)對應(yīng)的中心頻率；k為迭代次數(shù)；δ(t)為沖擊函數(shù)；f為各模態(tài)分量之和；i表示虛部。

對此約束變分問題進(jìn)行求解時引入拉格朗日乘子λ(t)和二次懲罰因子α將約束變分問題轉(zhuǎn)變?yōu)榉羌s束變分問題[5]，同時保證重構(gòu)信號的保真率和重構(gòu)精度。引入兩者得到拓展的拉格朗日表達(dá)式為：

式中 f(t)——輸入信號；

uk(t)——第k個分解模態(tài)分量。

利用交替乘法算子方向法，交替更新模態(tài)分量、中心頻率和拉格朗日乘子，找到拉格朗日擴(kuò)展表達(dá)式的“鞍點”[6]，步驟如下：

b. 循環(huán)開始，n=n+1；

1.2 信號采集和特征提取

管道信號的采集程序基于LabVIEW平臺開發(fā)[7]，使用NI-USB-6008采集卡通過連接聲壓傳感器采集管道信號，將采集到的信號通過VMD算法的Matlab程序分解，并重構(gòu)出各模態(tài)分量，圖1是正常工況管道信號經(jīng)模態(tài)分解重構(gòu)后各頻率段對應(yīng)的模態(tài)分量。

a. 原始信號

b. 各模態(tài)中心頻率

c. 重構(gòu)低頻分量

d. 重構(gòu)中頻分量

e. 重構(gòu)高頻分量

天然氣管道泄漏信號復(fù)雜，其中包含很多噪聲信號，直接將采集到的管道泄漏壓力信號作為網(wǎng)絡(luò)的輸入會導(dǎo)致計算量過大收斂困難。經(jīng)模態(tài)分解后，可分別提取其低頻分量、中頻分量和高頻分量，將提取的特征分量作為BP神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行訓(xùn)練，可以很大程度地減少訓(xùn)練負(fù)擔(dān)。

2 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)

2.1BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)的主要結(jié)構(gòu)(圖2)特點[8]是n維輸入向量非線性映射到m維輸出向量，并且可以通過調(diào)整網(wǎng)絡(luò)層間的權(quán)重和網(wǎng)絡(luò)每層的神經(jīng)元個數(shù)以任意精度逼近任何非線性函數(shù)。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

2.2BP神經(jīng)網(wǎng)絡(luò)原理

BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入輸出模式映射關(guān)系，而無需提前知曉描述這種映射關(guān)系的數(shù)學(xué)方程[9]，具體有3個步驟：

c. 通過不停地正反向傳播，每次都反復(fù)調(diào)用權(quán)值變化公式，反復(fù)更新權(quán)值直至誤差E實現(xiàn)設(shè)定值,即完成訓(xùn)練目標(biāo)。

利用BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力，通過對各種工況輸入信號的訓(xùn)練達(dá)到可以對天然氣管道工況樣本進(jìn)行識別和分類的功能。

3 VMD-BP神經(jīng)網(wǎng)絡(luò)模型搭建

3.1VMD-BP模型結(jié)構(gòu)

將采集到的信號經(jīng)過VMD分解得到低頻、中頻、高頻3個特征分量，由于3種工況下低頻和中頻特征差異比較明顯，有助于后續(xù)的BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和預(yù)測分類，因此取低頻和中頻特征分量作為BP神經(jīng)網(wǎng)絡(luò)的輸入來判斷管道的工況：

X=[F低,F中]

式中 F低、F中——經(jīng)VMD分解得到的低頻頻率特征值和中頻頻率特征值。

由于是對天然氣管道正常、敲擊和泄漏3種工況做出辨識，需用VMD算法分別提取3種工況的低頻頻率特征值和高頻頻率特征值，所以有：

F低=[fzd,fqd,fld]

F中=[fzg,fqg,flg]

式中 fzd、fzg、fqd、fqg、fld、flg——代表3種工況的低、中頻特征頻率。

在數(shù)據(jù)輸入網(wǎng)絡(luò)之前需對輸入矩陣進(jìn)行歸一化處理：

式中 xmin、xmax——樣本數(shù)據(jù)中的最小值和最大值；

根據(jù)對天然氣管道工況的研究內(nèi)容，將BP神經(jīng)網(wǎng)絡(luò)的輸出層神經(jīng)元個數(shù)設(shè)置為2，而兩個神經(jīng)元最多可描述4個管道工況狀態(tài)，確定訓(xùn)練目標(biāo)T=(0,0)(0,1)(1,0)，分別對應(yīng)管道的正常、敲擊和泄漏3種工況。

這里，設(shè)置隱含層神經(jīng)元個數(shù)為7，由此得到的VMD-BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖3所示。

圖3 VMD-BP神經(jīng)網(wǎng)絡(luò)模型

3.2 基于VMD-BP模型的管道工況檢測

根據(jù)管道工況檢測的研究內(nèi)容，確定所需研究步驟如下：

a. 提取樣本。通過采集程序以采樣頻率5kHz、采樣數(shù)1 000，采集管道信號，將采集到的管道原始信號經(jīng)VMD模態(tài)分解，分別提取正常、敲擊和泄漏工況下的低頻和中頻特征值樣本各15組，共45組樣本。

b. 訓(xùn)練網(wǎng)絡(luò)。將采集到的45組樣本取30組，3種工況各10組歸一化后進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練。

c. 測試網(wǎng)絡(luò)。將剩余的15組樣本，3種工況各5組歸一化后對訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測試。

由各個工況的頻率特征矢量對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試(表1)后，其實際輸出結(jié)果并非簡單的0和1[11]，但是預(yù)測輸出結(jié)果與理想的訓(xùn)練結(jié)果已經(jīng)非常接近，預(yù)測輸出的最大誤差為0.045 0。雖然預(yù)測輸出并不是標(biāo)準(zhǔn)的0和1，但完全可以根據(jù)預(yù)測輸出的結(jié)果判斷天然氣管道的運行工況。

表1 管道工況檢測VMD-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測輸出結(jié)果

4 結(jié)束語

通過對VMD算法和BP神經(jīng)網(wǎng)絡(luò)算法的進(jìn)一步研究，提出VMD-BP神經(jīng)網(wǎng)絡(luò)模型，通過實驗驗證該模型不僅可以對管道的泄漏狀態(tài)做出判斷，還可以對管道的敲擊狀態(tài)做出判斷，對人為破壞管道和泄漏有更好的預(yù)防作用，證明了該模型應(yīng)用于對管道多種工況檢測的可行性。由于VMD算法和BP神經(jīng)網(wǎng)絡(luò)算法本身的一些缺陷使得該模型有一定的局限性。接下來將會對VMD算法和BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行研究，對VMD-BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行改進(jìn)，從而達(dá)到更好的管道工況檢測效果。

[1] 劉朋.天然氣長輸管道國產(chǎn)SCADA軟件發(fā)展現(xiàn)狀及展望[J].石油化工自動化,2016,52(2):7～10.

[2] 高炳坤,賈瑩.基于聲波的天然氣管道泄漏檢測與定位[J].化工自動化及儀表,2013,40(3):305～308.

[3] 路敬祎,馬雯萍,高丙坤,等.可變模態(tài)分解算法及其在天然氣管道泄漏檢測中的應(yīng)用[J].化工自動化及儀表,2016,43(7):694～700.

[4] 安連鎖,馮強(qiáng).沈國清,等.可變模式分解在爐膛壓力管道微弱泄漏信號檢測的應(yīng)用研究[J].鍋爐技術(shù),2015,46(4):1～6.

[5] 馬增強(qiáng),李亞超,劉政,等.基于變分模態(tài)分解和Teager能量算子的滾動軸承故障特征提取[J].振動與沖擊,2016,35(13):134～139.

[6] 姚家馳,向陽,李勝楊,等.基于VMD-CA-CWT的內(nèi)燃機(jī)噪聲源識別方法[J].華中科技大學(xué)學(xué)報(自然科學(xué)版),2016,44(7):20～24.

[7]HuQ,FanSD.DevelopmentofPipelineLeakDetectionSystemBasedonLabVIEW[C].IEEEInternationalSymposiumonKnowledgeAcquisitionandModelingWorshopProceedings.Piscataway,NJ：IEEE，2008:671～674.

[8] 李冬梅,劉志強(qiáng).基于BP神經(jīng)網(wǎng)絡(luò)的小型風(fēng)力發(fā)電正弦波逆變器[J].可再生資源,2015,33(6):898～901.

[9] 焦李成,楊淑媛,劉芳,等.神經(jīng)網(wǎng)絡(luò)七十年:回顧與展望[J].計算機(jī)學(xué)報,2016,39(8):1697～1716.

[10] 攀振宇.BP神經(jīng)網(wǎng)絡(luò)模型與學(xué)習(xí)算法[J].軟件導(dǎo)刊,2011,10(7):66～68.

[11] 陽子軒,范世東,江攀,等.基于BP神經(jīng)網(wǎng)絡(luò)的復(fù)雜布局管道泄漏檢測研究[J].船海工程,2012,41(1):66～69.

StudyonWorkingConditionDetectionofGasPipelinesBasedonVMD-BPNeuralNetworkModel

LIANG Hong-wei, ZHANG Xu, ZOU Dai-feng
(CollegeofElectricalEngineeringandInformation,NortheastPetroleumUniversity)

TQ547.8+1

A

1000-3932(2017)07-0633-05

2016-11-24,

2017-05-30)

(Continued on Page 655)

梁洪衛(wèi)(1978-)，副教授，從事無線通信和油氣信息處理的研究。

聯(lián)系人張旭(1989-)，碩士研究生，從事油氣信息處理的研究，zhangx1217@yeah.net。