[发明专利]一种基于知识特征与混合模型融合的管道泄漏检测方法

权利要求书

1.一种基于知识特征与混合模型融合的管道泄漏检测方法，包括以下步骤：

步骤1，建立管道流体实时瞬态管道机理模型，具体包括：

对管道流体运动建立连续性方程和运动动量方程：

其中，式(1)为流动连续性方程，式(2)为运动动量方程，式中，P为管道断面平均压力；v为管道断面平均流速；ρ为流体平均密度；f为水力摩阻系数；ɡ为重力加速度；θ为流体与水平轴的角度；D为管内径；a为压力波传播速度；t为时间；x为沿管线距离；

步骤2，采用特征线法对步骤1中的管道流体实时瞬态管道机理模型进行优化，具体包括：

采用特征线法对步骤1中的非线性偏微分方程式(1)和式(2)进行求解；特征线法需要设定边界条件及管道初值，因此考虑管道稳态模型，不考虑时间的影响，由式(1)、(2)可得：

式(4)和(5)即为管道的稳态模型，是一个常微分方程组，采用四阶龙格库塔法进行求解即可确定实时瞬态管道机理模型的初值；将管道的首末端作为边界条件，设定边界条件输入值为首端压力与末端流量；

步骤3，基于管道基本原理，提取管道内等效摩阻系数的知识特征，具体包括：

基于管道基本原理，提取管道内等效摩阻系数的知识特征，具体包括：

通过管道稳态模型式(4)和(5)可得：

对方程组式(6)和(7)进行积分求解可得管道内等效摩阻系数和管内参数的关系：

其中，Q₁为管道首端流量，Q₂为管道末端流量，P₁为管道首端压力，P₂为管道末端压力，为根据首端流量计算所得的等效摩阻系数，为根据末端流量计算所得的等效摩阻系数；

步骤4，建立融合管道知识的数据驱动模型和基于机理与数据驱动的混合模型，具体包括：

将步骤3提取的管道内等效摩阻系数的知识特征融合进入一维卷积神经网络中，结合后再通过全连接层，得到融合知识的数据驱动模型；

机理模型如式(4)和(5)所示，融合知识的数据驱动模型对机理模型进行修正，得到基于机理与数据驱动的混合模型；

步骤5，融合管道知识的数据驱动模型中的卷积神经网络的输入为管道流体实时瞬态管道机理模型的边界条件输入值，输入值即为管道运行时的首端压力与末端流量，通过步骤2的模型计算即可得到管道运行时的首端流量和末端压力；

步骤6，通过步骤4中基于机理与数据驱动的混合模型得到具有实时性的管道运行数据；当管道泄漏发生时，通过步骤5计算后得到管道的首端流量及末端压力，作为模型计算值，将模型计算值与传感器的实际测量值进行比较，当偏差超过给定阈值时，则表明泄漏发生，表示为：

其中，Q₁为管道首端流量实际测量值，为首端流量计算值，P₂为管道末端压力实际测量值，为末端压力计算值，σ₁、σ₂分别为设定的流量和压力阈值。