[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

说明书

本发明公开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：首先，建立一种融合实时瞬态机理模型与卷积神经网络数据驱动模型的管道混合建模方法，以准确预测管道运行工况；其次，针对过程普遍存在的不确定性，在混合模型中嵌入了管道输送过程的知识特征模型，提高模型的鲁棒性和对管道运行状态的预测能力；最后，对混合模型预测输出和实际测量值进行比较得到的偏差进行分析，判断管道是否泄漏。该方法提高了模型的精度，解决了因工况改变、泄漏特征小所造成的误报、漏报等问题。

技术领域

本发明涉及管道泄漏检测领域，具体涉及一种基于知识特征与混合模型融合的管道泄漏检测方法。

背景技术

管道是工业、农业、以及城市基础设施的重要组成部分，但管道常常由于老化、腐蚀、焊缝缺陷、第三方破坏等因素产生大量的管道泄漏问题。因此管道泄漏检测要考虑到管道输送的水力学特征，以及过程的不确定性。

在日常生活及工业生产中，管道运输扮演着至关重要的角色。管道运输的优点在于其输送量大，输送过程易控制、价格低廉、建设简单、不受地面和气候等因素的影响，环境适应性强。但管道存在腐蚀、老化、连接等问题，以及各种外力作用的影响，管道泄漏问题普遍存在，造成了资源的浪费和巨大的经济损失。因此实现对管道泄漏的检测显得尤为重要。为此，工业界和学术界提出了很多管道泄漏检测的方法。现代管道泄漏检测方法一般基于管道外部测量变量或内部测量变量以构建检测模型从而能够实时在线进行管道泄漏检测。外部法通常基于检测管道外的泄漏特征，如基于声学法、基于光纤法。内部法通常基于管道压力、流量、温度等操作参数，如实时瞬态模型法、负压波法。从模型建立角度来看，基于机理模型和数据驱动模型的方法是管道泄漏检测的两种主要方法，两者各有其优缺点。一般来说，基于机理模型的方法依赖于偏差的生成与评估。这些方法的性能高度依赖于模型参数和传感器的准确性，而且需要大量的模拟和校准工作。数据驱动方法不需要任何具体深入的管道水力学知识，只需要从收集的历史数据中学习，再加上一些统计或模式识别工具。其中，基于人工神经网络(Artificial Neural Network，ANN)和支持向量机(SupportVector Machine，SVM)应用最多。

发明内容

本发明提出了一种基于知识特征与混合模型融合的管道泄漏检测方法。

首先，建立一种融合实时瞬态机理模型与卷积神经网络数据驱动模型的管道混合建模方法，以准确预测管道运行工况；其次，针对过程普遍存在的不确定性，在混合模型中嵌入了管道输送过程的知识特征模型，提高模型的鲁棒性和对管道运行状态的预测能力；最后，对混合模型预测输出和实际测量值进行比较得到的偏差进行分析，来判断管道是否泄漏。此方法得到的模型精度较高，泄漏检测效果较好。

本发明的目的是：由于在实际过程中管道运行工况不确定、模型相关参数不准确、数据匹配性差，会导致机理模型的预测产生偏差，从而导致管道泄漏误报。本发明建立了一种融合知识特征的数据驱动模型和管道瞬态机理模型相结合的混合模型，其中，融合知识特征的卷积神经网络作为管道数据驱动模型对管道瞬态模型进行修正，提高了模型的精度，解决了因工况改变、泄漏特征小所造成的误报、漏报等问题。

本发明的技术解决方案为：将CNN用作数据驱动模型，对实时瞬态管道机理模型进行修正，提高了模型的精度解决了因工况改变、泄漏特征小所造成的误报、漏报等问题。随着管道运行时间的增长，管内阻力结构发生变化，混合模型输出也会产生偏差，产生误报现象，因此将管道摩阻知识融入CNN，增强了模型的鲁棒性。

本发明将机理模型与数据驱动模型进行有效结合，在此基础上，融合知识特征，以有效地对管道运行状态进行准确预测。首先，基于水力学原理，建立简化的实时瞬态模型(Real Time Transient Model，RTTM)机理模型；其次，通过卷积神经网络(ConvolutionalNeural Networks，CNN)数据驱动模型提取管道运行数据的隐含特征信息，对RTTM机理模型进行补充；考虑到过程的不确定性，在CNN数据驱动模型基础上引入领域知识这一学习要素，提出了一种融合数据、知识、机理的管道泄漏检测方法。