近年来,管道运输作为大量输送石油、气体等能源的安全经济的运输手段,在世界各地得到了广泛应用。然而,随着管道设备的老化、自然灾害破坏以及人为损坏等原因,泄漏故障时有发生,给人的生命财产带来了巨大的威胁。因此建立管道泄漏检测系统,具有重大的经济意义和社会意义。对管道泄漏检测研究至今已有很多种方法,其中基于知识的方法近年来受到业界的普遍关注,且主要集中在神经网络和专家系统的应用上。小波神经网络结合了神经网络的自学习特性和小波的局部特性,具有良好的自适应分辨性和良好的容错能力,因此在管道泄漏检测领域具有良好的应用前景。本文在详细分析流体管道泄漏检测技术研究现状的基础上,将小波神经网络算法应用于管道泄漏的检测中,主要进行了以下几方面的工作：首先,通过对小波变换原理和小波分析方法在故障检测中应用的研究,选取合理小波基函数、小波分解层数和阈值函数,对信号进行滤波消噪。其次,通过对基于误差反向传播算法(Back Propagation,BP)的人工神经网络原理、算法及特点的研究,将小波分析方法与BP神经网络相结合,引入基于小波包分析的“能量—故障识别”故障诊断方法,提出了反映压力信号特性的特征向量指标,使用小波包分析方法提取管道泄漏故障特征值,为神经网络故障诊断提供输入样本。最后,通过对基于BP神经网络和基于小波神经网络的管道泄漏故障诊断误差训练曲线及测试结果进行比较分析,对BP神经网络中误差反向传播算法提出两点改进：一是在网络权值修正过程中附加惯性系数,以减小学习过程中的震荡趋势,加快训练速度；二是在学习过程中引入基于梯度符号变化的局部学习率自适应算法,根据每个可调节参数自身的状态信息,动态的独立的调整其学习率,以节省训练时间。最终测试结果表明,改进后的小波神经网络算法训练速度快,识别精度高,稳定性强,能够在管道泄漏诊断中发挥重要作用。本文通过理论研究和仿真实验证明,基于小波分析与BP神经网络的管道泄漏诊断方法能及时准确的诊断出管道泄漏故障,具有一定的研究价值和实用价值,随着在理论和实践上的进一步完善,本方法将会在管道泄漏检测中发挥更大的作用。