论文部分内容阅读
管道运输在石油化工领域有着广泛的应用,但外界存在的种种不稳定人为和自然因素常常会引发管道的泄漏。由于石油化工产品通常具有易燃易爆高污染的特点,因此,在对管道运输的研究中不可避免的要对管道泄漏检测和定位进行研究。因为长输油管道具有经过地域环境多样性、输送距离远和输送量大的特点,所以长输油管道沿途的种种不确定因素为对长输油管道进行有效的泄漏检测和定位带来了巨大挑战。当管道发生突发性泄漏时,如果能够快速的发现泄漏和准确的定位泄漏点位置不仅能够在很大程度上减少管道运营单位的经济损失,同时在一定程度上也能够减少对于环境的污染和降低对人类生命财产安全的威胁。因此,为了使管道能够安全高效的运行,对管道泄漏检测和定位进行研究具有十分重要的现实意义。本文主要研究工作如下:针对负压波法定位管道泄漏位置时存在的不准确问题,首先,分别利用小波变换、变分模态分解(Variational Mode Decomposition,VMD)和经验模态分解(Empirical Mode Decomposition,EMD)对该压力信号进行消噪处理并比较了其处理效果,选择出了适用于管道泄漏检测与定位的信号处理方法;其次,利用该方法处理过的压力信号进行泄漏工况下的压力拐点提取;最后,依靠从压力信号中提取出的压力拐点时间差进行管道泄漏定位。在原来依靠首端和末端压力变送器定位方法的基础上,提出了一种新的定位方法,依靠安装于管道首端、中端和末端压力变送器进行长输油管道的泄漏定位。通过对实验结果分析,EMD能够有效用于消除压力信号的噪声,新的泄漏定位方法的定位精度明显优于原定位方法。针对长输油管道小泄漏难以检测的问题,提出了一种基于粒子群优化支持向量机(Particle Swarm Optimization Support Vector Machine,PSO-SVM)的管道小泄漏检测方法。该方法利用超声波波速信号在正常工况和泄漏工况下的不同特点,对该波速信号进行时域特征提取和波形特征提取,将提取的特征值作为支持向量机(Support Vector Machine,SVM)的输入。由于采用不同类型的SVM以及采用不同类型的核函数、归一化区间、惩罚因子c和核参数g都会对管道小泄漏检测识别产生影响,因此在获得最优SVM类型、核函数类型和归一化区间后,采用粒子群优化算法寻找出该SVM的最优惩罚因子c和核参数g。现场实验结果表明,所提方法小泄漏检测准确率与经典SVM的小泄漏检测准确率相比,有效提高了输油管道小泄漏检测的识别准确率。