随着管道服役时间的增长,管网复杂性的增加,管道泄漏时刻威胁着管网的安全运行。管道发生泄漏后,迅速识别泄漏工况并定位泄漏点是解决问题的关键。特别是近年来“智慧管道”的建设成为我国管道发展的新趋势,与“智慧管道”相契合的网络化、数字化、自动化的泄漏检测手段成为油气储运专业人员的研究重点。本文在负压波信号的基础上进行研究,首先,建立一套压力异常告警与专家分析系统,该系统基于C++语言在Microsoft Visual Studio 2010内进行编程,应用V8引擎,与SCADA系统进行结合,对PI数据库内的点位信息进行扫描计算。根据数学建模,对泄漏,启停泵,切罐等工况所对应的点位信息变化进行确定,并根据现场工艺流程图,对具体阀门编号以及在SCADA系统内的点位ID进行确定,之后根据现场调度人员的经验予以修正,将编写好的算法规则配置进系统内,压力异常告警与专家分析系统根据算法规则对监测点位进行扫描和计算。为提高准确率,并减少误差,在压力异常告警和专家分析系统的基础上,应用机器学习的方法,对负压波信号进行泄漏监测和定位,利用室内实验环道采集不同工况压力信号,采用改进的局部均值算法对压力信号进行去噪预处理。针对去噪后的压力信号,进行八个特征的提取,对随机森林和概率神经网络模型寻找最优特征组合,建立了管道泄漏工况的检测模型,并对泄漏点定位进行研究。研究结果表明:对实验环道采集的不同工况下压力异常波动的成因分析说明了不同管输工况的压力信号具有可分性。在管道泄漏信号的处理阶段,对于不同的信号,对应的最优插值方法可能会不同。在管道泄漏信号的特征提取阶段,分析了能量、能量熵、峭度、峭度熵、均方差,均方差熵,样本熵,模糊熵对实验环道不同工况的分类效果,将分类效果不好的能量熵、均方差熵进行舍弃。在管道泄漏工况的智能识别阶段,应用两个学习模型,分别是概率神经网络和随机森林模型,利用改进的果蝇优化算法对概率神经网络的参数进行选择,并针对两个学习模型建立了相应的最优特征库。在泄漏点定位阶段,基于三个传感器的泄漏点定位与基于两个传感器的泄漏点定位相比,能够避免负压波波速的计算,具有计算量小,误差小的优点;利用实验环道多个传感器的压力信号依据三传感器定位原理对泄漏点进行定位研究,经过分析,先通过相关算法进行粗略时延估计,再利用自适应算法进行精确时延估计,提高了定位精度。