论文部分内容阅读
[摘要]随着经济的发展，管道运输已经成为道路、铁路运输后的又一大运输方式，但是由于管道运输通常是掩埋在地下的，对管道的泄漏定位管理较为困难，因此，针对在埋管道泄漏定位已经成为学术界讨论的热点。本文就针对这样的研究背景，利用BP神经网络算法对在埋管道泄漏定位问题进行了研究，并且利用小波变换方法测量实现了消噪和特征变量提取，结合神经网络算法以及MATLAB工具都本文构建的预测模型精度进行了验证。切实的实现了在埋管道泄漏定位的目的。
[关键词]神经网络；BP神经网络；管道泄漏
引言
当前，我国输油管道泄漏检测方面，一般都是使用负压波法进行管道泄漏检测。这种方法不仅技术落后，难以准确发现泄漏点，容易造成損失，而且不能及时有效实现对输油管道泄漏点的全面监控，给盗油分子以可乘之机，也污染了输油管道沿线的环境。神经网络技术是下一代检测系统的核心技术，近年来，随着信息技术和网络技术的发展，采用这种技术对石油管道泄漏点进行准确及时的定位已经实现了关键技术的突破。为此，从保护输油管道和维护国家石油资源的经济意义和环境保护意义出发，本文研究采用基于神经网络的检测方法代替传统的人工检测方法，改变在泄漏点检测方面的技术落后状态，实现有效地打击偷到石油的犯罪行为，提高泄漏油点检测技术水平。
1. 神经网络算法的发展和应用
神经网络技术最早起源于上个世纪四十年代的神经科学理论研究。神经科学理论是由当时的数学家W. Pitts和心理学家W.S.McCuloch共同研究提出的基于人的神经元的理论。该理论认为，神经元可以被视为双态开关，如果利用布尔代数模拟神经过程，就会建立一个基于神经元的数学模型。W. Pitts和心理学家W.S.McCuloch共同对这个数学模型进行了研究。
到了七十年代末，学者Rosenblatt提出了最早的真正意义上的神经网络——感知器模型。该模型通过模拟视觉收集信息并借助神经冲动做出反应。另一位学者Caianiello在前人研究的基础上正式提出了神经网络的数学理论。该理论借助双态器件原理对神经元进行分析，构造了神经元方程。并运用布尔代数模拟神经元机能的动力过程，通过计算分析了细胞有限自动机的理论模型。该人工神经网络属于单层线性网络，具有以下功能：
第一、能够依据收集到的数据，通过学习和训练就可以分析出输入和输出之间的关系，具有较好的自适应功能。
第二、在实际中收集到的数据通常都具有一定的模糊性，有的受到了外界的干扰，有的具有不完全性，还有的是未经训练过的。该神经网络针对这些问题具备了很好的容错能力，能够较好的处理这些数据轻易获得相对合适的结果。
第三，处理过程因为不同因数存在相互影响而呈现出非常复杂的非线性关系。而非线性映射功能使神经元网络具备了在非常复杂的环境条件下处理问题的能力。
第四，具有高度并行处理的功能视神经网络处理数据的优点，与传统的数据分析方法相比，神经网络通过自己测量数据，并分析数据后进行系统建模，进而完成估计和逼近。该功能广泛应用于分类、预测及模式识别等数据处理。
Rosenblatt提出的神经网络受到了许多学者的关注和研究。经过学者的努力，如今已经形成了包括Hopfield网络、自适应共振网络、BP网络、ART网络、RBF网络，以及后来发展起来的小波神经网络、概率神经网络等几十种。这些网络都具有不同的功能结构，所使用的范围和应用场景也不一样。分类标准也不一样，按照有无反馈分类，可以分为前馈神经网络和反馈神经网络；按照函数逼近类型的不同可分为全局逼近网络和局部逼近网络。其中，前馈神经网络比较适用于故障诊断领域的检测。
2. 小波包变换提取压力信号特征向量
不同的压力具有不同的能量。根据这一点，一旦输油管发生石油泄漏，必然会改变压力曲线频带内的能量值。如果信号显示各频率成分能量出现了变化，则说明系统参数出现变化。因此，这就为泄漏检测提供了一种基于“能量-故障识别”识别模式。如果将其应用于石油管道检测系统中，就可以实现通过不同频率在能量上的变化识别泄漏点。具体来说，基于“能量-故障识别”识别模式，建立能量变化与压力变化的映射关系，进而获得表征不同泄漏点的特征向量，就可以实现泄漏点检测。其应用原理如下：
首先，以三层小波分解为例，在分析其第三层的8个节点时，通过信号的小波分解获得该层8个频率成分的信号特征。如图3-11所示。信号分别被分解到8个节点，所有的节点都表征唯一单独的信号特征。
其次，重构小波包分解系数，获取所有频带范围内的信号。如下面的公式1中所示，式中 的重构信号用 代表， 的重构信号用 代表。然后在重构信号后对第三层的所有信号进行分析，就可以得到公式1：
3. 基于MATLAB的BP神经网络的管道泄漏定位
可以通过以下几个程序通过MATLAB建立神经网络，将其进入管道测漏定位系统，最终实现对管道泄漏定位。
第一步，数据预处理。对信号进行预处理是建立BP神经网络前的必要环节，本文中对信号做了3层小波包的降噪处理，目的是获取降噪后信号的特征向量并用其进行训练和检验。
第二步骤，利用MATLAB建立神经网络。首先选用3层BP神经网络，确定该神经网络的类型和结构。以三层小波分解为例，分析其第三层所有频率的信号，8个节点对应神经网络输入层的8个神经元。信号包括正常运行和A0～A9，10个泄漏点，共11个工作状态，也就是说神经网络的输出层使用四个神经元，这样就可以描述最多16个状态，而正常状态和出现泄漏点时的状态用（0，0，0，0），（0，0，0，1） （1，0，1，0）来表示。一般情况下，三层神经网络隐藏层的神经元个数不少于5个，而通过（4-10）和（4-11）计算得出两组隐藏层神经元的数量，分别是4～13或者是17个。因此可以确定该层神经元为5～13和17两种。确定了这两组数量之后，通过训练数据分析不同情况下的误差，然后分析比较后得出最佳值。
参考文献
[1] Donoho D L，I M Johnstone. Ideal spatial adaptation by wavelet shrinkage Biometrika[J]. 2009，81 （3）：425-455
[2] 刘明亮. 基于BP神经网络输油泄漏监测识别技术研究[J]. 信息技术. 2012（3）：49-51
[3] 赵堂玉. 基于软件的输油气管道泄漏定位技术[J]. 油气储运. 2014.2：1-7
[关键词]神经网络；BP神经网络；管道泄漏
引言
当前，我国输油管道泄漏检测方面，一般都是使用负压波法进行管道泄漏检测。这种方法不仅技术落后，难以准确发现泄漏点，容易造成損失，而且不能及时有效实现对输油管道泄漏点的全面监控，给盗油分子以可乘之机，也污染了输油管道沿线的环境。神经网络技术是下一代检测系统的核心技术，近年来，随着信息技术和网络技术的发展，采用这种技术对石油管道泄漏点进行准确及时的定位已经实现了关键技术的突破。为此，从保护输油管道和维护国家石油资源的经济意义和环境保护意义出发，本文研究采用基于神经网络的检测方法代替传统的人工检测方法，改变在泄漏点检测方面的技术落后状态，实现有效地打击偷到石油的犯罪行为，提高泄漏油点检测技术水平。
1. 神经网络算法的发展和应用
神经网络技术最早起源于上个世纪四十年代的神经科学理论研究。神经科学理论是由当时的数学家W. Pitts和心理学家W.S.McCuloch共同研究提出的基于人的神经元的理论。该理论认为，神经元可以被视为双态开关，如果利用布尔代数模拟神经过程，就会建立一个基于神经元的数学模型。W. Pitts和心理学家W.S.McCuloch共同对这个数学模型进行了研究。
到了七十年代末，学者Rosenblatt提出了最早的真正意义上的神经网络——感知器模型。该模型通过模拟视觉收集信息并借助神经冲动做出反应。另一位学者Caianiello在前人研究的基础上正式提出了神经网络的数学理论。该理论借助双态器件原理对神经元进行分析，构造了神经元方程。并运用布尔代数模拟神经元机能的动力过程，通过计算分析了细胞有限自动机的理论模型。该人工神经网络属于单层线性网络，具有以下功能：
第一、能够依据收集到的数据，通过学习和训练就可以分析出输入和输出之间的关系，具有较好的自适应功能。
第二、在实际中收集到的数据通常都具有一定的模糊性，有的受到了外界的干扰，有的具有不完全性，还有的是未经训练过的。该神经网络针对这些问题具备了很好的容错能力，能够较好的处理这些数据轻易获得相对合适的结果。
第三，处理过程因为不同因数存在相互影响而呈现出非常复杂的非线性关系。而非线性映射功能使神经元网络具备了在非常复杂的环境条件下处理问题的能力。
第四，具有高度并行处理的功能视神经网络处理数据的优点，与传统的数据分析方法相比，神经网络通过自己测量数据，并分析数据后进行系统建模，进而完成估计和逼近。该功能广泛应用于分类、预测及模式识别等数据处理。
Rosenblatt提出的神经网络受到了许多学者的关注和研究。经过学者的努力，如今已经形成了包括Hopfield网络、自适应共振网络、BP网络、ART网络、RBF网络，以及后来发展起来的小波神经网络、概率神经网络等几十种。这些网络都具有不同的功能结构，所使用的范围和应用场景也不一样。分类标准也不一样，按照有无反馈分类，可以分为前馈神经网络和反馈神经网络；按照函数逼近类型的不同可分为全局逼近网络和局部逼近网络。其中，前馈神经网络比较适用于故障诊断领域的检测。
2. 小波包变换提取压力信号特征向量
不同的压力具有不同的能量。根据这一点，一旦输油管发生石油泄漏，必然会改变压力曲线频带内的能量值。如果信号显示各频率成分能量出现了变化，则说明系统参数出现变化。因此，这就为泄漏检测提供了一种基于“能量-故障识别”识别模式。如果将其应用于石油管道检测系统中，就可以实现通过不同频率在能量上的变化识别泄漏点。具体来说，基于“能量-故障识别”识别模式，建立能量变化与压力变化的映射关系，进而获得表征不同泄漏点的特征向量，就可以实现泄漏点检测。其应用原理如下：
首先，以三层小波分解为例，在分析其第三层的8个节点时，通过信号的小波分解获得该层8个频率成分的信号特征。如图3-11所示。信号分别被分解到8个节点，所有的节点都表征唯一单独的信号特征。
其次，重构小波包分解系数，获取所有频带范围内的信号。如下面的公式1中所示，式中 的重构信号用 代表， 的重构信号用 代表。然后在重构信号后对第三层的所有信号进行分析，就可以得到公式1：
3. 基于MATLAB的BP神经网络的管道泄漏定位
可以通过以下几个程序通过MATLAB建立神经网络，将其进入管道测漏定位系统，最终实现对管道泄漏定位。
第一步，数据预处理。对信号进行预处理是建立BP神经网络前的必要环节，本文中对信号做了3层小波包的降噪处理，目的是获取降噪后信号的特征向量并用其进行训练和检验。
第二步骤，利用MATLAB建立神经网络。首先选用3层BP神经网络，确定该神经网络的类型和结构。以三层小波分解为例，分析其第三层所有频率的信号，8个节点对应神经网络输入层的8个神经元。信号包括正常运行和A0～A9，10个泄漏点，共11个工作状态，也就是说神经网络的输出层使用四个神经元，这样就可以描述最多16个状态，而正常状态和出现泄漏点时的状态用（0，0，0，0），（0，0，0，1） （1，0，1，0）来表示。一般情况下，三层神经网络隐藏层的神经元个数不少于5个，而通过（4-10）和（4-11）计算得出两组隐藏层神经元的数量，分别是4～13或者是17个。因此可以确定该层神经元为5～13和17两种。确定了这两组数量之后，通过训练数据分析不同情况下的误差，然后分析比较后得出最佳值。
参考文献
[1] Donoho D L，I M Johnstone. Ideal spatial adaptation by wavelet shrinkage Biometrika[J]. 2009，81 （3）：425-455
[2] 刘明亮. 基于BP神经网络输油泄漏监测识别技术研究[J]. 信息技术. 2012（3）：49-51
[3] 赵堂玉. 基于软件的输油气管道泄漏定位技术[J]. 油气储运. 2014.2：1-7