李傳憲，劉定宏，李劍，朱浩然，路太輝，何偉光

?

基于優(yōu)化BP網(wǎng)絡的液體管道工況識別方法研究

李傳憲1，劉定宏1，李劍2，朱浩然1，路太輝3，何偉光3

（1. 中國石油大學（華東） 油氣儲運安全省級重點實驗室, 山東 青島 266580； 2. 中油國際管道公司 中緬管道項目公司, 北京 100007； 3. 中石油北京天然氣管道有限公司, 北京 100007）

利用環(huán)道實驗裝置模擬實際管道的不同工況，應用小波分析對原始信號降噪，并利用基于核的主成分分析方法（KPCA）提取處理后泄漏信號的時頻域特征值，得到神經(jīng)網(wǎng)絡最終輸入向量。由于傳統(tǒng)BP神經(jīng)網(wǎng)絡在進行工況識別時容易陷入局部極小值，因此利用遺傳算法（GA）和粒子群算法（PSO）對BP神經(jīng)網(wǎng)絡進行優(yōu)化。結(jié)果表明，兩種優(yōu)化后的神經(jīng)網(wǎng)絡相較傳統(tǒng)BP神經(jīng)網(wǎng)絡具有更強的識別泄漏工況能力。最后從測試準確度和訓練時間兩個方面，對兩種不同優(yōu)化算法進行對比并提出其不同的適用情況。

BP神經(jīng)網(wǎng)絡；工況識別；KPCA；遺傳算法；粒子群算法

在目前已知的國內(nèi)外輸油管道工況識別方法中，負壓波法應用最為廣泛[1]。但是，實際管道中的負壓波信號常常受到噪聲干擾[2]，小波分析對輸油過程中產(chǎn)生的非線性信號有較好的去噪效果[3]，因此被工業(yè)實際廣泛應用。另一方面，實際管道調(diào)節(jié)頻繁導致工況多樣復雜，往往截然不同的工況卻產(chǎn)生相似信號，大大增加了識別的難度，更容易造成漏報和誤報[4]。因此，在研究管道壓力波信號過程中，信號特征的準確提取和相關工況識別都是減少漏報、誤報率的關鍵。

針對以上問題，首先用自行設計的液體環(huán)道裝置模擬了5種不同工況，利用小波分析對收集到的原始信號進行去噪，并計算其時頻域特征值，再利用基于核的主成分分析法（KPCA）對其降維，獲得輸入特征值；最后在傳統(tǒng)BP神經(jīng)網(wǎng)絡基礎上，利用遺傳算法和粒子群算法對其進行優(yōu)化，構(gòu)建優(yōu)化初始權值的神經(jīng)網(wǎng)絡進行工況識別，提高了工況識別精度，并比較兩種不同優(yōu)化算法的適用情況。

1 環(huán)道實驗

根據(jù)現(xiàn)有實驗室條件設計了總長370 m，內(nèi)徑25 mm的環(huán)道實驗裝置，如圖1所示。環(huán)道實驗裝置主要由環(huán)道系統(tǒng)、壓力流量測量系統(tǒng)、電控及數(shù)據(jù)采集系統(tǒng)組成。

1空氣壓縮機； 2穩(wěn)壓氣罐A； 3穩(wěn)壓氣罐B； 4液罐； 5離心泵； 6敞口液箱；F1?F6球閥； P1?P8壓力傳感器； Q1?Q2電磁流量計； X1?X3泄漏點

整個環(huán)道裝置流程：空氣經(jīng)壓縮機加壓后進入穩(wěn)壓氣罐A，用來緩沖出口的壓力脈動，再進入第二個穩(wěn)壓氣罐B，經(jīng)自力式調(diào)節(jié)閥進一步控制儲液罐上方空間氣體壓力。液體在氣體壓力和重力作用下沿環(huán)道流至液箱，液箱中的液體經(jīng)離心泵加壓送回儲液罐，實現(xiàn)循環(huán)利用。壓力和流量傳感器將采集到的信號通過數(shù)據(jù)采集卡統(tǒng)一記錄、存儲在計算機中。

本裝置將壓縮機和穩(wěn)壓氣罐相結(jié)合的方式為流體提供動力，克服了小口徑、長距離室內(nèi)環(huán)道沿程摩阻損失大等問題。分別對管道5種常見工況識別進行實驗，包括管道啟輸、截斷閥關閉、截斷閥開啟、泄漏、管道停輸工況，每種工況進行10次實驗，并記錄每次試驗壓力波信號數(shù)據(jù)。

2 小波去噪和信號特征提取

2.1 小波去噪

實驗采集到的信號通常包含大量的噪聲，信號中有用信息受到噪聲的干擾，甚至被其淹沒。因此，泄漏檢測的第一步就是要對原始信號進行去噪。管道壓力信號通常包含突變或尖峰，傳統(tǒng)時域或Fourior頻域分析方法有很多不足，但小波分析卻能同時在時頻域內(nèi)進行，從而有效地將噪聲與信號區(qū)分開來[5]。所以，采用小波分析對實驗采集到的信號進行去噪。

利用小型環(huán)道裝置對5種不同工況進行實驗，為了盡可能保留不同工況的時頻域信息，每種工況設置采樣頻率為1 000 Hz，每組設置15 000個采樣點。圖2為每種工況的原始信號和經(jīng)小波去噪后的信號（sym4小波，6層分解后重構(gòu)）。

注：左側(cè)為原信號，右側(cè)為小波去噪信號

經(jīng)去噪后的單個壓力信號仍具有15 000個采樣點，若將其直接作為神經(jīng)網(wǎng)絡的輸入向量，不僅大大增加其訓練難度，更將有用的信號段淹沒。因此，從時域、頻域兩個方面出發(fā)計算信號的特征值。

2.2 計算時頻域特征值

時域分析是以時間為變量表示信號的變化趨勢，能夠形象地表示出信號整體的穩(wěn)定性和瞬態(tài)特性。常用的時域特征參數(shù)有最大值、峰峰值、均值、方差、均方根、方根幅值等[6]。分別對50組信號進行6個時域特征值提取，計算結(jié)果見表1。

表1　多工況信號的時域特征值提取

常用的頻域特征參數(shù)有功率譜均值、重心頻率、均方根頻率、頻率標準差等[7]。分別對50組信號進行4個頻域特征值提取，計算結(jié)果見表2。

表2　多工況信號的頻域特征值提取

2.3 基于KPCA方法的信號特征值提取

時頻域特征共10個，若將其作為神經(jīng)網(wǎng)絡輸入向量過于冗長。通常利用主成分分析法（PCA）提取原始數(shù)據(jù)中的主元，降低信息冗余。核的主成分分析（KPCA）是通過非線性映射將原始樣本轉(zhuǎn)換到高維的線性可分空間中，引入滿足Mercer條件的核函數(shù)代替內(nèi)積運算，使得KPCA相較PCA具有更好的識別性能，并且KPCA的計算復雜度不因變換空間的維數(shù)增大而增大[8?9]。

首先在高維特征空間中把數(shù)據(jù)投影到由確定的平面上：

表3　常用的核函數(shù)形式

將表1和表2中計算到的信號時頻特征值作為輸入空間數(shù)據(jù)，利用KPCA方法提取特征值，通過BP神經(jīng)網(wǎng)絡分類器對每種工況的5組樣本進行訓練，剩下5組進行識別測試，設定誤差門限為0.2以提高訓練的魯棒性，為消除BP訓練中的隨機因素，每組測試求5次平均值。KPCA選擇不同核函數(shù)及核參數(shù)對應的識別結(jié)果如表4所示。

表4　不同核函數(shù)對應的識別結(jié)果比較

由表4可以看出，核函數(shù)在較大范圍變化時，相較其他兩種，高斯徑向基核函數(shù)的識別精度更高，為了進一步說明KPCA的優(yōu)勢，從識別準確率和訓練時間兩方面，將無特征提取、PCA方法和選用GRBF作為核函數(shù)的KPCA方法進行比較，結(jié)果如表5所示。

表5　3種方法的識別結(jié)果比較

由表5可以看出，無特征提取無論對識別效果還是訓練時間都有很大的改善，而KPCA相較PCA大大提高了識別精度，綜上所述，采用徑向基核函數(shù)（RBF），利用Matlab編寫程序，分別在時域和頻域兩個空間進行分析。時、頻域相應的主成分貢獻率見表6。

3 模型建立及算法步驟

由于BP神經(jīng)網(wǎng)絡具有良好的學習和自適應能力、非線性映射能力、泛化和容錯能力，是目前應用最為廣泛的人工神經(jīng)網(wǎng)絡[10]。其結(jié)構(gòu)通常由輸入層、隱層和輸出層組成，每一層中有不同節(jié)數(shù)神經(jīng)元，每層每節(jié)神經(jīng)元的輸出作為下一層的輸入。在訓練過程中信號前向傳播，誤差后向傳播，不斷修正網(wǎng)絡的閾值和權值，當誤差達到最小時整個網(wǎng)絡訓練完成。

表6　KPCA貢獻率系數(shù)分析結(jié)果

3.1 BP神經(jīng)網(wǎng)絡結(jié)構(gòu)設計

根據(jù)Cybenko的證明，若有足夠多的神經(jīng)元節(jié)點，隱層可以逼近任意函數(shù)，因此選擇單隱層的網(wǎng)絡結(jié)構(gòu)[11]。輸入層向量應滿足兩點：一是對輸出影響明顯，二是變量間相關性較弱，因此選擇降維后的特征向量2作為輸入向量。根據(jù)Kolomogorow的（2+1）定律，單隱層的神經(jīng)元數(shù)目為7個。BP神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu)見圖3。

圖3　BP神經(jīng)網(wǎng)絡拓撲結(jié)構(gòu)

3.2 改進BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡的正確性依賴于初始權值和閾值，不佳的權重初始化網(wǎng)格可能收斂于不佳的局部極值，導致網(wǎng)絡訓練失敗[12]。進化算法中的遺傳算法和粒子群算法具有良好的全局尋優(yōu)能力，若將其與BP神經(jīng)網(wǎng)絡相結(jié)合，能夠大大提高網(wǎng)絡性能，很大程度上避免網(wǎng)絡訓練陷入局部空間。

3.2.1遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡 1975年，遺傳算法（GA）正式提出，通過模仿自然界優(yōu)勝劣汰的進化規(guī)則尋找最優(yōu)解。整個遺傳算法中生物體稱為個體，對環(huán)境的適應度稱為適應值。一定數(shù)量的個體組成一個群體，在一代中對所有個體進行選擇、交叉和變異，產(chǎn)生新一代群體[13]。種群中的每個個體都包含了BP神經(jīng)網(wǎng)絡所有的權值和閾值[14]。具體算法流程見圖4。

圖4　遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡算法流程

Fig 4The algorithm flow of BP neural network optimized by genetic algorithm

圖5　粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡算法流程

每個粒子的速度和位置更新公式如下：

式中，表示慣性權重，1和2表示學習因子，為避免搜索陷入局部極值，改善算法的尋優(yōu)性能。對傳統(tǒng)PSO算法中固定慣性權重和學習因子進行改進：

(2)改進慣性權重。采用自適應慣性權重進行改進，改進方法如下：

4 結(jié)果及分析

根據(jù)前面分析，將降維后的3個特征值作為神經(jīng)網(wǎng)絡的3個輸入?yún)?shù)，輸出層為5個神經(jīng)元節(jié)點。分別對BP神經(jīng)網(wǎng)絡、GA?BP算法和PSO?BP算法進行訓練（其中，遺傳優(yōu)化和粒子群優(yōu)化算法種群數(shù)均為20），并利用測試集進行檢驗。表7是3種網(wǎng)絡實際輸出和理想輸出值的具體誤差比較。

表7　3種神經(jīng)網(wǎng)絡測試集誤差值對比

由于實際輸出結(jié)果與理想值之間必然有差異存在，并且考慮到測試集空間較小，設定誤差門限為0.2，表8表示3種網(wǎng)絡的測試準確率和訓練時間。

表8　3種神經(jīng)網(wǎng)絡測試結(jié)果和訓練時間

從表8容易看出，在相同的種群數(shù)目下（種群數(shù)目為20），PSO?BP算法的測試準確性最高，最大誤差未超過0.1，并且訓練時間比GA?BP略少。通過增加種群數(shù)目觀察測試集誤差變化，圖6表示不同種群數(shù)目下GA?BP和PSO?BP的測試集誤差，圖7表示不同種群數(shù)目下GA?BP和PSO?BP的測試訓練時間。

圖6　不同種群數(shù)目下GA?BP和PSO?BP的測試誤差

Fig 6Error comparison of GA?BP and PSO?BP algorithm under different population numbers

圖7　GA?BP和PSO?BP在不同種群數(shù)下訓練時間

Fig 7Training time comparison of GA?BP and PSO?BP algorithm under different population numbers

從圖6可以看出，隨著種群數(shù)目增加，GA?BP和PSO?BP算法的測試集誤差均逐漸下降，但是GA?BP算法的誤差下降更為顯著。當種群數(shù)目為20時，PSO?BP算法準確度更高，但是當種群數(shù)目增加到30時，兩種算法準確度相近，當種群數(shù)目上升至40時，GA?BP算法準確度高于PSO?BP算法，其測試集誤差不超過0.02，并且相較于相同種群數(shù)目下的PSO?BP算法，GA?BP算法具有更好的誤差收斂性。

從圖7可以看出，GA?BP算法的訓練時間隨著種群數(shù)目增加呈指數(shù)增加，相比之下，PSO?BP算法在高種群數(shù)目下訓練時長增長緩慢。

5 結(jié)論

（1）相較傳統(tǒng)PCA方法，KPCA通過非線性映射保留更多有用信息，在提高識別精度的同時，大大降低模型計算量。

（2）分別改進遺傳算法和粒子群算法，并建立相應的優(yōu)化BP神經(jīng)網(wǎng)絡模型，保持兩種模型的種群數(shù)目和迭代次數(shù)一致，在相同實驗數(shù)據(jù)的基礎上，將傳統(tǒng)BP網(wǎng)絡的識別精度從70%分別提高到90%和100%。

（3）在群數(shù)目低于30時，PSO?BP神經(jīng)網(wǎng)絡算法識別精度較高，且訓練時間低于10 s，可以用于在線泄漏檢測，判斷反映時間較快；但當種群數(shù)目高于30時，GA?BP神經(jīng)網(wǎng)絡精度更高，且誤差具有較好收斂性但犧牲訓練時間，可用于管道工況的歷史數(shù)據(jù)挖掘，保持較高精度。

[1] 佟倡,王衛(wèi)強,陳博宇. 長輸油氣管道泄漏檢測方法概述及實用性分析[J]. 遼寧石油化工大學學報，2018,38（3）：57?61.

Tong C, Wang W Q, Chen B Y. Method and practical analysis of oil and gas long distance pipeline leak detection [J]. Journal of Liaoning Shihua University，2018,38（3）：57?61.

[2] 丁冬,楊成禹. 基于遺傳算法優(yōu)化的神經(jīng)網(wǎng)絡在長輸管道泄漏檢測系統(tǒng)中的應用[J]. 長春理工大學學報(自然科學版),2015,38(6):136?139.

Ding D, Yang C Y. Research on the system of pipeline leak location based on RBF network [J]. Journal of Changchun University of Science and Technology (Natural Science Edition), 2015, 38 (6): 136?139.

[3] 龔駿,稅愛社,包建明，等. 多工況下基于RBF神經(jīng)網(wǎng)絡的管道泄漏檢測[J]. 油氣儲運,2015,34(7):759?763.

Gong J, Shui A S, Bao J M,et al. Pipeline leak detection method based on RBF neural network under different working conditions [J]. Oil & Gas Storage and Transportation, 2015, 34 (7): 759?763.

[4] 唐秀家. 管道系統(tǒng)泄漏檢測神經(jīng)網(wǎng)絡與模式識別方法[J]. 核科學與工程,1998(3):33?40.

Tang X J. Fluid pipeline system leak detection based on neural network and pattern recognition [J]. Chinese Journal of Nuclear Science and Engineering, 1998 (3): 33?40.

[5] 楊宗凱. 小波去噪及其在信號檢測中的應用[J]. 華中理工大學學報,1997(2):2?5.

Yang Z K. Noise elimination by wavelet and its application to signal detection [J]. Journal of Huazhong University of Science and Technology, 1997 (2): 2?5.

[6] 康朝海. 基于小波分析的輸油管道泄漏檢測方法研究[D].大慶：大慶石油學院,2005.

[7] 劉紅星,林京,屈梁生,等. 信號時域平均處理中的若干問題探討[J]. 振動工程學報,1997(4):54?58.

Liu H X, Lin J, Qu L S,et al. Discussion on signal averaging in time domain [J]. Journal of Vibration Engineering, 1997 (4): 54?58.

[8] 高緒偉. 核PCA特征提取方法及其應用研究[D].南京：南京航空航天大學,2009.

[9] 杜卓明,屠宏,耿國華. KPCA方法過程研究與應用[J]. 計算機工程與應用,2010,46(7):8?10.

Du Z M, Tu H, Geng G H. KPCA method research and application process [J]. Computer Engineering and Applications, 2010, 46(7): 8?10.

[10] 王立坤,趙晉云,付松廣,等. 基于神經(jīng)網(wǎng)絡的管道泄漏聲波信號特征識別[J]. 儀器儀表學報,2006(S3):2247?2249.

Wang L K, Zhao J Y, Fu S G, et al. Recognizing characteristics of pipeline leakage acoustic signals based on neural network [J]. Chinese Journal of Scientific Instrument, 2006(S3): 2247?2249.

[11] 唐秀家,顏大椿. 基于神經(jīng)網(wǎng)絡的管道泄漏檢測方法及儀器[J]. 北京大學學報(自然科學版),1997(3):49?57.

Tang X J, Yan D C. Pipeline leak detection method and instrument based on neural networks [J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 1997 (3):49?57.

[12] 劉永紅. 神經(jīng)網(wǎng)絡理論的發(fā)展與前沿問題[J]. 信息與控制,1999,28(1):31?46.

Liu Y H. The development and forward problems of neural network theory [J].Information and Control, 1999，28(1):31?46.

[13] 沈艷,郭兵,古天祥. 粒子群優(yōu)化算法及其與遺傳算法的比較[J]. 電子科技大學學報,2005,34(5):696?699.

Shen Y, Guo B, Gu T X. Particle swarm optimization algorithm and comparison with genetic algorithm [J]. Journal of University of Electronic Science and Technology of China, 2005, 34(5):696?699.

[14] 馬強,馬少華,毛宗磊. 利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡[J]. 科技廣場,2008(12):196?197.

Ma Q, Ma S H, Mao Z L. Using genetic algorithm to optimize BP neural network [J]. Science Mosaic, 2008(12):196?197.

[15] 譚樂平,文軍. 粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡[J]. 湖北民族學院學報(自然科學版),2012,30(3): 254?255.

Tan L P, Wen J. Optimization of BP neural network with particle swarm algorithm [J]. Journal of Hubei University for Nationalities (Natural Science Edition), 2012, 30(3): 254?255.

[16] 張麗平. 粒子群優(yōu)化算法的理論及實踐[D].浙江大學,2005.

[17] 崔暢. 改進的QPSO算法在FIR濾波器設計中的應用[J]. 遼寧石油化工大學學報, 2014, 34(6):67?70.

Cui C. The application of improved QPSO algorithm in FIR filters design[J]. Journal of Liaoning Shihua University, 2014,34(6):67?70.

[18] 王楊. 基于混沌粒子群和模糊聚類的圖像分割算法研究[J]. 遼寧石油化工大學學報, 2016, 36(3): 67?70.

Wang Y.Research of image segmentation algorithm based on chaos particle swarm and fuzzy clustering[J]. Journal of Liaoning Shihua University, 2016, 36(3): 67?70.

（編輯 王亞新）

Condition Recognition of Liquid Pipeline Based on Optimized BP Artificial Neural Network

Li Chuanxian1， Liu Dinghong1， Li Jian2， Zhu Haoran1， Lu Taihui3， He Weiguang3

(；；）

The loop pipe apparatus are used to simulate the different conditions of the actual pipeline and denoise the original signal by the wavelet method. Kernel?based Principal Component Analysis (KPCA) is used to extract the time?frequency domain eigenvalues of the leaked signals, and the final input vector of the neural network is obtained. Because the traditional BP neural network is easy to fall into local minimum when it is used to identify working conditions, the BP neural network is optimized by genetic algorithm (GA) and particle swarm optimization (PSO). Compared with the traditional BP neural network,the result show that the two optimized BP neural networks have stronger ability to identify leakage working conditions. Finally, from the two aspects of test accuracy and training time, two different optimization algorithms are compared and their different application situations are proposed.

BP neural network； Condition recognition； KPCA； Genetic algorithm； Particle swarm optimization (PSO) algorithm

TQ832

A

10.3969/j.issn.1006?396X.2018.06.012

2017?12?22

2018?01?18

國家自然科學基金資助（51774311）；山東省自然科學基金資助（ZR2017MEE022）。

李傳憲（1963?），男，博士，教授，博士生導師，從事長距離管道輸送技術方面研究；E?mail：lchxain@upc.edu.cn。

1006396X（ 2018）06007309

http://journal.lnpu.edu.cn