李 碩，單光坤，孫 鳳，邊 防，侯 寶，鄭仁成

(1.沈陽工業(yè)大學(xué) 機械工程學(xué)院，遼寧 沈陽 110870;2.北京京橋熱電有限責(zé)任公司，北京 100067;3.天津大學(xué) 機構(gòu)理論與裝備設(shè)計教育部重點實驗室，天津 300072)

0 引言

在燃?xì)夤艿垒斔皖I(lǐng)域，如油氣開采管道、油氣煉化輸送管道與地下管廊燃?xì)鈧}等，應(yīng)用傳感器監(jiān)測管道泄漏是最直接、最有效的辦法。通常，單獨使用一種傳感器，檢測能力有限，難免會遺漏關(guān)鍵信息。應(yīng)用多傳感器信息融合(Multi-Sensor Information Fusion，MSIF)技術(shù)，能夠?qū)崿F(xiàn)多傳感器檢測數(shù)據(jù)的互補，從而使泄漏的監(jiān)測更加可靠。

針對危險環(huán)境下的多傳感器融合檢測，國外眾多學(xué)者都展開了相關(guān)研究。Aalsalem M Y等最初使用有線連接監(jiān)測系統(tǒng)對管道進(jìn)行泄漏的監(jiān)測，然而由于數(shù)據(jù)傳輸線路鋪設(shè)距離長，以至于容易被車輛、移動機械與振動拉伸等外界因素?fù)p壞[1]。針對管道有線監(jiān)測系統(tǒng)的缺陷，Sheltami T R等應(yīng)用無線傳感器網(wǎng)絡(luò)(Wireless Sensor Networks，WSN)監(jiān)測系統(tǒng)對油氣傳輸管道節(jié)點進(jìn)行數(shù)據(jù)采集，但由于算法的局限性導(dǎo)致大量信息無法完整有效的共同融合[2]。Kim J H等提出了基于多傳感器的管道自主監(jiān)測維護(hù)系統(tǒng)，實現(xiàn)對管道的損壞、泄漏與腐蝕情況的實時監(jiān)測與及時維護(hù)，其不足之處在于移動檢測傳感器需要操作者定時的自主控制[3]。Oagaro J A等提出基于人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)的幾何轉(zhuǎn)換算法進(jìn)行氣體傳輸管道的多傳感器共同檢測[4]。

國內(nèi)學(xué)者也展開了豐富的研究，在天然氣管道泄漏檢測方面，陳斌提出基于小波變換的管道泄漏聲源多節(jié)點重復(fù)定位方法，通過消除噪聲干擾，實現(xiàn)了管道泄漏點坐標(biāo)的定位[5]。在火災(zāi)檢測方面，李小亞提出使用煙霧感知傳感器、溫度感知傳感器、CO成分感知傳感器與紅外探測傳感器來檢測火災(zāi)現(xiàn)場的煙霧濃度、環(huán)境溫度，并基于反向傳播(Back Propagation，BP)神經(jīng)網(wǎng)絡(luò)模型，對火災(zāi)探測結(jié)果中明火、陰燃火與無火的概率做出判斷[6]?？追蔡斓葘馂?zāi)監(jiān)測系統(tǒng)進(jìn)行了融合算法改進(jìn)，從而提高了火災(zāi)情況檢測的準(zhǔn)確性與快速性[7-10]。

在瓦斯檢測方面，武漢理工大學(xué)馬國勝提出多傳感器數(shù)據(jù)融合的瓦斯監(jiān)控系統(tǒng)，基于證據(jù)推理(Dempster-Shafer，D-S)方法，對瓦斯爆炸概率、瓦斯燃燒概率、瓦斯窒息概率與瓦斯突出概率進(jìn)行全局決策，然而其局限性在于，需結(jié)合領(lǐng)域?qū)＜业慕?jīng)驗對瓦斯災(zāi)害類別進(jìn)行判斷[11]。

綜上分析，對于多傳感器融合的煤氣管道泄漏檢測，其在檢測方法的靈活性上需要進(jìn)一步完善。本文提出使用光學(xué)傳感器、電化學(xué)傳感器與聲學(xué)傳感器的協(xié)作檢測，并基于神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)融合模型，實現(xiàn)對煤氣管道泄漏概率預(yù)測。

1 煤氣泄漏聲信號分析

煤氣發(fā)生泄漏時，通過引起周圍空氣中分子的振動，從而以模擬信號的形式傳播。故可應(yīng)用聲學(xué)傳感器采集煤氣泄漏信號，經(jīng)模數(shù)轉(zhuǎn)換后將模擬信號轉(zhuǎn)化為數(shù)字信號，并以電壓形式輸出。

通常，煤氣管道泄漏聲音與管道內(nèi)壓力、泄漏孔徑大小有關(guān)。管道壓力一定時，泄漏孔徑越小則聲音更尖銳，此時的聲音類似“嘶嘶”聲；泄漏孔徑一定時，管道壓力越小則聲音更平緩，此時的聲音類似“轟轟”聲。對兩類信號進(jìn)行時域分析，并對時域信號進(jìn)行快速傅里葉變換(Fast Fourier Transform，F(xiàn)FT)，得到兩類信號的時域圖像及頻域圖像，如圖1、圖2所示。

通常，僅由時域圖像難以對煤氣泄漏信號類型進(jìn)行直接判斷。由頻域圖像，首先可通過其形狀進(jìn)行直觀區(qū)分，其次，根據(jù)頻域圖像，“嘶嘶”類信號在頻率為4 500 Hz處出現(xiàn)明顯峰值，“轟轟”類信號在頻率為2 000 Hz處出現(xiàn)明顯峰值，可將此作為區(qū)分信號的另外依據(jù)。

圖1 “嘶嘶”類信號時域及頻域圖像

圖2 “轟轟”類信號時域及頻域圖像

2 基于神經(jīng)網(wǎng)絡(luò)的煤氣泄漏融合模型

2.1 BP神經(jīng)網(wǎng)絡(luò)模型原理

建立煤氣泄漏多傳感器融合檢測的BP神經(jīng)網(wǎng)絡(luò)模型，如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)模型

基于此模型，對于多傳感器煤氣泄漏概率預(yù)測，需要在特征層上對各傳感器檢測指標(biāo)進(jìn)行融合計算。因此，可令I(lǐng)1～I(xiàn)n分別為光學(xué)傳感器檢測指標(biāo)、聲學(xué)傳感器檢測指標(biāo)與電化學(xué)傳感器檢測指標(biāo)。對于網(wǎng)絡(luò)模型，Wij與Wlm均表示神經(jīng)元之間的連接權(quán)重，ft(atn)為隱含層由激活函數(shù)計算得到的神經(jīng)元輸出值，atn為隱含層神經(jīng)元線性輸出，O1與O2為網(wǎng)絡(luò)模型整體輸出，網(wǎng)絡(luò)模型輸出值由正向傳播而計算得出。

首先，計算隱含層神經(jīng)元的線性輸出，如式(1)所示：

(1)

其中：btn為隱含層各神經(jīng)元偏置。

然后，計算線性函數(shù)經(jīng)激活函數(shù)后的輸出值，其中激活函數(shù)以Sigmoid函數(shù)為例，如式(2)：

(2)

設(shè)yn為經(jīng)激活函數(shù)后的輸出值，如式(3)：

yn=ft(atn).

(3)

由此，On為輸出層經(jīng)激活函數(shù)后的輸出，如式(4)：

k=1,2,…，n.

(4)

其中：bun為輸出層各神經(jīng)元偏置；aun為輸出層各神經(jīng)元的線性輸出；fu(aun)為輸出層線性輸出值代入激活函數(shù)后得到的神經(jīng)元輸出值。

2.2 網(wǎng)絡(luò)模型層數(shù)選取

神經(jīng)網(wǎng)絡(luò)節(jié)點數(shù)即神經(jīng)元數(shù)。對于本文模型，將“煤氣泄漏概率”這一指標(biāo)作為網(wǎng)絡(luò)輸出。因此，輸入層應(yīng)該選取三個神經(jīng)元，分別對應(yīng)光學(xué)、聲學(xué)和電化學(xué)傳感器數(shù)據(jù)指標(biāo)；輸出層應(yīng)該選取一個神經(jīng)元，即對應(yīng)“煤氣泄漏概率”。

對于隱含層，其節(jié)點數(shù)的選取規(guī)則為：

(5)

其中：nil與nol分別為輸入層、輸出層節(jié)點數(shù)；a為常數(shù)。對于常數(shù)a的值，需根據(jù)實際情況進(jìn)行靈活取值。

3 仿真實驗

3.1 濃度檢測實驗

對于煤氣泄漏檢測神經(jīng)網(wǎng)絡(luò)模型，其目的在于實現(xiàn)各傳感器檢測數(shù)據(jù)的互補。因此，分別在光學(xué)傳感器檢測受限、聲學(xué)傳感器檢測受限與電化學(xué)傳感器檢測受限3種情況下，根據(jù)甲烷氣體爆炸極限與平均濃度值對照表，選取各傳感器數(shù)據(jù)，作為神經(jīng)網(wǎng)絡(luò)模型輸入樣本。其中，光學(xué)傳感器輸入指標(biāo)為甲烷氣體平均濃度，電化學(xué)傳感器輸入指標(biāo)為氣體濃度占爆炸極限百分比，聲學(xué)傳感器輸入指標(biāo)為煤氣泄漏信號主頻率所對應(yīng)的功率譜密度。

模擬管道泄漏時光學(xué)傳感器的檢測方式，其中，首先模擬在聲學(xué)傳感器檢測受限條件下，甲烷濃度的檢測實驗。如圖4所示，將氣袋中分別充入1%、5%與100%濃度的甲烷氣體，并固定于桌角位置。光學(xué)傳感器通過自身遙測功能，不斷獲取外界濃度信息。

由此得到各傳感器檢測數(shù)據(jù)樣本，如表1所示。

3.2 仿真結(jié)果

同樣，進(jìn)行其他兩類傳感器檢測受限情況下的檢測實驗，并將30組傳感器數(shù)據(jù)樣本作為神經(jīng)網(wǎng)絡(luò)輸入，應(yīng)用MATLAB進(jìn)行BP神經(jīng)網(wǎng)絡(luò)模型的仿真。其中，訓(xùn)練函數(shù)選用貝葉斯正則化算法函數(shù)，性能訓(xùn)練曲線仿真結(jié)果如圖5所示。系統(tǒng)均方根誤差隨迭代次數(shù)的增加而逐漸減小，直至迭代86次時，誤差達(dá)到最小值為0.002 300 9。

在進(jìn)行訓(xùn)練之前，系統(tǒng)自動將所有樣本按比例分為訓(xùn)練樣本、最佳樣本與測試樣本，本次訓(xùn)練中三種樣本分別占總樣本的70%、15%與15%。

圖4 光學(xué)傳感器甲烷濃度檢測實驗

表1 各傳感器檢測受限條件下數(shù)據(jù)樣本

圖5 性能訓(xùn)練曲線

3.3 模型測試

基于訓(xùn)練好的網(wǎng)絡(luò)模型，對3類傳感器各自受限情況下檢測數(shù)據(jù)進(jìn)行隨機采集，作為網(wǎng)絡(luò)模型輸入樣本，并進(jìn)行煤氣泄漏概率預(yù)測，結(jié)果如圖6所示。由圖6可以看出，神經(jīng)網(wǎng)絡(luò)實際輸出與期望輸出曲線變化趨勢一致。因此可知，本文搭建的煤氣泄漏檢測神經(jīng)網(wǎng)絡(luò)模型可以對煤氣管道泄漏概率進(jìn)行預(yù)測。

圖6 煤氣泄漏網(wǎng)絡(luò)模型測試結(jié)果

本文針對煤氣泄漏的多傳感器融合檢測，建立了基于BP神經(jīng)網(wǎng)絡(luò)的煤氣泄漏多傳感器融合檢測模型。

首先，對不同管道壓力與泄漏孔徑下兩類煤氣泄漏聲信號進(jìn)行時域及頻域分析；然后，建立基于神經(jīng)網(wǎng)絡(luò)的煤氣泄漏多傳感器融合檢測模型；最后，得到3類傳感器各自檢測受限條件下的數(shù)據(jù)檢測樣本，應(yīng)用MATLAB進(jìn)行網(wǎng)絡(luò)性能訓(xùn)練仿真，并使用訓(xùn)練后的網(wǎng)絡(luò)模型進(jìn)行煤氣泄漏概率預(yù)測。結(jié)果表明：根據(jù)該模型得到的煤氣泄漏預(yù)測概率與實際情況基本一致，證明該模型具有良好的穩(wěn)定性。