（油气储运工程专业论文）智能算法及其在油田故障诊断问题中的应用.pdf

i n t e u i g e n ta l g o r i t h m sa n d t h e i r a p p u c a t i o n s o nt h e p r o b l e m so f f a u l td i a g n o s i si nt h eo i lf i e l d a b a s t r a c t 1 址i n gp r o b l e m so f f a l l l td i a g n o s i si l lt h ep r o c e s so f g a t l l e 由g 觚dt r a 璐p o n a t i o f o i la d d g 雒鼬b a c k g f o 邶咄s o m e 托s e a r c hi sm a d eo n m ei n t e l l i g e ma l g o r i t h m ss u c ：h 船t h ei n l m 眦 a l g 甜t l l m ，舭tc o l o n ya l g 耐t l l m ，w a v e l e ta i l a l y s i s ，n 即m l 啪r k ，粕dc h a o st h e o 阱t h e na l l m e s ei n t e l l i g e n ta l g o r i t h m sa a p p l i e di nt h el e a l 【a g el o c a l i o nf o r1 0 n gd i s t a 】n c ec n l d eo n t r a m p o r t a t i o np i p c l i 锄d 矗砌td i a g n o s i so fp 1 1 m a c ki n 廿l eo i l 丘e l d 1 ki d e 勰如d 也e m e t h o d so ft h e 滞rp r o v i d ea 舱wa p p r o a c ht os o l v ef 各u nd i a 罂1 0 s i s t h ed 鲥l sa 瑶鹪 f o l l o w s ： u s i n gd e 商t yr e g l l l 幽gm e c h a i l i s m ，i n d i v i d l l a ld i v e r s i t y 托t a i l l i n gs 仃a t e g y ，锄di m m t l n e m e m o r yf i 】l 枷o i l ，as e l fa d a 埘v ci m m ea l g o r i t b mb a s e d t l l en i c h ei s o l a t i m e c h a n i s mi s p u tf o r v v 砌a d o 埘n gt h e 她t e g yo fa d a p 石v es e l e c t i o np m b a b i l 埘b 醛e d 伽t h ed e 璐姆柚d 6 n l e s s ，t h ep h c n 锄e n o no fp 代m a t i l 聆c o l l v e r g e n c eo fs 卸1 p l eg e n e t i ca l g o r i 也mi so v e r c 啪e d e 盟c i e n t 【y ，w 虹c hc a nn o to n l ye n h a n c e 也es 洒三：l 避移o ft h e 瓤岖b o d i e s b u ta 1 c a ng 如e a t t e n 舡o nt ot h ed i v 粥i t yo ft h ea n t i b o d i e s t h l 腮“c a nb ee n s 删t h a tt b es o l u l i o no ft h e a l g o r i t h mc a nn o tg e ti n t 0l o c a l 叩t i m 衄s o l l n i o 璐a n dt l l es e 缸c h i l l g 曲ec 趾b e 曲【0 r t e n c d t h ea l g 嘣t h mi sl l s e dt 0l e a k a g el o c a t i o nf o rl o n gd i s t a n c cc n l d eo i lt r a 璐p o r t a t i p i l 圮l 址，t l l e a c c u r a c yo f l 0 枷o ni si m p f 0 e d a c c o r d i n g t 0m er u l e so f 粕t sl o o k i n gf o rf 曲d 姐di d e 触o f i n l m ”g e 船d c ，鼬a mc o l o n y g e n g t c 面g c 匠l h mi sp r o p o s e db 笛e do n 坷啪u mm c c h a n i s m i np 诧c o n d 菇o fk e c p i n g c k 哦l c t e r i s t i c so ft h ea n tc o l o n ya l 鲥t h mf o rg l o b a lq 难m i 髓廿o n 锄dg 加g 枷伽i a l 埘o f l u t i o n si n 觚t ct i m e ，b yi n t r o d u c i i l gi m m u n em e c h a 血s m ，t h ed i v e 馏i 锣o fi n d i v i d u a l sc 觚b e 嬲s u r c d 船d 也ep h e n o m e n o no f l o n gs e a f c l l i i l g 矗m e 纽de 鹊i l ys t a 酬n ga r ea v o i d e d a na d a p t i v em l l l 五- d i m e 璐i o n a ld i a g o n a l 删e l c tn e 删n c 伽o r kb 船e d s i n g l ed i l a l i 衄 c o m p a c tw a v c l c t 舳m ei sc o n s 加| c t e da n 盯c o m p a r i l 培m 柚yw a v e l e tn e m a ln e t w o r ks 加l c t u w s 跹dd 锄p o s m g 胁璐i n gw a v e l e tp a c kt o g e tc h 篮t c r i s t i c s 1 1 圮础胤瘦j n c l u d e st h e i n i t i a lm 职v o r k 蛆ds u b n 咖o r k s 缸【a p 石v e l yi n c o i p a t e dd l l r i n gt l l e 仃a i n i n ga c c o r d i n gt om c a c c y t h r o u g ha n a l y s i so fsy l l _ 山e s i s6 m ed o m a i no fi n p ms i 鄂i a li ne hd i m 衄s i o n ， c h o o s et h ep i d p c rd i l a c i o np 眦u n e 0 盱锄dd i s p l e m e n tp 啪豇c rt oc 。删譬n l l c tw a v e l e t 舶m ei n e v e r ys c a l ea n df o 皿t h e 戳l b - n c t w m 妇i ne hl e v e l ，m a t 也ep r o b l e mo ft h e “d i m 锄s i o n d i s a s t e r ，j nt h em u m 幽3 i o nw a v e l e tn e t w o r k sc a nb es o l v e d 缅i n ga tm ed i a g o n a l m c u n 屯n ts 臼朋：t l l 北，d e r i v eo l i t 由，n a m i c 托c 懈h el e a s ts q u a r e 讹f o r g e tf h c t o rt 0t r a j n p 咖鼬e 巧o ft h em ，t w o r k t h er c s t l l to ff a l l l td i a g n o s i so fp 啪p - j a c ks h o w s 也a t 也ef a l m d i 秘s i sm 拙o db 鼬e do nw a v e l c tn e l l r a ln e 柳o r kh 船m u c hm o r ee 筋c i e n c y 缸da c c u r yt h a n 删t i o n a lb p 珊t w o r kf a l l l td i a 掣l o s i sm c t h o d 0 nt h eb 邪eo fa n a l y z i n gc h a o 吐cp 1 o p e r t yo fi m m u n em e c h a n i s m ，c h a o t i ci m m 嘲 大庆石油学院博士研究生学位论文 n e 伯，o r ki sp r o p o s e d t h e r ea r em a n yd l 撇c t e r i s t i c so fa n i f i c i a li n l m u n ea l g 鲥m m ，s u ( i h 勰 s o l v i i l g o ，则称彳为正矩阵，记为彳 o ； 2 ) 口f o ，则称彳为非负矩阵，记为彳o 。 定义2 2 交叉操作是对抗体五= “。，毛：，) ，恐= ( 而。，而。) ，随机取两个正 整数f ，_ ，( 1 f _ ，s 埘，f 力，分别从毛，毛中取出两个字符串葛，t ，以一定的概率 见( o 展 1 ) ，按照前面所述交叉的方法将字符串i ，中的字符交换位置。 定义2 3 变异操作是对抗体毛= “。，五：，) ，随机取两个正整数a 1 q 励 f 力，以一定的概率p 舸( o 以 1 ) 将变异位处的字符串进行o ，l 互换操作。 定义2 4 如果若干个抗体与抗原之间的亲和力都很大，且这些抗体包含了一个相同 第2 章免疫优化算法及其应用 的字符子串，则称这个字符子串为优质字符串，简称优质串。如果抗体中存在优质串，则 在抗体产生过程中以概率p o ( o 成 1 ) 个抗体相同时，对其中的j 一1 个抗 体以概率以( 0 o ，则齐次马氏链的状态均为非零、常返的。 t 证明：见文献【9 5 】。 引理2 3 若齐次马氏链的状态均为非零、常返的，对任意的初始状态，当周期f = l 时， 转移概率阵的极限唯一，当f l 时，此极限不唯一，有f 个极限值。 证明：见文献f 9 5 】。 定理2 1 由初始抗体群厶经交叉操作生成的各代抗体群所构成的马尔可夫链是遍历 的。 、 证明：由定义2 2 可知，交叉操作的概率转移矩阵c o ，由引理2 1 知，存在唯一 极限l i m = f ，由 o 专歹 0 ，由引理2 2 知此链的状态是非零、常返的。由引理2 3 坤 知此链的周期f = 1 ，故此马尔可夫链是遍历的，定理成立。 定理2 2 由初始抗体群厶经变异操作生成的各代抗体群所构成的马尔可夫链是遍历 的。 证明：由定义2 3 可知，变异操作的概率转移矩阵己 o ，同定理2 1 ，由引理2 1 2 3 推得定理成立。 定理2 3 当优质串保留算子的作用概率死 0 ，故定理成立。 定理2 4 当新抗体引入操作的作用概率见 0 ，故定理成立。 定理2 s 基于小生境技术的免疫遗传算法生成的各代抗体群所构成的马尔可夫链是 遍历的。 证明：由定理2 1 2 4 的证明可知，基于小生境技术的免疫遗传算法的概率转移矩阵 p o 。 大庆石油学院博士研究生学位论文 定理2 5 说明基于小生境技术的免疫遗传算法能够搜索到问题的最优解，但这并不意 味着基于小生境技术的免疫遗传算法是全局收敛的。 定理2 6 基于小生境技术的免疫遗传算法能以等于1 的概率找到全局最优解。 证明：如果在进行抗体选择时不能确保当时的最优抗体可以进入下一代抗体群，则由 定理2 5 ，存在一个正整数j o m 。对于抗体群空间a 中的任意两个状态 和丑，满足 力 o ，以致= i i m p ( f 是一随机矩阵，其中尸为基于小生境技术的免疫遗传算法的概 。l坤 率转移矩阵。再从。= 1 可知，除非n 的每一行只有一个非零元素1 ( 而这是不可能 弱。 的) ，否则有o 。 o 隙耻1 志，( 4 小。 q 。1 ” 【c 2 一，( 4 一( 后) ) 一 4 。第七代以前具有最大适应度值的抗体； 大庆石油学院博士研究生学位论文 4 一( 七) 第七代选择、交叉和变异操作后，具有最大适应度值的抗体；如果 ，( 4 一( 七) ) ( 4 。) ，则4 一= 4 。仲) ，否则，4 一不变；( 4 。) 为抗体4 一的适应 度值； p 为残留信息保留系数； c l ，c 2 ，c 3 为常数，一般情况下c 2 ) g 2 3 - 3 4 免疫记忆及群体更新 在本算法中，引入免疫记忆功能，计算群体内各个蚂蚁所得解的最大适应度值。如果 本次计算得到的最大适应度值大于已有的最优值，则将对应的解直接进入下一代并保存到 记忆表中，否则从记忆表中选择以前得到的最优解并进行以后的操作，得出适应度更高的 解作为免疫抗体。 模拟生物体新陈代谢的现象，去除群体内5 低适应度的蚂蚁，并代之以随机产生的 新解。 2 4 两种算法在函数优化中的应用 2 4 1 问题描述 函数优化问题常常可以描述为：令s 为上的有界子集( 即变量的定义域) ，：s _ r 为糟维实值函数，所谓函数，在s 域上全局最小化就是寻求点e s 使得，( ) 在s 域 上全局最小，即v s ：，( x 。) s ，( x ) 。 。 2 4 2 测试函数 ( 1 ) m a 】【z ( 工) = x s i n ( 1 0 万曲+ 2 o ，z 卜l ，2 】存在多个极值点，最大极值点是 善= 1 8 5 ，m a 戤产3 8 5 。其函数图形如图2 7 所示。 图2 - 7 函数月力的图形 f 蟾2 - 7n l e p 1 0 to f f u n c 石o n 艄 第2 章免疫优化算法及其应用 ( 2 ) m a x 五( 力= l s i l l ( 3 0 砷卜( 1 一争 在区间【o ，1 】内，对函数m a ) 【五( = i s i i l ( 3 0 z ) 卜( 1 一争寻优，函数图形如图2 - 8 所示， 这个函数在理论上的最优值为o 5 。 图2 8 函数乃0 的图形 f i g 2 - 3n e p i o to f f 豫c t i o n 艄 ( 3 ) m i n 石( = 5 x 6 3 6 算5 + 8 2 5 x 4 - 6 0 x 3 + 3 6 这个函数为多极值函数，已知其局部最优点位于f l ，z = 2 和问处。在脚处函数 取得局部最大值，在垆l 和萨3 处函数取得局部最小值，其中在萨3 处为全局最小值- 4 5 。 函数的寻优区间为 0 ，3 5 】，函数图形如图2 - 9 所示。 2 4 3 评价标准 为了比较算法的优劣，本文进行了算法之间的比较，并且设定以下评价标准： 收敛速度。对每一个函数，给定一个目标值，即适应度阈值，每种算法运行3 0 次， 每次的迭代代数为2 0 0 代，统计3 0 次的运行结果，收敛到目标函数值所需平均进化代数 小者为最优。 最差值和最好值。统计出算法运行3 0 次中的最好和最坏运行结果。由此比较出算法 的长期稳定运行结果。 平均最优值。统计出3 0 次结果中的每次最优值，然后计算出平均最优值。最优值的 平均值最大的算法为优。此评价标准反映了算法运行中的稳定性。 大庆石油学院博士研究生学位论文 图2 - 9 函数斛的图形 f i g 2 - 9 傀p l o t o f f 孙c t i 如0 2 4 4 基于小生境的自适应免疫遗传算法( n a j g a ) 的函数优化 1 优化步骤 ( 1 ) 编码 在此，采用二进制编码形式，设定求解精确到6 位小数，由于区间长度为2 一( 1 ) _ 3 ， 必须将闭区间卜1 ，2 】分为3 1 0 6 等份。因为2 0 9 7 1 5 2 = 2 2 1 0 时，定义 、p j 丐( 1 ) = c l x ，( 4 ( 1 ) ) ( 2 - 2 3 ) 当歹( 4 ( 1 ) ) g ，( 4 ) 为抗体4 的 适应度值。 第三步，对种群进行基于免疫机制的蚁群遗传操作 1 ) 选择操作：选择操作的主要目的是为了避免基因缺失，提高全局收敛性和计算效 率。本算法中，在第七代中抗体4 ( 七) 被选择的概率为： 大庆石油学院博士研究生学位论文 霉( _ j ) ：巡生翌! 生盟。e 专 ( 2 - 2 5 ) p 肾( 七一1 ) x ，( 4 ( 七) ) f - 1 2 ) 交叉操作：交叉操作是基于免疫机制的蚁群遗传算法中产生新个体的主要方法， 采用前面2 2 r 2 3 的方法进行交叉。 3 ) 变异操作：变异操作是产生新个体的辅助方法，同时也决定了基于免疫机制的蚁 群遗传算法的局部搜索能力，同样也是采用前面2 2 2 3 的方法进行交异。 4 ) 子空间信息素更新：对予空间信息素的更新公式为只啊( 七) = p p 睡( 七一1 ) + p 珥( 七) ， 详细内容见2 3 3 1 3 部分所述。 第四步，当群体中的最优个体满足一定要求或总数达到一定数量时，结束进化操作， 在此终止条件为最优结果的误差不大于某个固定值。 2 优化结果 ( 1 ) 函数 在理论上的最优值为0 5 。交叉概率0 6 ，变异概率0 1 ，口= o 5 ，鼻= 2 ， ：o 8 ，c l = o 3 ，c 2 = o 5 ，c 3 = o 3 ，得到的最优解为0 4 9 2 9 8 7 ，找到最优解的代数为6 8 代。 通过本算法与n 朋g a 相比较可知，本算法运算速度快，n m g a 算法中，最优结果 为o 4 9 2 1 0 5 ，误差为1 6 ，而在本算法中最优结果为o 4 9 2 9 8 7 ，误差为1 4 ，相差不多： 而本算法在6 8 代左右就收敛到了最优值，而n a i g a 算法需1 2 4 次，收敛时间比本算法 要长。 ( 2 ) 对于函数五，交叉概率o 8 ，变异概率o 2 ，a = o 4 ，夕= 2 ， = o 8 ，c l 印2 ，c 2 = 0 5 ， c 3 = 0 3 。经过3 0 次寻优，得到最优值为- 4 4 5 7 3 3 2 。平均误差为o 9 ，收敛到最优值平均 代数为5 0 代。而n a i g a 的误差为0 2 ，因此本算法精确度比n 龇g a 算法要差，但其 收敛速度却远远要快于n a j g a 算法。并且采用一般的蚁群遗传算法对函数正寻优时，其 误差为3 7 ，平均收敛代数为9 0 次，收敛速度比本算法的慢，精确度比本算法差。 ( 3 ) 对函数石，在区呲- l ，2 】之间寻求最优解时，交叉概率o 6 ，变异概率o 1 ，口= o 5 ， p = 2 ， = o 8 ，c l = o 1 ，c 2 = 0 4 ，c 3 = o 3 。得到的最优值为3 6 9 5 2 8 9 ，平均代数为7 8 代。 对于此函数，相对误差要比以往的几个要大。但其收敛速度是很快的。 为清晰起见，将上述优化结果列于表2 5 中。 表2 5 优化结果 t a b 2 - 5t h er e 她l 协o f o p t i n l i z 堍 第2 章免疫优化算法及其应用 3 参数对优化结果的影响 选择函数，讨论算法具体实现过程中几个关键参数对算法性能的影响，对比见表 2 6 表2 1 1 。 通过以下几个表格，来比较算法中各个参数对算法的影响。 表2 - 6 参数 对算法的影响 1 a b 2 - 6 d i r e n t i i l f l u e n c e s c o n t r 缀t a b l e t o a l g o r i n 蚴o f d i 妇衙e n t p 蝴嘲x 表2 7 参数p c 对算法的影响 t a b t 2 7 d i f 衙哪i n n u 髓c 嚣c o “台程t a b l e t o a l g o 嘲埘o f d i 黜p a 瑚n e t e r h p c 平均最好结果最好结果 最差结果平均代数 lo 4 9 0 2 5 4o 4 9 2 9 8 7 o 4 7 0 8 2 4 9 6 0 9 o 8 o 7 o 6 o 5 o 4 o 3 0 2 o 1 o 4 8 7 5 3 2 0 - 4 8 ”9 6 o 4 8 0 2 3 5 o 4 9 0 1 3 5 0 4 9 2 0 5 1 o 。4 9 2 4 5 7 o 4 7 3 5 4 6 0 。4 8 6 4 1 2 o 4 8 9 3 6 7 o 4 9 2 9 8 7 o 4 9 2 9 8 7 o 4 9 2 9 8 7 o 4 9 凹8 7 0 4 9 2 9 8 7 o 49 ：2 9 8 7 o 4 9 2 9 8 7 o 4 9 2 9 8 7 o 4 9 2 9 8 7 o 4 6 2 5 4 7 o 4 5 7 7 7 1 o 4 3 7 8 6 5 o 朋2 9 8 6 o 4 8 6 5 4 8 o 4 9 0 2 4 3 o 4 2 6 7 4 9 0 “6 9 0 3 o 4 5 3 8 4 l的记鳃弛昭s!蛆 大庆石油学院博士研究生学位论文 表2 - 8 参数p m 对算法的影响 1 - a b 2 - 8 d i 施r e n t 姗u c n c e s c 0 n 啪i s t l i a b l e t o a l g 甜m mo f d i 侬霹n t p 蝴e t e r p m p m 平均最好结果最好结果最差结果 平均代数 l o 4 9 0 2 6 7 o 4 9 2 9 8 7o 4 7 8 9 0 51 2 6 o 9o 4 8 0 1 2 9o 4 9 2 9 8 7 o 4 4 3 6 7 21 2 4 o 8o 4 7 6 5 4 3o 4 9 2 9 8 70 4 3 8 9 0 3l1 5 o 7o 4 9 0 7 9 5o 4 9 2 9 8 7 o 4 8 4 1 5 61 1 0 o 6o 4 8 6 4 2 3o 4 9 2 9 8 7o 4 6 3 7 8 l1 0 8 o 5o 4 7 9 8 3 2 o 4 9 2 9 8 7o 4 3 7 7 0 8 9 6 o 40 1 4 8 6 5 7 3o 4 9 2 9 8 7o 4 5 7 9 0 28 8 o 3 0 4 8 9 3 2 1 o 4 9 2 9 8 7o 4 5 7 9 0 87 9 o 20 4 7 7 8 5 3o 4 9 2 9 3 7 o 4 4 6 7 s 47 3 o 1o 4 9 2 0 s 7o 4 9 2 9 8 7 o 4 8 0 9 8 66 8 表2 - 9 参数c l 对算法的影响 t a b 2 - 9 d i 彘n t i n 玎u e n s c o n 仃埘t a b l e t o a i g o 础皿o f d i 位旭吐p 锄吼e 毫e fq 第2 章免疫优化算法及其应用 表2 1 0 参数c 2 对算法的影响 t a b 2 1 0d i 触删i i l f l u e n c 锶c 呲蜮t a b l et o a l g o r i 蛔o f d i 彘r e n tp 黜n 嘲c 2 表2 - 1 1 参数c 3 对算法的影响 t a b 2 1 ld 磕姗t h i n 呦嘟c 咖r a s c t 曲i c t o a i g o m m o f d i 彘r e n t p 咖n 咖c 3 c ，平均最好结果最好结果最差结果平均代数 lo 4 8 5 7 2 3o 4 9 2 9 8 7o 4 5 7 9 0 21 3 8 o 9o 4 9 0 4 1 70 4 9 2 9 8 7 0 4 7 9 0 2 31 3 9 0 8o 4 9 2 4 7 60 4 9 2 9 8 7o 4 9 1 1 0 2 1 3 2 o ，7o 4 9 1 9 6 3 0 4 9 2 7o 4 8 9 3 “1 2 4 o 60 4 8 9 6 1 5o 4 9 2 9 8 7 o 4 7 9 0 3 41 0 l o 5o 4 7 6 5 1 2o 4 9 2 70 4 3 8 9 7 68 6 o 4o 4 8 7 “50 4 9 2 9 8 7o 4 7 0 2 3 87 4 o 30 4 9 1 4 8 2o 4 9 2 9 8 7 o 4 8 7 0 5 46 8 o 2o 4 8 5 8 2 40 4 9 2 9 8 7 0 1 4 6 0 9 8 97 9 o 1o 4 9 2 0 3 7o 4 9 2 9 8 7o 4 9 0 1 8 9 8 3 由以上几个表可知，抗体所处子区域残留信息素的相对重要程度口的取值范围在 【0 4 ，0 6 】之间时，收敛较快；抗体适应度值的相对重要程度的取值范围在【2 ，3 】之间时， 算法的性能较好；九对算法的收敛速度影响不大；交叉概率n 在 o 6 ，0 8 】之间，交叉概 大庆石油学院博士研究生学位论文 率厶在【o 1 ，o 2 】时，收敛速度较快；常数c l 的影响不是很明显；当c c 3 时，算法收 敛速度较快。 2 4 6 两种算法的比较 基于小生境的自适应免疫遗传算法( n a i g a ) 和基于免疫机制的蚁群遗传算法 ( l 蝌g a ) 都是在遗传算法的框架上，将免疫思想和蚁群思想加入其中，使之成为了具 有综合特点的算法，这样应用到函数优化中，具有每种单一算法所不具备的特点，更能达 到预期的效果。 通过对几类函数的寻优，对n a i g a 算法和i a n g a 算法的比较见表2 1 3 。 用n a i g a 算法对函数优化，求解的精度高，算法收敛到的最优点跟理论上的最优点 相差无几，收敛的速度比以往的其它算法要快，并且不容易陷入局部极值点。 队n g a 算法是为了避免基本的蚁群算法和遗传算法容易出现停滞和早熟等现象的发 生，引入免疫思想而形成的一种新算法，在函数优化问题的应用中，算法搜索到的最优点 的精度要比n j g a 算法寻到最优点精度低一些，但这些值都是在精度要求范围之内的， 而且，这种算法的收敛速度比n a j g a 算法的收敛速度要快，时间更短。因此，值得我们 对它进行迸一步的研究。 表2 1 3 两种算法寻优结果比较 t a b 2 一1 3t 1 l ec 锄p a r i n go f 吣i z i i l gr 髂u o f l 、v oa l g o 棚姗 太澄 基于小生境技术的自适基于免疫机制的蚁群遗传 应免疫算法算法 最优 函数 平均最好 误差 平均最好 误差 值 代数结果( 坳代数结果( ) m a 妒( x ) = 工s i n ( 1 0 石工) + 2 o 1 3 63 8 5 0 1 6 70 4 7 83 6 9 5 2 8 94 13 8 5 一厂= i s i n ( 3 0 x ) 即一争 1 2 40 4 9 2 1 0 51 66 8o 4 9 2 9 8 7 1 1 4o 5 m i n ，( 工) = 5 z 一3 6 x 5 + 8 2 5 ， 锚 - 4 4 9 2 3 5 60 25 0- 4 4 5 7 3 3 2o 9 - 4 5 6 0 2 3 + 3 6 总之，n 越( 後算法和m n ( 认算法都能很好的解决我们所要求解的问题，并且，能 够达到我们预定的要求。说明两种算法用于函数优化问题是可行的。 第2 章免疫优化算法投其应用 2 5 输油管道泄漏定位研究 2 5 1 负压力波管道泄漏检测方法原理 当流体输送管道因为机械、人为破坏、材料失效等原因发生泄漏时，由于管道内流体 压力很高( 对原油长输管道，干线压力可达几个m p a ) ，而管道外一般为大气压力，管内 输送的流体在内外压差的作用下迅速流失，泄漏部位产生物质损失，这会引起发生泄漏场 所的流体密度减小，进而引起管道内泄漏处流体的压力降低。由于流体的连续性，管道中 的流体速度不会立即发生改变，流体在泄漏点和与其相邻的两边的区域之间的压力产生差 异，这种差异导致泄漏点上、下游区域内的高压流体流向泄漏点处的低压区域，从而又引 起与泄漏点相邻区域流体的密度减小和压力降低。这种现象从泄漏点处沿管道依次向上、 下游方向扩散，在水力学上称为负压波。 泄漏在管道中的总体反映就是从泄漏点处产生了同时向上、下游两端传播的瞬态负压 波，瞬态负压波也可以理解为“膨胀波”，它的传播过程类似于声波在介质中的传播，它 的传播速度是声波在管道输送流体中的传播速度，原油管道中负压力波的传播速度约在 1 0 0 0 1 2 0 0 m ，s 之间。 沿管道传播的瞬态负压波中包含有泄漏信息，由于管道的波导作用，它能够传播到数 十公里以外的远端。在管道两端安装压力传感器如能够捕捉到包含泄漏信息的瞬态负压 波，就可以检测泄漏的发生，并根据泄漏产生的瞬态负压波传播到管道两端的时间差进行 漏点定位。 假设负压力波在管道中的传播速度为v ，管道上、下游压力传感器捕捉到负压力波到 达的时间差为厶f ，管道总长度为f ，泄漏点距离上游检测点的距离为x ，则有下列方程： 解得： 3 8 l - 一 图2 1 0 负压波泄漏定位示意图 f i g2 一l os k e 蛐m a po f n e g a t i v ep t s u r ew h e 【o c 鲥m c l o d 址：立一生童 vv ( 2 2 6 ) 大庆石油学院博士研究生学位论文 矗：垡丝2( 2 2 7 ) 2 其中： 而泄漏点距上游站测压点的距离，埘； ，一上、下游站闯距，历； 1 ，一负压波的传播速度，所j ； 址上游站压力突变时间与下游站压力突变时间差，s 。 2 5 2 负压波波速确定 多数利用泄漏点压力波传播到检测点的检测方法中，把压力波传播速度作为定值，而 我国所产的原油大多具有高含蜡粘稠的特性，为了降低管道输送中的摩阻消耗，在原油输 送技术上，一般采用加热输送，由于出站温度较高( 5 0 。c 一7 0 。c ) 沿程热耗较大，温降明显， 随着管道中流体温度的变化原油密度和压缩性也会有所变化，波速并不是一个定值，因此 用式( 2 之7 ) 进行定位会带来一定的误差。本文从实际情况出发，通过温度变化推导出负 压波波速随温度变化的公式。 根据文献【1 0 7 ，1 0 8 】，得出原油温度变化公式如下， 二塑丝 互= r + ( 乏一d p g c ( 2 - 2 8 ) 其中，z ( ) 为原油流过三长的管道后的温度值，( 。c ) 为出站的原油温度，r ( 奶 为周围介质的温度，x ，脚2 - 量) 原油周围介质总传热系数，d ( 脚) 为管道直径，g ( 堙，幻 为原油的质量流量，c ( 盘，( 堙。是) ) 为原油的比热容。 输油管道内产生的负压波传播速度取决于液体的弹性、液体的密度和管材的弹性i 加叼 v = 由于温度变化f 帆n 哪，所以上式改写为， 砸) = ( 2 - 2 9 ) ( 2 - 3 0 ) 液体体积弹性系数置的值等于压缩系数的倒数。压缩系数的计算公式如下【1 1 l 】 l n ( f l o ”) = o 5 1 9 9 2 + o 0 0 2 3 6 6 2 f + 8 4 6 5 9 6 ，露+ 2 3 6 6 7 f ，露( 2 - 3 1 ) 其中，( 阿) 为压缩系数，扁( 堙胁3 ) 为标准密度，f ( ) 为温度，由此得到 1 k = 亡 ( 2 3 2 ) 温度对原油的密度有一定的影响， p ( f ) = j 吒。一善9 2 0 )( 2 - 3 3 ) 户( f ) ( 船) 为f 时原油的密度，户如( 船肼3 ) 为2 0 时原油的密度，善( 船协3 ) ) 第2 章免疫优化算法及其应用 为原有的体积膨胀系数( 季_ 1 8 2 5 一o 0 0 1 3 1 5 p 如) ，p 为管道壁厚 修正系数c l = 1 一2 ，泊松系数p = o 3 由式( 2 3 0 ) ，及文献【1 0 7 】可得到泄漏点负压波传辐到首末的时间差 址= f 去斑一去出 屯为泄漏点所处的位置，v ( x ) 是负压波随管道距离变化的波速，利用复化求积公式【1 1 扣1 ， 在区间p6 1 上求取厂的积分，设求积节点等间距= 口，矗= 6 则t = a + 胁， _ i ：o ，l ，h ， ：竺! 为步长，将上式写为 ，= 鲁篁【，( 恐。) + 4 ，( 屯。) + ，( 屯。+ ：) 】一鲁壹【( 屯。) + 4 厂( 屯州) + 厂( 毛。) 】 ( 2 3 4 ) ui - 。 v i 埘， 其中，2 高。 2 。5 3 管道泄漏点定位 ( 1 ) 目标函数 以某段输油管道为研究对象，管道为矿4 2 6 6 衄，出站油温= 6 5 。c ，进站油温 z = 2 6 ，周围介质温度z _ 1 0 ，2 0 原油的密度岛；8 4 5 k 咖3 ，温度系数孝= o 7 1 4 ， 钢管的弹性模量五= 2 0 6 9 1 0 9 p 口，管长4 8 2 0 0 m ，泊松系数= 0 - 3 0 。 目标函数为： g ( 力= i r 一鲁篆 ，( 磁) + 4 ，( 州：) + ，( ) + 鲁耋 ，( h ) + 4 厂( + v 2 ) + ，( k ，刈( 2 - 3 5 ) 其中【o ，4 8 2 0 0 】，址= - 2 8 j 为已经实测出的泄漏点处负压波传播到管道首末两端 的时间差。因此负压波波速的确定转化为求解最优的屯，使得m i n g ( 功。 这里应用本章的n a j g a 算法对泄漏点寻优定位。 ( 2 ) 编码及初始种群 采用二进制编码形式，由于管道长度4 8 2 0 0 m ，= 3 2 7 6 8 4 8 2 0 0 2 1 6 = 6 5 5 3 6 ，所以 每个抗体由1 6 位长二进制数组成，产生2 0 0 个抗体组成初始种群，作为目标函数的初始 解。 ( 3 ) 适应度计算 适应度函数取为g ( x ) 。 ( 4 ) 终止条件 终止条件为所有记忆抗体的g ( 力 o o l ，即算法所计算的时间差与实际测量的时间差 4 0 大庆石油学院博士研究生学位论文 的误差小于o o l 。 ( 5 ) 泄漏点定位结果 算法的交叉概率p c 为o 8 ，交异概率p m 为o 4 ，选择概率的常数调节因子口= o 4 、6 = 2 。 最终优化结果如表2 1 4 。 表二1 4 泄漏定位结果 t a b ，2 1 4t h er c 辄l to f l o c a b n gl e a 】( p o i l l t 本例中按常规定位方法吃；半，负压波平均波速1 0 s 7 ，6 础s ，得屯= 2 2 5 7 7 m ， 按本文搜索算法找到泄漏点黾= 2 2 1 2 6 m ，实际泄漏点吒三2 2 1 0 0 m ，按常规定位得相对 误差o 9 9 ，本文算法定位误差o 0 4 。 2 6 本章小结 本章对人工免疫遗传算法和蚁群算法进行了深入的研究，对于免疫遗传算法，通过引 入小生境技术，增强了算法的搜索能力，提高了收敛速度；引入采用基于抗体浓度和适应 度的自适应式选择策略，有效地抑制了浓度过高的抗体进行繁殖，保证了抗体的多样性， 避免算法陷入局部最优值；通过混合式的交叉顺序，提高了抗体的多样性，增大了搜索范 围，使得在搜索领域内更快的找到最