（检测技术与自动化装置专业论文）基于bp神经网络的管道泄漏定位系统研究.pdf

中文摘要 中文摘要 摘要：随着管道运输工业的迅速发展，管道泄漏所造成的环境污染和经济损失也 越发严重。近年来，大量管道出现老化、腐蚀现象，以及许多盗油事件的发生， 导致泄漏事故频繁。由于存在定位精度差、效率低等缺点，传统的泄漏定位手段 已经不能满足工业发展的需要，因此设计一套高效的自动化管道泄漏定位系统就 变得迫在眉睫。管道泄漏检测是多领域、跨学科的课题，涉及到管道传感技术、 信号检测、信号处理等多个学科。本文结合神经网络这一新兴技术，对管道泄漏 定位进行了探索性的研究。 本文以自来水管道为试验对象，设计了一套基于b p 神经网络的管道泄漏定位 系统，该系统可以实现管道压力数据的实时采集、工作状态监视和泄漏点定位等 功能。 本文总结了国内外输油管道泄漏检测的研究状况，详细的阐述了管道泄漏定 位的原理、难点及解决办法；介绍了小波包算法和神经网络技术，通过小波包变 换实现压力信号消噪处理，并提取特征向量作为神经网络的输入；应用b p 神经网 络识别管道工作模式，实现泄漏点定位；本文设计了以单片机为核心的数据采集 卡，编写上位机m a t l a b 数据分析程序，v b 人机界面；在实验室搭建的试验管 道上进行试验，完成实验结果分析。结果显示，基于b p 神经网络的管道泄漏定位 系统可以准确定位泄漏点。 关键词：管道运输：泄漏定位；小波包；b p 神经网络；m a t l a b 分类号：t p 2 7 7 a bs t r a c t a b s t r a c t ：w i t ht h er a p i dd e v e l o p m e n to fp i p e l i n et r a n s p o r t a t i o n , p o l l u t i o no ft h e e n v i r o n m e n ta n dc c o n o r n cl o s sc a u s e db yl e a k i n ga c c i d e n to ft r a n s p o r t a t i o np i p e l i n e a r em o r es e r i o u s a c c o r d i n gt ot h ee q u i p m e n ta g i n g ，c o r r o s i o na n do i ls t o l e n ，l e a k a g e a c c i d e n t si nt r a n s p o r t a t i o np i p e l i n eo c c u r r e df r e q u e n t l yi nr e c e n t y e a r s f o rt h e i n a c c u r a t ep o s i t i o np r e c i s i o na n dl o we f f i c i e n c yo ft r a d i t i o n a ld e t e c t i o nt e c h n o l o g y , a n a u t o m a t i cs y s t e mo f p i p e l i n el e a kl o c a t i o ni sn e c e s s a r y t ob ed e s i g n e d p i p e l i n el e a k a g e d e t e c t i o ni sam u l t i - f i e l da n dc i o s s - s u b j e c tt h e s i sw h i c hi n v o l v e dm a n ys u b j e c t s ，s u c ha s s e n s o rt e c h n o l o g y , s i g n a ld e t e c t i o na n ds i g n a lp r o c e s s i n g i nt h i sp a p e r , t h el e a k a g e d e t e c t i o nt e c h n o l o g yi ss t u d i e db a s e do nn e u r a ln e t w o r k s ，n l i sp a p e rd e s i g n e das y s t e mo fp i p e l i n el e a kl o c a t i o nb a s e do nb pn e u r a l n e t w o r k sa b o u tw a t e rs u p p l yp i p e l i n e r e a l - t i m ed a t ac o l l e c t i o n ，c o n d i t i o nm o n i t o r i n g ， a n dl e a kp o i n tl o c a t i o nc o u l db er e a l i z e db yt h i ss y s t e m b o t hh o m ea n db o a r dp i p e l i n el e a k a g ed e t e c t i o nt e c h n o l o g yw a ss u m m a r i z e di n t h i sp a p e r , m e a n w h i l e ，t h ep r i n c i p l e s ，d i f f i c u l t i e sa n ds o l u t i o n so fp i p e l i n el e a k a g e d e t e c t i o nt e c h n o l o g yw e r ed e s c r i b e di nd e t a i l n e u r a ln e t w o r kt e c h n o l o g ya n dw a v e l e t p a c k e ta l g o r i t h mw e r ea l s oi n t r o d u c e d n o i s ee l i m i n a t i o na n df e a t u r ev e c t o re x t r a c t i o n o fp r e s s u r es i n g a iw e r eb a s e do na p p l i c a t i o no fw a v e l e tp a c k e t u s i n gb pn e t w o r kt o r e c o g n i z ep i p l i n ew o r ks t a t i o n ，s y s t e mc o u l dl o c a t el e a kp o i n ta sf e a t u r ev e c t o rw a s r e g a r d 弱i n p u t 。a na c q u i s i t i o nc a r dw a sd e s i g n e db a s e do ns i n g l ec h i pc o m p u t e r ；d a t a a n a l y s i sp r o g r a mw a sc o m p l i e db ym a t l a b ，u s e r - i n t e r f a c ew a sd e s i g n e db yv i s u a l b a s i c a tl a s t ，r e a l t i m em o n i t o r i n ge x p e r i m e n tw a sc o m p l i s h e di nt h el a b ；a f t e r w a r dt h e e x p e r i m e n t a lr e s u l t sw e r ew e l la n a l y z e d 劢er e s u l ts h o w st h a tl e a kp o i n tc a nb el o c a t e d a c c u r a t e l y , b yt h es y s t e m k e y w o r d s ：p i p e l i n et r a n s p o r t a t i o n ；l e a k a g el o c t i o n ；w a v e l e tp a c k e t ；b pn e t w o r k ； m 【a t l a b c l a s s n o ：t p 2 7 7 独创性声明 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研 究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表或 撰写过的研究成果，也不包含为获得北京交通大学或其他教育机构的学位或证书 而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作 了明确的说明并表示了谢意。 学位论文作者签名：也 签字日期： ，c ， 年 月，7 日 8 7 学位论文版权使用授权书 本学位论文作者完全了解北京交通大学有关保留、使用学位论文的规定。特 授权北京交通大学可以将学位论文的全部或部分内容编入有关数据库进行检索， 并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国 家有关部门或机构送交论文的复印件和磁盘。 ( 保密的学位论文在解密后适用本授权说明) 学位论文作者签名：垃 签字日期：) 。译f 月| 1 日 导师签名：僻 签字日期： 6 旯| 7 日 致谢 本论文的工作是在我的导师陈广华老师的悉心指导下完成的，陈广华老师严 谨的治学态度和科学的工作方法给了我极大的帮助和影响。在此衷心感谢两年来 陈广华老师对我的关心和指导。 陈广华老师悉心指导我们完成了实验室的科研工作，在学习上和生活上都给 予了我很大的关心和帮助，在此向陈广华老师表示衷心的谢意。 周明连、邓湘教授对于我的科研工作和论文都提出了许多的宝贵意见，在此表 示衷心的感谢。 在实验室工作及撰写论文期间，孙永超、卢宝玲等同学对我论文中的数据采 集研究工作给予了热情帮助，在此向他们表达我的感激之情。 另外也感谢我的爸爸妈妈，他们的理解和支持使我能够在学校专心完成我的 学业。 综述 1 综述 1 1 研究背景 由于管道在运输液体、气体等方面的独特优势，近年来管道工业得以飞速发 展，成为继铁路、公路、水路、航空运输之后的第五大运输工具。世界上已建有 各种管道2 5 0 1 0 4 k m ，而世界上石油的年产量，也已经超过2 2 1 0 8 k t 。我国是世 界上最早使用管道输送液体的国家，秦汉时代就已经将竹筒连接起来输送卤水及 天然气，目前我国已兴建了贯穿东北、华北和华东地区的原油管道网，管线长达6 l o n 以上【1 1 。 国内外大量石油管线都已经运行了二、三十年，存在不同程度的老化现象， 加之各种因素引起的输油管道的腐蚀，以及突发性的自然灾害，甚至个别公民的 不良盗油行为，都对输油管道存在潜在的威胁，随时有发生泄漏的可能。随着时 间的推移，大量的管道已经超出或接近使用寿命。世界管道工业史的大量数据表 明，管道也存在生命周期，其事故发生的概率如图1 1 的浴瓮曲线所示。 婴儿期 失 效 窒 图1 - 1 管道泄漏事故盆形图 f i g 1 - 1t h eb a s i n - s h a p e dc h a r to fp i p e l i n el e a k a g ea c c i d e n t 图1 1 表明浴盆曲线分为三个阶段：第一阶段为婴儿期，这一阶段失效率较高， 我国近几年新铺设的管线，就处于这一阶段，但随着时间的延续，失效率逐渐降 低；第二阶段称为中年期，又称等失效期，这一阶段失效率是恒定的且维持在一 北京交通人学硕士学位论文 个较低的水平上；最后进入第j 阶段，即老龄期，老龄期失效率呈增长趋势，直 至管线退役口，i 。我国相当一部分长输管线已经逐渐步入老龄期。其中有很大部 分管道管龄超过2 5 年，已进入事故高发阶段。全世界总管网的5 0 已经用了3 0 年以上的时间，泄漏事故随时可能发5 l t ”。 石油管道的泄漏对国民经济和生奄环境都有着重的破坏作用。近年柬，国 内管道因腐蚀、偷盗造成的泄漏事故b f 有发生。2 0 0 6 年投产仅2 个月的中石化鲁 宁线输油管道就在被盗泄漏后又遭到当地村民的哄抢，损失原油超过2 0 0 f 并对 当地的土地环境造成巨大损害；2 0 0 7 年山东东营破获的一起海底管线盗油事件造 成的各项经济损失就将近人民币4 亿元。国外由于管道泄漏造成的危害也很严重。 如图l _ 2 所示墨西哥石油管道泄漏，对亚马逊森林造成巨大生态灾难。目前在世界 范围内，地下环境系统中的石油类有机污染问题已成为世界各国普遍关注的焦点。 图i - 2 管道泄漏图 f i gi - 2 t h e p h o t o o f p i l * l i l l e l e a k a g e a e c i d a l t 由于管道输送介质、所处环境和泄漏形式的多样性，以及检测的复杂性，使 得目前还没有一种可靠、通用的方法解决管道泄漏检测和定位问题，所以加强管 道泄漏检测与定位技术的研究与应用，提高管道输送管理水平，减少经济损失和 环境污染，具有重要的现实意义。 1 2 管道泄漏检测和定位技术研究现状 国外对管i 吐泄漏榆测方法的研究起于2 0l 纪7 0 年代，由于采h ；| 的技术覆盖 多个学科，所以检测的手段也各不相同。目前国际上还没有一种榆测方法能作为 标准推广使用，但是纵观管道运输检涣0 定位技术的发展史，管道泄漏检测定位技 术，已经逐步从蜮简巾的人工分段沿管线巡视发展为使用数据采集与监视控制系 统( s u p 既v i s o r y c o n t r o l a n d d a t a a c q u i s i t i o n ，s c a d a ) 吼 综述 我国的管道输油历史只有三十几年，管道泄漏定位技术的研究在2 0 世纪九十 年代才刚刚起步。国内对输油管道泄漏的检测定位除沿用最原始的人工巡检外， 主要还是依赖引进外国的泄漏定位系统。 目前较为成熟的几种检测定位技术，基本可以分为基于硬件的检测技术和基 于软件的检测技术两大类。 1 2 1 基于硬件的管道泄漏定位技术 基于硬件的管道泄漏检测方法是指对泄漏物进行直接检测的方法，有时也称 为直接检漏法，它拥有检测精度高，误报警率低等优点，但是对于长距离管道运 输而言，其巨大的成本投入和维护、运行费用，让一般公司难以接受。基于硬件 的管道泄漏定位技术包括： ( 1 ) 检漏电缆法 该方法多用于液态烃类燃料的泄漏检测。将电缆与管道平行铺设，当泄漏的 烃类物质渗入电缆后，会引起电缆特性的变化。通过检测电缆信号，就可以监测 管道运行状况。 ( 2 ) 光纤检漏法 光纤传感器检测管道泄漏的方法是根据管道中输送的物质泄漏会引起周围环 境温度的变化，利用分布式光纤温度传感器连续测量沿管道的温度分布，当沿管 道的温度变化超过一定的范围，就可以判断发生了泄漏。此外，随着光纤传感器 的发展，未来可以实现利用一根或几根光纤对油气管线内介质的温度、压力、流 量和管壁应力进行分布式在线测量【6 】。 1 2 2 基于软件的管道泄漏定位技术 随着计算机、信号处理和模式识别等技术的发展，基于监控与数据采集系统 ( s c a d a ) 的实时泄漏检测技术受到了越来越多的关注，并逐渐成为检测技术发展 的主流方向。这类方法主要是对采集的压力、流量等信号进行实时分析处理，以 此来检测并定位泄漏点。基于软件的管道泄漏定位技术主要有以下几个方面【7 j ： ( 1 ) 体积或质量平衡法 管道在j 下常运行状态下，其输入和输出质量应该相等，泄漏必然产生量差。 体积或质量平衡法是最基本的泄漏探测方法，可靠性较高。该方法可以直接利用 3 北京交通人学硕士学位论文 已有的测量仪表，如流量计、压力表等，能连续检测管道，并发现微小泄漏。但 是由于管道本身的弹性及流体性质变化等多种因素影响，首末两端的流量变化会 出现时滞，所以精度不高。 ( 2 ) 压力法 多数长输管道中间泵站均不安装流量计，只安装压力检测装置，因此就产生 了只用压力信号检漏的方法。这类方法中主要有压力梯度法、小波变换法和负压 波法等。 压力梯度法的原理是在稳定流动的条件下，压力分布呈斜直线，当泄漏发生 时，漏点前的流量变大，压力分布直线斜率变大，漏点后的流量变小，相应斜率 也变小，压力分布由直线变成折线状，折点即为泄漏点。根据上、下游管道的压 力梯度，可以计算出泄漏位置。压力梯度法需要在管道上安装多个压力检测点， 而且仪表精度及间距都对定位结果有较大的影响。 小波变换即小波分析，是2 0 世纪8 0 年代中期发展起来的数学理论和方法， 是一种良好的时频分析工具。小波变换法的优点是不需要管线的数学模型，对输 入信号的要求降低，计算量也不大，可以进行在线实时泄漏检测，克服噪声能力 强，是一种很有前途的泄漏检测方法。但此方法对由工况变化及泄漏引起的压力 突降难以识别，易产生误报警。 负压波法是指当管道发生泄漏时，泄漏处立即出现瞬时的压力降低，作为减 压波源通过管线和流体介质向泄漏点的上下游以一定的速度传播，泄漏时产生的 减压波就称为负压波。设置在泄漏点两端的传感器根据压力信号的变化和泄漏产 生的负压波传播到上下游的时间差，就可以确定泄漏位置。该方法灵敏准确，原 理简单，适用性很强。但它要求泄漏的发生是快速突发性的，对微小缓慢泄漏不 是很有效。 我国自行研制的自动检测系统多采用负压波原理对管道泄漏进行检测和定 位，但是无论定位精度和自动化程度都还和国外自动检测系统有很大的差距【8 】。 ( 3 ) 模式识别法 基于模式识别的原理是通过对泄漏产生的瞬态负压波进行特征提取和结构模 式识别，以此进行泄漏检测。泄漏引发的负压波与调泵、调阀引发的负压波波形 特征有相当大的区别，采用模式识别的方法对管道负压波进行描述，建立管道负 压波形结构模式的分类系统，区别管道正常调节状态和泄漏状态，可以有效地降 低管道泄漏的漏报率和误报率，提高泄漏检测系统的准确性。模式识别法的缺点 在于，所需建立的波形结构模式分类系统过于复杂。 ( 4 ) 基于神经网络 由于管道泄漏时未知因素很多，采用常规的数学模型存在一定的差异，而人工 4 综述 神经网络具有逼近任意非线性函数和从样本学习的能力，故在管道泄漏检测中得 到越来越多的重视。其优点是抗嗓声干扰能力强，灵敏、检测精度高，能检测到 1 的微小泄漏，且保持很低的误报率，但该技术在定位时只能定位到段。 ( 5 ) 统计分析法 根据管道出入口的压力和流量，连续计算压力和流量之i 、日j 的变化关系，并应用 最优序列分析技术和模式识别来检测这种变化，用实测的流量和压力信号实时计 算泄漏发生的概率，从而进行泄漏检测。当泄漏确定以后，用最小二乘法进行泄 漏定位。统计法不用计算复杂的管道模型，降低了计算的复杂性。同时，统计泄 漏检测系统还可具有在线学习功能，以适应管道参数的变化。缺点在于对仪器精 度要求比较高，在多泄漏时检测性能变差。 统计法是国际公认的最好也是最成熟的检测方法。国外大多数公司都采用基于 统计分析法的自动化检测系统，我国的克乌成品油管道也引进了这类系统。 1 3 本文的研究意义和主要工作 我国管道泄漏检测技术还比较落后，很多管线仍然使用人工巡线的方法检测 泄漏，无法及时发现漏点。随着管线的老化和盗油分子同益猖獗，输油管道泄漏 造成的经济损失和环境污染也越来越严重。因此，研究有效的管道泄漏检测系统 不仅具有巨大的经济意义和环境保护意义，对打击偷盗油的犯罪行为也有一定的 作用。 考虑国内使用的负压波法检测定位精度差、误报率高的缺点，本文提出了基 于神经网络的检测方法。随着科技的发展，采用神经网络技术进行定位泄漏点已 成为可能，基于神经网络的检测手段将成为下一代检测系统的核心技术。 本文主要研究基于神经网络的泄漏定位系统，主要完成以下工作。 ( 1 ) 搜集相关资料，深入探讨泄漏定位方法，并确立试验方案。 ( 2 ) 设计采集卡，采集管道压力数据。 ( 3 ) 研究小波包算法，实现信号消噪和特征向量提取。 ( 4 ) 研究b p 神经网络，完成网络训练建立。 ( 5 ) 开发m a t l a b 算法程序，建立v b 人机界面，实现管道泄漏并报警。 ( 6 ) 搭建试验台，对泄漏定位系统进行试验验证。 5 基于b p 神经网络的管道泄漏定位系统总体设计 2 基于b p 神经网络的管道泄漏定位系统总体设计 2 1 系统构成 本系统主要将神经网络和小波包相结合，应用于管道泄漏定位。在系统首站流 量不变的情况下，选取首站管道压力作为对管道状态描述的参数，训练b p 神经网 络，判断管道工作状况。该系统主要包括试验管道、采集卡、上位机监测系统， 其中采集卡和上位机以r s 2 3 2 串行总线连接，如图2 1 所示。 2 2 各部分功能 采集卡 图2 - 1 系统构成示意图 f i 9 2 1s k e t c hm a po fs y s t e mc o m p o s i n g 厂丽 l 模块l 。1 一 神经 网络泄漏 判断模块 上位机 监测系统 1 试验管道 试验管道提供训练神经网络和检验监测系统所需要的数据；模拟管道各种工作 环境，以检验管道泄漏定位系统的实际工作情况。 管道以自来水龙头模拟首站压力泵，为了保证管道正常工作时的状态恒定，每 次试验前都要用压力表校验管道首站压力。试验采用长1 2 0 m 、内径1 8 m m 、厚度 为3 m m 的氯聚乙烯管，使用y b p 4 0 b 叶片泵，泵水模拟管道泄漏，压力传感器安 装在距水龙头2 m 处。为了模拟各种不同泄漏点下管道的工作状况，以检验系统对 泄漏点定位的准确性，试验设置了舢到a 9 十个泄漏点，舢点距压力表1 0 m ，a l 点距舢点1 0 m ，其它以此类推。除此之外，为了计算泄漏点定位的精度，在 点到a 5 点之间设立b o 、b l 和b 2 点。其中b o 点距点2 m ，b 0 、b l 和b 2 点彼此 7 飘吾型南 黼一二黼|一绷一 l 1，j 一 块一一据模一一数集一 一 采一 北京交通人学硕士学位论文 间隔3 m ，管道结构图如图2 - 2 所示。 2 m1 0 ml o m 图2 2 试验管道示意图 f i 9 2 2s k e t c hm 印o f t e s t i n gp i p e l i n e 2 数据采集卡 采集卡收到上位机命令开始工作，接受压力变送器输出的信号，经过i 转换 和a d 转换，并暂时储存在外部r a m 上统一打包发送，通过r s 2 3 2 总线传递给 上位机，进行处理分析。 采集卡 看门 狗电路 1r r s il i 2 3 2 l 压力信号 = a 转换 卜舳j 、 单片机 j 外部 ，1 厶 串1 1 1 上位机 矿旷 转换 叫 1 r a m、叫 模块 n il 图2 - 3 采集卡结构图 f i g 2 3s t r u c t u r ed i a g r a mo f a c q u i s i t i o nc a r d 3 上位机监测系统 本文采用工控机作为监测系统，上位机软件主要包括人机界面和泄漏点定位算 法两部分。其中，人机界面采用v b 6 0 设计，通过串口控制采集卡工作，并接受 采集卡发送的数据，将数据存储后，调用算法函数进行实时分析、泄漏点定位并 绘制趋势图，确定泄漏点后，系统将提出报警，如图2 4 表示。 8 基tb p 神经网络的管道泄漏定位系统总体设计 图2 _ 4 上位机分析软件功能框图 f i g 2 - 4m o d u l es t r u c t u r eo fs y s t e ms o f t w a r e 算法部分采用m a t l a b 编程实现，通过m a t l a b 提供的小波包、神经网络 工具箱完成数据分析程序的编写。对于采集到的数据，先经过滑动滤波、小波包 消噪，再提取信号特征向量，作为神经网络的输入，通过训练好的神经网络，识 别管道工作状态，判断泄漏点位置。 另外，神经网络的训练也是通过输入压力信号的特征向量和对应的目标向量来 完成的。得到比较准确的网络后，通过调用动态链接的方式，完成v b 和m a t l a b 的混合编程，使泄漏定位检测系统可以脱离m a t l a b 单独使用。 9 小波包消噪及特征向鼙的提取 3 小波包消噪及特征向量的提取 本文采用小波包变换对采集到的压力信号进行处理，包括对信号的消噪和特 征向量提取，并通过m a t l a b 的小波工具箱可以实现这一功能。 3 1 小波分析简介 小波分析( w a v e l e t a n a l y s i s ) 且 j 小波变换是2 0 世纪8 0 年代中期发展起来的一门 新兴的数学理论和方法。小波变换源于信号分析，源于函数的伸缩与平移，它是 傅立叶变换发展的直接结果。由于在时、频域拥有多种超越傅立叶变换的优良特 征，所以小波分析被认为是信号分析方法的突破性进展。小波分析在时域和频域 同时具有良好的局部化性质，可以对高频成分采用逐渐精细的时域或空间域划分， 从而可以聚焦到对象的任意细节。因此，小波变换被誉为分析信号的显微镜。小 波变换是一门新技术，它是数学理论中调和分析技术发展的最新成果，它不仅具 有完美的数学内涵，而且具有重要的应用价值【9 】。 3 1 1 傅立叶变换 小波变换的思想来源于傅立叶变换( f o u r i e rt r a n s f o r m ) ，而后者正是信号处理 中时间域和频域之间的桥梁。在小波分析出现前，傅立叶变换一直统治着线性时 不变信号的处理。傅立叶变换的目的在于描述任一函数厂( f ) 的频率特性。 设f ( t ) 是系统的输入，f ( t ) ( r ) ，函数f ( t ) 的傅立叶变换为【旧1 ： f ( r o ) = ie 叫酬厂( f ) 出 ( 3 - 1 ) f ( e a ) 的傅立叶逆变换定义为： 1 “ ( f ) = 。ip f ( r 0 ) d o ( 3 2 ) z 万“ 傅立叶变换虽然使得研究信号时域和频域的特征成为可能，但是它没有真的 将二者结合起来，只能在时、频域分别观察信号。这是因为信号时域波形中没有 任何频域信息，而其傅立叶谱是信号的统计特性，它是信号整个时域内的积分， 没有局部化分析信号的能力，所以也不具备时域信息。实际生活中，瞬变信号范 围比平稳信号大得多，信号在某一时刻的频域特征非常重要，为此需要能描述信 号时、频域联合特征的方法，构成信号的时频谱，这就是所谓的时频分析法。 北京交通人学硕十学位论文 为了克服傅立叶变换的缺点，d g a b o r ( 1 9 4 6 年) 提出了短时傅立叶变换( s h o r t t i m ef o u r i e rt r a n s f o r m ) ，又称加窗傅立叶变换( w i n d o w e df o u r i e rt r a n s f o r m ) 。短时 傅立叶变换的基本思想是把信号划分为许多小的时间间隔，用傅立叶变换分析每 个时闯间隔，以确定该时间问隔内存在的频率成分9 1 。 振 幅 时间 频 短时傅一- 。n - 。变换 域 - - - - - 斗 图3 - 1 短时傅立叶变化示意图 f i g 3 - 1s h o r tt i m ef o u r i e rt r a n s f o r m 短时傅立叶变换表达式： s ( 缈，r ) = 工rf ( t ) g ( t f ) e - j m , d t 时间 ( 3 3 ) 其中厂( f ) 为所分析信号，g ( f ) 为平滑窗函数，起到时限作用，p 一鲥起到频限 作用。g ( t f ) 随着f 的变化，使时间窗在x 轴上平移。s ( o j ，f ) 反映了厂( f ) 在时刻f 时，频率为( 1 9 的“信号成分 的相对含量。这样信号在窗函数上展开就可以表示 为在 f 万，f + 棚，【国一幺缈+ s 】这一区域内的状态，并把这一区域称为窗口，万和 占分别称为窗口的时宽和频宽，表示了时频分析中的分辨率，窗宽越小则分辨率越 高。很显然，希望6 和占都非常小，以便有更好的时频分析效果，但依据海森堡 ( h e i s e n b e r g ) 澳l j 不准原理( u n c e r t a i n t yp r i n c i p l e ) 万和占是互相制约的，两者不可能同 时任意小【1 1 1 。 由此可见，短时傅立叶变换虽然在一定程度上克服了标准傅立叶变换不具有 局部分析能力的缺陷，但它也存在着自身不可克服的缺陷，即当窗函数g ( f ) 确定后， 矩形窗口的形状就确定了。f 和c o 只能改变窗口在相平面上的位置，而不能改变窗 口的形状。可以说短时傅立叶变换实质上是具有单一分辨率的分析，若要改变分 辨率，则必须重新选择窗函数g ( f ) 。 在研究高频信号的局部性质时，时域窗口应该开得小一点，而在研究低频信 号的局部特征时，时域窗口应该丌得大一些。也就是说，窗口的大小应该随频率 而改变。本文要研究的压力信号，它的频率特性都随时问而变化，因此也可称它 们为时变信号。分析时变信号的高频部分希望采用高的时域分辨率而相对低的频 域分辨率；分析信号的低频部分则希望采用低的时域分辨率和相对高的频域分辨 率，即需要一个可调的时频窗。另外，数值计算必须将参数的连续变化离散化， 1 2 小波包消噪及特征向量的提取 但是对于短时傅立叶变换，实际证明无论怎么离散都不能使其变为一组j 下交基。 因此为了不丢失信息，在信号分析或数值计算中必须采用非正交的冗余基，这就 增加了不必要的计算量和存储量。这些缺点，使短时傅立叶变换的应用受到了局 限。 所以，由于短时傅立叶变换的种种缺点，它未能得到发展和广泛的应用。而 在1 9 8 4 年出现的小波( w a v e l e t ) 变换，继承和发展了短时傅立叶变换局部化得思想， 同时又克服了窗口大小不随频率变化和缺乏离散正交基等缺点，是对信号进行局 部频谱分析、处理非卷积型线性算子、变系数微分算子等的理想数学工具【l2 1 。 3 1 2 小波变换 小波变换提出了变化的时间窗。当需要精确的低频信息时，采用长的时间窗， 当需要精确的高频信息时，采用短的时间窗。图2 2 给出了短时傅立叶变换和小波 变换的对比示意图。 振 幅 频 率 时间 时间 振 幅 尺 度 因 子 频率 短时傅立叶变换小波变换 图3 - 2 小波变换与短时傅立叶变换对比 f i g 3 2w a v e l e tt r a n s f o r ma n ds h o r tt i m ef o u r i e rt r a n s f o r m 由图3 2 所示，小波变换用的不是时间频率域，而是时间尺度域，尺度越大， 采用的时间窗越大；尺度越小，采用的时间窗越短，即尺度与频度成反比。 所n d , 波，就是指小区域的波，是种特殊的长度有限( 紧支集) 或快速衰减， 且均值为0 的波形【1 2 】。 北京交通入学硕十学位论文 小波函数的确切定义为：设y ( f ) l 2 ( r ) ，若其傅立叶变换杪( 缈) 满足： q ：彳划d 国 。) 但在输出层中，节点的单元特性有时为线性。b p 网络可看作是一个从输入到 输出的高度非线性映射，即f ：r - - - r l , 厂( x ) = y ，对于样本集合：输入工，( r m ) 和 输出y 。( r ) ，可认为存在某一映射g 使输入输出满足以下关系： g ( x ，) = y t ( = l ，2 ，m ；k = 1 ，2 ，三) ( 4 - 1 4 ) 现要求出一映射厂，使得在某意义下，厂是g 的最佳逼近。神经网络通过对简单的 非线性函数进行数次复合，可近似复杂的函数。 因此，b p 网络能够以任意精度逼近一个有限维的可测函数，所以它可作为一 个通用的函数逼近器。基于b p 网络的故障诊断模型就是利用b p 网络的泛函逼值 能力，逼近故障边界，从而完成特征空间到故障空间的非线形映射。研究表明， 在众多的神经网络结构中，b p 网络是设备检测与故障诊断方面应用最广泛的基本 网络之一，本文的应用研究也采用b p 网络【3 5 1 。 b p 学习算法的基本原理是梯度最速下降法，它的中心思想是调整权值，使网 络总误差最小。也就是采用梯度搜索技术，使网络的实际输出值与期望输出值的 误差均方值为最小。网络学习过程是一种误差边向后传播边修正权系数的过程。 如图4 1 0 所示，多层网络运用b p 学习算法时实际包含了正向和反向传播两个 阶段。 误差信号 - ， 图4 1 0 b p 网络学习过程 f i g 4 - l0l e a r np r o c e s so fb pn e t w o r k ( 1 ) 工作信号正向传播：输入信号从输入层经隐藏层，传向输出层，在输出端 产生输出信号，这是工作信号的正向传播。在信号的向前传递过程中网络的权值 3 9 北京交通人学硕十学位论文 是固定不变的，每一层神经元的状态只影响下一层神经元的状态。如果在输出层 不能得到期望的输出，则转入误差信号反向传播。 ( 2 ) 误差信号反向传播：网络的实际输出与期望输出之间差值即为误差信号， 误差信号由输出端开始逐层向前传播，这是误差信号的反向传播。在误差信号反 向传播的过程中，网络的权值由误差反馈进行调节。通过权值的不断修正使网络 的实际输出更接近期望输出。 将上一层节点的输出传送到下一层时，网络通过调整连接权系数w ，来达到增 强或削弱这些输出的作用。除了输入层的节点外，隐含层和输出层节点的净输入 是前一层节点输出的加权和。每个节点的激活程度由它的输入信号、激活函数和 节点的偏置( 或阈值) 来决定。但对于输入层，这一层节点的输出就等于其输入。需 要注意的是，这种网络没有反馈存在，实际运行仍是单向的，所以不能将其看成 是一非线性动力学系统，而只是一种非线性映射关系。 在训练网络的学习阶段，设有个训练样本，先假定用其中的某一个样本p 的 输入输出模式对 x ，) 和 r ，) 对网络进行训练，隐含层的第f 个神经元在样本p 作用下的输入为： 。 丝 ，z p 垆= 嘞哆一只( 汪1 ，2 ，q ) ( 4 1 5 ) = i 式中，z ? 和d ? 分别为输入节点，在样本p 作用时的输入和输出，对输入节点 而言两者相当；w ，为输入层神经元，与隐含层神经元f 之间的连接权值；谚为隐含 层神经元f 的阈值；m 为输入层的节点数，即输入的个数。 隐含层第i 个神经元的输出为： 鲈= g ( n e t f ) ( i = 1 ，2 ，g ) 式中，g ( ) 为激活函数。 对于s i g m o i d 型激活函数 g ( 工) 2 瓦丽乏1 丽 。( 4 - 1 6 ) ( 4 - 1 7 ) 式中，参数岛表示偏值，正的鼠使激活函数水平向左移动；鼠的作用是调节 s i g m o i d 函数形状的，较小的皖使s i g m o i d 函数逼近一个阶跃限幅函数，而较大的 皖将使s i g m o i d 函数变得较为平坦。 隐含层激活函数g ( ，z e 垆) 的微分函数为： g ( n e t f ) = g ( ，z e 垆) 1 一g ( n e 垆) = o f ( 1 一o f ) ( i = l ，2 ，q ) ( 4 1 8 ) 隐含层第f 个神经元的输出d l ；p 将通过权系数向前传播到输出层第k 个神经元 并作为它的输入之一，而输出层第k 个神经元的总输入为： 嚣8 缮：兰筇一最( 露：i ，2 ， 三) ( 4 - 1 9 ) 式中，为隐含层神经元f 与输出层神经元七之间的连接权值；俄为输出层神 基- f b p 神经网络的管道泄漏点定位 经元k 的阈值；q 为隐含层的节点数。 输出层的第k 个神经元的实际输出为： 0 。p = g ( n e t f ) ( k = 1 ，2 ，l ) 输出层激活函数g ( n e t f ) 的微分函数为 ( 4 - 2 0 ) g ( 以p f f ) = g ( n e t ) 1 一g ( n e t ) 】= d f ( 1 一d f ) ( 奄= 1 ，2 ，l ) ( 4 - 2 1 ) 若其输出与给定模式对的期望输出f f 不一致，则将其误差信号从输出端反向 传播回来，并在传播过程中对加权系数不断修正，直到在输出层神经元上得到所 需要的期望输出值t ，p 为止。对样本p 完成网络权系数调整后，再送入另一样本模 式对进行类似学习，直到完成个样本的训练学习为止。 传统b p 网络具有思路清晰，结构严谨，工作状态稳定，可操作性强等特点， 由于很好的逼近非线性映射的能力，b p 神经网络可应用于信息处理、图像识别、 模型辨识、系统控制等多个方面，但它仍然存在以下几个缺陷【3 q ： ( 1 ) 陷入局部极小问题。这是因为b p 算法是建立在随机梯度下降法的基础上， 它是随机逼近的一个特例。网络的极值通过沿局部改善的方向一步一步进行修正， 力图达到使误差函数e 最小化的全局解，但实际上常得到的是局部最优点。 ( 2 ) 收敛速度慢。学习过程中，误差下降慢，学习速度缓，易出现一个长时间 的误差平坦区，即出现平台。它的主要原因是某些结点的输出大，它对权值小的 变化不敏感，从而使其收敛速度慢。所以，b p 神经网络不适合于多极值函数的逼 近。 ( 3 ) 网络结构选择不一。网络过大，在训练中效率不高，而且还会由于过拟合 造成网络性能脆弱，容错性下降，浮点溢出，而太小的网络可能根本不收敛。在 实际应用中，网络结构人为性较大，缺乏规则指导。 由于b p 网络存在以上的问题，所以需要对其进行改进。许多人对b p 网络的 学习算法进行了广泛的研究，提出了许多改进的算法，主要有引入惯性项、引入 动量项和变尺度等典型方法【37 1 。 ( 1 ) 引入惯性项 有时为了使收敛速度加快，可在加权系数修正公式中增加一个惯性项，使加 权系数变化更平稳。 输出层的任意神经元k 在样本p 作用时的加权系数改进公式为： w k , ( k + 1 ) = w k i ( k ) + 7 7 群g p + 口 ( 尼) 一w 盯( 尼一1 ) 】 隐含层的任意神经元f 在样本p 作用时的加权系数改进公式为： w o ( k + 1 ) = w , j ( k ) + , 7 4 p o ? + 口 心( 尼) 一w o ( k 一1 ) 】 式中，口为惯性系数，0 口 o ：口为动量项因子，o 口 e x c i t i n g ，在路径中找到要添加的控件实现。 控件在进行应用过程叶，为了使其适应不同的画| 生| 要求必须进行扫j 始化， 设置其一些届性包括图线栩细、坐标轴刻度和图例等等；最后利用a d d p o i n t 方 法添加点，绘制图形，如图6 - 9 所示。 图6 - 9 压力曲线幽 f i g6 - 9 t h e p r e s s u r e c u r v e c h 盯 如图6 - 8 所示，报警模块包括对话框提示和地图显示。在对话框中提示系统 判断的泄漏时问和泄漏点定位；地图显示模块是一个可视化报警模块，j f 常工作 的时候在地图中显示管道的分布情况，在判断泄漏后，可以在地图中标出管道泄 漏的位置。 4 历史数据模块 通过检测界面历史查询菜单，系统可以调出处理过的压力数据、曲线图和报 警记录。利_ 【 v b 中的m s h p l e x g r i d 控件可以简单的完成表格设计，报警记录是 按报警的时间顺序记录的，包括日期、时间、压力和泄漏点位置。除了按时f n j 顺 北京变通人学硕士学位论文 序排列，系统也支持按时问区间查询报警信息。如罔6 - 1 0 所示，在数据查询区可 以选择需要查询的时问区问，其中下来菜单会自动获得表格中的数据供用户选择； 点击刷新按钮可以恢复全部数据显示。 国昏1 0 报警记录青询界面 f i g 6 - 1 0 i n t e r f a c e f o r a l a r m ，r e c o r da n d i n q u i r y 采集数据可以用图线和表格两种方式显示，其中图线方式如图6 - 9 所示。表格 方式除了提供按采集时间顺序排序外。和报经查询一样也提供用户自定义时间段 查找方式。如图6 _ l l 所示。 f “$ 图6 - 1 1 生产记录查询界面 f i g 6 _ 1 li n t e m e e f o r p r o d u c t i o n r h 嘞 管道泄漏定位系统软件设计 需要额外指出的是，由于压力变送器输出的电流只能精确n d , 数点后3 位， 而在一个采样周期l o o m s 内压力变化很小，考虑提高整个检测系统的运行效率， 所以历史数据存储的压力间隔为l s 。 6 2 2m a t l a b 算法 本实验的主要算法都是通过m a t a b 实现，主要包括数据读取和预处理和神经 网络诊断两部分。其中预处理包括滑动滤波、小波包消噪、特征向量的提取。神 经网络输出结果将被保存，通过v b 界面程序查询判断是否泄漏，如图6 一1 2 所示， m a t l a b 算法流程图。 否 差 = 滑动