一種基于模糊推理的管道泄漏定位方法
【專利摘要】本發明提供一種基于模糊推理的管道泄漏定位方法，包括：實時采集管道首末兩端的壓力信號和溫度信號；若實時采集的管道兩端的壓力信號中存在非工況調整引起的壓力突變信號，則當前管道存在泄漏點，計算壓力突變信號到達管道首末兩端的時間差；利用負壓波法、廣義遞歸神經網絡定位方法、利用溫度梯度法，定位管道泄漏點到管道首端的距離；根據利用負壓波法、廣義遞歸神經網絡定位方法、溫度梯度法定位得到的管道泄漏點到管道首端的距離，利用模糊推理算法對泄漏點進行定位。采用三種不同的定位方法對管道泄漏點進行定位，經過模糊推理，魚群算法隸屬度函數參數自適應優化，賦予三種定位結果不同的置信度，從而實現泄漏點的精確定位。
【專利說明】
一種基于模糊推理的管道泄漏定位方法
【技術領域】
[0001]本發明屬于管道檢測【技術領域】，具體涉及一種基于模糊推理的管道泄漏定位方法。
【背景技術】
[0002]隨著輸油管道的增多和管道服役時間的增長，管道運輸的安全狀態不容樂觀。很多管道的老化程度比較嚴重，且已進入泄漏事故多發期。此外，人為破壞管道竊取石油資源的現象也相當嚴重，帶來重大安全隱患。因此，管道泄漏檢測成為管道安全生產管理的重要工作內容，對管道泄漏點進行定位也成了工作中的重中之重。
[0003]目前，已經出現了溫度梯度法、負壓波法、管道模型法等多種方法實現對管道泄漏點的定位，但是，在這些方法中，有些方法簡單方便、實用性強，但是定位精度較差；而另外一些方法定位精度較準確，但是方法復雜，需要考慮多種因素。因此，設計一種定位精度高、實用性強的管道泄漏定位裝置具有重要的現實意義。
【發明內容】
[0004]針對現有技術存在的問題，本發明提供一種基于模糊推理的管道泄漏定位方法。
[0005]一種基于模糊推理的管道泄漏定位方法，包括以下步驟:
[0006]步驟1:實時采集管道首末兩端的壓力信號和溫度信號；
[0007]步驟2:判斷實時采集的管道兩端的壓力信號中是否存在壓力突變信號，是，則執行步驟3，否則返回步驟I ;
[0008]步驟3:判斷當前管道是否存在工況調整，是，則返回步驟1，否則，當前管道存在泄漏點，計算壓力突變信號到達管道首末兩端的時間差；
[0009]步驟4:利用負壓波法，根據壓力突變信號到達管道首末兩端的時間差，定位管道泄漏點到管道首端的距離；
[0010]步驟5:利用廣義遞歸神經網絡定位方法，根據壓力突變信號到達管道首末兩端的時間差，定位管道泄漏點到管道首端的距離；
[0011]步驟6:利用溫度梯度法，根據采集到的管道首末兩端的溫度信號，定位管道泄漏點到管道首端的距離；
[0012]步驟7:根據利用負壓波法、廣義遞歸神經網絡定位方法、溫度梯度法定位得到的管道泄漏點到管道首端的距離，利用模糊推理算法對泄漏點進行定位；
[0013]步驟7.1:根據歷史數據建立模糊推理規則，用來描述管道的決策條件空間與其對應的決策結果空間的關系；
[0014]所述管道的決策條件空間包括管道首末兩端的溫度差和管道首末兩端壓力差；
[0015]所述決策結果空間包括管道運行正常、管道發生泄漏和管道工況調整，其中，管道發生泄漏決策結果的三個程度模糊子集分別為嚴重泄漏、較大泄漏和小泄漏；
[0016]步驟7.2:對各管道的決策條件空間和各決策結果分別建立模糊隸屬度函數；
[0017]步驟7.3:利用魚群算法優化各模糊隸屬度函數的頂點位置和模糊隸屬度函數寬度；
[0018]步驟7.3.1:將各決策條件的模糊隸屬度函數的頂點位置和模糊隸屬度函數寬度、決策結果的模糊隸屬度函數的頂點位置和模糊隸屬度函數寬度作為基因，并將各基因任意排列構成人工魚個體形式；
[0019]步驟7.3.2:按照構成的人工魚個體形式隨機產生N組數據，即N個人工魚個體；
[0020]步驟7.3.3:分別計算N個人工魚個體的食物濃度，記錄食物濃度最大值及其對應的人工魚個體；
[0021]步驟7.3.4:設定人工魚個體的感知距離、人工魚個體移動的最大步長、擁擠度因子、尋優最大次數、食物濃度閾值；
[0022]步驟7.3.5:對人工魚個體進行尋優；
[0023]步驟7.3.5.1:確定與當前人工魚個體間距離小于感知距離的所有人工魚個體，并確定這些人工魚個體對應的模糊隸屬度函數的頂點位置的平均值及模糊隸屬度函數寬度的平均值，同時確定這些人工魚個體中食物濃度最大的人工魚個體及其食物濃度；
[0024]步驟7.3.5.2:根據聚群、追尾和覓食確定新的人工魚個體；
[0025]步驟7.3.5.3:計算新的人工魚個體的食物濃度，判斷該新的人工魚個體的食物濃度是否大于記錄的食物濃度最大值，是，則記錄該新的人工魚個體的食物濃度及其對應的人工魚個體；否則，維持記錄的食物濃度最大值；
[0026]步驟7.3.5.4:判斷是否所有人工魚個體均完成步驟7.3.5.1?步驟7.3.5.3:是，則執行步驟7.3.5.5，否則對下一條人工魚個體執行步驟7.3.5.1?步驟7.3.5.3 ；
[0027]步驟7.3.5.5:判斷是否達到尋優最大次數或者當前記錄的食物濃度最大值大于食物濃度閾值，則當前記錄的食物濃度最大值對應的人工魚個體為最優人工魚個體，進而確定優化的各模糊隸屬度函數的頂點位置和模糊隸屬度函數寬度，否則，返回步驟7.3.5.1 ；
[0028]步驟7.4:根據確定的優化的各模糊隸屬度函數的頂點位置和模糊隸屬度函數寬度，得到管道發生泄漏決策結果對應的模糊隸屬度函數，進而得到嚴重泄漏的置信度、較大泄漏的置信度和小泄漏的置信度；
[0029]步驟7.5:將嚴重泄漏的置信度、較大泄漏的置信度和小泄漏的置信度分別作為利用負壓波法、溫度梯度法、廣義遞歸神經網絡定位方法定位得到的管道泄漏點到管道首端的距離的置信度，計算管道泄漏點到管道首端的距離&:
COfirK, +coJ\x,+COfl-W
[0030]xL =-廣 i f 丄 r~
?)/丨)十 α)/丨-TCOf2
[0031]其中，cof^、Cof1和Cof2分別為利用負壓波法、廣義遞歸神經網絡定位方法、溫度梯度法定位得到的管道泄漏點到管道首端的距離的置信度，X1 > X2和X3分別為利用負壓波法、廣義遞歸神經網絡定位方法、溫度梯度法定位得到的管道泄漏點到管道首端的距離。
[0032]有益效果:
[0033]采用三種不同的定位方法對管道泄漏點進行定位，利用壓力信號到達管道首末端的時間差實現了基于管道機理模型的負壓波定位和基于數據驅動方法的廣義遞歸神經網絡模型定位，同時，利用管道首末端的溫度信號實現了基于溫度梯度的定位；對上述三種定位結果進行二次定位，經過模糊推理，魚群算法隸屬度函數參數自適應優化，賦予三種定位結果不同的置信度，從而實現泄漏點的精確定位。
【專利附圖】
【附圖說明】
[0034]圖1為本發明一種實施方式的基于模糊推理的管道泄漏定位裝置結構框圖；
[0035]圖2為本發明一種實施方式的第一信號調理模塊的電路原理圖；
[0036]圖3為本發明一種實施方式的A/D轉換芯片與FPGA的接口電路圖；
[0037]圖4為本發明一種實施方式的基于模糊推理的管道泄漏定位方法流程圖；
[0038]圖5為本發明一種實施方式模糊推理方法流程圖；
[0039]圖6為本發明一種實施方式優化運行狀態和決策結果的隸屬度函數參數優化流程圖。
【具體實施方式】
[0040]下面結合附圖對本發明的【具體實施方式】做詳細說明。
[0041]本實施方式中，實現基于模糊推理的管道泄漏定位方法所采用的基于模糊推理的管道泄漏定位裝置，如圖1所示，該裝置包括壓力傳感器模塊、溫度傳感器模塊、第一信號調理模塊、第二信號調理模塊、第一 A/D轉換模塊、第二 A/D轉換模塊和FPGA中央處理單元，其中FPGA中央處理單元模塊包括時序控制模塊和基于模糊推理的泄漏定位模塊，時序控制模塊用于產生A/D轉換模塊的工作時序，基于模糊推理的泄漏定位模塊包括負壓波定位模塊、廣義遞歸神經網絡定位模塊、溫度梯度定位模塊和模糊推理模塊。
[0042]壓力傳感器模塊的型號為PT500-502，溫度傳感器模塊的型號為PT100，第一 A/D轉換模塊和第二 A/D轉換模塊的型號均為ADS7844，FPGA中央處理單元模塊的型號為EP3C25Q240C8。
[0043]壓力傳感器和溫度傳感器均安裝在管道首末兩端，分別采集管道首端和末端的壓力和溫度信號，壓力傳感器輸出端連接第一信號調理模塊的輸入端，溫度傳感器輸出端連接第二信號調理模塊的輸入端，第一信號調理模塊的輸出端、第二信號調理模塊的輸出端分別連接第一 A/D轉換模塊的輸入端和第一 A/D轉換模塊的輸入端，第一 A/D轉換模塊的輸出端、第二 A/D轉換模塊的輸出端分別連接FPGA中央處理單元的輸入端，FPGA中央處理單元的時序控制模塊分別連接第一 A/D轉換模塊和第二 A/D轉換模塊。
[0044]第一信號調理模塊的電路原理圖如圖2所示，該模塊實現信號的濾波和放大，壓力傳感器的輸出首先經過濾波電路濾波，然后經一個1K的電阻R2連接到運算放大器的反相輸入端，同相輸入端接2.5V的參考電壓，運算放大器的輸出端連接電阻R3的一端、電阻Rl的一端及電容C2的一端，電阻R3的另一端作為信號調理模塊的輸出端連接A/D轉換芯片的輸入端，電阻Rl的另一端連接運算放大器的反相輸入端，電容C2的另一端接地。本實施方式中運算放大器的型號為AD824 ο第二信號調理模塊的原理與第一信號調理模塊相同。
[0045]第一 A/D轉換模塊/第二 A/D轉換模塊與FPGA的接口電路圖如圖3所示，第一A/D轉換模塊、第二 A/D轉換模塊均采用ADS7844的A/D轉換芯片，A/D轉換芯片將電壓信號轉換為數字信號，A/D轉換芯片的6個不同的輸出端分別連接FPGA時序控制模塊的自定義I/O 口，即A/D轉換芯片的DCLK端連接FPGA的I/0.23端，A/D轉換芯片的CS端連接I/0.24端、A/D轉換芯片的Din端連接I/0.25端、A/D轉換芯片的Busy端連接I/0.26端，A/D轉換芯片的Dout端連接I/0.27端，FPGA的型號為EP3C25Q240C8。
[0046]本實施方式中，基于模糊推理的管道泄漏定位方法，如圖4所示，包括以下步驟:
[0047]步驟1:實時采集管道首末兩端的壓力信號和溫度信號；
[0048]步驟2:判斷實時采集的管道兩端的壓力信號中是否存在壓力突變信號，是，則執行步驟3，否則返回步驟I ;
[0049]步驟3:判斷當前管道是否存在工況調整，是，則返回步驟1，否則，當前管道存在泄漏點，計算壓力突變信號到達管道首末兩端的時間差；
[0050]步驟4:利用負壓波法，根據壓力突變信號到達管道首末兩端的時間差，定位管道泄漏點到管道首端的距離X1 ;
[0051]X1=I(Zjv-Af)
2
[0052]其中，L為管道的長度，V為管道輸油介質中壓力波的傳播速度，AC為管道實時壓力突變信號到達管道首末兩端的時間差；
[0053]步驟5:利用廣義遞歸神經網絡定位方法，根據壓力突變信號到達管道首末兩端的時間差，定位管道泄漏點到管道首端的距離X2 ;
[0054]基于廣義遞歸神經網絡模型建立的理論時間差Λ t與泄漏位置X的對應關系Z =F(At),利用壓力突變信號到達管道首、末端的時間差，定位出管道泄漏點到管道首端的距離X2 ；
[0055]步驟5-1:從管段首端開始，到末端為止(全長為L)，構造模擬泄漏位置序列Z ={O, Z1, Z21,…，ZJ，I為單位步長，I越小，定位精度越高；
[0056]步驟5-2:計算負壓波在管道介質中的傳播速度；
[0057]V (Z) = {v (O)，V (Z1)，V (Z21)，…，V (Zl) }
[0058]和管道內傳輸介質的流速
[0059]u (Z) = {u (O), u (Z1), u (Z21),..., u (Zl) }；
[0060]步驟5-3:構建模擬泄漏位置對應的理論時間差序列Λ t = { Λ ^ Λ Λ t21,…，AtL}，其中
?>ΧIi./.1
「00611 Δ/ = -dx — -dx
L 」Ji) V(Z) -U(Z)^Z)-hu(Z)
[0062]步驟5-4:建立基于模擬泄漏位置對應的理論時間差序列的廣義遞歸神經網絡模型，利用歷史數據進行訓練；
[0063]步驟5-5:將管道實時壓力突變信號到達管道首末兩端的時間差作為廣義遞歸神經網絡模型的輸入，廣義遞歸神經網絡模型的輸出為管道泄漏點到管道首端的距離x2。
[0064]步驟6:利用溫度梯度法，根據采集到的管道首末兩端的溫度信號，定位管道泄漏點到管道首端的距離X3 ;
[0065]根據管道首端的溫度數據、管道的流量信息和管道固有特性構建管道泄漏溫度下降曲線1，再根據管道末端的溫度數據、管道的流量信息和管道固有特性構建管道泄漏溫度上升曲線2，利用曲線I和曲線2的交點定位出管道泄漏點到管道首端的距離X3 ；
[0066]具體步驟如下:
[0067]步驟6-1:構建管道泄漏溫度下降曲線1，公式如下:
KinD ‘Ki π?)、 / KnDX、
[0068]t2 ^t0--—— + (廣丨 ~tQ + —exp(----)
CC.Kj C.
[0069]其中，t2表示到首端距離為X處的溫度，t0表示X處周圍介質的溫度，K表示介質傳熱系數，i表示管道的水力坡降，D表示管道直徑，C表示比熱容，h表示管道首端溫度，G表示流量。
[0070]步驟6-2:構建管道泄漏溫度上升曲線2，公式如下:
r nKinD tKhiD、 t KnDX ,
[0071]ι4 = l() + ■ (I W1--^^)CXP(———)
[0072]其中，t4表示到末端距離為X處的溫度，t3表示管道末端溫度。
[0073]步驟6-3:利用管道泄漏溫度下降曲線I和管道泄漏溫度上升曲線2的交點，定位出管道泄漏點距離管道首段的距離x3。
[0074]步驟7:根據利用負壓波法、廣義遞歸神經網絡定位方法、溫度梯度法定位得到的管道泄漏點到管道首端的距離，利用模糊推理算法對泄漏點進行定位；
[0075]如圖5所示，具體步驟如下:
[0076]步驟7.1:根據歷史數據建立模糊推理規則，用來描述管道的決策條件空間與其對應的決策結果間的關系；
[0077]管道的決策條件空間包括管道首末兩端的壓力差和溫度差；
[0078]決策結果空間包括管道運行正常、管道發生泄漏和管道工況調整，其中，管道發生泄漏決策結果的三個泄漏程度模糊子集分別為嚴重泄漏、較大泄漏和小泄漏；
[0079]模糊推理規則Ri的文字描述形式如下:
[0080]Ri:If運行狀態屬于決策條件空間的子集，
[0081]then當前管道運行狀況的決策結果是...。
[0082]管道的決策條件空間C = {Cl，c2}，其中C1代表首末兩端溫度差，C2代表首末兩端壓力差，D表示決策結果空間，決策條件C」(j = I, 2)表示管道運行狀態,D= {(^，‘屯},其中Cl1代表運行正常，d2代表發生泄漏，d3代表調節工況。
[0083]步驟7.2:對各管道的決策條件空間和各決策結果分別建立模糊隸屬度函數；
[0084]決策條件空間中每一類決策條件表示的運行狀態被劃分為5個程度的模糊子集，當前運行狀態屬于每一個模糊子集的隸屬度為E = {e0, e1；..., e4}, ek(k = 0, I,...4)代表由該決策條件表示的運行狀態偏離其正常值的程度；每一類決策結果同樣被劃分為3個程度模糊子集，每一類決策結果屬于其對應的模糊子集的隸屬度為F = {f0, f1； f2}，fk(k =0，I, 2)表示該類決策結果可能性的程度。
[0085]步驟7.3:利用魚群算法優化各模糊隸屬度函數的頂點位置和模糊隸屬度函數寬度；
[0086]如圖6所示，具體步驟如下:
[0087]步驟7.3.1:將各決策條件的模糊隸屬度函數的頂點位置和模糊隸屬度函數寬度、決策結果的模糊隸屬度函數的頂點位置和模糊隸屬度函數寬度作為基因，并將各基因任意排列構成人工魚個體形式；
[0088]將運行狀態Cj的模糊隸屬度函數進行實數編碼為Wj1Wf Vj5Wj5作為一個基因,Vji=(i = I, 2…5)表示運行狀態Cj中第i個隸屬度函數的頂點位置,Wji表示運行狀態Cj中第i個隸屬度函數寬度；將決策結果火的模糊隸屬度函數進行實數編碼為:CrtZrtCrfZrfCriZri作為一個基因，cri (i = I, 2，3)表示決策結果火中第i個隸屬度函數的頂點位置，Zri表示決策結果4中第i個隸屬度函數寬度。將由運行狀態得到的2個基因同由決策結果得到的3個基因任意排列構成一個人工魚個體形式X。
[0089]步驟7.3.2:按照構成的人工魚個體形式隨機產生N組數據，即N個人工魚個體，N=50 ；
[0090]每組數據均在其所對應的隸屬度函數論域內，則每一組數據可視為一個人工魚Xi, i = 1,2, - ,50 ；
[0091]步驟7.3.3:分別計算N個人工魚個體Xi的食物濃度，記錄食物濃度最大值及其對應的人工魚個體；
[0092]食物濃度Y (Xi)公式如下:
[0093]./ I 1-/- , 5Hllll(VV)1., VV..),.1mill(U;'、, U;.,)
[0094]步驟7.3.4:設定人工魚個體的感知距離T、人工魚個體移動的最大步長St印、擁擠度因子P、尋優最大次數NUM為200、食物濃度閾值Tm ；
[0095]步驟7.3.5:對人工魚個體進行尋優；
[0096]步驟7.3.5.1:確定與當前人工魚個體間距離小于感知距離的所有人工魚個體，并確定這些人工魚個體對應的模糊隸屬度函數的頂點位置的平均值及模糊隸屬度函數寬度的平均值，同時確定這些人工魚個體中食物濃度最大的人工魚個體及其食物濃度；
[0097]令Clij = I I X1-Xj I I表示人工魚Xi和Xj之間的距離；
[0098]確定人工魚Xi的鄰域(即Clij < T)內的人工魚條數s (包括Xi本身)，即確定與當前人工魚個體間距離小于感知距離的所有人工魚個體，將s條人工魚任意排列，表示為:
[0099]X”X2，…，Xi，…Xs，取P 為:
Γη1ηη1Σν^/1 Σ wM Σν^5Σ zJki Σ6>3 Σ Zfti甘
LU I υυ」f=i/=ι /=i/=i /=i/=i /=i共
?.，-- * * 595 * ' ?95***55* * * 9
SSSSSSSS
中，P表示此鄰域Clij < T魚群的中心位置，Vfji (i = 1,2,…5)表示第f條人工魚Xf的運行狀態h中第i個隸屬度函數的頂點位置，表示第f條人工魚Xf的運行狀態h中第i個隸屬度函數寬度，Cfki表示第f條人工魚Xf的決策結果dk中第i個隸屬度函數的頂點位置，Zfki表示第f條人工魚Xf的決策結果dk中第i個隸屬度函數寬度。選取X1J2,…，Xi，...Xs中食物濃度最大的人工魚，標記為Xmax,分別計算Xmax的食物濃度Y(Xmax)和中心位置的食物濃度Y (P)。
[0101]步驟7.3.5.2:根據聚群、追尾和覓食確定新的人工魚個體；
[0102](I)聚群
[0103]如果滿足Y (P)/(s-Ι) > P.Y(Xi)且Y(Xi) < Y(P)的條件時，則根據
P-X
[0104]^ ' =X, +rand()-step-^p_x^ 得到新的個體魚 Xinext。(rand()為隨機產生的
O?I范圍內的隨機數)。
[0105](2)追尾
[0106]如果滿足Y (Xmax) / (s-Ι) > P.Y (Xmax)且 Y (Xi) < Y (Xmax)的條件時，則根據\ = Xi + rand0.step.: ^ ^得到的新人工魚Xinext。如果聚群和追尾的條件同時滿足，則比較Y (Xmax)和Y (P)，按照值較大的方式進行移動。
[0107](3)覓食
[0108]如果⑴和⑵兩個條件都不滿足，則在人工魚Xi的鄰域內(即Clij < T)中隨機
X — X
選擇一個人工魚Xj，若Y(Xi) <Y(Xj)，根據An = Xi +randO-step.^得到新的人工魚Ximxt ;否則重新隨機選擇重復判斷，若反復5次后仍不滿足條件，則按照
[0109]Xinext = Xj+rand ().step 隨機得到 Xinexto
[0110]計算新的人工魚Xinext的食物濃度Y (Xinext)。
[0111]步驟7.3.5.3:計算新的人工魚個體的食物濃度，判斷該新的人工魚個體Xinrait的食物濃度Y(Xinrart)是否大于記錄的食物濃度最大值，是，則記錄該新的人工魚個體的食物濃度及其對應的人工魚個體；否則，維持記錄的食物濃度最大值；
[0112]步驟7.3.5.4:判斷是否所有50條人工魚個體均完成步驟7.3.5.1?步驟7.3.5.3:是，則執行步驟7.3.5.5，否則對下一條人工魚個體執行步驟7.3.5.1?步驟
7.3.5.3 ;
[0113]步驟7.3.5.5:判斷是否達到尋優最大次數200或者當前記錄的食物濃度最大值大于食物濃度閾值Tni，則當前記錄的食物濃度最大值對應的人工魚個體為最優人工魚個體，進而確定優化的各模糊隸屬度函數的頂點位置和模糊隸屬度函數寬度，否則，將新個體魚作為Xi，返回步驟7.3.5.1 ；
[0114]步驟7.4:根據確定的優化的各模糊隸屬度函數的頂點位置和模糊隸屬度函數寬度，得到管道發生泄漏決策結果對應的模糊隸屬度函數，進而得到嚴重泄漏的置信度、較大泄漏的置信度和小泄漏的置信度；
[0115]步驟7.5:將嚴重泄漏的置信度、較大泄漏的置信度和小泄漏的置信度分別作為利用負壓波法、溫度梯度法、廣義遞歸神經網絡定位方法定位得到的管道泄漏點到管道首端的距離的置信度，計算管道泄漏點到管道首端的距離&:
cof'x, + cof\x, + cof,.\\
[0116]Xr————^
?.ο/0 + Cf；/, +COf2
[0117]其中，cof^、Cof1和Cof2分別為利用負壓波法、廣義遞歸神經網絡定位方法、溫度梯度法定位得到的管道泄漏點到管道首端的距離的置信度，X1 > X2和X3分別為利用負壓波法、廣義遞歸神經網絡定位方法、溫度梯度法定位得到的管道泄漏點到管道首端的距離。
[0118]決策結果空間中的d2代表發生泄漏，其3個泄漏程度模糊子集為:嚴重泄漏(&)、較大泄漏(f\)和小泄漏(f2)，其相應的置信度分別為COf^COf1和COf2，分別將該三個置信度等同于利用負壓波法、廣義遞歸神經網絡定位方法定位、溫度梯度法得到的管道泄漏點到管道首端的距離的置信度，進而完成泄漏點定位。
【權利要求】
1.一種基于模糊推理的管道泄漏定位方法，其特征在于:包括以下步驟: 步驟1:實時采集管道首末兩端的壓力信號和溫度信號； 步驟2:判斷實時采集的管道兩端的壓力信號中是否存在壓力突變信號，是，則執行步驟3，否則返回步驟I ; 步驟3:判斷當前管道是否存在工況調整，是，則返回步驟1，否則，當前管道存在泄漏點，計算壓力突變信號到達管道首末兩端的時間差； 步驟4:利用負壓波法，根據壓力突變信號到達管道首末兩端的時間差，定位管道泄漏點到管道首端的距離； 步驟5:利用廣義遞歸神經網絡定位方法，根據壓力突變信號到達管道首末兩端的時間差，定位管道泄漏點到管道首端的距離； 步驟6:利用溫度梯度法，根據采集到的管道首末兩端的溫度信號，定位管道泄漏點到管道首端的距離； 步驟7:根據利用負壓波法、廣義遞歸神經網絡定位方法、溫度梯度法定位得到的管道泄漏點到管道首端的距離，利用模糊推理算法對泄漏點進行定位； 步驟7.1:根據歷史數據建立模糊推理規則，用來描述管道的決策條件空間與其對應的決策結果空間的關系； 所述管道的決策條件空間包括管道首末兩端的溫度差和管道首末兩端壓力差； 所述決策結果空間包括管道運行正常、管道發生泄漏和管道工況調整，其中，管道發生泄漏決策結果的三個程度模糊子集分別為嚴重泄漏、較大泄漏和小泄漏； 步驟7.2:對各管道的決策條件空間和各決策結果分別建立模糊隸屬度函數； 步驟7.3:利用魚群算法優化各模糊隸屬度函數的頂點位置和模糊隸屬度函數寬度；步驟7.3.1:將各決策條件的模糊隸屬度函數的頂點位置和模糊隸屬度函數寬度、決策結果的模糊隸屬度函數的頂點位置和模糊隸屬度函數寬度作為基因，并將各基因任意排列構成人工魚個體形式； 步驟7.3.2:按照構成的人工魚個體形式隨機產生N組數據，即N個人工魚個體； 步驟7.3.3:分別計算N個人工魚個體的食物濃度，記錄食物濃度最大值及其對應的人工魚個體； 步驟7.3.4:設定人工魚個體的感知距離、人工魚個體移動的最大步長、擁擠度因子、尋優最大次數、食物濃度閾值； 步驟7.3.5:對人工魚個體進行尋優； 步驟7.3.5.1:確定與當前人工魚個體間距離小于感知距離的所有人工魚個體，并確定這些人工魚個體對應的模糊隸屬度函數的頂點位置的平均值及模糊隸屬度函數寬度的平均值，同時確定這些人工魚個體中食物濃度最大的人工魚個體及其食物濃度； 步驟7.3.5.2:根據聚群、追尾和覓食確定新的人工魚個體； 步驟7.3.5.3:計算新的人工魚個體的食物濃度，判斷該新的人工魚個體的食物濃度是否大于記錄的食物濃度最大值，是，則記錄該新的人工魚個體的食物濃度及其對應的人工魚個體；否則，維持記錄的食物濃度最大值； 步驟7.3.5.4:判斷是否所有人工魚個體均完成步驟7.3.5.1?步驟7.3.5.3:是，則執行步驟7.3.5.5，否則對下一條人工魚個體執行步驟7.3.5.1?步驟7.3.5.3 ； 步驟7.3.5.5:判斷是否達到尋優最大次數或者當前記錄的食物濃度最大值大于食物濃度閾值，則當前記錄的食物濃度最大值對應的人工魚個體為最優人工魚個體，進而確定優化的各模糊隸屬度函數的頂點位置和模糊隸屬度函數寬度，否則，返回步驟7.3.5.1 ；步驟7.4:根據確定的優化的各模糊隸屬度函數的頂點位置和模糊隸屬度函數寬度，得到管道發生泄漏決策結果對應的模糊隸屬度函數，進而得到嚴重泄漏的置信度、較大泄漏的置信度和小泄漏的置信度； 步驟7.5:將嚴重泄漏的置信度、較大泄漏的置信度和小泄漏的置信度分別作為利用負壓波法、溫度梯度法、廣義遞歸神經網絡定位方法定位得到的管道泄漏點到管道首端的距離的置信度，計算管道泄漏點到管道首端的距離&:
τ _ cof,r\ + COf2Xs 十 cyj/;.\:2
L CQfn+cqf\+COf2 其中，COf^、COf1和COf2分別為利用負壓波法、廣義遞歸神經網絡定位方法、溫度梯度法定位得到的管道泄漏點到管道首端的距離的置信度，X1^X2和X3分別為利用負壓波法、廣義遞歸神經網絡定位方法、溫度梯度法定位得到的管道泄漏點到管道首端的距離。
【文檔編號】F17D5/02GK104197203SQ201410334406
【公開日】2014年12月10日 申請日期:2014年7月14日 優先權日:2014年7月14日
【發明者】張化光, 吳振寧, 汪剛, 劉金海, 馮健, 馬大中, 王一, 寧迪, 李芳明, 盧森驤, 許相凱, 劉喆, 周坤, 趙重陽 申請人:東北大學