基于改進(jìn)差分進(jìn)化算法的神經(jīng)網(wǎng)絡(luò)管道泄漏檢測

高丙坤 任秀菊

(東北石油大學(xué)電氣信息工程學(xué)院，黑龍江 大慶 163318)

隨著城市發(fā)展速度的加快、規(guī)模的擴(kuò)大和天然氣行業(yè)的不斷擴(kuò)展，使得天然氣網(wǎng)絡(luò)傳輸系統(tǒng)逐漸擴(kuò)展，網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜性加大，并且很多管線所穿越區(qū)域包括人口密集區(qū)、商業(yè)區(qū)及環(huán)境脆弱區(qū)等。此外，隨著大慶油田天然氣產(chǎn)量的逐年增長和天然氣業(yè)務(wù)的迅速發(fā)展，對(duì)外輸?shù)臍饬勘厝粫?huì)迅速增加。上述一系列因素都對(duì)天然氣管道的安全、平穩(wěn)和正常運(yùn)行提出了更加嚴(yán)格的要求。同時(shí)由于各種人為和自然因素的存在，如：偷盜、管道劣化、腐蝕、老化及自然災(zāi)害等，天然氣管道運(yùn)行中的一些重大安全隱患會(huì)凸顯出來。一方面可以對(duì)天然氣管道進(jìn)行風(fēng)險(xiǎn)管理(識(shí)別、分析、估算等)[1]，另一方面應(yīng)該對(duì)天然氣管道泄漏檢測技術(shù)和方法進(jìn)行深入研究。

目前研究、應(yīng)用管道泄漏檢測和定位的方法諸多,但一般可將其劃分為三大類,即基于信息、基于模型和基于知識(shí)的方法[2]。這些方法多用于輸油管道的泄漏檢測和定位，并已經(jīng)取得了不錯(cuò)的實(shí)際應(yīng)用效果。宋志強(qiáng)等提出利用漏磁信號(hào)來檢測管道缺陷的方法，但該方法要求將管道進(jìn)行清掃，盡可能除去管道內(nèi)的雜質(zhì)和碎片[3]。由于輸氣管道與輸油管道自身特性的不同,有些檢測方法并不能直接用于對(duì)氣體管道進(jìn)行泄漏檢測,因此根據(jù)氣體管道流動(dòng)的特性研究與其相適應(yīng)的泄漏檢測與定位方法是很必要的。

筆者依據(jù)天然氣管道特點(diǎn)和常規(guī)泄漏檢測方法存在的不足之處,提出了將神經(jīng)網(wǎng)絡(luò)與差分進(jìn)化算法相結(jié)合的天然氣泄漏預(yù)測方法[4]，從而避免了建立管道數(shù)學(xué)模型的復(fù)雜性，進(jìn)一步提高了泄漏檢測精度。并通過實(shí)際采集的某管道的泄漏數(shù)據(jù)作為數(shù)據(jù)網(wǎng)絡(luò)的學(xué)習(xí)和驗(yàn)證數(shù)據(jù),證明了該方法的有效性。

1 差分進(jìn)化算法及其改進(jìn)①

1.1 差分進(jìn)化算法的原理

差分進(jìn)化(DE)算法實(shí)質(zhì)上是基于種群進(jìn)化和實(shí)數(shù)編碼的一種隨機(jī)搜索算法，問題求解方式是采用種群間個(gè)體的競爭與合作來進(jìn)行的，競爭與合作是通過算法的變異、交叉和選擇3個(gè)基本操作來完成的。DE算法的基本思想是：進(jìn)行隨機(jī)的種群初始化，在所求解的問題空間，將隨機(jī)的兩個(gè)個(gè)體矢量通過相減加權(quán)操作來構(gòu)成下一步所需的變異矢量，然后以一定的概率，將個(gè)體的父代與變異得到的個(gè)體進(jìn)行交叉操作，進(jìn)而得到試驗(yàn)個(gè)體，隨后以適應(yīng)度大小為依據(jù)在父代個(gè)體與試驗(yàn)個(gè)體之間選擇適應(yīng)度最好的那個(gè)個(gè)體作為新的子代，之后循環(huán)進(jìn)行，直至得到問題的最優(yōu)解[5]。

1.1.1初始化

首先在所優(yōu)化或所求的問題的可行解空間Ω中隨機(jī)產(chǎn)生初始種群P(G)={x1G,x2G，…，xiG,…,xNPG},G∈{0,1,…,gmax},G=0時(shí)代表初始化種群，gmax為最大允許的進(jìn)化代數(shù)，xiG為第G代種群中的第i個(gè)個(gè)體，NP為種群中的個(gè)體總數(shù)。其中xjG=(xj1G,xj2G,…,xjDG)稱為P(G)中的一個(gè)個(gè)體，j=1,2,…,NP,每個(gè)xjG表示所求問題的一個(gè)候選解。

1.1.2變異操作

利用變異策略以父代的種群個(gè)體為基礎(chǔ)來生成新種群的個(gè)體進(jìn)入中間代是變異操作的基本思想，因此得到新的候選個(gè)體是執(zhí)行變異操作的最終目的，用變異操作來使種群的多樣性增加，進(jìn)而使種群在其引導(dǎo)下向所期望的方向發(fā)展變化。

差分矢量和另外的由隨機(jī)選擇產(chǎn)生的個(gè)體矢量相加就生成了變異矢量，為此每個(gè)目標(biāo)矢量xiG的變異操作定義為：

viG+1=xr3G+F(xr1G-xr2G)

(1)

其中r1、r2、r3在[1,2,…,NP]之間，為隨機(jī)選擇的與i互不相同的3個(gè)數(shù)；F為縮放因子，差分矢量的幅值由它控制，通常為固定實(shí)數(shù)，取值范圍為[0,2]。

1.1.3交叉操作

為了增加種群的多樣性，利用交叉操作來擾動(dòng)原始種群的個(gè)體分布，進(jìn)而產(chǎn)生新的種群個(gè)體。算法的基本思路是：將目標(biāo)矢量xi,jG與新生成的變異個(gè)體vi,jG+1進(jìn)行交叉操作，進(jìn)而產(chǎn)生所需的試驗(yàn)矢量ui,jG+1。此外，為保證xi,jG個(gè)體的進(jìn)化，先通過隨機(jī)選擇使ui,jG+1的值至少有一位由vi,jG+1貢獻(xiàn)，而其他位由交叉概率因子CR來決定ui,jG+1中的哪一位由vi,jG+1貢獻(xiàn)，哪一位由xi,jG貢獻(xiàn)，交叉操作可表示為：

(2)

其中，CR∈[0,1]，rand(D)產(chǎn)生[1,D]之間的隨機(jī)整數(shù)，這是為了保證試驗(yàn)矢量ui,jG+1中至少有一維變量由變異矢量貢獻(xiàn)，避免試驗(yàn)矢量與目標(biāo)矢量相同而無法產(chǎn)生新的個(gè)體。

1.1.4選擇操作

在種群規(guī)模恒定的情況下選擇操作的作用是將不適應(yīng)環(huán)境的個(gè)體進(jìn)行淘汰，進(jìn)而使種群中的優(yōu)良個(gè)體保留下來，從而使種群沿著期望的方向進(jìn)行進(jìn)化，最終使整個(gè)種群向最終最優(yōu)值收斂。差分進(jìn)化采用“貪婪“搜索策略，在原種的種群個(gè)體與交叉操作后產(chǎn)生的試驗(yàn)個(gè)體之間進(jìn)行選擇，即讓具有最優(yōu)適應(yīng)度的個(gè)體進(jìn)入下一代。也就是將變異、交叉操作后生成的試驗(yàn)個(gè)體ui，jG+1與xi,jG進(jìn)行競爭操作，當(dāng)ui,jG+1的適應(yīng)度比xi,jG優(yōu)秀時(shí)被選作子代繼續(xù)進(jìn)化，反之，則將直接使用xi,jG作為子代進(jìn)行進(jìn)化，選擇操作可表示為：

(3)

式中f(xi,jG)——第G代第i個(gè)個(gè)體的適應(yīng)度。

1.2 改進(jìn)的DE算法

1.2.1算法描述

收斂性和收斂速度受交叉概率因子CR和縮放因子F取值的影響[6]。對(duì)于交叉因子CR而言：實(shí)踐表明，在初始階段較小的CR值能提高全局搜索能力，而在后期用較大的CR值，有利于加速收斂,增強(qiáng)局部開發(fā)能力，有利于DE算法性能的提高；而對(duì)于縮放因子F而言：較大的F初值,有利于收斂到最優(yōu),后期較小的F值,能加快收斂速度以保證其收斂性。

筆者采用自適應(yīng)變異算子和縮放因子的方法使其能根據(jù)算法的搜索進(jìn)展情況,自適應(yīng)地確定變異率和縮放因子的值，即使CR隨進(jìn)化代數(shù)的增加自適應(yīng)地遞增，初期較小以提高全局搜索能力；后期較大以加速收斂，提高局部開發(fā)能力。F隨進(jìn)化代數(shù)的增加自適應(yīng)地遞減，初期有較大的變異率并保持個(gè)體的多樣性，避免早熟；后期逐步降低變異率，保留優(yōu)良信息，避免最優(yōu)解遭到破壞，增加了搜索到全局最優(yōu)解的概率。具體公式為：

(4)

(5)

(6)

(7)

其中，Gmax為最大進(jìn)化代數(shù)，G為當(dāng)前進(jìn)化代數(shù)，rand產(chǎn)生0～1之間的隨機(jī)數(shù)，F(xiàn)0、CR0根據(jù)實(shí)際效果設(shè)置。

由式(4)～(6)可知自適應(yīng)的F值和CR值使算法在初期保持了種群的多樣性和適當(dāng)?shù)氖諗克俾剩谒惴ê笃谟质故諗克俾屎颓蠼獾木鹊玫搅颂岣撸傊顾惴染邆淞溯^強(qiáng)的全局搜索能力又擁有了較強(qiáng)的局部搜索能力，提高了DE算法的性能。

1.2.2仿真實(shí)驗(yàn)

筆者將基本DE算法與改進(jìn)后的DE算法進(jìn)行比較，參數(shù)設(shè)置為：F=0.8，CR=0.6，Gmax=1 000，多次仿真發(fā)現(xiàn)，當(dāng)F0=0.1、CR0=0.1時(shí)性能最好。分別測試NP=50和NP=100時(shí)的運(yùn)行結(jié)果，每個(gè)測試各自獨(dú)立運(yùn)行20次，記錄20次結(jié)果的平均值和標(biāo)準(zhǔn)差，對(duì)比結(jié)果見圖1和表1。

a. Griewangk函數(shù)

b. Sphere函數(shù)

測試函數(shù)種群數(shù)(NP),進(jìn)化代數(shù)(Gmax)DE算法改進(jìn)的DE算法平均值標(biāo)準(zhǔn)差平均值標(biāo)準(zhǔn)差Griewank50,1 0001.926 3×10-42.152 2×10-42.111 0×10-75.128 8×10-7100,1 0003.546 5×10-67.848 8×10-62.303 6×10-114.360 2×10-11Sphere50,1 0009.484 9×10-112.668 1×10-111.923 4×10-166.880 9×10-16100,1 0001.877 4×10-105.505 6×10-101.518 1×10-186.789 2×10-18

從圖1和表1可知：改進(jìn)后的DE算法在收斂速度和尋優(yōu)精度上的性能均明顯優(yōu)于DE算法，其具有了更好的全局探索和局部開發(fā)能力。

2 基于改進(jìn)DE算法的神經(jīng)網(wǎng)絡(luò)管道泄漏檢測

對(duì)于實(shí)際天然氣管道產(chǎn)生的泄漏信號(hào)而言，經(jīng)過小波消噪處理后的信號(hào)需進(jìn)一步根據(jù)其特征參數(shù)對(duì)該段管線的泄漏狀況進(jìn)行判斷[7]。因此筆者針對(duì)天然氣管道自身的特點(diǎn)和需求，搭建RBF神經(jīng)網(wǎng)絡(luò)天然氣管道泄漏判斷的模型，對(duì)經(jīng)過小波消噪處理后提取的特征值進(jìn)行泄漏判斷，并驗(yàn)證了該模型的有效性。

2.1 網(wǎng)絡(luò)結(jié)構(gòu)確定和特征選擇

將從實(shí)際天然氣管道現(xiàn)場采集的聲波和負(fù)壓波數(shù)據(jù)作為數(shù)據(jù)源[8]，從中選取部分?jǐn)?shù)據(jù)作為訓(xùn)練樣本并分別提取兩類數(shù)據(jù)源的特征參數(shù)，將其進(jìn)行歸一化處理后作為神經(jīng)網(wǎng)絡(luò)的輸入矢量。網(wǎng)絡(luò)輸出以[1 0]代表無泄漏，[0 1]代表大泄漏，[1 1]代表小泄漏。通過實(shí)際效果確定用于管道泄漏檢測的RBF網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)為三層結(jié)構(gòu)，各層節(jié)點(diǎn)數(shù)分別為6、15、2。各層傳遞函數(shù)均為s型函數(shù)logsin，輸出層為線性函數(shù)Purelin，訓(xùn)練目標(biāo)精度為0.001。

2.2 數(shù)據(jù)處理流程

數(shù)據(jù)處理的具體流程如圖2所示。

2.3 實(shí)驗(yàn)結(jié)果分析

對(duì)所搭建的網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)和訓(xùn)練,從實(shí)際采集的數(shù)據(jù)中選取了48組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，其中12組為無泄漏時(shí)的數(shù)據(jù)，36組為有泄漏時(shí)數(shù)據(jù)。為驗(yàn)證訓(xùn)練結(jié)果再選取12組作為測試樣本對(duì)網(wǎng)絡(luò)的實(shí)際性能進(jìn)行測試。表2為部分訓(xùn)練和測試結(jié)果，其中1～9號(hào)為訓(xùn)練樣本，10～12號(hào)為測試樣本。

圖2 數(shù)據(jù)處理的流程

樣本號(hào)輸入層Aavr S WAavr1 S1 W1輸出層10.063 60.117 50.026 00.050 90.060 60.113 6 1 020.002 70.112 30.090 90.081 00.056 40.013 0 1 030.095 30.096 70.084 50.112 20.120 50.054 5 1 040.845 80.892 10.736 10.835 10.729 50.833 9 0 150.825 70.714 60.774 30.651 30.776 10.872 9 0 160.873 80.930 20.770 90.877 80.634 00.733 4 0 170.001 60.019 00.858 70.905 80.836 80.863 1 1 180.071 80.069 30.908 40.845 40.844 20.735 3 1 190.015 40.067 60.869 90.872 80.847 80.855 5 1 1100.059 00.010 60.094 20.064 70.018 70.099 00.9873 0.002 1110.924 40.915 20.915 50.954 60.924 20.943 30.008 6 1.002 0120.068 50.002 80.923 20.866 70.792 30.918 80.999 2 1.013 1

注：Aavr、Aavr1——對(duì)應(yīng)的應(yīng)力、壓力波的平均幅值；S、S1——對(duì)應(yīng)的應(yīng)力、壓力波的變化因子；W、W1——對(duì)應(yīng)的應(yīng)力、壓力波的能量值。

從表2可以看出，該算法能對(duì)管道的不同泄漏情況進(jìn)行有效判斷，判斷誤差控制在了很小的范圍內(nèi)。

為將改進(jìn)前、后網(wǎng)絡(luò)的預(yù)測能力進(jìn)行比較，筆者采用同一組訓(xùn)練樣本和測試樣本將改進(jìn)前、后的網(wǎng)絡(luò)預(yù)測性能進(jìn)行了對(duì)比，結(jié)果見圖3和表3。

a. 普通神經(jīng)網(wǎng)絡(luò)

b. DE優(yōu)化的神經(jīng)網(wǎng)絡(luò)

算法訓(xùn)練步數(shù)測試誤差普通神經(jīng)網(wǎng)絡(luò)100(0.048 2,0.073 0) DE優(yōu)化的神經(jīng)網(wǎng)絡(luò)30(0.008 5,0.005 8)

由表3和圖3可知，DE優(yōu)化后的網(wǎng)絡(luò)在訓(xùn)練步數(shù)上和網(wǎng)絡(luò)預(yù)測誤差、精度上都有明顯提高，證明了經(jīng)過優(yōu)化后的網(wǎng)絡(luò)在天然氣管道泄漏檢測中的有效性。

3 結(jié)束語

筆者對(duì)天然氣管道的泄漏原因及其檢測泄漏的方式進(jìn)行了簡要概述，接著針對(duì)普通神經(jīng)網(wǎng)絡(luò)收斂速度慢、泄漏辨識(shí)誤差偏大的缺點(diǎn)提出利用DE算法對(duì)神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化的改進(jìn)神經(jīng)網(wǎng)絡(luò)算法。通過對(duì)基于DE優(yōu)化的神經(jīng)網(wǎng)絡(luò)泄漏檢測的可行性分析和仿真，證明了改進(jìn)算法的可行性。