基于特征提取的輸油管道泄漏系數(shù)預(yù)測*

馬云路，鄭堅欽，梁永圖

(中國石油大學(xué)(北京)，北京 102249)

0 引言

我國目前油氣輸送方式主要有公路、鐵路、水路和管道運輸4種，其中，管道由于經(jīng)濟(jì)、平穩(wěn)、可連續(xù)輸送等優(yōu)勢，成為長距離油氣運輸?shù)氖走x方式[1]。但由于輸送介質(zhì)的易燃易爆屬性，一旦發(fā)生泄漏，不僅造成大量經(jīng)濟(jì)損失、污染環(huán)境[2]，還有可能發(fā)生爆炸，造成人員傷亡等重大事故[3]。此外，管道老齡化比例逐年增大[4]，帶來諸多安全隱患，1992年4月22日，墨西哥瓜達(dá)拉哈拉市汽油管道泄漏，引發(fā)連續(xù)爆炸，導(dǎo)致206人死亡[5]；2000年1月27日，廣西貴港輸油管道泄漏，油品遇明火引發(fā)連鎖反應(yīng)，致9人死亡[6]；2013年11月22日，青島市東黃輸油管道與排水暗渠交匯處管道破裂，大量原油外泄，現(xiàn)場人員施工時產(chǎn)生火花，發(fā)生爆炸事故，造成62人死亡，直接經(jīng)濟(jì)損失高達(dá)7.5億元[7-9]。因此，開展管道泄漏檢測研究十分必要。

目前，針對管道泄漏檢測比較成熟的方法包括質(zhì)量平衡法、負(fù)壓波法、實時模型法、壓力梯度法、統(tǒng)計決策法等。質(zhì)量平衡法[10]成本低、響應(yīng)快速，但只能用來檢測泄漏時間，對于加熱輸送管道需要考慮溫降對流體密度影響，一般與其他方法結(jié)合使用；負(fù)壓波法[11]原理簡單、實施方便、泄漏定位能力較強(qiáng)、精度較高，但無法預(yù)測泄漏系數(shù)，容易混淆泄漏與工況調(diào)節(jié)，誤報警率較高；實時模型法[12]靈敏度和精度高，可適用于各種復(fù)雜工況，對泄漏系數(shù)預(yù)測效果較好，但計算量大、費用高、耗時較長；壓力梯度法[13]實施簡單、費用低，但精度低，一般作為輔助方法；統(tǒng)計決策法[14]成本低廉，誤報警率低，對不同管道和不同輸送介質(zhì)的適應(yīng)能力較強(qiáng)，但對泄漏系數(shù)預(yù)測能力弱，更多用于檢測是否發(fā)生泄漏。

近年來，隨機(jī)器學(xué)習(xí)技術(shù)興起，部分學(xué)者采用基于機(jī)器學(xué)習(xí)的方法開展管道泄漏檢測研究：Wang等[15]提出基于過程與數(shù)據(jù)耦合的管道工況監(jiān)測模型，準(zhǔn)確率高達(dá)93.1%；Abdulla等[16]通過分析檢測方法缺陷，開發(fā)基于神經(jīng)網(wǎng)絡(luò)的概率決策支持系統(tǒng)，將管道入口、出口壓力和流量與泄漏狀態(tài)相關(guān)聯(lián)，用于檢測管道是否泄漏；Kayaalp等[17]將RAkELd方法用于管道泄漏檢測和定位，實驗效果良好；Zhang等[18]提出基于水熱力動態(tài)瞬態(tài)分析的液體管道泄漏檢測和定位模型，并使用改進(jìn)粒子群算法優(yōu)化模型參數(shù)；文獻(xiàn)[19-20]提出基于生成對抗網(wǎng)絡(luò)和變分自編碼器的泄漏參數(shù)估計模型，優(yōu)于傳統(tǒng)機(jī)器學(xué)習(xí)算法。但上述方法缺乏對流量、壓力等數(shù)據(jù)特征提取，模型可解釋性較差。

鑒于此，本文針對管道流量和壓力數(shù)據(jù)特點，提出2種特征提取方法，并將這2種方法與機(jī)器學(xué)習(xí)方法相結(jié)合，建立多個管道泄漏系數(shù)預(yù)測模型，其中使用均值提取法的多層感知機(jī)模型效果較好，該模型通過將均值提取法與多層感知機(jī)模型相結(jié)合，可有效降低管道時序數(shù)據(jù)特征維度，準(zhǔn)確擬合泄漏系數(shù)與流量壓力之間的非線性關(guān)系，具有較高精度和良好的抗噪性。

1 管道泄漏數(shù)據(jù)處理

由于管道泄漏樣本少，數(shù)據(jù)保密性強(qiáng)，導(dǎo)致模型訓(xùn)練樣本數(shù)據(jù)收集困難。本文參考華南成品油管道數(shù)據(jù)，為增強(qiáng)通用性，管道內(nèi)流動介質(zhì)包括92號汽油、95號汽油和0號柴油，基于瞬變流模擬管道在100 s內(nèi)的流動情況，記錄上下游流量和壓力數(shù)據(jù)，基于現(xiàn)場操作習(xí)慣，控制下游流量和上游壓力不變，不斷改變泄漏系數(shù)大小，重復(fù)多次模擬，共產(chǎn)生約20 000條數(shù)據(jù)。模型訓(xùn)練時，將管道泄漏系數(shù)作為標(biāo)簽進(jìn)行監(jiān)督學(xué)習(xí)，管道基本參數(shù)見表1，流量和壓力如圖1所示。由于長輸管道沿途地形起伏，需要考慮高程差影響，一般使用壓力指代壓強(qiáng)，以m作為單位，表示相同高度水柱產(chǎn)生的壓強(qiáng)。

為分析各模型抗噪性，分別對數(shù)據(jù)添加1%，2%，3%，4%，5%的噪聲，添加5%噪聲后流量和壓力如圖2所示。原始數(shù)據(jù)樣本為400維，存在“維數(shù)災(zāi)難”問題，需降維處理，提取相關(guān)性較強(qiáng)特征，提高模型預(yù)測精度。因此，提出序列提取法和均值提取2種數(shù)據(jù)預(yù)處理方法。具體包括以下6個流程：

圖2 加噪后的流量和壓力Fig.2 Operating flow rate and pressure after adding noise

1)數(shù)據(jù)篩選。發(fā)生泄漏后，壓力波傳導(dǎo)到管道兩端需要時間，原始數(shù)據(jù)包含100 s的數(shù)據(jù)，為保證壓力波到達(dá)管道上下游，過濾80 s后的數(shù)據(jù)，同時考慮管道經(jīng)濟(jì)流量范圍，刪除流量大于0.7 m3/s的數(shù)據(jù)。

2)判斷變化時間。受噪聲干擾，難以判斷流量和壓力變化屬于正常波動還是泄漏引起，通過設(shè)定閾值，當(dāng)變化大于閾值時視為發(fā)生突變，本文采用閾值為管道平穩(wěn)運行時流量和壓力的1/10。

3)特征提取。序列提取法考慮原始數(shù)據(jù)時序特性，在特征提取過程中保留原始數(shù)據(jù)時序性。均值提取法選取管道突變前后流量壓力表征整個序列，可顯著降低特征維度，同時降低噪聲干擾。圖3為序列提取法示意，在變化時間點前后各取長度為5 s的序列數(shù)據(jù)，視為變化特征，得到4條10 s的序列數(shù)據(jù)，保留數(shù)據(jù)時序性，特征數(shù)為40。圖4為均值提取法示意，使用變化時間前后各10 s的平均值作為提取特征，得到8個流量壓力數(shù)據(jù)，最終特征數(shù)為8，相比原來的400維數(shù)據(jù)，特征維度大大降低。

注：白色方塊代表上下游流量和壓力，豎線代表變化時間，深色方塊代表提取的特征。圖3 序列提取法Fig.3 Sequence extraction method

注：白色方塊代表上下游流量和壓力，豎線代表變化時間，橫線代表求平均值。圖4 均值提取法Fig.4 Mean extraction method

4)歸一化處理。由于不同特征具有不同數(shù)量級，需歸一化處理，加快模型收斂。處理流程如式(1)所示：

xi=(xi-xmin)/(xmax-xmin)

(1)

式中：xi表示第i個樣本；xmin為特征值最小的樣本；xmax為特征值最大的樣本。

5)模型評價指標(biāo)。選取2個評價指標(biāo)相關(guān)系數(shù)(R2)和平均絕對百分比誤差(MAPE)，R2反映模型擬合程度高低，越接近1，說明模型擬合程度越高；MAPE反映預(yù)測數(shù)據(jù)誤差，越接近0說明誤差越低，如式(2)～(3)所示：

(2)

(3)

6)數(shù)據(jù)劃分。將數(shù)據(jù)集劃分為訓(xùn)練集和測試集，劃分比例為8∶2，80%用于模型訓(xùn)練，其余20%用于模型性能評估。

2 基于機(jī)器學(xué)習(xí)的管道泄漏檢測模型

多層感知機(jī)(MLP)模型是在生物大腦啟發(fā)下提出的，其結(jié)構(gòu)簡單、訓(xùn)練高效，理論上可擬合任意函數(shù)關(guān)系，適用范圍廣且效果出色。本文研究可通過學(xué)習(xí)上下游流量、壓力數(shù)據(jù)與泄漏系數(shù)之間的復(fù)雜映射關(guān)系，用于泄漏系數(shù)預(yù)測。

多層感知機(jī)的基本組成單元是神經(jīng)元，其模仿人類大腦中的神經(jīng)元細(xì)胞，接受1組輸入向量，與自身權(quán)重向量求內(nèi)積，加上偏置向量后經(jīng)激活函數(shù)得到最終輸出。對于管道流量和壓力x，輸出泄漏參數(shù)y=f(wx+b)，其中w為權(quán)重向量，b為偏置向量，函數(shù)f(·)為激活函數(shù)。激活函數(shù)采用非線性ReLU函數(shù)，如式(4)所示：

f(x)=max(0,x)

(4)

1個神經(jīng)元產(chǎn)生1個輸出，多個神經(jīng)元并聯(lián)構(gòu)成1層網(wǎng)絡(luò)。神經(jīng)元個數(shù)對應(yīng)網(wǎng)絡(luò)輸出個數(shù)，中間層為隱藏層，將多層網(wǎng)絡(luò)串聯(lián)到一起，形成最終模型。網(wǎng)絡(luò)結(jié)構(gòu)示意如圖5所示。

圖5 多層感知機(jī)泄漏預(yù)測模型Fig.5 Leakage prediction model based on multi-layer perceptron

圖5展示含有3個隱藏層的多層感知機(jī)，3個隱藏層的神經(jīng)元數(shù)量分別為4，5，4。在實際模型中，可通過試錯法和經(jīng)驗法確定最優(yōu)層數(shù)和神經(jīng)元數(shù)，多層感知機(jī)模型接收預(yù)處理后的管道泄漏數(shù)據(jù)，利用隱藏層做特征提取，最終通過輸出層預(yù)測管道泄漏系數(shù)。本文基于2種數(shù)據(jù)預(yù)處理方法，建立2個不同的多層感知機(jī)模型。模型1(1-MLP)使用序列提取法進(jìn)行數(shù)據(jù)預(yù)處理，輸入數(shù)據(jù)特征維度為40，隱藏層為4層，激活函數(shù)采用ReLU函數(shù)，輸出為預(yù)測的泄漏系數(shù)；采用小批量學(xué)習(xí)法，每批樣本數(shù)為256，使用自適應(yīng)梯度下降法優(yōu)化參數(shù)，學(xué)習(xí)率設(shè)置為0.001，共訓(xùn)練100輪。模型2(2-MLP)使用均值提取法進(jìn)行數(shù)據(jù)預(yù)處理，輸入數(shù)據(jù)特征維度為8，其他設(shè)置與模型1一致。為對比模型效果，基于2種數(shù)據(jù)預(yù)處理方法，建立4個對比模型，分別為基于序列提取法的長短期記憶神經(jīng)網(wǎng)絡(luò)(1-LSTM)、基于均值提取法的隨機(jī)森林(2-RF)、基于均值提取法的K近鄰回歸(2-KNN)和基于均值提取法的支持向量機(jī)(2-SVM)，模型前數(shù)字1表示基于序列提取法，2表示基于均值提取法，英文縮寫代表選用的機(jī)器學(xué)習(xí)算法。

3 結(jié)果與分析

不同模型的預(yù)測結(jié)果如表2所示。由表2可知，基于均值提取法建立的多層感知機(jī)模型(2-MLP)預(yù)測效果相對較好，R2為0.997 5，MAPE為1.599%。所有模型預(yù)測結(jié)果和真實值對比如圖6所示。由圖6可知，1-MLP、2-MLP和2-SVM模型的散點均集中在基準(zhǔn)線附近，說明模型擬合效果較好，其中2-MLP模型預(yù)測結(jié)果與真實值最為貼近，1-LSTM、2-RF和2-KNN模型較為分散，說明模型擬合效果較差。

表2 泄漏系數(shù)預(yù)測模型結(jié)果Table 2 Results of prediction models on leakage coefficient

注：散點表示真實值和預(yù)測值的組合，實線為基準(zhǔn)線，表示預(yù)測值與真實值相等。圖6 不同預(yù)測模型的預(yù)測結(jié)果Fig.6 Prediction results of different prediction models

為進(jìn)一步測試模型魯棒性，對模型進(jìn)行抗噪性分析。分別使用添加1%～5%噪聲數(shù)據(jù)訓(xùn)練模型，觀察模型的效果變化。添加1%～5%噪聲后，模型R2和MAPE表現(xiàn)結(jié)果如圖7所示。由圖7可知，RF和MLP的抗噪性相對較好，其次為SVM；對比1-MLP和2-MLP模型發(fā)現(xiàn)，2-MLP模型的抗噪性明顯優(yōu)于1-MLP模型，說明均值提取法具有抗噪聲功能。

圖7 添加不同噪聲后不同模型的R2和MAPEFig.7 R2 and MAPE of different models after adding different noises

4 結(jié)論

1)基于均值提取法建立的多層感知機(jī)模型(2-MLP)對泄漏系數(shù)的預(yù)測效果相對較好，R2為0.997 5，MAPE為1.599%，明顯優(yōu)于其他模型，這說明多層感知機(jī)模型可以比較準(zhǔn)確地擬合泄漏系數(shù)與流量和壓力之間的非線性關(guān)系。

2)使用均值提取法的多層感知機(jī)模型與使用序列提取法的多層感知機(jī)模型相比，前者抗噪性相對較好，說明均值提取法具有一定去噪能力，可以使模型擁有較強(qiáng)的抗噪性。針對管道泄漏系數(shù)預(yù)測而言，時序性數(shù)據(jù)使用均值提取法比序列提取法可以更好地降低特征維度，提取關(guān)鍵特征，提升模型抗噪性能。對于泄漏系數(shù)與流量和壓力之間的非線性關(guān)系，使用多層感知機(jī)模型擬合效果更佳。