管道泄漏檢測與定位技術研究及應用現狀

王佳豪，柳文欣，楊奕

西安石油大學石油工程學院（陜西 西安 710065）

管道作為全球運輸油氣資源的主要方式之一，其安全運行對國家、社會以及人類具有重要的現實意義。管道泄漏的檢測與定位作為管道安全運行研究的重要領域，經過幾十年的發展，涌現出眾多技術并不斷發展，但技術的更新和實際的應用仍存在較大的差距。本文從管道泄漏檢測與定位方法的技術重點角度出發，根據相關文獻資料及研究成果對其技術方法進行歸納總結，同時對相關技術在現場的實際應用進行分析。

1 泄漏檢測定位方法對比

管道泄漏檢測定位技術經過多年的研究，已發展了很多理論完善的科學方法[1]，實際生產運營中對泄漏檢測的準確率和定位精度要求越來越高，同時在不影響管道正常運行的情況下做到實時檢測快速響應。這就需要根據不同的問題情況選擇具有優勢的技術方法，管道泄漏檢測與定位方法的對比見表1。

表1 泄漏檢測與定位方法的對比

2 泄漏檢測與定位技術方法及研究進展

2.1 模型檢測法

采集管道物理數據以及管內流體的性質，基于質量守恒方程、運動方程和能量守恒方程，結合流體力學知識描述管道輸送過程中管內流體流動狀態的參數變化規律，將管道首末端的壓力流量等數據作為邊界條件，建立目標管道的實時模型，模型與管道同步運行，通過判斷兩者運行參數的差別是否超過設定閾值進行泄漏檢測與定位。

Diao X等人[2]通過研究管道泄漏的機理建立模型，實驗驗證其可以檢測微小泄漏和管道多點連續泄漏。同時提出了一種改進的基于瞬態的儲層管道閥門系統泄漏檢測和定位方法。在泄漏檢測模型中，將一維非穩態摩擦模型引入特征線法。通過分析第一瞬態壓力波獲得其中未知參數，特別是泄漏尺寸系數。華東陽等人[3]，從提高參數準確度的角度出發，通過分析管道模型不準確性產生的原因，針對參數的不準確性對模型精度的影響采用粒子群算法對模型參數進行校正。劉剛[4]等人融合數據驅動建模與機理建模，通過兩者協同描述研究對象的物理特性，科學分析現場數據內在關聯和過程變量演化規律，建立雙驅動高保真混合模型。王壽喜等[5]開發的工業軟件PNS，涉及仿真理論與方法、軟件與技術、數據與自動化等諸多問題和因素，通過建立管網仿真系統模型，對現場大型管網進行泄漏檢測與定位。

但采用模型檢測方法時，需要管網具有完善的設備，且數學模型的精度與設備的精度直接相關，實際上，運行中的管道內部條件參數瞬息萬變，準確反映管內瞬時狀態的模型幾乎無法建立，這也造成管道微小泄漏的檢測與定位僅憑模型檢測法無法達到應用要求。

2.2 信號檢測法

在不同的物理信號中，管道泄漏會激發相應的特征信號，與正常工況下的管道信號有所區別，在實際研究和應用中采用多方法互補以充分利用不同信號的泄漏特征，通過對信號中噪聲的過濾和奇異點的識別對泄漏進行檢測和定位。

以負壓波為例，管道發生泄漏會激發負壓波并以特定的速度傳播至管道首末端的傳感器,根據負壓波波速及泄漏特征信號到達管道兩端的時間差,即可實現對漏點的定位。

天津大學王立寧等[6]通過研究熱輸原油沿程降溫規律及其對壓力波速的影響，改進壓力梯度公式，結合模式識別和小波變換進行泄漏檢測與定位。倫淑嫻等[7]分析信號中突變信號被噪聲淹沒的情況，提出自適應模糊神經網絡法，針對信號進一步濾波和去噪。孫良等人[8]從負壓波產生和衰減的機理角度出發建立管道泄漏定位模型，實際泄漏模擬驗證了其模型的有效性，基于負壓波泄漏檢測法提出了的管道構造特征和可檢測泄漏率指標之間的關系。Liang Sun等人[9]提出了一種基于綜合信號的泄漏定位方法，該方法將壓力和流量信號結合起來，解決了由于管道末端壓力容易被設備固定和微小或緩慢泄漏引起的壓力變化太小而無法檢測到的問題。Juan Li等人[10]通過推導負壓波隨管道傳播方程，提出了一種基于負壓波衰減的泄漏位置定位算法，避免了傳統負壓波方法可能存在的時差難以精確定位和負壓波速度受管道內液體流量干擾的問題。

負壓波檢測法作為目前國際國內應用最成熟的泄漏監測方法，具有系統結構簡單、靈敏度高、響應迅速等優點，但隨著管道安全運營需求的不斷變化，負壓波對于泄漏量小于瞬時流量的3%的泄漏檢測和定位效果不明顯的缺陷逐漸凸顯。噪聲的處理和管道運行工況變化的有效區分，對基于負壓波法的泄漏檢測與定位精度提高具有重要的意義。

研究和應用中通常采用小波分析進行信號去噪，以提高泄漏信號突變點的分辨率。小波分析眾多參數的合理選取直接影響小波去噪效果。例如小波變換分解尺度越大，信噪分離的效果越好，但重構誤差也越大。小波參數的選取應綜合考慮管道實際情況，從而提高此方法的泄漏定位精度。

Yu Zhang等[11]設計了一種基于DPT的長輸管道泄漏檢測監測系統（LDMS），通過DPT獲得管道沿線的動態壓力信號，然后通過提取小波包熵（WPE）檢測管道泄漏，探索和發展了用于管道泄漏判斷的WPE信號特征提取方法。此外，還進一步討論了小波基和計算窗口寬度對WPE識別性能的影響。石光輝[12]提出在管網中設置一定的高頻壓力傳感器,以提高儀表采集的信號細節,再利用小波對信號進行分析,得到奇異點的值計算泄漏時差，最終找到泄漏點的準確位置。

噪聲處理對于泄漏檢測定位，尤其是對于微小泄漏的檢測具有重要意義，在許多方法結合的技術手段中，信號處理方法的選擇必不可少。在泄漏檢測與定位中，泄漏所激發的信息往往會被淹沒在檢測信號的噪聲中，這也造成了微小泄漏檢測成為領域內難點和重點的原因。當前研究中，微小泄漏檢測通常采用模式識別檢測法或設計針對性的硬件檢測器。

2.3 模式識別檢測法

模式識別法是對管道運行數據進行特征提取，利用機器學習在特征識別上的優勢進行泄漏檢測，運行數據通常選取壓力信號和聲波信號[13]，特征提取一般針對統計學特征[14]、相關能量系數[11]、計算智能特征[15]等。采用機器學習等智能信息處理技術識別信號[16]。

在實際管道運行數據中，泄漏的數據樣本占比少，支持向量機（SVM）算法對于這種小樣本的學習能力較強，受到許多學者重視。Jiedi Su等[17]根據現場采集的壓力信號，提出采用獨立量分析針對壓力信號降噪，利用不同的工況樣本，提出一種改進SVM的泄漏檢測方法進行工況的識別，其泄漏誤報率降低到9.7%，而采用基于BP神經網絡的管道工況識別誤報率為32.6%。Mandal等[18]借鑒前人的研究成果，采用人工群（ABC）算法尋優支持向量機，有效降低了泄漏誤報率，但只適用于單點泄漏檢測。Wei Jiechen等人[19]提出了一種用于多標簽分類的多標簽雙支持向量機（MLTSVM）。MLTSVM通過設計多個非平行超平面捕獲數據中嵌入的多標簽信息。開發出一種有效的連續超松弛（SOR）算法來解決MLTSVM中涉及的二次規劃問題（QPP），加快了MLTSVM的訓練速度，推進了泄漏檢測與定位技術在機器學習算法上的提高。

從實驗驗證，管道泄漏檢測與定位中SVM算法優于BP神經網絡算法。但在實際應用中SVM的核函數和懲罰參數選取對泄漏檢測與定位效果至關重要，利用優化算法對SVM的核函數和懲罰參數進行尋優，成為提高管道泄漏工況識別準確率的有效手段。

3 泄漏檢測與定位技術應用現狀

3.1 國內外應用現狀

由于國內外技術條件和地理條件等因素的不同，油氣管道泄漏檢測與定位方法的應用略顯不同[20]，見表2。

表2 常用油氣管道泄漏檢測與定位方法的應用情況

3.2 現場應用情況

在現場應用中，技術的更新和實際的應用仍存在較大差距，存在普適性較差的問題，有些技術甚至無法應用于實際現場。主要表現在設備的條件和管道歷史信息的完整性，例如，在負壓波檢測法的應用中，現場的數據采集能力及設備條件遠不及實驗室的數據采集能力和設備條件，大大增加了信號的處理和分析難度，理論技術在現場應用中出現不足。同時，現場管道的歷史信息缺乏完整性，沿線高程、儀表參數和管道數據等數據的不精確也導致了技術應用的誤差。因此，實際現場應用中采用多技術融合的方法，以滿足生產運行中對管道泄漏檢測的要求。技術完善且應用成熟的示例是王壽喜等開發的管網在線仿真工業軟件PNS，其在川氣東送和南海西部海底天然氣長輸管道的應用案例，展示了當前在線仿真研究成果的應用過程和效果[5]。

4 結論

目前，泄漏檢測和定位技術重點在于相關泄漏數據的采集、分析和處理，實驗研究條件和現場應用條件存在較大差異導致技術應用效果受制于現場數據和硬件條件。分析認為，應充分利用各方法的優勢，通過多領域、多方法結合彌補各方法的不足，提高在實際應用中的適用性。

1）模型檢測法采取對目標管網進行精準建模，盡可能的用到了管網所能提供的全部數據進行模型搭建，以求所建模型能對目標管網進行精準描述，因而泄漏檢測效果與定位精度受制于模型精度和目標管網數據和硬件條件。在實際應用中，管網的歷史信息和硬件條件往往參差不齊，例如管道受損情況和運營過程中結蠟現狀等歷史信息模糊，模型的精度受到直接影響從而導致研究技術的應用缺陷。

2）信號檢測法利用自身所需的信號數據進行泄漏檢測和定位所需參數的求取，因而對于信號自身的條件，降噪效果和奇異點提取精度要求較高，現場環境噪聲和設備噪聲對降噪技術提出了較高的要求。同時，泄漏概率相對較大的管網往往建設早，運營服役時間長，這就導致了信號采集設備不能滿足新技術對于信號質量的需求。例如音波法和負壓波法對于信號的頻率要求，新的研究往往采用了較高頻率的信號采集設備，而在現場SCADA系統上傳的數據往往相差甚遠，這就導致研究技術在數據質量上的應用缺陷。

3）模式識別檢測法需要大量的數據樣本進行學習，因而數據的質量和數量要求均較高，同時樣本數據的合理利用直接影響到特征提取的效果，進而對模式識別準確率和效率產生影響。應用中，樣本質量的不理想和數量的不均衡，例如時間序列數據不規則，泄漏樣本存在先天量少的特征等，導致模式識別檢測法往往作為輔助手段與其他技術方法結合使用。