一種改進的基于小波分析的石油管道泄漏檢測方法
【專利說明】
[0001]
技術領域
[0002] 本發(fā)明涉及石油管道泄漏檢測領域，具體涉及了一種改進的基于小波分析的石油 管道泄漏檢測方法。
[0003]
【背景技術】
[0004] 近年來，伴隨著國家的經濟發(fā)展，石油能源輸送的安全可靠性問題受到越來越多 的重視。由于石油管道鋪設的環(huán)境大多在野外，容易受到各種環(huán)境因素以及人為因素的影 響發(fā)生泄漏，從而對石油輸送的安全穩(wěn)定造成影響，甚至引起嚴重的安全危害，造成巨大的 經濟損失。因此，對石油管道泄漏進行有效檢測與定位，制定有效的修復策略，具有重大理 論指導與現(xiàn)實意義。
[0005] 為了對石油管道泄漏進行有效檢測與定位，本發(fā)明提出了一種改進的基于小波分 析的石油管道泄漏檢測方法，通過管道泄漏信號進行小波去噪處理后提取的信號特征，作 為訓練好的加入了干擾因子的量子群優(yōu)化的小波神經網絡的輸入向量，從而達到對石油管 道泄漏進行有效檢測與定位的目的，具有廣泛的應用前景以及經濟價值。
[0006]

【發(fā)明內容】

[0007] 本發(fā)明提出了一種改進的基于小波分析的石油管道泄漏檢測方法，為石油管道泄 漏檢測及處理提供參考，從而保證石油輸送的安全穩(wěn)定。
[0008] 為實現(xiàn)上述目的，本發(fā)明采用的技術方案是： 一種改進的基于小波分析的石油管道泄漏檢測方法，包括以下步驟： 步驟1 :采集石油管道泄漏信號； 步驟2 :將采集的信號進行小波降噪處理； 步驟3 :利用小波包對降噪后的信號進行特征提?。?步驟4 :將提取后的信號輸入訓練好的量子粒子優(yōu)化的小波神經網絡； 步驟5 :輸出石油管道泄漏狀態(tài)與定位信息。
[0009] 所述步驟2中具體包括： 步驟2. 1，石油管道泄漏信號的4層小波分解； 步驟2. 2,對分解的高頻系數(shù)閾值進行量化； 步驟2. 3,根據分解的最低頻系數(shù)以及量化后的高頻系數(shù)進行小波重構。
[0010] 所述步驟3中的特征提取采用4級小波包進行分解。
[0011] 所述步驟4中所述的量子粒子優(yōu)化的小波神經網絡包括輸入層、隱含層及輸出 層；所述小波神經網絡參數(shù)包括輸入層神經元31、隱含層神經元及輸出層神經元所述輸 入層神經元為歸一化的管道壓力值、5-35kHz的泄漏信號均值、泄漏信號的小波分解第2級 細節(jié)信號與泄漏信號的小波分解第3級細節(jié)信號；歸一化處理公式為式（1): 對數(shù)據
丨建立映線性映射：
所述隱含層神經元為I個隱含層節(jié)點；所述輸出層神經元為泄漏狀態(tài)與定位信息。
[0012] 所述步驟4中所述的量子粒子優(yōu)化的小波神經網絡中所述隱含層神經元小波基 函數(shù)為：
式中，i?:與為伸縮平移尺度因子取Morlet小波：
所述輸出層神經元通過選擇Sigmoid函數(shù)：
小波神經網絡的輸入輸出可以表示為：
式中，I為樣本個數(shù)，_、_、畫、漏為網絡學習速率，￥為網絡動量因子。
[0013] 所述步驟4中所述的量子粒子優(yōu)化的小波神經網絡中將小波神經網絡連接權值 以及參數(shù)映射為量子粒子群中的個體粒子；所述的粒子位置進化方程為：
式中，Iii為迭代次數(shù)為I時粒子群的當前位置，I為個體粒子最佳位置，表示為 之間的隨機數(shù)，$為第個粒子的最優(yōu)位置，I為粒子群的全局最 優(yōu)位置，I為III之間的隨機數(shù)，#為收縮-擴張因子，迭代次數(shù)為I時取為
|_為迭代最大次數(shù)，為粒子群的平均最優(yōu)位置，當種群規(guī)模為I肘，表 示為：
所述步驟4中所述的量子粒子群優(yōu)化算法中引入了正態(tài)分布的干擾因子來改變當前 搜索粒子的位置，從而提高粒子群的多樣性，所述的干擾因子表示為：
其中，f為控制參數(shù)，_|為輸出為正態(tài)分布值的隨機函數(shù)；干擾因子引入判斷基準為： 當重復迭代次數(shù)大于早熟因子時，啟動干擾因子，早熟因子根據實際數(shù)據進行設置。
[0014] 所述的加入干擾因子的量子粒子群算法當?shù)竭_最大迭代次數(shù)或者允許誤差范圍 時，停止迭代得到最優(yōu)粒子，通過最優(yōu)粒子分解映射獲取所述的小波神經網絡連接權值以 及參數(shù)；i的最優(yōu)值。
[0015] 所述步驟5中所述的石油管道泄漏狀態(tài)與定位信息由訓練好的小波神經網絡輸 出反歸一化獲取。
[0016] 本發(fā)明的有益效果在于： 本發(fā)明的一種改進的基于小波分析的石油管道泄漏檢測方法，可以達到對石油管道泄 漏進行有效檢測與定位的目的，從而為石油管道泄漏處理提供參考，保證石油輸送的安全 穩(wěn)定。
[0017]
【附圖說明】
[0018] 圖1為本發(fā)明的流程圖。
[0019] 圖2為本發(fā)明中小波神經網絡結構圖。
[0020] 圖3為本發(fā)明中引入干擾因子的量子粒子群優(yōu)化小波神經網絡初始參數(shù)方法的 流程圖。
【具體實施方式】
[0021] 以下結合附圖1-附圖3對本發(fā)明的優(yōu)選實施例進行說明，應當理解，此處所描 述的優(yōu)選實施例僅用于說明和解釋本發(fā)明，并不用于限定本發(fā)明。
[0022] 一種改進的基于小波分析的石油管道泄漏檢測方法，包括以下步驟： 步驟1 :采集石油管道泄漏信號； 步驟2 :將采集的信號進行小波降噪處理； 步驟3 :利用小波包對降噪后的信號進行特征提取； 步驟4 :將提取后的信號輸入訓練好的量子粒子優(yōu)化的小波神經網絡； 步驟5 :輸出石油管道泄漏狀態(tài)與定位信息。
[0023] 所述步驟2中具體包括： 步驟2. 1，石油管道泄漏信號的4層小波分解； 步驟2. 2,對分解的高頻系數(shù)閾值進行量化； 步驟2. 3,根據分解的最低頻系數(shù)以及量化后的高頻系數(shù)進行小波重構。
[0024] 所述步驟3中的特征提取采用4級小波包進行分解。
[0025] 所述步驟4中所述的量子粒子優(yōu)化的小波神經網絡包括輸入層、隱含層及輸出 層；所述小波神經網絡參數(shù)包括輸入層神經元s、隱含層神經元及輸出層神經元I ;所述輸 入層神經元為歸一化的管道壓力值、5_35kHz的泄漏信號均值、泄漏信號的小波分解第2級 細節(jié)信號與泄漏信號的小波分解第3級細節(jié)信號；歸一化處理公式為式（1): 對數(shù)據
I建立映線性映射：
所述隱含層神經元為I個隱含層節(jié)點；所述輸出層神經元為泄漏狀態(tài)與定位信息。
[0026] 所述步驟4中所述的量子粒子優(yōu)化的小波神經網絡中所述隱含層神經元小波基 函數(shù)為：
式中，與為伸縮平移尺度因子，ο = G，取Morlet小波：
所述輸出層神經元通過選擇Sigmoid函數(shù)：
小波神經網