天然气管道工况以 VMD-BP神经网络模型的检测研究

天然气管道工况以 VMD-BP神经网络模型的检测研究

陈子龙 庄玉坤 孙斌 左金锋 赵朋龙

青岛实华原油码头有限公司 山东青岛 266500

摘要：天然气管道的输送介质是易燃、易爆的物质，含有多种杂质，对管道的腐蚀，使管道在内外腐蚀的条件下非常复杂，管道的缺陷使问题更加严重。一旦发生爆炸、泄漏、停车等事故，将造成严重后果。近年来，管道泄漏事故时有发生，对环境造成了极大的危害，因此预测管道的腐蚀速率具有重要的意义。本文将以VMD-BP神经网络应用于天然气管道工况的检测。以天然气管道里程、高差、管道倾角、压力、雷诺数为输入参数，以管道最大平均腐蚀速率为输出参数，建立了天然气管道内腐蚀速率预测模型。结果表明VMD-BP神经网络具有较好的拟合精度和预测效果，基于该模型的腐蚀速率预测更加可靠。结果表明，VMD-BP神经网络算法收敛速度快，预测精度高，能有效检测天然气管道，满足实际应用的要求。

关键词：VMD-BP神经网络；天然气管道工况；检测研究

随着管道使用寿命的延长，天然气管道会逐渐老化，产生各种腐蚀缺陷。因此，在天然气消费高峰期，为了保证管道运输的效率和安全，管道智能诊断技术显得尤为重要。此外，随着对天然气需求的不断增加，天然气管道建设得到了快速发展。但由于各种自然和人为原因，管道中偶尔会发生小泄漏事故，造成巨大的经济损失和人员伤亡^[1,2]。为了保证管道的安全运行，应研究管道中的小泄漏检测。

1 VMD-BP神经网络模型

1.1VMD-BP处理法

振动模式分解（VMD）是2014年提出的一种新的非平稳信号处理方法。VMD通过迭代搜索变化模式的最优解来确定分解分量的频率中心和带宽，从而实现非平稳信号的自适应分解。VMD将信号分解为非递归和变分两种模式，并控制信号的收敛条件。因此，它可以有效地消除分解过程中的模式。针对传感器采集到的非平稳信号，提出了VMD自适应去噪方法，对采集到的信号进行处理，提取无噪分量，消除噪声干扰。

利用VMD对传感器采集到的信号进行分解，得到多个分量。根据概率密度函数（PDF），提出了一种基于VMD的自适应去噪算法，用于噪声分量的处理和去噪分量的重构。利用模糊函数图像对重构信号进行分析^[3]。VMD算法将信号分解过程转化为变分框架。因此，VMD分解过程是约束变分过程的最优解处理。对于约束变分问题，引入增广拉格朗日函数将约束变分问题转化为无约束变分问题。

1.2 BP神经网络

BP神经网络利用支持向量机对管道泄漏、挖掘和行走三种异常事件进行分类，实现了管道泄漏检测方法^[4]。与此同时，BP神经网络具有参数设置丰富、收敛速度、易陷入局部极小值等特点，对其诊断精度和广泛的适用性具有适应作用。与BP神经网络相比，支持向量机的泛化性能有了很大的提高，但需要人工分配核函数和核函数参数，从而大大限制了支持向量机的应用。模糊函数是一种传统的时频分析工具，在非平稳信号分析和处理理论中具有重要的作用。此外，它还被广泛应用于雷达信号分析处理、光学信息处理等领域。然而，模糊函数存在交叉项问题，难以提取信号的时频特性。

2天然气管道工况检测研究

神经网络模型结果表明模型预测和观测值之间有很强的一致性。基于人工神经网络的模型可以高精度地预测感应电压。预测感应电压的准确性对于设计缓解系统非常重要，这将提高整个管道的完整性，并使管道和附件对操作人员安全^[5]。

该方法能有效地检测微小泄漏，分类效果好，分类时间短。在嘈杂的环境中。这种改进是由于所提出的VMD自适应去噪和训练次数比支持向量机方法多。与EMD的递归“筛选”模式相比，VMD可以是非递归的然而，为了有效地检测天然气管道中的小泄漏，它有一定的局限性。这个将一个多分量信号分解成若干分量并控制分解VMD分解过程中的惩罚参数和组件数需要收敛条件合理。因此，VMD自适应去噪方法能够有效地去除噪声。因此，我们未来的研究将着重于研究如何自适应地设置消除模式混合现象，抗噪性好。因为它没有参数设置VMD方法的参数。

3结束语

由于周围环境复杂，噪声干扰大，管道小泄漏时信号微弱，管道泄漏信号具有不明显的特点。提出了一种基于VMD和BP的小泄漏检测方法。针对强噪声的非平稳信号，提出了基于信号概率密度函数的VMD自适应去噪方法，以实现对信号的处理和去噪。

对BP神经网络的初始权值和阈值进行优化。为此，建立了天然气管道缺陷智能诊断的综合IFPA-BP网络模型。结果表明，该模型能有效地克服BP神经网络易陷入局部最优值的问题，并能准确地识别出管道缺陷。这将有助于天然气管道缺陷的智能诊断。基于相关系数，提出了基于ACC的管道小泄漏检测方法。对管道泄漏信号的分析表明，该方法能准确有效地检测出小泄漏。实验结果表明，该方法比支持向量机（SVM）具有更好的性能，在实际应用中发挥重要作用。

参考文献

[1]李应兵,赵周.基于VMD-BP神经网络模型的铁路车站月度客流发送量预测研究[J].交通运输研究,2019,5(02):52-59.

[2]张鹏林,徐旭,杨超,董拴涛.基于VMD能量熵和BP神经网络风电叶片缺陷研究[J].中国测试,2018,44(09):115-120+130.

[3]张旭. 基于VMD-神经网络输气管道的工况分类研究[D].东北石油大学,2018.

[4]梁洪卫,张旭,邹岱峰.基于VMD-BP神经网络模型的天然气管道工况检测研究[J].化工自动化及仪表,2017,44(07):633-636+655.

[5]贾莹. 基于智能算法的油田天然气管道泄漏检测研究[D].东北石油大学,2014.