论文总字数：28793字

摘 要

管道运输是油气运输的重要方式，对于输油管道的泄露情况进行准确的检测是输油管道安全运行的重要保障。本文实现了一种基于置信规则库推理的输油管线泄漏检测的方法。通过检测的管道内的压力变化以及流量差，使用置信规则库推理后得出管道的泄露情况。

本文中通过收集实际管道的泄露数据，使用管道内的平均压力变化以及出入口流量差作为训练的特征变量。通过对样本数据进行分析建立初始规则库，使用证据推理算法来对被输入激活的置信规则后项中的置信结构进行融合，依据证据推理融合的结果，计算出管道的泄露的流量大小。对于初始置信规则库中专家给出的参数不准确的问题，通过最优化技术计算出使结果最优的参数。

实验结果表明，优化后的置信规则库系统能够通过管道内平均压力变化以及流量差较准确检测管道泄露情况大小。最后将把本方法与神经网络与支持向量机方法做出了对比，在发生较大规模泄露的情况下，3种算法的误差都不大，在没有发生泄露时，置信规则库表现较好。

关键词：置信规则库；输油管道泄露检测；证据融合；

Abstract

Pipeline transportation is an important way of oil and gas transportation, accurate detection of leaks in pipelines is an important guarantee of safe operation of pipelines. This paper implements a belief rule base method for pipeline leak detection. The leak in the pipe is deduced by the change in pressure and the difference in flow rate in the detected pipe, using a belief rule base method.

In this paper, leakage data from an actual pipeline is collected, the average pressure variation within the pipeline and the difference in outlet and inlet flows are used as characteristic variables for training. The initial rule library is built by analyzing the sample data, the confidence structure in the posterior term of the belief rule activated by the input is fused using the evidentiary reasoning algorithm, and from the results of the evidentiary reasoning fusion, the size of the leak in the pipeline is calculated. For the problem of inaccurate parameters given by experts in the initial rule library, the parameters that give the best results are calculated by optimization techniques.

Experimental results show that the optimized belief rule base system is able to detect the size of pipeline leaks more accurately by the variation of the average pressure in the pipeline and the flow difference. Finally, the present method will be compared with the neural network and support vector machine methods, where the error of all three algorithms is small in the case of larger leaks and the belief rule base performs better in the case of no leaks.

Key Words：belief rule base；oil pipeline leak detection；evidence fusion；

目录

第1章 绪论 1

1.1研究目的及意义 1

1.2国内外研究现状 1

1.3本文主要内容 2

第2章 总体设计 3

2.1功能设计 3

2.2检测对象特点分析 3

2.3开发平台选择 3

2.3.1编程语言选择 3

2.3.2开发环境选择 4

2.4置信规则库应用原理 4

2.4.1置信规则库的表示 4

2.4.2置信规则库的建立 5

2.4.3基于置信规则库的推理 5

2.4.4置信规则库的优化 6

第3章 系统具体实现 7

3.1训练集和测试集 7

3.2基于置信规则库的方法实现 9

3.2.1参考等级的划分 10

3.2.2初始置信规则库的建立 11

3.2.4置信规则库的推理 15

3.2.5置信规则库的优化 18

3.2.6对程序的性能优化 22

3.3基于神经网络的方法实现 22

3.3.1神经元 23

3.3.2神经网络 23

3.3.3神经网络实现 24

3.4基于支持向量机的方法实现 25

3.4.1支持向量机应用原理 25

3.4.2支持向量机实现 25

第4章 运行结果及测试 27

4.1置信规则库优化前后对比 27

4.2置信规则库与其他算法对比 27

4.3算法多次运行对比 29

结论 31

参考文献 32

第1章 绪论

1.1研究目的及意义

随着我国不断推进经济建设，国内对化石能源的需求不断的增加。管道运输是化石能源运输的重要方式，管道运输不仅运量大，运输成本低还可以连续运输。输油管道一旦发生泄露，不仅造成油气资源的浪费，同时也成为消防安全隐患，更可能造成油气污染的生态环境灾难。对输油管道泄漏情况的及时发现，可以有效减少泄漏事故造成的损失。

对输油管道泄漏情况进行人工巡检不但耗费人力物力，而且不能做到随时监测随时发现。随着信息技术的不断发展，通过信息技术来实时监测输油管道的泄漏情况可以节省大量的人力物力。传统的信息监测手段需要布设通讯线路并且使用大量的传感器，而且依旧需要人员值守。通过设计一个基于置信规则库（BRB）的专家系统来自动监测泄漏情况，不仅可以节省部分通讯线路与传感器，还可以代替部分人工，从而使泄漏监测系统更加安全可靠与经济划算。

1.2国内外研究现状

传统输油管道漏油检测技术主要包括：直接检测技术是基于利用先进的探测仪器，完成对油气管道外漏物的直观性检测判断；间接检漏技术是通过对管道实际运行参数展开监测分析，相关工作人员根据监测获取到的油气管道压力、流量以及温度等数据，完成对油气管道泄露问题的分析与判断。^[1]

伴随着人工智能技术的不断发展与完善，人工智能技术被广泛的应用在各个行业领域中。通过将人工智能技术融入到故障检测工作中，能够最大化提高故障检测工作质量和效率，并减轻相关人员的工作任务量。神经网络以及支持向量机被广泛用于故障检测，主要工作机制是对输入和输出进行拟合。通过大量数据的训练，神经网络以及支持向量机一般都能有较好的拟合效果。神经网络和支持向量机都是黑箱方法，其行为与样本数据有关不能进行人工干预，并且难以对结果进行解释。

基于人工智能技术，殷振兴提出了一种使用自稀疏编码的支持向量机泵站故障检测方法，并验证了方法的可行性、正确性及有效性；通过对比支持向量机、稀疏自编码的支持向量机、BP 神经网络 3 种泵站故障检测方法，得出稀疏自编码的支持向量机在泵站故障检测中的优越性。^[2]

Roya Doshmanziari等提出并实现一种基于模型的管道泄露检测方法，使用由OLGA多相流仿真软件模拟的管道泄露，采用Fisher方法融合多个压力传感器的数据，使系统的估计精度明显提高。^[3]

检测型专家系统根据输入的信息来寻找对象的故障和缺陷，被广泛应用于工程、科学、医药、军事的方面。专家系统可以充分利用专家的相关行业经验，给出知识规则。通过知识规则对故障进行检测，在研究诊断过程中，建立知识架构、诊断系统等相关理论问题，对知识进行转化处理的操作，是故障检测专家系统对解决问题的基本模式。专家系统为白箱方法，需要专家对系统的运行进行相应的设定与指导。置信规则库是一种对传统的IF-THEN规则进行扩展之后，使用证据推理算法进行推理的专家系统。参数进行优化后的置信规则库是一种灰箱算法，可以结合样本数据的特征和专家的经验来得到更好的结果。

徐晓滨等基于置信规则库，提出了一种检测轨道高低不平顺故障的方法，并且采用数值样本优化学习模型训练得到最优的参数取值，利用国内某既有干线区段轨道上所获取的实测振动数据，对所提方法进行验证。^[4]

请支付后下载全文，论文总字数：28793字