宋艳丽

(河南质量工程职业学院,河南 平顶山 467000)

1 引 言

石油通过管道传输可有效提高油气输送效率以及降低成本,但是油气管道通常埋于地下,若外界环境发生变化,如地震、山体滑坡、人为破坏等均会引起油气泄漏,造成重大经济损失,因此对油气管道监测至关重要[1]。

人工对油气管道设备监测,由于受主观因素的影响无法确保全线路、全覆盖监测。光纤传感器具有较好的抗电磁干扰性、灵敏度高等特性,并且适合在复杂环境中使用,广泛应用于长距离油气管道监测中,但是油气管道很多振动属于无害类型,如农耕、火车、道路施工等,若每次振动都安排工作人员现场复核,会产生很大的工作量,因此正确识别出振动类型可减少现场复核次数[2]。支持向量机(Support Vector Machine,SVM)通过振动信号的特征向量辨识振动,以判断是否有异常[3],但SVM识别效果在很大程度上依赖于核函数的选择以及内核和软边缘参数的微调。神经网络(Neural Network,NN),不要求对振动样本集有太多先验信息[4],但是需要大量数据样本进行训练,且训练时间长。反向传播神经网络(Back Propagation Neural Network,BPNN)能提高泄漏检测的可靠性[5],但是存在局部极小值,收敛速度较慢等问题。卷积神经网络(Convolutional Neural Network,CNN)特征层面避免了大部分人工干预,网络能够自动输出分类特征[6]。隐马尔科夫模型(Hidden Markov Model,HMM)具有处理振动序列数据的优势[7],但是需遵从齐次马尔科夫链假设。

为了提高光纤油气管道监测效果,采用类脑脉冲神经网络算法(Brain Spiking Neural Network,BSNN),对振动信号进行频段特征提取,各频段的能量占比作为神经网络训练输入进行模型训练,从而对振动信号识别,实例验证了本文方法的有效性。……