梁国华

( 广州工程技术职业学院，广东 广州 510075)

高含硫天然气中的硫化物成分与天然气中的水蒸气结合，可形成硫酸、亚硫酸及其他含硫腐蚀性化学成分，即使管道内部采用部分防腐涂层，也容易对管道金属材料产生影响，导致管道的裂隙、气室、焊缝等微小瑕疵加速腐蚀，最终形成天然气泄漏点[1]。天然气泄漏一方面造成直接经济损失，另一方面还可能形成安全隐患。

早期对天然气集输管道的泄漏定量测量方案较为复杂，如在天然气中加入敏感标志气体并沿途布置气体检测探头，使用沿管道行走的探伤机器人执行无人巡检，使用高精度摄像头捕捉焊缝、阀门、接头等关键位置图像并进行气体光学测量等方案。这些方案均有一定的局限性，特别在室外难以进行有效测量。

该研究使用加速度计探头，配合管道压力表、流量表构建天然气集输管道本地感觉系统，通过神经网络实现对天然气管道与泄漏故障的定量测量并作出预警分析和故障点定位。该方案的普适性强，系统部署难度小，系统可靠性和稳定性较高，可继续用于下一代天然气集输管道腐蚀泄漏风险控制系统的深入研究[2-3]。

1 数据的采集及探头设计

机器人本体知觉指机器人对自身体位、结构应力、结构完整性等作出判断的仿生智能化知觉系统。天然气集输管道在一定数据的支持下，可以感知到管道结构腐蚀和泄漏产生的各类故障的精确位置和故障程度。天然气集输管道一般采用点对点传输，即从一个泵送站传输到另一个泵送站，所以集输管道系统中较少用到三通管路，故该研究不讨论三通管路的情况。而点对点天然气集输管道一般包含以下结构，如图1所示。

图1 天然气集输管道系统一般模式

图1中，除管道系统主体外，还包括了控制阀门(节流阀、限压阀、截止阀、单向阀等)、法兰连接器、泄压弯管、压力表及流量表等。当前技术条件下，集输管道内的压力表、流量表已经基本完成了远程实时抄表技术升级，且为了方便管理，在管道沿途安装多个压力表和流量表。因为管道增加压力表和流量表的操作需要终止泵送天然气，且需要对管道执行切割改造，所以该研究中使用之前已经完成部署的远程实时抄表和流量表系统采集管道的压力和流量分布情况。

如果天然气集输管道发生泄漏，那么管道运行期间压力和流量关系特征会发生变化，通过一定的数据量化方案，及早发现故障源。但是，集输管道的压力表、流量表的精度有限，如果要高精度捕捉到管道内壁腐蚀现象，还需要更高精度和更高密度的辅助数据作为补充，该方案中通过在管道外壁布置惯性力探头的方式获取管道的震动特征，天然气流束激发的固有震动与管道内层流、湍流、回流现象带来的震动会形成管道震动特征，从而实现更高精度的量化测量。上述量化过程如图2所示。

图2 管道腐蚀泄漏感知系统数据逻辑

系统中共使用2个超限学习机模块和2个卷积神经网络模块进行前置数据处理，形成基于压力流量比值的阻力特征码、针对加速度惯性特征的震动特征码、压力特征码、流量特征码;然后使用2个卷积神经网络模块形成多列神经网络，分别解析故障位置和故障类型,所有数据来自远程实时抄表压力表和流量表，以及在管道系统内增加布置的加速度计探头;最终该系统会给出2个量化分析结果，分别为腐蚀、泄漏发生的位置(转化成管道长度标记值)和腐蚀程度、泄漏程度的故障类型值。探头中包含多个压力表、流量表，数据形成二维时序数据阵列后输入到系统中。

2 机器学习算法在量化分析中的应用

2.1 二维时序矩阵的数据输入方法

天然气集输管道因为天然气流束的激发作用产生管道结构震动现象，震动频率分布在10～600 Hz的频带上。该频带的大部分与人耳可感知震动频带有交叉，所以，早期系统采用音频探头捕捉数据并进行分析。音频探头虽然采样频率很高(一般为44 MHz)，但其只能记录声音振幅，无法细致描述震动惯性矢量，同时考虑到该系统与压力表、流量表的远程实时抄表系统采样频率的耦合性，该研究中使用了2.4 kHz的三轴激光惯性加速度计记录管道震动数据。其形成的数据结构为3个坐标轴轴向上震动矢量。数据的矩阵分析方案中数据采样时间周期越长，分析精度越高，算力需求越大，混沌效应越显著，所以选择较为折中的方案，即记录0.5 s数据用于数据分析，2.4 kHz采样频率下，0.5 s数据中包含3列各1 200个记录。该系统仿真用管道长度为16 km，探头间距为500～750 m，该系统设置了37个震动惯性加速度计探头，形成111列1 200行的二维矩阵数据，用于数据输入。

同时，该系统中包含12个远程实时抄表压力表和7个远程实时抄表流量表，每个计量设备均按照2.4 kHz执行数据采样，0.5 s分析周期内，形成19列1 200行的二维矩阵数据用于数据输入。

2.2 超限学习机和卷积神经网络

机器学习中的超限学习机算法主要用于发现周期性变化数据的潜在变化规律,对该研究中所需的三轴惯性震动变化趋势和压力-流量关系特征的变化趋势较为敏感。机器学习中的卷积神经网络算法主要用于发现时序数据中的潜在变化规律，特别适用于将大宗数据节点信息量卷积统计到1个输出变量中。该研究中设计的4个卷积神经网络模块均采用对数型六阶多项式迭代回归函数，即自变量取以10为底对数后构建六阶多项式作为基函数，2个超限学习机模块均采用十二阶差值正弦迭代回归函数，即对输入序列中每一列数据求取差值，针对每列1 200行数据形成1 199行差值序列数据，再对其每一项逐一取以10为底的对数，使用12层正弦函数对其进行迭代叠加计算，最终获得机器学习机输出结果。

2.3 分析结果

该系统最终输出的量化结果共有2个，均为[0,1]上的双精度浮点型变量(Double格式)，其中：故障位置输出结果与管道总长度相乘，可得到故障预警的位置点，按照机器学习机常规精度，在16 km的天然气集输管道系统中，预警位置点的报错精度应在±10 m以内。

根据故障类型输出结果划分值域范围，当输出结果位于[0,0.600)上时，认为管道存在内部腐蚀，且数值越大，腐蚀问题越严重，当输出结果位于(0.850,1]上时，认为管道存在泄漏问题，且数值越大，泄漏问题越严重。[0.600,0.850]作为数据跃迁层，用于进一步控制机器学习机模块的收敛度，即数据训练不但应保证所有数据落点均在[0,1]上，还应避免故障类型输出结果位于[0.600,0.850]上。

该计算过程中，设计了3重机器学习机算法收敛度评价保护机制：(1)2个输出结果均应位于[0,1]上，该算法使用的超限学习机和卷积神经网络的理论输出值均为全实数空间，输出数据收敛到[0,1]是其初步收敛目标；(2)故障类型输出结果应在[0,1]上且避免在[0.600,0.850]上，进一步验证机器学习机算法的训练收敛程度；(3)4个中间变量，即阻力特征码、震动特征码、压力特征码、流量特征码均应收敛到[0,1]上，即计算逻辑中前置的2个超限学习机模块和2个卷积神经网络模块也应单独考察其收敛程度。

3 仿真验证

以某天然气集输管道实体工程为例对该机器学习量化分析算法进行仿真验证，在Matlab大数据仿真平台中构建该天然气集输管道的实体模型，包含16 km长度的管道主体部分，包含12个远程实时抄表压力表和7个远程实时抄表流量表，同时按照500～750 m的间距，布置37个震动探头，管道内的阀门、法兰、泄压弯管等设施按照实体工程布局进行三维建模。管道内流体物理属性(包括硫含量)依据当前天然气集输管道的实际流束介质采样化验结果搭建模型，管道内运行压力、运行流量等信息按照2020年全年该管道实际物联网数据备案信息设置。仿真试验中Matlab大数据仿真平台中加载Simulink控件运行机器学习算法模块，加载sBlood控件对模型中流体力学仿真部分构建物理引擎，在Matlab三维模型中构建管道腐蚀和管道泄漏的仿真故障，验证该系统量化捕捉管道故障的实际算法效能。参照组为该管道当前使用的管道腐蚀泄漏评估系统在该仿真平台同等条件下给出的量化评价数据。首先，对比泄漏故障的算法效能，见表1。

表1 该算法对泄漏故障的评价效能

表1中，该系统相比较之前系统，最大偏差降低了93.5%，平均偏差降低了86.0%，报错周期降低了62.7%，敏感度提升3.6个百分点。

其次，对比腐蚀故障的算法效能，见表2。

表2 该算法对腐蚀故障的评价效能

表2中，该系统相比之前，最大偏差降低了91.6%，平均偏差降低了87.4%，报错周期降低了77.2%，敏感度提升7.8个百分点。

综合上述仿真数据，在天然气集输管道腐蚀与泄漏量化评价过程中，发现该系统较之前系统具有以下2个优势：(1)故障位置的定位精度得到了大幅度提升，使得运行维护施工人员接到系统报警后，现场检查故障探查工作量显著减少，以往现场抢修工作中，施工人员需要对报错位置点前后各200 m距离进行故障探查，而使用新系统后，该故障探查范围可以缩小到报错位置点前后各20 m，探查工程量缩减到之前的1/10。(2)因为该系统的量化评价敏感度显著提升，以往故障报错中，每5～10次报错会有一次误报，所以施工人员在现场探查中较难确定该报错是否为误报，而使用新系统后，该系统针对泄漏故障的敏感度达到97.2，超过30次报错才可能出现一次误报，针对腐蚀的报错评价敏感度也有所提升。

4 总 结

该系统监测方向并不针对天然气泄漏，而是针对因为管道腐蚀或天然气泄漏，对天然气集输管道压力-流量关系特征和管道震动特征带来的影响，通过机器学习机算法赋予天然气集输管道机器人本体知觉，即通过在管道内小投入布置物联网硬件系统并利用大数据分析，使管道拥有本体知觉的机器人仿生功能。在仿真分析中发现该系统较以往针对天然气泄漏气体本身部署的监测系统，在故障发生位置和故障类型判断方面均有技术提升。