本发明涉及管道检测技术领域，尤其涉及一种基于负压波衰减驱动的管道泄漏自适应动态补偿定位方法。
背景技术：
随着经济和社会的快速发展，石油管道运输在我们的生活服务业和工业生产上得到了越来越广泛的应用。鉴于国际规定的管道固有寿命，因设备老化及自然和人为因素的破坏所致的输油管道泄漏事件时有发生；石油管道泄漏带来的社会影响和经济损失巨大，甚至可能会进一步造成人员的伤亡。因此，及时对流体输送管道监测，采取相应的应急措施，防止泄漏事故的进一步扩大，具有重要的经济意义和社会效益。
流体输送管道的检测方法多种多样，从经济性、安全性及检测效果等多个角度分析，目前最适用于我国石油管网的检测方法是负压波检测法，同时负压波检测法也是我国目前应用最多的方法。而流量检测、声波检测等其他信息的检测方法目前更多地是作为负压波检测的辅助手段。所以，更多的研究者聚焦于如何不断地改善负压波检测的系统性能。
从目前的负压波检测方法应用上看，对于较短的管线，泄漏时管线两端的监控站压力会产生较为明显的突降，检测和定位效果良好。但是对于长距离管线，负压波在传递过程中产生的衰减会较大，距泄漏点距离较远或与负压波正传播方向相反的一端压降可能会呈缓慢下降趋势，在缓慢下降的曲线中很难找到突变的特征点，所以定位效果会较差，往往存在定位不准确的现象。除管线距离较长外，管道运行流量较大也会造成负压波传递过程衰减较大的现象，使得泄漏检测的定位精度大大降低。
技术实现要素：
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于负压波衰减驱动的管道泄漏自适应动态补偿定位方法，能够大大地提高定位精度和检测效果。
为解决上述技术问题，本发明所采取的技术方案是：
一种基于负压波衰减驱动的管道泄漏自适应动态补偿定位方法，包括如下步骤：
步骤1：建立动态负压波衰减模型；
分析管道内流体的动态过程，利用特征线解法求解管流方程，结合实验观察的负压波衰减规律建立动态负压波衰减模型；利用现场实验数据对高点和压差做数据拟合形成拟合公式，融入至已建立的动态负压波衰减模型中；所述管流方程包括流体的连续方程和运动方程；
步骤2：提取管线两端压力特征，设定信号的特征区间；
首先提取出泄漏时段两端的压力特征数据；其次选择适当的小波尺度，利用小波分析方法对压力数据做去噪滤波处理，寻找出小波变换的极值点并确定为确定性信号的边沿点；最后围绕极值点设定特征区间；所述确定性信号为压力数据的确定性信号，压力数据由确定性信号和噪声信号组成；
步骤3：对负压波的衰减做补偿处理，在特征区间中寻找最优特征点；
首先确定特征基准点及特征区间、判断区间内压力信号是否满足补偿条件，若不满足则说明该段信号特征明显无需补偿，直接返回该基准点为泄漏特征点，若满足则在特征区间中以特征点为中心，对负压波的衰减做补偿处理；其次围绕信号边沿条件和预测泄漏率两项指标建立相应的目标函数，构成多目标优化数学模型，并采用多目标粒子群寻优方法对多目标优化数学模型求解，在特征区间中找出最优特征点；判断该最优点是否符合设定的指标条件，若不符合则以该最优点为新的基准点重新代入多目标优化模型计算、若符合则返回该最优点为泄漏特征点；
步骤4：基于所获得的定位结果进行效果评估，所评估的效果包括负压波补偿复原效果和定位精度效果。
进一步地，所述步骤1包括：
步骤1.1、分析管道内流体的动态过程，建立管流方程；其中管流方程包括流体的连续方程和运动方程两个偏微分方程，构成一组双曲型偏微分方程；
步骤1.2、利用特征线解法和有限差分法对该组双曲型偏微分方程求解，结合泄漏点的边界条件和对泄漏率的定义，得到泄漏点处的负压波表达式为：
其中，δpl为在泄漏处的压力变化，n为泄漏率，vp为负压波的波速，v是断面的平均流速，ρ是流体平均密度；
步骤1.3、经过多次泄漏实验观察及分析，在泄漏点处产生的赋值衰减类似于指数衰减，且衰减指数与管线长度呈正比例关系，将一个动态系数融入至传统负压波衰减模型中形成动态衰减因子，即在管道两端的负压波压力的表达式为：
上述表达式即为建立的动态负压波衰减模型，其中，ps为管道入口负压波压力值，pe为管道出口负压波压力值，x为泄漏点距管道入口的距离，l为管线长度，β为负压波的衰减因子，k为动态管道比例系数，k的表达式为：
其中，lth为管线长度阈值，超过该阈值的衰减因子即为动态衰减变量；
步骤1.4、通过调整不同的运行流量，做多次相同泄漏流量的放油测试，得出变化的压差数据；利用得出的压差数据做数据拟合，得出该管线的高点造成压力衰减的衰减公式为：
δp＝f(x,v,h,xh)
其中，δp为负压波压力值，h为管段最高海拔，xh为管道的海拔高度一维向量；
将衰减公式融入至已建立的动态负压波衰减模型中：
进一步地，所述步骤2包括：
步骤2.1、提取出满足泄漏条件的管道两端的离散压力队列，其中起始端即距离泄漏点较近的监控站压力队列为x1(t)，终止端即距离泄漏端较远的监控站压力队列为x2(t)；利用三样条插值法做信号保持，生成连续压力信号x1(t)和x2(t)；其中t为压力信号采样周期；所述泄漏条件包括两类条件，分别为压力整体下降条件和局部突降条件；起始端需同时满足两类条件，终止端仅需满足压力整体下降条件，即可认为两端压力信号满足泄漏条件；
步骤2.2、利用小波变换方法对压力数据做去噪处理，具体方法为：
步骤2.2.1、压力信号由确定性信号和噪声叠加而成，小波变化后数据是两部分信号的小波变换之和；在大尺度下，能准确提取确定性信号的边沿，即负压波拐点；取ψ(t)为高斯低通函数，
其中，*表示卷积，a为尺度因子，b为位移参数，
步骤2.2.2、由上述泄漏条件可知，在起始端压力信号符合整体下降条件和局部突降条件，终止端只满足压力整体下降条件的情况下；对两端信号小波变化尺度因子区别选择，为保障起始端局部突降信号的有效性，其尺度因子的选择应小于终止端；
步骤2.3、求解得出极值点x(ti)，设定泄漏区间
进一步地，所述步骤3包括：
步骤3.1、设定负压波补偿条件，判断压力信号是否满足补偿条件；若不满足，则跳过步骤3和步骤4；若满足，则保持起始端压力信号，对终止端压力信号x2(t)做负压波衰减补偿；所述负压波补偿条件为终止端压力信号仅满足压力整体下降条件，不满足局部突降条件；
步骤3.2、设置初始拟定特征基准点为步骤2求解x2(t)得出的极值点x(ti)，特征区间
步骤3.3、设置压力信号处理队列时间长度为
利用提取的离散压力队列生成压差队列{δp1、……δpm-2、δpm-1}，m∈[2,n]，队列长度为m-1，总压差为
步骤3.4、将起始端特征点和终止端特征点代入定位距离公式，得出泄漏点距起始端距离d(t)，代入负压波衰减公式：
δp＝δpde-β(l-d(t))
其中，δpd为泄漏点处压差；负压波衰减压力为δps＝δpd-δp＝(eβ(l-d(t))-1)δp；
依照权重系数和负压波衰减压力对压差队列做衰减补偿，δpi′＝δpi λiδps，形成新的压差队列{δp′1、δp′2……、δp′m-1}；补偿后的压差队列与原离散压力队列相结合，
利用三样条插值法对补偿后的压力队列做信号保持处理，形成补偿后的连续压力信号xs(t)；
步骤3.5、建立多目标约束优化的数学模型；围绕边沿条件和预测泄漏率两个指标，设定对应的目标函数，如下：
其中，
步骤3.6、根据管道运行参数标准，设定多目标约束优化的约束条件，如下：
其中，第一个约束条件为压差约束，δpc为终止端压差的干扰补偿，与工况设备调整值相关；第二个约束条件为时差约束，其中ts为起始端拐点时间，根据补偿条件设定，泄漏点位于起始段至管线中点区间，则设定终止端特征点时间变量应大于起始端拐点时间加上管道时间的四分之一；即构成完整的多目标约束优化数学模型，如下式所示；
步骤3.7、选取多目标粒子群算法对上述多目标约束优化数学模型求解；设定寻优的初始参数、迭代次数及终止条件，求解出最优解集；
步骤3.7.1、鉴于多目标求解的特征，解集为最佳的非支配前沿面即pareto解集；该多目标约束优化数学模型具有两个目标，则pareto解集中粒子的适应度值由其两个对应的目标值和最大最小目标值决定；由于目标函数和补偿条件存在部分耦合性，根据其耦合度的大小设置其对适应度计算的权重系数；
步骤3.7.2、根据pareto解集中适应度值的大小，动态适应度值最大的设置为当前的全局最优解；以全局最优解为导向，动态地改变权重系数、引导粒子的迭代过程，循环地执行步骤3.7.1过程，不停地更新pareto解集，直至达到最高迭代次数为止；迭代完毕后，当前的全局最优解即为此次粒子群算法中求解得到的最优解。
进一步地，所述步骤4根据最终识别的结果进行效果评估，其依据下述评价准则进行效果评估：
评估准则1：定位精度为：
其中，δd为定位距离与实际距离的差，即多目标函数寻找最优的特征点后，该特征点对应的泄漏点距起始端距离d(t)与实际泄漏点距起始端距离的差值；
评估准则2：负压波衰减补偿后压力信号是否满足局部突降条件。
采用上述技术方案所产生的有益效果在于：本发明提供的基于负压波衰减驱动的管道泄漏自适应动态补偿定位方法，与现有技术相比，具有以下优点和效果：
(1)区别于一般的负压波衰减模型和泄漏率的关系研究，本发明首次提出了针对负压波衰减进行补偿来突出压力信号的边沿特征，达到提高定位精准度的思想。
(2)围绕压力信号的边沿条件和泄漏率两个重要指标，将实际工程问题转为最优化数学问题，并围绕这两个指标建立目标函数，构造多目标约束优化的数学模型，模型求解可以提高传统方法的定位精度。
(3)区别于传统的负压波衰减模型，本发明首次考虑到高程对负压波衰减的影响，并利用实验数据做数据拟合，将高程影响融入至传统的衰减模型中，提高模型对高程因素的抗干扰能力。
(4)考虑当前负压波泄漏检测的实际应用情况，该方法具备实际运用价值，目前已取得一定的应用成果。
附图说明
图1为本发明实施例提供的基于负压波衰减驱动的管道泄漏自适应动态补偿定位方法流程图；
图2为本发明实施例提供的管道微小单元正面图；
图3为本发明实施例提供的负压波衰减较大对应的首末站压力曲线；其中，(a)为上游站，(b)为下游站；
图4为本发明实施例提供的某地的管段高点图；
图5为本发明实施例提供的多目标粒子群优化方法的流程图；
图6为本发明实施例提供的pareto解集的分布图；
图7为本发明实施例提供的负压波衰减补偿前后对比图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
针对现有技术存在的不足，本发明区别于一般的负压波衰减模型和泄漏率的关系研究，首次提出了针对负压波衰减进行补偿来突出压力信号的边沿特征，达到提高定位精准度的思想。首先利用流体方程建立管道负压波的衰减模型，通过实验法确定衰减模型的衰减系数，并通过实验数据拟合将高点信息对负压波衰减融入至传统的负压波衰减模型中；其次将符合泄漏条件的管道两端压力信号做小波变换处理，提取出符合信号边沿条件的极值点，建立特征区间；最后围绕边沿条件和预测泄漏率两个重要指标建立相应的目标函数，构成多目标优化数学模型，并采用多目标粒子群寻优方法对模型求解，在特征区间中找出最优特征点，达到提高定位精度的效果。
基于上述原理，本实施例提供一种基于负压波衰减驱动的管道泄漏自适应动态补偿定位方法，如图1所示，具体方法如下所述。
步骤1、建立负压波衰减模型。
分析管道内流体的动态过程，利用特征线解法求解管流方程，结合实验观察的负压波衰减规律建立动态负压波衰减模型。利用现场实验数据对高点和压差做数据拟合形成拟合公式，融入至已建立的动态负压波衰减模型中。所述管流方程包括流体的连续方程和运动方程。具体包括以下步骤：
步骤1.1、分析管道内流体的动态过程，建立管流方程；其中管流方程包括流体的连续方程和运动方程两个偏微分方程，构成一组双曲型偏微分方程。
如图2所示，为从管道分离出的微小单元图。该微小单元的长度是x，其横截面积为a，断面平均压力为p，v是断面的平均流速，ρ是流体平均密度，d是管道内径，管道中心线与水平线所成夹角为α，液体流动方向为正方向，当介质向近地面运动时，夹角为负值，反之为正值，g为重力加速度。
对隔离单元控制体运用牛顿定律，即上游液体对控制体的压力取pa，下游液体对控制体的压力取
其中，f＝ma＝ρadx·dv/dt，τ＝ρkv|v|/8，a＝πd2/4，k为水力摩阻系数，代入下游液体对控制体的压力公式，得出运动方程
在流体稳定状态下，单位时间t内进入控制体入口的介质质量为pavdt，流出控制体出口的介质质量为
步骤1.2、利用特征线解法和有限差分法对该组双曲型偏微分方程求解。
顺特征线及其特征方程为：
逆特征线及其特征方程为：
利用有限差分法求解特征方程、在忽略高程变化下，j时刻的节点i沿特征线有限差分方程为：
其中，管道被分成n段，分别标志为1、2、...、i-1、i、i 1、...、n；每段管长为δl，沿时间轴离散成若干时间段0、δt、...(j-1)δt、jδt。pi,j表示j时刻i节点的压力，vi,j表示j时刻i节点的速度，vp为负压波的波速。
结合泄漏点的边界条件，综上可以得到：
δpi,j＝pi,j-pi,j-1＝-ρvpδvi
其中，δvi为泄漏点泄漏前后的速度变化量。
结合泄漏率的定义，可以得到泄漏点处的负压波表达式：
其中δpl为在泄漏处的压力变化，n为泄漏率，其定义为(vi-,j-vi ,j)/vi-,j，vp为负压波的波速，v是断面的平均流速，ρ是流体平均密度。
步骤1.3、经过多次泄漏实验观察及分析，在泄漏点处产生的赋值衰减类似于指数衰减，且衰减指数与管线长度呈正比例关系，将一个动态系数融入至传统负压波衰减模型中形成动态衰减因子，即在管道两端的负压波压力的表达式为：
上述表达式即为建立的动态负压波衰减模型，其中，ps为管道入口负压波压力值，pe为管道出口负压波压力值，x为泄漏点距管道入口的距离，l为管线长度，β为负压波的衰减因子，k为动态管道比例系数，k的表达式为：
其中，lth为管线长度阈值，超过该阈值的衰减因子即为动态衰减变量。
具体实施中，通过实验法确定衰减系数。如图3所示，为在南部某长距离管线中，通过站内调节下载阀模拟泄漏放油后的管线两端压力曲线。通过曲线可以看出距离模拟泄漏点较远的站负压波压力衰减较大。
步骤1.4、通过调整不同的运行流量，做多次相同泄漏流量的放油测试，得出变化的压差数据；利用得出的压差数据做数据拟合，得出该管线的高点造成压力衰减的衰减公式为：
δp＝f(x,v,h,xh)
其中，δp为负压波压力值，h为管段最高海拔，xh为管道的海拔高度一维向量。
如图4所示，为南方某长距离管线的管线高点图，由图中标定高点，高点距离一维向量即管道的海拔高度一维向量xh设置为{xh1,xh2,......,xhn}。
将衰减公式融入至已建立的动态负压波衰减模型中：
步骤2：提取管线两端压力特征，设定信号的特征区间。如图1所示，首先提取出泄漏时段两端的压力特征数据；其次选择适当的小波尺度，利用小波分析方法对压力数据做去噪滤波处理，寻找出小波变换的极值点并确定为确定性信号的边沿点；最后围绕极值点设定特征区间；所述确定性信号为压力数据的确定性信号，压力数据由确定性信号和噪声信号组成。具体包括以下步骤：
步骤2.1、提取出满足泄漏条件的管道两端的离散压力队列，其中起始端即距离泄漏点较近的监控站压力队列为x1(t)，终止端即距离泄漏端较远的监控站压力队列为x2(t)。利用三样条插值法做信号保持，生成连续压力信号x1(t)和x2(t)；其中t为压力信号采样周期。所述泄漏条件包括两类条件，分别为压力整体下降条件和局部突降条件；起始端需同时满足两类条件，终止端仅需满足压力整体下降条件，即可认为两端压力信号满足泄漏条件。
步骤2.2、利用小波变换方法对压力数据做去噪处理，具体方法为：
步骤2.2.1、压力信号由确定性信号和噪声叠加而成，小波变化后数据是两部分信号的小波变换之和；其中确定性信号边沿对应的小波变换的极值随着尺度的增大而增大或缓慢衰减；噪声信号小波变换的极值随着尺度的增大而迅速衰减。在大尺度下，压力信号的小波变换的极值点主要属于确定性信号的边沿，因而可以准确提取确定性信号的边沿，即负压波拐点；取ψ(t)为高斯低通函数，
其中，*表示卷积，a为尺度因子，b为位移参数，
步骤2.2.2、由上述泄漏条件可知，在起始端压力信号符合整体下降条件和局部突降条件，终止端只满足压力整体下降条件的情况下；对两端信号小波变化尺度因子区别选择，为保障起始端局部突降信号的有效性，其尺度因子的选择应小于终止端，具体是始终，依照管段具体情况确定小多少。
步骤2.3、求解得出极值点x(ti)，设定泄漏区间
步骤3：对负压波的衰减做补偿处理，在特征区间中寻找最优特征点。如图1所示，首先确定特征基准点及特征区间、判断区间内压力信号是否满足补偿条件，若不满足则说明该段信号特征明显无需补偿，直接返回该基准点为泄漏特征点，若满足则在特征区间中以特征基准点为中心，对负压波的衰减做补偿处理；其次围绕信号边沿条件和预测泄漏率两项指标建立相应的目标函数，构成多目标优化数学模型，并采用多目标粒子群寻优方法对多目标优化数学模型求解，在特征区间中找出最优特征点；判断该最优点是否符合设定的指标条件，若不符合则以该最优点为新的基准点重新代入多目标优化模型计算、若符合则返回该最优点为泄漏特征点。具体包括以下步骤：
步骤3.1、设定负压波补偿条件，判断压力信号是否满足补偿条件；若不满足，则跳过步骤3和步骤4；若满足，则保持起始端压力信号，对终止端压力信号x2(t)做负压波衰减补偿。所述负压波补偿条件为终止端压力信号仅满足压力整体下降条件，不满足局部突降条件。
步骤3.2、设置初始拟定特征基准点为步骤2求解x2(t)得出的极值点x(ti)，特征区间
步骤3.3、设置压力信号处理队列时间长度为
利用提取的离散压力队列生成压差队列{δp1、……δpm-2、δpm-1}，m∈[2,n]，队列长度为m-1，总压差为
步骤3.4、将起始端特征点和终止端特征点代入定位距离公式，得出泄漏点距起始端距离d(t)，代入负压波衰减公式：
δp＝δpde-β(l-d(t))
其中，δpd为泄漏点处压差；负压波衰减压力为δps＝δpd-δp＝(eβ(l-d(t))-1)δp。
依照权重系数和负压波衰减压力对压差队列做衰减补偿，δp′i＝δpi λiδps，形成新的压差队列{δp′1、δp′2……、δp′m-1}。补偿后的压差队列与原离散压力队列相结合，
利用三样条插值法对补偿后的压力队列做信号保持处理，形成补偿后的连续压力信号xs(t)。
步骤3.5、建立多目标约束优化的数学模型；围绕边沿条件和预测泄漏率两个指标，设定对应的目标函数，如下：
其中，
步骤3.6、根据管道运行参数标准，设定多目标约束优化的约束条件，如下：
其中，第一个约束条件为压差约束，δpc为终止端压差的干扰补偿，与工况设备调整值相关。理论上起始端压差应大于终止端压差，但工况调整如泵调频、清洁器工作可能会导致压差变化，实际上起始端压差应大于终止端压差加上干扰补偿的总和。第二个约束条件为时差约束，其中ts为起始端拐点时间，根据补偿条件设定，泄漏点位于起始段至管线中点区间，则设定终止端特征点时间变量应大于起始端拐点时间加上管道时间的四分之一。即构成完整的多目标约束优化数学模型，如下式所示；
步骤3.7、选取多目标粒子群算方法对上述多目标约束优化数学模型求解；设定寻优的初始参数、迭代次数及终止条件，求解出最优解集。
如图5所示，首先初始化粒子种群位置、速度、惯性权重、学习因子和迭代次数；根据pareto支配原则，计算得到archive集；计算archive集的拥挤度并在archive集选择gbest，更新粒子的速度、位置和适应值，更新archive集；判断当前archive集是否符号迭代结束条件，若不符合则重新更新粒子速度、位置和适应值计算、若符合则返回当前archive集。
在粒子群算法中，每个粒子的位置表示待优化问题的解，每个粒子性能的优劣程度取决于待优化问题目标函数确定的适应度值，粒子通过迭代不断修正自己的前进方向和速度大小，最终找到全局最优解。在迭代过程中，第p 1次的迭代公式为：
其中v为粒子速度，t为粒子位置，pbest为该粒子所找的个体最优解，gbest为整个种群当前的全局最优解，ω为惯性权重，c1,c2为学习因子。
步骤3.7.1、选取非劣解构成pareto解集，利用小生境技术计算pareto解集中粒子的适应度值，粒子的适应度值越小，粒子聚集程度越高。第i个适应度计算公式为：
其中，s(d(i,j))为第i个粒子和第j个粒子的适应度分享函数，n为pareto解集个数。
其中，δsh为小生境半径。
步骤3.7.2、根据pareto解集中适应度值的大小，动态适应度值最大的设置为当前的全局最优解。以全局最优解为导向，动态地改变权重系数、引导粒子的迭代过程，循环地执行步骤3.3及3.4的变量更新及对应的补偿过程，并利用步骤3.7.1对其对应的函数模型进行目标求解，通过得到的目标值不断地更新pareto解集，直至达到最高迭代次数为止；迭代完毕后，当前的全局最优解即为此次粒子群算法中求解得到的最优解。如图6所示，为历经50次迭代后生成的最优解集，纵坐标表示预测泄漏率相似度指标，横坐标表示信号边沿条件指标，根据不同的问题指向两个指标分别具有各自的权重分量，加权后可求解出解集中最优解集。
步骤4：基于所获得的定位结果进行效果评估，所评估的效果包括负压波补偿复原效果和定位精度效果。依据下述评价准则进行效果评估：
评估准则1：定位精度对比；定位精度为：
其中，δd为定位距离与实际距离的差，即多目标函数寻找最优的特征点后，该特征点对应的泄漏点距起始端距离d(t)与实际泄漏点距起始端距离的差值。
评估准则2：负压波衰减补偿后压力信号是否满足局部突降条件，肉眼可以辨认出突降点。如图7所示为确定最优解集后的压力补偿曲线，可以看出较原曲线相比具备明显突降特征。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
