长输油管道泄漏检测技术研究现状

随着人工智能技术的发展以及大数据互联网技术的应用,管道泄漏检测技术向智能化的方向发展。将管道泄漏检测技术分为连续性技术和非连续性技术两大类,介绍了多种泄漏检测方法的原理,总结并分析了国内外长输油管道泄漏检测技术的研究现状,对多种检测方法相结合的输油管道泄漏检测与定位技术在长输油管道检测中的应用进行了展望。     

应力波法在输油管道检漏系统中的应用

介绍了应力波法在输油管道泄漏检测系统中的应用。在不法分子凿击输油管道的过程中或输油管道由于自然原因突然发生泄漏时,产生的应力波会沿着管道向两端传播,利用管道两端的传感器采集应力波信号,并进行小波去噪,然后根据应力波到达两个传感器的时间差对冲击激励点进行定位。实验测试与实际运行结果表明,本检测系统定位平均误差小于0．22m,判断准确率高达90％以上,能够较准确检测输油管道的泄源点。     

基于负压波法输油管道泄漏监控软件的开发

管道运输具有平稳连续、运输量大、运费低等特点,是油气运输的首选方式。管道泄漏检测是维护其安全运行的重要保障,为提高泄漏检测和定位的准确性,基于负压波原理设计了输油管道泄露检测软硬件解决方案,开发了泄漏监控软件。该系统安装于输油管道两端,能够完成管道状态信息的采集、管道两端数据的传输及泄漏的及时报警与定位等功能。采用全球定位系统来统一首末端数据采集系统的系统时间,以消除首末端压力传感器动态响应时间差。实际应用结果表明,该系统能够准确地进行输油管道泄漏判断,并确定泄漏点。     

基于GPRS的输油管道泄漏检测与定位系统的研究

提出了一种基于GPRS的输油管道泄漏检测与定位系统,由管道的检测终端实时采集管网的压力、流量和温度,通过GPRS网络实现远程数据传输,综合利用负压波和流量联合判断的方法进行泄漏的检测与漏点的定位,可及时、准确地发现和定位泄漏点。     

基于RBF神经网络和自适应遗传算法的变压器故障诊断

由于变压器故障征兆与故障类型之间具有复杂的非线性关系,采用传统的BP神经网络诊断方法存在收敛速度慢、准确率低和自适应能力差等缺点.针对以上问题,提出了一种基于自适应遗传算法的RBF神经网络故障诊断方法,建立了以变压器的故障特征参数为输入、以主要故障类型为输出的故障诊断模型;将自适应遗传算法和RBF神经网络有机地结合起来,利用自适应遗传算法对RBF神经网络的基函数宽度和中心进行优化,将优化后的RBF神经网络应用于变压器故障诊断.仿真结果表明,该诊断模型加快了网络收敛速度,改善了RBF神经网络的泛化能力,提高了故障诊断正确率,具有良好的实用性.     

基于神经网络的气体管道泄漏检测与定位

针对建立气体管道准确机理模型比较困难的问题,提出基于压力时间序列的神经网络来进行气体管道泄漏检测与定位的方法。针对管道的流量测量的精度较低且安装流量计会破坏管道原流场的问题,提出采用主动施扰法检测气体管道不同位置的压力信号,利用压力时间序列神经网络获取泄漏点的位置信息和泄漏量信息,并通过实验分析泄漏位置不同和泄漏量大小对检测精度的影响。实验结果表明,该方法能实现气体管道泄漏检测与定位,并且精度较高。     

长输油气管道泄漏检测方法概述及实用性分析

随着我国国民经济的迅速发展,石油与天然气作为主要能源的代表,其需求量不断增大,长输油气管道的安全风险问题也备受关注。尤其是,近几年来管道泄漏爆燃事故时有发生,不仅给人民生命安全和财产造成了极大的损失,也给生态环境造成了污染和破坏。因此,将智能、高效的泄漏检测定位方法应用于油气管道及时制止次生灾害的发生显得至关重要。通过分析管道泄漏产生的主要原因,概述了目前常用的几种管道泄漏检测方法,并采用负压波和流量平衡法相结合的方法在原油管道进行泄漏检测实验。结果表明,该方法可以对输油管道泄漏进行实时监测,尤其是微小缓慢的泄漏,同时也可以准确定位泄漏点。     

基于改进CEEMDAN⁃熵方法的管道泄漏工况识别

负压波信号的去噪效果和特征向量的提取是影响输油管道泄漏检测准确性的关键因素。针对当前管道泄漏检测准确性较低的问题,提出了改进的添加成对白噪声的完全集合经验模态分解算法（改进的CEEMDAN）对负压波信号进行预处理,将管道上下游压力传感器测得的负压波信号进行CEEMDAN分解,得到多个固有模态函数（IMF）,并根据双通道传感器的相关系数原则筛选有效IMF分量,提出基于熵的特征向量,计算有效IMF分量的能量熵、峭度熵以及排列熵,并输入支持向量机（SVM）对不同工况进行分类。通过现场数据验证,改进的CEEMDAN⁃熵方法可以有效提高输油管道泄漏检测的准确性,具有一定的现场应用价值。     

基于小波分析的输油管道泄漏点定位研究

将小波分析方法应用在输油管道的泄漏点检测中,分析了压力波监测基本原理和小波消噪的基本原理;使用小波分析对泄漏时压力波突降点进行捕捉分析,进而确定管道泄漏点的准确位置。分析结果表明,小波分析可以有效地定位泄漏点。     

基于遗传优化BP神经网络的供热管网故障诊断模型

为了克服传统BP神经网络收敛速度慢,易陷入局部极值的缺陷,提出一种遗传优化的BP神经网络供热管网故障诊断模型.通过建立泄漏工况数学模型,获取了泄漏工况下的节点压力变化情况,并以此作为BP神经网络的样本数据;利用遗传算法对BP网络初始权值和阀值进行了优化,再通过BP神经网络进行了供热管网的故障诊断,以确定泄漏管段和泄漏量,并对泄漏点进行定位.实验结果表明:该模型性能明显优于传统的BP神经网络故障诊断模型,且诊断精度高.     

自适应BAS优化RBF神经网络的短时交通流预测

为提高短时交通流预测精度,针对传统径向基函数(radial basis function, RBF)神经网络短时交通流预测模型中心值固定、易受漂移数据干扰问题,提出自适应天牛须搜索算法(beetle antennae search algorithm, BAS)优化RBF神经网络的短时交通流预测模型。模型采用自适应步长提高BAS算法迭代速度和寻优能力,结合DBSCAN聚类确定RBF神经网络隐含层径向基函数网络中心,进而优化神经网络结构。通过路网真实交通流数据进行训练,选择常用于短时交通流预测的BP神经网络,RBF神经网络,广义RBF神经网络进行对比。结果表明：优化后的模型预测结果相较BP神经网络平均绝对误差降低了1.87%、平均绝对百分比误差降低了15.96%、均方根误差降低了3.24%,拟合度提高了3.96%;相较广义RBF神经网络平均绝对误差降低1.36%、平均绝对百分比误差降低了5.01%、均方根误差降低了2.19%,拟合度提高了2.5%。改进后的短时交通流预测模型能够为智能交通诱导提供可靠的预测值。     

基于IABC-RBF神经网络的地下水埋深预测模型

为了验证基于改进人工蜂群算法的径向基函数（RBF）神经网络模型在地下水埋深预测中的可行性和优越性,在基本人工蜂群算法中引入高斯变异算子,优化初始蜜源位置,设计建立基于改进人工蜂群算法的RBF神经网络模型（IABC-RBF）. 通过输入泾惠渠灌区的年降雨量、年渠首引水量、年田间灌溉用水量、年地下水开采量和前一年的地下水埋深共5个相关影响因子的数据,对地下水埋深进行预测,与实测的地下水埋深数据进行比较,误差很小. 与RBF神经网络模型和基于基本人工蜂群算法训练的RBF神经网络模型（ABC-RBF）的预测结果进行比较,结果表明,基于改进人工蜂群算法的RBF神经网络模型收敛速度更快,预测结果误差最小,精度最高.     

基于GA-RBF神经网络的光伏电池MPPT研究

讨论了光伏电池非线性输出特性,在此基础上,结合径向基函数神经网络的特点,提出了基于遗传算法优化的径向基函数神经网络方法,并将该方法用到了电池的最大功率点跟踪预测中。仿真及实验结果表明,与传统的径向基函数神经网络相比,该方法克服了网络参数选择的随机性,具有更高的精度和适应能力。     

DE算法改进的炼焦能耗RBF预测模型

针对炼焦能耗计算繁琐、影响因素众多的问题,以目标火道温度、烟道吸力、水分、挥发分和炼焦时间为输入变量,以炼焦能耗为输出变量,提出基于差分进化算法改进的RBF预测模型。由于RBF网络存在学习能力差、收敛速度慢等多个缺点,针对性地改进了差分进化算法优化的能耗预测模型。利用具有强大全局搜索能力的差分进化算法,选择RBF网络中基函数的中心值、宽度和输出权重的计算最优值,以此作为RBF神经网络的中心值、宽度和输出权重。结果表明,改进后的RBF预测模型具有较高的精度、稳定性和训练速度,对降低炼焦能耗、提高焦炭产量和提高企业经济效益具有重要意义。     

神经网络在短期电力负荷预测中的应用

给出了改进的BP网络和RBF网络的构造过程和训练方法.在改进的BP网络中不仅加入了动量项和变步长法，而且在模型中合理地考虑了影响负荷变化的主要气象因素，使其能够适应天气的变化.在RBF网络中，为了克服传统K均值聚类法局部寻优的缺陷，采用了正交最小二乘法选取RBF中心.利用改进的BP网络和RBF网络进行了短期电力负荷预测，并对训练的收敛速度和预测精度进行了分析.比较两种模型，RBF网络比BP网络更具有实用性和可开发性.     

基于神经滑模控制的风机变桨系统控制研究

以风力发电系统为背景,由于风速波动及风机叶片扫掠面积上风资源的不均匀分布,风机叶片的变桨需要根据自身风况单独控制,即实现独立变桨.提出一种基于RBF(径向基函数)神经网络的滑模控制策略,优化了风机变桨距的控制方法,提高了风力发电系统的稳定性.将算法植入10 kW风机缩比模型实验台,控制伺服变桨电机,实验台模拟运行结果表明,RBF神经网络滑模控制策略能够改善变桨控制的效果,提高系统的鲁棒性.     

基于AEPSO优化的神经网络多步预测控制

为提高神经网络预测控制的性能，提出了基于自适应扩展粒子群优化的神经网络预测控制方案。基本PSO算法中，每个粒子的更新受粒子个体极值和局部极值的影响，为了提高其全局收敛性，采用多粒子策略，使每个粒子的更新受更多其他粒子的影响；为提高收敛速度，采用白适应策略，对参数c0进行白适应调整，使c0随着迭代次数的增加而逐渐减小，这样，在PSO算法的搜索过程中，随着迭代次数的增加，搜索区域会越来越小，从而加快PSO算法收敛速度。运用该算法实现神经网络预测控制中的滚动优化，在有限时域内对控制序列进行寻列，给出基于粒子群优化的神经网络预测控制系统的稳定性证明。仿真结果表明，基于粒子群优化的神经网络预测控制系统具有良好的跟踪性能。     

移动荷载下基于RBF神经网络的地基土参数识别

研究了移动荷载作用下径向基神经网络在地基土的参数识别中的应用。针对径向基神经网络的不足，采用压缩映射递阶遗传算法来确定网络参数（连接权、隐节点中心和宽度），改进算法的收敛性。基于频率响应，采用主元分析方法，有效减少了网络的输入节点。结果表明该方法是可行的。     

人工神经网络在乘员约束系统中的应用

建立正面碰撞乘员约束系统空间模型,通过实车碰撞试验验证了模型的正确性.结合均匀试验设计方法,分别建立3种人工神经网络拟合乘员伤害,网络结构经过优化和训练后使用遗传算法寻优,优化后的参数使得约束系统的保护性能得到显著改善.优化结果表明:RBF网络和GRNN网络对乘员约束系统的拟合效果较好,预测精度较高.     

基于K-均值聚类算法RBF神经网络交通流预测

针对目前道路拥堵等交通问题,本文采用K-均值聚类算法对径向基函数(radial basis function,RBF)网络进行优化,通过K-均值聚类算法把所有的输入样本进行统一聚类,求得所有隐含层节点的RBF中心值Ci,并用最小二乘法(LMS)进行RBF网络的权值调整,同时在一定的时间和路段内对车流量进行数据采集,通过建立RBF神经网络模型,运用Matlab软件把采集的数据、图像进行计算机仿真,仿真结果表明,未加入K-均值聚类的RBF神经网络,其预测输出曲线大致可以和实际输出曲线拟合,但在数据波动较大的时刻,预测曲线的收敛速度偏慢且效率偏低;而采用K-均值聚类算法的RBF神经网络,在实际输出波动较大时,预测输出的曲线收敛速度和准确度都较高,因此,本研究相对于普通的BP神经网络,有更高的预测精度和较好的收敛性。该研究适用于市区内的交通流预测。