基于小波分析與BP神經網絡的管道泄漏診斷方法的研究.pdf

1、近年來,管道運輸作為大量輸送石油、氣體等能源的安全經濟的運輸手段,在世界各地得到了廣泛應用。然而,隨著管道設備的老化、自然災害破壞以及人為損壞等原因,泄漏故障時有發(fā)生,給人的生命財產帶來了巨大的威脅。因此建立管道泄漏檢測系統,具有重大的經濟意義和社會意義。對管道泄漏檢測研究至今已有很多種方法,其中基于知識的方法近年來受到業(yè)界的普遍關注,且主要集中在神經網絡和專家系統的應用上。小波神經網絡結合了神經網絡的自學習特性和小波的局部特性,具有良

2、好的自適應分辨性和良好的容錯能力,因此在管道泄漏檢測領域具有良好的應用前景。本文在詳細分析流體管道泄漏檢測技術研究現狀的基礎上,將小波神經網絡算法應用于管道泄漏的檢測中,主要進行了以下幾方面的工作:首先,通過對小波變換原理和小波分析方法在故障檢測中應用的研究,選取合理小波基函數、小波分解層數和閾值函數,對信號進行濾波消噪。其次,通過對基于誤差反向傳播算法(Back Propagation,BP)的人工神經網絡原理、算法及特點的研究,將小

3、波分析方法與BP神經網絡相結合,引入基于小波包分析的“能量—故障識別”故障診斷方法,提出了反映壓力信號特性的特征向量指標,使用小波包分析方法提取管道泄漏故障特征值,為神經網絡故障診斷提供輸入樣本。最后,通過對基于BP神經網絡和基于小波神經網絡的管道泄漏故障診斷誤差訓練曲線及測試結果進行比較分析,對BP神經網絡中誤差反向傳播算法提出兩點改進:一是在網絡權值修正過程中附加慣性系數,以減小學習過程中的震蕩趨勢,加快訓練速度;二是在學習過程中引

4、入基于梯度符號變化的局部學習率自適應算法,根據每個可調節(jié)參數自身的狀態(tài)信息,動態(tài)的獨立的調整其學習率,以節(jié)省訓練時間。最終測試結果表明,改進后的小波神經網絡算法訓練速度快,識別精度高,穩(wěn)定性強,能夠在管道泄漏診斷中發(fā)揮重要作用。本文通過理論研究和仿真實驗證明,基于小波分析與BP神經網絡的管道泄漏診斷方法能及時準確的診斷出管道泄漏故障,具有一定的研究價值和實用價值,隨著在理論和實踐上的進一步完善,本方法將會在管道泄漏檢測中發(fā)揮更大的作用。