基于混沌分析和微处理器的管道微泄漏诊断方法与装置

1.一种基于混沌分析和微处理器的管道微泄漏诊断方法，其特征在于首先进行信号采集，并将 这些信号传输到信号处理单元，信号处理单元通过盲源分析提取微小的变化信号，针对这个微小变化 信号对混沌湍流模型的影响来确定是否发生泄漏，当实时混沌湍流模型和历史模型之间的模型差符合 性能指标时，不作处理，当模型差大于性能指标时，即判断有泄漏存在，然后通过自适应解耦来获取 和放大模型计算后的压力信号和压力变化的时刻信号。
2.根据权利要求1所述的一种基于混沌分析和微处理器的管道微泄漏诊断方法，其特征在于所 述实时混沌湍流模型描述如下：
$\frac{\partial A(x,t)}{\partial t}=(1+\mathrm{i\alpha })\frac{{\partial }^{2}A(x,t)}{\partial x^2}+A(x,t)-(1-\mathrm{i\beta }){\left|A(x,t)\right|}^{2}A(x,t)=0$
式中A(x，t)为波速复变量，x为距离，t为时间，i代表复数，α，β均为调节系数。
3.根据权利要求1所述的一种基于混沌分析和微处理器的管道微泄漏诊断方法，其特征在于所 述的自适应解耦，是从多个状态中提取需要的输出，采用多层前向神经网络来实现，其网络输出的精 确值如下式：
$f\left(x^p\right)=\frac{\underset{k=1}{\overset{m}{\Sigma }}{b}^k{\delta }^k{B}^k}{\underset{k=1}{\overset{m}{\Sigma }}{\delta }^k{B}^k}$
式中：bk，δk分别为满足第k条规则时，输出隶属函数的中心和宽度，用BP学习算法训练；m为模糊 前件变量个数，Bk代表相对折衷的决策。
4.根据权利要求1所述的一种基于混沌分析和微处理器的管道微泄漏诊断方法，其特征在于所 述混沌湍流分析过程具体包括以下步骤：
步骤一：开始；
步骤二：对数据进行盲源分析，将信号与噪声进行分离；
步骤三；建立实时数据的模型；
步骤四：与历史模型进行比较处理；
步骤五：判断是否符合评估性能指标，若符合性能指标，则进行自适应解耦，否则，则返回到步 骤二；
步骤六：获得输出信息：
步骤七：将信息发给定位处理；
步骤八：返回。
5.根据权利要求4所述的一种基于混沌分析和微处理器的管道微泄漏诊断方法，其特征在于所 述步骤二中盲源分析过程包括以下步骤：
步骤一：开始；
步骤二：观测测量数据；
步骤三：对数据进行Z变换处理；
步骤四：对处理后的数据建立分离模型；
步骤五：设置代价函数；
步骤六：调节模型的增益；
步骤七：进行信号分离；
步骤八：返回。
6.根据权利要求1所述的基于混沌分析和微处理器的管道微泄漏诊断方法采用的装置，包括信号 采集单元、信号处理单元以及电源模块，其特征在于所述信号处理单元由嵌入式微控制器和数字信号 处理器构成，嵌入式微控制器通过串行口与数字信号处理器的HPI端口相连，信号采集单元通过数字 信号处理器与嵌入式微处理器相连；电源模块分别为嵌入式微控制器、数字信号处理器供电。
7.根据权利要求6所述的基于混沌分析和微处理器的管道微泄漏诊断方法采用的装置，其特征在 于还包括GPS芯片，GPS芯片与嵌入式微控制器的USB接口相连。
8.根据权利要求6所述的基于混沌分析和微处理器的管道微泄漏诊断方法采用的装置，其特征在 于当用户需要显示检测定位时，还包括上位机，此时嵌入式微处理器通过以太网接口与上位机相连。

技术领域：\n本发明属于流体储运监控故障检测领域，特别涉及一种基于混沌分析和微处理器的管道微泄漏诊 断方法与装置。\n技术背景：\n流体储运已经成为国民经济以及日常生活中的一项重要的组成部分，无论是石油、天然气、还是日 常用水、煤气管道等等。这些流体的储运安全不仅是巨大经济利益的关键，也是环境保护和资源有效利 用的关键。由于流体储运媒介的不同多样，对于流体管道或容器的数据采集的要求也不尽相同，致使流 体输送的安全监控范围有限，难以实现对于流体输送过程中支持安全监控的数据综合采集和处理。\n目前现有的流体储运监控数据采集处理方面的方法与装置多为单一的对储运过程中的信号进行 采集和传输，对于发生故障的数据类型和分析处理十分有限。已有的专利技术中采用的方法主要是分 为以下几个方面，第一方面：输差检漏方法：就是利用管线中的输入量之和等于管线输出量之和的原 理。但实际上，进出口瞬时流量一般是不平衡的，如果泄漏造成很大的输差时，大致可以判断管线有 异常情况发生，但由于现场工艺操作，如调阀、加压等过程中会导致输差上升，其现象与泄漏相似， 因此单纯采用输差检漏法可能会造成频繁的误报警。第二方面：压力损失法与输差检漏方法相结合的 混合检测法：这种方法主要是利用当管线发生泄漏时，泄漏点处由于内外的压力差，流体迅速流失， 伴随着压力的下降。泄漏点两边的流体由于存在压力差而向泄漏点处补充，这一过程依次向上下游传 递，相当于泄漏点处产生了以一定速度传播的负压力波。当负压力波传递到首末两站时，压力采样值 下降，则该时刻被称为压力拐点时刻，该点被称为压力拐点。然后根据负压波传播到两端的时间差和 压力波的传播速度进行定位。在已有的专利中，例如：专利号为200410080221.0，申请日为2004年 9月28日，名称为“一种液体压力管道泄漏检测方法及装置”，该检测方法与装置使用负压波技术通 过对管道内噪声信号的拾取、处理和分析，利用互相关算法进行检测定位。但是这种方法具有很大的 局限性。例如在实际工况中，由于偷盗技术和管线的长久使用，使管线发生微小泄漏或者压力损失缓 变的时候，管线内部压力并不随着泄漏点的压力损失而发生明显变化，当故障产生的微小变化传到管 道两侧传感器时，负压波信号已经变得十分微弱了，使得站端的压力采样并不发生变化，或者只发生 缓变。这样在数据分析的时候，压力降方法并不能找到系统的拐点和拐点发生的时刻，从而不能实现 对泄漏的监测和定位。\n另外，在流体储运微小泄漏以及渗漏检测数据采集分析处理上，相关的装置也不能有效地完成多 种情况的泄漏监控所要求的数据采集分析。现有专利以及相关技术的不足主要表现在：\n(1)采集信号、采集点较为单一，只能采集处理某一类型的单一信号，通用性差。采集点单一， 不能对大范围多点进行数据采集分析，应用领域较窄。\n(2)流体储运监控数据分析处理能力不强，对于复杂的工况的各种数据信号采集处理不能满足 监控要求，无法有效地完成监控或监控范围不广。\n(3)装置的数据处理速度有待提高。由于指令处理的复杂度和CPU与存储器等外设通信时的速度 瓶颈等原因导致系统的数据处理速度不高，不能适应如图像处理等对数据处理速度要求很高的场合。\n发明内容：\n针对现有技术中存在的问题，本发明提供一种基于混沌分析和微处理器的管道微泄漏诊断方法与 装置。\n本发明装置包括信号采集单元、信号处理单元以及电源模块，信号处理单元采用主从式双核结构， 由嵌入式微控制器和数字信号处理器(DSP)构成，其中嵌入式微控制器作为整个装置的核心控制处 理器负责数据的整个装置的协调控制，DSP进行微小信号混沌辨识处理。嵌入式微控制器通过串行口 与DSP处理器的HPI端口相连，完成嵌入式微处理器与DSP处理器之间的协调控制与数据通信；DSP处理 器通过信号采集单元完成现场状态信号采集处理，经过混沌湍流分析处理将结果传送到嵌入式微处理 器；嵌入式微控制器通过USB接口与GPS芯片相连，完成整个装置系统的时间初始化和定位校时功能； 电源模块分别为嵌入式微控制器、DSP处理器供电，如图1所示。当用户需要显示检测定位时，本发明 装置还包括上位机，此时嵌入式微处理器将DSP处理器传输的数据进行打包并通过以太网接口上传给 网络上的上位机完成检测定位。\n本发明方法包括信号采集、判断泄漏和信号处理，首先利用安装在管道端的各种高性能传感器和 信号采集单元进行信号采集，并将这些信号传输到信号处理单元，信号处理单元通过盲源分析提取微 小的变化信号，针对这个微小变化信号对混沌湍流模型的影响来确定是否发生泄漏，当实时混沌湍流 模型和历史模型之间的模型差符合性能指标时，不作处理，当模型差大于性能指标时，即判断有泄漏 存在，然后通过自适应解耦来获取和放大模型计算后的压力信号和压力变化的时刻信号。\n为保证管道在安全的前提下优化运行，深入全面地掌握管道工况的动态变化规律，结合加压流体 的动力学的湍流动态特性，本发明方法将运动方程、连续性方程、能量方程联立为方程组来描述液体 管段瞬态流动的数学模型。\n\n式中：V是液体流速，单位为m/s；x是距离，单位为m；t是时间，单位为s；P是管内某处绝对压 强，单位为Pa；g是重力加速度，单位为m/s2；θ是管道倾角；λ是水力摩阻系数；D是管道 内径，单位为m；A是波速，单位为m/s；C是流体热容，单位为J/Kg·℃；T是流体温度，单位 为℃；K是流体管道总传热系数，单位为W/(m2·℃)；T0是平均地温，单位为℃；ρ是流体密 度。\n在实际工程应用中，上述方程组经无量纲抽象得下式，即液体管段瞬态流动的数学模型，该方程 是研究湍流和时空结构的重要基础，是一个时空混沌模型。\n$\frac{\partial A(x,t)}{\partial t}=(1+\mathrm{i\alpha })\frac{{\partial }^{2}A(x,t)}{\partial x^2}+A(x,t)-(1-\mathrm{i\beta }){\left|A(x,t)\right|}^{2}A(x,t)=0$\n式中：A(x，t)为复变量，它是有序参量。α，β均为调节系数。\n本发明方法中基于神经元网络的自适应解耦，是从多个状态中提取需要的输出，采用多层前向神 经网络来实现。将输入数据传给模糊化层，计算各输入向量输入各语言变量值模糊集合的隶属函数。\n${\mu }_{A_i}^k\left(x_i^p\right)=\exp [-{\left(\frac{x_i^p-a_i^k}{{\sigma }_i^k}\right)}^2]$\n式中：为输入xi p能推出第k条规则的概率；xi p为第P个样本中的第i个变量；ai k，σi k为满足第 k条规则时，第i个变量的中心和宽度，每个输入变量对应不同的规则。\n采用补偿的原理，为每条规则连接两个接点。一个为消极模糊神经元，映射输入到最坏的输出， 为最坏的情形制定一个保守决策，如下式：\n$u^k=\underset{i=1}{\overset{n}{\Pi }}{\mu }_{A_i}^k\left(x_i^p\right)$\n式中：n为神经元网络结点个数。\n另一个为积极模糊神经元，映射输入到最好的输出，为最好情形制定一个乐观决策，如下式所示：\n$v^k={\left[\underset{i=1}{\overset{n}{\Sigma }}{\mu }_{A_i}^k\left(x_i^p\right)\right]}^{\frac{1}{n}}$\n由此制定一个相对折衷的决策，如下式所示：\n$B^k={\left(u^k\right)}^{1-r}{\left(v^k\right)}^r={\left[\underset{i=1}{\overset{n}{\Pi }}{\mu }_{A_i}^k\left(x_i^p\right)\right]}^{1-r+\frac{r}{n}}$\n式中：0≤r≤1，r为补偿度。\n进行反模糊化计算，获得网络输出的精确值，如下式：\n$f\left(x^p\right)=\frac{\underset{k=1}{\overset{m}{\Sigma }}{b}^k{\delta }^k{B}^k}{\underset{k=1}{\overset{m}{\Sigma }}{\delta }^k{B}^k}$\n式中：bk，δk分别为满足第k条规则时，输出隶属函数的中心和宽度，用BP学习算法训练；m为模糊 前件变量个数。\n本发明适合多种采集信号类型、处理速度准确快速、适用于各种复杂储运工况，能够有效地对泄漏故 障特别是细微泄漏故障数据进行分析处理。\n附图说明：\n图1为本发明装置结构示意图；\n图2为实例中装置电路原理图，\n(a)电源模块电路原理图，\n(b)电压转换电路原理图，\n(c)一路信号采集电路原理图，\n(d)串口电路原理图，\n(e)DSP处理器接口电路原理图；\n图3为软件总流程图；\n图4为嵌入式处理器数据信号采集流程图；\n图5为混沌湍流分析流程图；\n图6为盲源分析流程图；\n图7为模型比较框图；\n其中1为信号处理单元。\n具体实施方式：\n下面结合附图对本发明作进一步说明。\n本发明装置应用于大型油田的输油管道泄漏定位系统，包括信号采集单元、信号处理单元、电源 模块，信号采集单元从管道两端传感器采集得到压力、温度和流量信号，通过嵌入式处理器内部的核 心算法实现泄漏的检测与定位并通过数字信号处理器对管道小流量的泄漏做出正确判断。本实例中嵌 入式微处理器选用ARMS3C44BOX，DSP处理器选用TMS320F2812。\n该装置具体电路原理如图2所示。图2(a)中端子5VDDIO与图2(b)中TPS767D318的5、6、11、 12管脚相连，图2(b)中端子3.3VDDIO、1.8VDDIO分别与图2(e)中TMS320F2812的3.3VDDIO、1.8VDDIO 端相连。\n本实例中信号采集单元通过压力、温度传感器并行采集6路压力、6路温度模拟信号，每一路信号 采集电路完全相同，如图2(c)所示，其中WENDU1端子与传感器相连，WENDU2端子与图2(e)中DSP 处理器的ADCIN接口相连。\n图2(d)所示为DSP处理器与ARM处理器的串口电路原理图，其中端子SCI_OUT、SCI_IN分别与图 (e)中DSP处理器的SCI_OUT、SCI_IN接口相连，JPMX与微处理器的HPI接口相连。\n本实例中输油管道泄漏诊断方法如下：\n首先利用安装在管道端的压力、温度传感器采集压力、温度信号，这些信号通过信号采集单元传 送到信号处理单元，信号处理单元通过盲源分析提取微小的变化信号，针对这个微小变化信号对混沌 湍流模型的影响来确定是否发生泄漏，当实时混沌湍流模型和历史模型之间的模型差符合性能指标 时，不作处理，当模型差大于性能指标时，即判断有泄漏存在，然后通过自适应解耦来获取和放大模 型计算后的压力信号和压力变化的时刻信号。其诊断过程最终由嵌入DSP处理器以及嵌入式微处理器 中的程序实现，按以下步骤执行，如图3所示：\n步骤一：开始；\n步骤二：嵌入式微处理器与DSP处理器通信控制并初始化；\n步骤三：定义程序出口地址并初始化I/O设备、同时初始化看门狗、中断向量、装置时钟；\n步骤四：设置异常响应，并设置中断响应地址和开中断；\n步骤五：初始化存储系统，为采样数据分配内存；\n步骤六：设置采样间隔及使能各采样通道；\n步骤七：嵌入式微处理器对常规数据进行信号采集和DSP利用混沌湍流分析处理；\n步骤八：对数据结果打包汇总，并上传；\n步骤九：结束。\n其中嵌入式微处理器对常规数据进行信号采集过程包括以下步骤，如图4所示：\n步骤一：开始；\n步骤二：等待中断；\n步骤三：判断中断请求，依次为采集连续信号中断，采集离散信号中断。看门狗中断，GPS中断；\n步骤四：若为采集连续信号中断，则进行连续信号采集操作；\n若为采集离散信号中断，则进行离散信号采集操作；\n若为看门狗中断，则重新启动采样；\n若为GPS中断，则校时重新设置时间；\n若无中断，则回到步骤二；\n步骤五：将采集的数据信号进行软件滤波；\n步骤六：数据结果汇总；\n步骤七：返回。\nDSP混沌湍流分析过程包括以下步骤，如图5所示：\n步骤一：开始；\n步骤二：对数据进行盲源分析，将信号与噪声进行分离；\n步骤三：建立实时数据的模型；\n步骤四：与历史模型进行比较处理；\n步骤五：判断是否符合评估性能指标，若符合性能指标，则进行自适应解耦，否则，则返回到步 骤二；\n步骤六：获得输出信息；\n步骤七：将信息发给定位处理；\n步骤八：返回。\n盲源分析过程包括以下步骤，如图6所示：\n步骤一：开始；\n步骤二：观测测量数据；\n步骤三：对数据进行Z变换处理；\n步骤四：对处理后的数据建立分离模型；\n步骤五：设置代价函数；\n步骤六：调节模型的增益；\n步骤七：进行信号分离；\n步骤八：返回。\n图7所示为模型比较框图。\n盲源分析过程中采用的分离模型如下：\ny1(t)＝ω11x1(t)+ω12x2(t-k12)\ny2(t)＝ω22x2(t)+ω21x1(t-k21)\n式中：{ω11}和{k11}分别为恢复系统的权值和时延。x为观测信号、y为分离信号、t为时间、k为 采样时刻。\n设置的代价函数如下：\nF(ωi，ki)＝[E{G(yi)}-E{G(v)}]2    i＝1，2\n式中：G为任意的非二次函数，v为与yi同方差零均值的Gaussian变量。E为均方差。