基于类脑脉冲神经网络的光纤油气管道监测

宋艳丽

(河南质量工程职业学院,河南 平顶山 467000)

1 引 言

石油通过管道传输可有效提高油气输送效率以及降低成本,但是油气管道通常埋于地下,若外界环境发生变化,如地震、山体滑坡、人为破坏等均会引起油气泄漏,造成重大经济损失,因此对油气管道监测至关重要[1]。

人工对油气管道设备监测,由于受主观因素的影响无法确保全线路、全覆盖监测。光纤传感器具有较好的抗电磁干扰性、灵敏度高等特性,并且适合在复杂环境中使用,广泛应用于长距离油气管道监测中,但是油气管道很多振动属于无害类型,如农耕、火车、道路施工等,若每次振动都安排工作人员现场复核,会产生很大的工作量,因此正确识别出振动类型可减少现场复核次数[2]。支持向量机(Support Vector Machine,SVM)通过振动信号的特征向量辨识振动,以判断是否有异常[3],但SVM识别效果在很大程度上依赖于核函数的选择以及内核和软边缘参数的微调。神经网络(Neural Network,NN),不要求对振动样本集有太多先验信息[4],但是需要大量数据样本进行训练,且训练时间长。反向传播神经网络(Back Propagation Neural Network,BPNN)能提高泄漏检测的可靠性[5],但是存在局部极小值,收敛速度较慢等问题。卷积神经网络(Convolutional Neural Network,CNN)特征层面避免了大部分人工干预,网络能够自动输出分类特征[6]。隐马尔科夫模型(Hidden Markov Model,HMM)具有处理振动序列数据的优势[7],但是需遵从齐次马尔科夫链假设。

为了提高光纤油气管道监测效果,采用类脑脉冲神经网络算法(Brain Spiking Neural Network,BSNN),对振动信号进行频段特征提取,各频段的能量占比作为神经网络训练输入进行模型训练,从而对振动信号识别,实例验证了本文方法的有效性。

2 光纤振动检测过程

2.1 光纤定位计算

当油气管道受到振动时,感测光缆随之发生振动,引起背向瑞利散射光的辐射损耗变化[8]。设距离光纤入射端x为z处的光功率为:

(1)

式中,P0为初始光功率；a0(x)为前向衰减系数。

z处背向散射回入射端的光功率为:

(2)

式中,Kr≈0.5为耦合器损耗乘积因子；S(x)为光纤在z点的背向散射系数；ab(x)为光纤背向衰减系数。

当油气管道沿线环境处于无振动时,光纤产生瑞利散射光曲线保持不变,若外部干扰引起z点光纤振动,引起该点折射率变化,后向散射光相位波动导致辐射模形成新的损耗,S(x)此时记为S(x,t),得到:

(3)

通过计算光纤入射端测量背向散射光随时间的变化,可获得光纤上不同位置处的损耗特征,如图1所示。

图1 散射曲线Fig.1 Scattering curve

从图1可以看出,当在1580 m管道沿线附近的光纤受到破坏,此处的背向瑞利散射光及返回的散射曲线发生改变,利用扰动信号传播到光电探测器所用的时间,可计算出破坏行为的具体位置。

当有振动时,光纤油气管道监测定位距离为:

L=ΔTv/2

(4)

式中,ΔT为光脉冲发射和接收到振动信号的时间差；v为光在光纤中的速度；v=c/λ,c为光在真空中的速度；λ光纤折射率。

2.2 累加平均法消噪

获得的光纤传感器振动信号会混有噪声,如果直接进行特征提取,导致正确识别率下降,因此需要对振动信号进行消噪。设获得的测量信号为x(t):

x(t)=s(t)+n(t)

(5)

式中,s(t)为特征信号；n(t)为噪声信号。

则第j个测量点第i次测量信号为:

xij(t)=x(ti+jTs)=s(ti+jTs)+n(ti+jT)

(6)

式中,ti为第i个测量周期的初始时刻；Ts为间隔时间。

虽然采样周期不断变化,但是各采样周期对应的第j个测试点的幅值几乎不变；同时噪声值与i和j都有关系,因此得:

xij=sj+nij

(7)

设噪声标准差为σn,则i个测量周期信噪比为:

(8)

第j个测试点累加N次后的均值为:

(9)

则累加平均N次有:

(10)

(11)

累加N次之后有用信号和噪声信号有效值分别为:

(12)

此时的信噪比为:

(13)

2.3 振动信号特征提取

表1 典型信号的各频小波包能量Tab.1 Wavelet packet energy of each frequency of typical signal

3 类脑脉冲神经网络

3.1 基于脉冲响应的类脑神经元设计

当脉冲型神经元l膜电压达到点火阈值ζ时,此时l被激活[11],输出激励脑脉冲电压ul,并且记录激励脉冲产生的时刻tl,神经元l输出激励脉冲的所有时间集合为Fl,与神经元l相连的前突触集合为Γi。神经元受到点火阈值激活的势能为:

(14)

式中,ηl为神经元对自身输出脉冲的响应函数;εlL为脉冲神经元对其前突触输入脉冲的响应函数;ωlL为神经网络中前突触神经元L到后突触神经元l的联结权值。

函数ηl，εlL为:

(15)

(16)

式中,τ，τm，τs为时间常数;H(s)为阶跃响应信号;φ为脉冲信号在轴突上的传输延时。

当ul达到点火阈值ζ时,则激活神经网络,从而对振动信号进行分析。

3.2 类脑脉冲神经网络

3.2.1 神经元连接强度非线性设计

类脑神经网络通过模拟大脑皮层分区模块化结构实现,多个子网络组成神经网络,每个子网络承担全局任务的一个子任务,当神经元产生激励脑脉冲电压时则被激活[12]。当神经元接收到脉冲信号后,自身膜电压开始升高,当达到阈值后,向后层神经元发射一个脉冲信号,同时自身膜电压复位,如果前神经元被激活的时间早于后神经元被激活的时间,则前、后神经元连接得到加强,反之减弱。连接权值的变化量不仅是脉冲时间的函数,还与权值本身的函数有关,因此神经元连接的强度与前、后神经元激活时间差函数关系非线性设计为:

(17)

式中,t1、t2为前、后神经元激活时间；τ>0为控制指数衰减速率的时间常数；a>0为对称度调整参数,用于调整f-(ωlL)、f+(ωlL)函数对称度；μ为曲率因子；K(Δt)为在连接过程中的学习窗函数；f-(ωlL)、f+(ωlL)为更新函数；ΔωlL为权值调整量；ξ(t)为随机扰动项；λ为学习率；C为目标函数。当Δt>0时,则连接加强,Δt≤0,连接减弱。

当连接权值达到最大值时,连接权值更新会越来越小,这样可有效防止突触权值无限制地增长,从而更好地模仿生物大脑的学习方式。

3.2.2 输入数据与神经元脉冲转换

假设神经元状态值为s∈[smin,smax],首次编码发放时间t(s),则编码为:

(18)

式中,φ为优化系数,主要用于调节发放时间。

神经网络隐含层输入电流[13]:

(19)

为减少算法复杂度,输出层神经元的输出脉冲序列为连续发放,平均发放率为:

(20)

式中,U为输出层神经元在一个时间窗口T内发放脉冲的数量。

类脑脉冲神经网络训练过程:(1)对不同的振动信号进行长时间采集并分割成短时信号,消噪后提取频段特征值；(2)特征值编码构成类脑脉冲神经网络输入量；(3按振动所对应信号建立模型库；(4)将训练好的模型用于实时信号分析。

3.2.3 算法流程

①输入振动信号；

②消噪后提取信号频段特征值,输入类脑脉冲神经网络;

③神经元学习更新,并将激活神经元连接至输出神经元；

④若网络达到收敛或最大迭代次数,转至步骤⑤；否则进行步骤③；

⑤输出分析结果。

4 实验仿真

类脑神经网络的每个子网络采用48-5-6结构,在光纤油气管道监测中,6种振动信号在频域上各取8个频段,因此涉及到输入层节点总数共计48个,脉冲编码依次设置为000001～110000,模型输出层节点总数为6个:机械挖掘、电钻打孔、人工挖土、重型卡车行驶、人工走路、镐刨,脉冲编码依次为001～110,隐藏层节点总数为5个,利用Python结合脉冲神经网络软件Neuro Solutions 7.0搭建仿真平台,点火阈值ζ取10 mV,学习率λ取0.2,曲率因子μ取1.3,权值调整量ΔωlL∈(20,100)。以管道进站和出站为例,光缆埋深1.1 m,土质为粉壤土,进站设备监测长度40 km,出站设备监测长度50 km,在两条监测链路中选择两个具有典型的两个测试点进行挖掘测试,有效采集管道附近的振动信号,选取300个振动信号数据作为训练样本,150个数据作为测试样本,最大迭代次数为200次。

4.1 信号识别结果

在识别过程中,为了验证不同算法的有效性,进行单一信号识别和混合信号识别,涉及的算法有SVM、NN、BPNN、CNN、HMM、BSNN,各种算进行30次实验,其结果如图2、图3所示。

图2 单一信号识别Fig.2 Single signal identification

图3 混合信号识别Fig.3 Mixed signal identification

从图2、图3可以看出,各种算法对单一信号识别准确率高于混合信号,这是因为单一信号频段特征便于分析,混合信号的不同频段特征叠加增加了分析的复杂度,同时噪声也对混合信号影响较大。本文算法在单一信号、混合信号识别准确率高于其他算法,单一信号识别准确率在95.87%左右,两种振动混合信号识别准确率在90.52%左右,三种振动混合信号识别准确率在86.46%左右。

4.2 定位距离误差分析

各种算法进行30次实验定位距离误差分析,其结果如图4所示。

图4 定位距离误差结果Fig.4 Positioning distance error results

从图4可以看出,本文算法对各种振动信号定位距离误差小于其他算法,均控制在30 m以内,如机械挖掘定位距离误差为27 m,电钻打孔定位距离误差为26 m,人工挖土定位距离误差为25 m,重型卡车行驶定位距离误差为28 m,人工走路定位距离误差为26 m,镐刨定位距离误差为28 m,便于及时找到故障位置,能够在油气管道中起到降低成本的效果。

5 总 结

本文基于类脑脉冲神经网络对光纤油气管道各种振动信号进行识别,振动信号消噪后提取不同频段的特征输入到脉冲神经网络进行训练,本文算法在单一信号、混合信号识别准确率高于其他算法,为光纤油气管道监测提供了一种新的参考方法。