人工智能作为现代设计方法学○1的一个重要组成部分，已经在我国管道泄漏监测中有了成功应用案例○2。为了解决克—乌成品油管道泄漏监测的技术难题，弥补国外技术的不足，根据克-乌线的情况，采用《HKH系列管道泄漏监测报警定位系统》，研究合适的专用模糊神经网络，确定该网络在克－乌成品油管道上的适用性。
2人工智能型的管道泄漏监测模型
2.1克－乌成品油管道泄漏监测的神经网络模型
克－乌成品油管道是长距离多品种油密闭顺序输送管道，两个进油站，一个出油站，中间又有四个串联泵站，每个泵站又都有变频泵和工频泵，串联泵站没有流量计，管道内混油头数量不定，管道输送压力变化较大，情况复杂。为了在这种环境中能正确识别出管道泄漏信号，经反复研究，我们设计了专门的网络。为了给网络提供尽可能多的信息，我们在没有流量计的站增加了差压变送器，用以代替流量计信号。这样，每个站就有了三种进入网络的原始信号。
A B C D E F G H
这个网络图共分了八层。
A层：是输入层，其中：
是人工设定的阈值，是与检测量性质和量程相关的一个数值。
是输入量，对于中间的一个站来讲，他们分别代表进站压力、差压和出站压力。
B层是模糊层：在此完成检测量的模糊化， 是上层的输出、下层的输入。
(1.1)
其中： ——是与检测量性质和量程相关的一个系数，
是与采集数相关的一个量。
C层：是阈值配置层，在此完成信息分类前的阈值配置。
是人工设置的阈值，对任何输入 ，该值对应的每一个下级单元都是不同的。
(1.2)
在这里， 1，2，3； 1，2，3……12。
是信号分配器，对于任何输入 ， 所对应的每一个下级单元都是不同的。
(1.3)
是与 相关的阈值。
D层是分类层：在这里，管道运行状态被分成了12个特征点：
保存了上次计算的结果，
(1.4)
E层是历史经验层：
是提取的历史经验，是根据F层的数据变化经一定的运算以后不断更新的，当F层数据进来时，该层要对更新要求进行识别，进行合理处理后作为新的历史经验被保存下来；
(1.5)
F层是函数运算层：
包括二方面的内容，一个是根据以前的经验和当前进来的信息进行综合运算，给出一个输出数据，送到下一级，再一个是给出一个历史经验的新数据，送到E层；
(1.6)
G层是合成层：
根据前级数据合成的一个新数值，送到下一级；
(1.7)
H层是输出层：
接受前面的三个数据，在此进运算后输出，给出一个唯一的结论。
(1.8)
2.2专用模糊神经网络的定位技术
动态管道泄漏监测要解决的问题其实只有两个，一个是正确的识别出泄漏，一个是定位。识别泄漏是关键的技术，在此基础上的才是定位。
采用专用模糊神经网络监测能够正确识别管道泄漏，这第一个问题就解决了。接下来的就是定位的问题了。
为了解决克乌线微小信号下定位误差大的问题，我们选择了水击波速度法。根据监测点内管道长度、上下游监测点接收到水击波信号的时间差和管道内水击波的传播速度就可以计算出泄漏点的位置。该法的定位公式如下：
(1.9)
式中：
—— 泄漏点的位置
——被监测的管道的长度
——波在管道中传播的速度
——首末两站点收到波的时间差
(1.10)
式中：
——流体密度；
K ——液体的体积弹性系数；
E ——管材弹性系数；
D ——管道的平均直径
δ——管壁厚度；
Ψ——系数，对于埋地管道，Ψ＝1－μ²；
μ——泊松系数，钢管的μ=0.3；
从上面的公式可以看出，一般情况下， 和 的变化可以忽略不计，定位误差大小仅与 有关，所以采用水击波速度计算泄漏位置的关键问题是找到事件发生的确切时刻 。由于专用模糊神经网络能准确的找到事件的发生时刻，从而为准确的计算 提供了依据，也解决了小信号所需定位时间太长的问题。
3 专用模糊神经网络的调试
专用人工智能网络的调试是在系统软硬件安装后在现场进行的。首先根据运行参数进行初调试，再进行实地放油试验。放油过程中不进行调试操作，放油后再根据放油结果调整系统学习模型，这是一个不断循环的过程。直至达到调试目标。
调试放油方法：放油前1个小时至最后一次放油结束期间内各站不要进行较大的人工操作，包括启停泵，切换混油以及变频设备的调整等；系统各单元正常运行30分钟以上；每两次放油的最短时间间隔不能少于20分钟（以前一次关阀时间至下一次开阀时间计算）；现场放油操作要求准确、快捷，并进行精确放油计量；最小泄放量不小于瞬时量的0.5%；开关阀门放油要连续操作，不反复开关阀门调节流量；每次放油持续时间不少于2.5分钟。
4 系统测试结果
在正常输油和系统稳定运行的条件下，选择不易报警的下游段管道作为测试段，采用现场放油的方法对《HKH系列管道泄漏监测报警定位系统》的性能和特点进行实际检验。在全过程系统处于全自动无人干预的状态。
（转载）
