導航：安全管理網>> 安全論文>> 化工安全論文>>正文

輸油管道在線檢測數據融合模型

文檔作者：周慶忠1 周宇迪2 文檔來源： 1．后勤工程學院軍事油料應用與管理工程系 2．A＆M University，USA)		點擊數：	更新時間： 2021年10月10日
下載地址：點擊這里	文件大?。?744.95 KB 共5頁	文檔格式： PDF	下載點數： 1 點（VIP免費）

全屏查看

內容預覽 [文件共5頁]

本文件共5頁，如需編輯使用，請下載。

注：預覽效果可能會出現(xiàn)部分文字亂碼（如口口口）、內容顯示不全等問題，下載是正常的。

	文件大小：744.95 KB 共5頁文件格式：PDF 下載點數：1 點（VIP會員免費）

下一篇：輸油管道油流帶電的計算模型

上一篇：輸油管線的水擊保護

文本預覽

僅提取頁面文字內容，供快速閱讀使用。

第30卷第2期計算機仿真2013年2月
文章編號：1006—9348(2013)02-0322-05
輸油管道在線檢測數據融合模型
周慶忠1，周宇迪2
(1．后勤工程學院軍事油料應用與管理工程系，重慶401311；
2．A＆M University，USA)
摘要：為了解決輸油管道多傳感器在線檢測數據存在不確定性和模糊性問題，提出了輸油管道在線檢測數據融合模型。從
參與融合的數據源頭和智能融合器兩方面，利用檢測數據間互補信息，分兩級逐步地降低檢測數據誤差。第一級融合，從檢
測數據自身蘊藏的信息提取出綜合模糊支持度，由此確定各傳感器自身數據的優(yōu)劣程度，篩選組成最優(yōu)融合數據源。第二
級融合采用正交基神經網絡，通過訓練，獲取檢測數據與融合輸出結果間的非線性映射關系，實現(xiàn)不同時段、不同組檢測數
據間的融合。仿真驗證表明，建立的模型不但提高了檢測數據融合結果準確性，而且數據融合實時處理能力強，并且硬件易
實現(xiàn)。
關鍵詞：輸油管道；傳感器；數據融合；模糊支持度；正交基神經網絡
中圖分類號：TPl83 文獻標識碼：B
Data Fusion Model for On—·Line Inspection in Oil Tubing
ZHOU Qing—zhon91．ZHOU Yu—di 2
(1．Department of POL Management Engineering，Logistics Engineering University，Chongqing 40131l，China；
2．A&amp;amp;M University．USA)
ABSTRACT：The data fusion model for on—line inspection in oil tubing was proposed．in order to solve the uncertainty
and ambiguity in the online testing data using multi—sensors．This model utilizes complementary information
between the testing data，in two ways
of the data source involved in fusion and the intelligent fusion tool，SO that it
Can gradually reduce the testing data error by two phases．In first—phase fusion，the comprehensive fuzzy support
degree，corresponding to specific sense data，was gained from their information．Thereby the importance of each
sense data WaS determined，and the optimal data sources are f'dtered out．The orthogonal basis neural network waa8
used to implement second phase fusion．The non—linear mapping relations between the test data and the fusing output
were obtmned throush training，for achieving testing data fusion in different time periods and groups．The simulatire
verification shows that this model not only improves the accuracy of data fusion results and the capability of real—
time process，but also simplifies the implementation of hardware in the process of data fusion．
KEYWo瑚DS：0il tubing；Sensor，Data fusion；Comprehensive fuzzy support degree；Orthogonal basis neural network
1引言
輸油管道工作條件惡劣，管道內壁桿狀磨損和內外壁大
面積腐蝕，導致出現(xiàn)壁厚減薄缺陷，造成穿孔、破裂、斷裂，引
發(fā)管道泄漏事故。在役輸油管道在線無損檢測及其安全性
日益引起廣泛關注。輸油管道多傳感器在線檢測結果直接
影響安全隱患部位的準確定位。在應用無損漏磁檢測技術
收稿日期：2012—03—20修回日期：2012—05—23
---——322·————
實施在線管道缺陷探傷時，采用多個霍爾傳感器在不同方位
測量管道同一橫截面的壁厚，各傳感器所采集的數據只能反
映管道缺陷的部分信息，數據存在誤差和冗余信息，具有不
確定性和模糊性¨’21。因此，輸油管道在線檢測數據融合研
究很有必要。
輸油管道在線檢測數據融合，即是應用多傳感器數據融
合技術，利用檢測數據間互補信息，借助智能融合器，獲取較
高精度的檢測數據融合結果，以便準確定位輸油管道的安全
隱患部位。
多傳感器數據融合準確性取決于參與融合的數據源和
萬方數據
實現(xiàn)融合的智能工具。以往方法有缺陷。平均值融合法對
各傳感器檢測數據采用相同權值進行融合，未客觀地考慮其
重要程度?；诮y(tǒng)計理論的Bayesian方法、基于Klll】man濾
波信息融合法等，通過設定閾值來確定多傳感器數據間融合
度，依賴于專家知識或先驗信息，受主觀因素影響大，具有局
限性?；谥С侄鹊亩鄠鞲衅魅诤戏ê突谧钚《嗽?
的數據融合法等，雖可用于先驗知識未知情形，但對多傳感
器間冗余信息消除能力不夠bJ。
本文提出輸油管道在線檢測數據融合模型。分兩級實
現(xiàn)數據融合。第一級融合，從檢測數據自身蘊藏的信息提取
出綜合模糊支持度，確定各傳感器自身數據優(yōu)劣程度，篩選
傳感器檢測值，組成最優(yōu)融合數據源，作為第二級融合的數
據源。第二級融合采用正交基神經網絡作為智能融合器。
正交基神經網絡無論在逼近能力和學習速度等方面均優(yōu)于
BP神經網絡。尤其是它實時處理數據能力強、硬件易實
現(xiàn)H’51。在第二級融合中，用檢測數據樣本訓練正交基神經
網絡，使其通過訓練獲取檢測數據與融合輸出結果之間的非
線性映射，由此來實現(xiàn)不同時段各傳感器所采集的不同組檢
測數據間的融合。
與以往的方法相比，所提出的模型從參與融合的數據源
頭和智能融合器這兩方面，利用檢測數據間互補信息，分兩
級實現(xiàn)數據融合，逐級降低檢測數據誤差，數據融合結果準
確度較高。
2模糊支持度的一級融合
一級融合實現(xiàn)過程是，計算綜合模糊支持度，確定各傳
感器檢測數據的優(yōu)劣程度，獲取最優(yōu)融合數據源。
根據模糊集合理論，定義模糊支持度隸屬函數，取代閾
值設定，以便削弱主觀因素影響。利用概率源合并理論和非
負矩陣特征向量理論，求解關系矩陣最大特征值及其對應特
征向量，確定綜合模糊支持度，獲取最優(yōu)融合傳感器組合∞1。
設某指標參數的真值為t，采用n個傳感器對其進行檢
測，第t次檢測時，第i個傳感器檢測數據為氣，對應的方差
為以。為表征各傳感器檢測數據相互支持程度引入置信距
離概念。定義檢測數據％與毛間置信距離為：
驢叱=÷×川髫卜《I薔1)】(1，
式中，e畎)為誤差函數，其級數展開式為：
1 二．2m+l
e畎z)2壽×n萎l 0(。1)“而專；而√叮r = ?：＼?。?！?，
定義模糊支持度隸屬函數為：
7i=7講=d#×(d。一d。jn)。1 (2)
式中：d。。=max{di)，d。i。=min{dF}，，F(xiàn) E[0，1]。
當兩檢測數據間置信距離取最大值時，認為它們已不再
相互支持，模糊支持度隸屬函數值為O；檢測數據對自身置信
距離為0，模糊支持度為1。rV從1—0遞減，反映檢測數據模
糊性，與實際情況相符。由模糊支持度。構建關系矩陣R：
R= (3)
模糊支持度r。僅反映檢測數據氣與xj相互支持程度，
而≈在數據融合中的重要程度由r¨k?．，k的綜合來體
現(xiàn)。引入綜合模糊支持度Ⅱ；，用于表征檢測數據氣在數據融
合中的重要程度，它應由rd，龜?．，k的綜合來體現(xiàn)。根據
矩陣屁求解咄。根據多源概率信息合并理論，求一組非負數
{q)n：l，即Fl，口2?．，％，使得
uj=f)lrll+％k+．．．+口。rh，且Σq=1 (4)
i=1
將式(4)改寫為矩陣形式U=RV，式中U=
【Hl，H2?．，u?！縏 y=【口l，口2?．，％】7。R為一非負對稱矩
陣，由矩陣性質可知，存在矩陣R的按模最大特征值A(A>
0)及其對應的特征向量，且特征向量均為正。使得Ay=RV，
從而可用Ay作為檢測數據的綜合模糊支持度的度量?？紤]
到I)i的約束條件Σq=I，第i個傳感器檢測數據間的綜合
模糊支持度為
ui=Vi“Σ7)i】-l (5)
采用冪法求解矩陣R的按模最大特征值及其對應特征
向量。第k次迭代計算構造的序列：
∥)-A‰¨r正(抄：”?詛(抄。)
～叩，一㈠Il臻1l ㈤
根據綜合模糊支持度，按選優(yōu)原則，選取若干個傳感器
檢測數據構成最優(yōu)融合數據源組合。
3正交基神經網絡的二級融合
用正交基神經網絡作為實現(xiàn)二級融合的智能融合器。
其結構如圖1所示。
岍姆l強“m姆H 0l印幢姆。
圈1正交基神經網絡結構
．--——323．--——
～k；k
●
●
●●●
●
萬方數據
輸入層設置17,個神經元節(jié)點，輸入檢測數據菇；(i=1，2，
?，17,)，置∈[0，1]。
隱層設置m個神經元節(jié)點，使用Legendre多項式正交基
函數作為激勵函數。第．『個神經元的激勵函數妒i(算)
(J=1，?，m)用R。drigul公式表示為竹(茹)=南芻
【(戈2—1)2】，遞推關系式為：
(，+1)％-(茁)=(2j+1)坳(并)一旃一。(菇) (7)
輸出層存1個神經元，輸出為)，。輸入層節(jié)點i至隱層節(jié)
點_『的權值為tO#；隱層節(jié)點J至輸出層節(jié)點的權值為u，；隱層
節(jié)點，的閾值為B，輸入層和輸出層的閾值為0。隱層神經元J
的輸人為巧2’=聊o=ΣtoO．Xi輸出為q2’=竹(ne‘一e)。
記2j=ne‘一嘭，網絡輸出為：Y=Σ嚙q2’=Σq竹(弓)
訓練樣本集為{墨，吐It=1，2?．，s)，s為樣本總數。對
于第t個訓練樣本，訓練輸入向量五=(菇¨，戈：I'．一，‰)T網
絡輸出為Yt，期望輸出為d。。網絡輸出的絕對誤差為q=Yt
一吐。
均方誤差為：
E：}；：了1(主卟竹(船‘一吩)一吐)z (8)
由最速梯度下降算法、輸出和期望間最小平方誤差規(guī)
則，得網絡待訓練參數調整表達式為：
r％(七+1)=葉(|i})+a觚
{∞i(_|}+1)=％(矗)+OAtoF (9)
t0，(k+1)=B(．|})+’,aoj
式中k為訓練迭代次數，a胡、7為訓練速度系數均大于o，且
足夠小，以保證迭代收斂性。
f螄=一面OE=一(兒一吐)×吩(弓) 。
t Ato#=一蓋一(，，。_)×％哦(?。?(1。)
【鮑=一麗OE=(兒一d1)×嚙×妒j(弓)
4仿真驗證
4．1問題描述
以一段長3 m的仿真壁厚均勻減薄缺陷的新輸油管道
為實驗對象，假設正常外徑73 mm，正常壁厚5．5 mm，正常截
面積1165．73 m／n2，缺陷處的剩余截面積950．79 lnIn2，缺陷
處的剩余壁厚為4．55ram。采用管道缺陷在線檢測儀測量其
壁厚，將采集檢測探頭中的10個霍爾傳感器的輸出信號作
為壁厚測量信號，缺陷處的剩余截面積測量數據及其方差如
一324一
表1所示。
表1輸油測量值及其方差I衄)
傳感器測量值方差傳感器測量值方差
1 952．10 0．08 6 940．47 0．25
2 949．80 0．05 7 952．86 O．06
3 953．72 O．10 8 946．89 0．10
4 944．11 O．30 9 932．44 0．20
5 945．88 O．20 10 950．65 O．30
4．2一級融合處理
首先歸一化處理測量數據，用式(1)計算置信距離。用
式(2)計算關系矩陣R，如圖2所示。’
采用冪法求得關系矩陣R的按模最大特征值為A=
7．339427，其對應的特征向量為：
V=[0．907207 0．904705 0．863796 0．920590 0．948261
0．790148 0．856850 0．930461 0．434928 1．000000]7
運用式(5)求得各傳感器測量數據間的綜合模糊支持
度為：
U=[0．106020 0．105728 0．100947 0．107584
0．1 10818 0．092340 0．100135 0．108738
0．050827 0．116864]7
求取各傳感器測量數據的綜合模糊支持度平均值u=
1 二
÷×Σ／zi o選優(yōu)原則為：選取綜合模糊支持度“；≥五的數據
。’ 12l
構成最優(yōu)融合數據源組。最佳融合級數L=8，融合集：
{茗：¨，茹{2’，茗{3’，戈j4’，菇』5’，算；6’，戈i7’，菇譬’}
淘汰處于劣勢的數據％和髫。，將其余8個數據，組成參
與二級融合的最優(yōu)數據源，如表2第一行記錄所示。
同理，對其它原始檢測數據做一級融合處理，組成最優(yōu)
數據源，如表2中第2至10行記錄所示。它們的真值均為
950．79ram。將這些數據送入正交基神經網絡來實現(xiàn)二級
融合。
4．3 二級融合處理
選取正交基神經網絡訓練樣本集，訓練因子a=0．09，口
=0．08，y=0．05，網絡的誤差精度要求占=0．0000001，測量
真值為950．7900。均方誤差曲線在訓練初期，有振蕩，隨著訓
練迭代次數，收斂速度很快，且無陷入局部極小。輸入層與隱
層連接權值矩陣為∞(見圖3)。隱層閾值為：
0=[0．078496 0．115766 0．542411 0．185833 0．335228
0．200031 0．267666 0．245123 0．165078 0．241169]
隱層與輸出層連接權值為：
口=[0．143253 0．119640 0．503961 0．183154 0．366891
0．201233 0．241 141 0．249772 0．187724 0．228329]
將表2數據，作為正交基神經網絡輸入量，進行二級融
合，所得到的融合結果如表3所示。
4．4 融合結果分析
為了比較本文模型和平均值融合法，使用平均值融合法
萬方數據
所得的融合結果也寫入表3?？梢?，采用本模型所得融合結
果，其絕對誤差、相對誤差、均方誤差均小于平均值融合法所
得融合結果。分析15組數據的總均方誤差，二級融合法為
47．3908661，平均值融合法為90．7264577，二級融合法優(yōu)于
平均值融合法。
為了進一步驗證模型穩(wěn)健性，將本文模型與自身加權融
合法比較。自身加權融合法，即是僅進行一級融合處理后，在
得到表2所示參與二級融合的最優(yōu)數據源及其綜合模糊支
持度，由綜合模糊支持度重新調整獲得這n=8個測量數據
自身的權系數。對最優(yōu)融合組合的數據源進行加權融合，即
n F
兒2乙fOiXi。
‘=l
以表1原始檢測數據為例，經一級融合處理后，選擇出8
個數據，構成參與二級融合的最優(yōu)數據源，寫入了表2第一
1．∞∞∞
0．857160
0．915925
0．667839
0．721645
0．501007
0．955263
0．5'29583
0．120454
0．939786
正O暑
0．85Tl∞
1．00∞00
0．T6T986
0．．i'22153
0．3'96134
0．53202．r
0．3'97166
0．827951
0．097384
0．958392
0．126042
0．126810
0．121905
0．124360
0．1295T0
0．128222
0．123345
0．124088
0．12T2∞
0．126605
0．915925
0．3'67986
1．0∞∞0
0．628352
0．63'1883
0．469853
0．951605
0．665264
0．109572
0．881365
0．125T3T
0．126504
0．121606
0．124058
0．129259
0．12T914
0．123044
0．123．ir86
0．126983
0．126299
0．∞3'839
0．T22153
0．628352
1．000000
0．944243
0．892159
0．599255'
0．892350
0．632660
0．8145'81
0．3'21645
0．796134
0．671883
0．944243
1．000000
0．822443
0．658160
0．957598
0．534162
0．849725
行記錄0已算出這8個數據的綜合模糊支持度為：
U=[0．106020 0．105728 0．100947 0．107584 0．110818
0．100135 0．108738 0．116864]7
現(xiàn)根據其綜合模糊支持度重新調整，獲得這n=8個測
量數據自身的權系數：
{∞。}?：l={0．123735，0．123394，0．117814，0．125560，0．
129334，0．1 16866，0．126907，0．136390}
分別采用本文模型和自身加權融合法進行數據融合，其
結果見表4?？梢姳疚哪Ｐ偷娜诤闲Ч麅?yōu)于自身加權融合
法。
綜上分析，所建立的模型利用多傳感器所采集的輸油管
道的壁厚損傷缺陷的冗余信息，消除測量數據不確定性，提
高了壁厚測量準確度。
0．501007
0．532027
0．469853
0．892159
0．822443
1．0000∞
0．415984
0．743074
0．7363∞
0．698101
0．955263
0．3'97166
0．951605
0．599257
0．658160
0．415984
1．000000
0．664956
0．000000
0．898947
圖2一級融合處理所計算的關系矩陣R
0．122152
0．122913
0．118056
0．12048T
0．125645
0．12431l
0．119481
0．120218
0．19玲8T
0．122T10
0．124984
0．125T51
0．120853
0．123305
0．128506
0．12T161
0．122291
0．123033
0．126230
0．125546
0．125219
0．125985
0．121096
0．123543
0．128-r35
0．12T392
0．122530
0．123272
0．126462
0．125T80
0．729583
0．827951
0．665264
0．892350
0．惦?598
0．T430T4
0．664956
1．000000
0．395283
0．854636
0．1243T0
0．12513T
0．120243
0．122692
0．127890
0．126545
0．1216T9
0．122421
0．125615
0．124932
圖3輸入層與隱層連接權值矩陣∞
表2經過一級融合處理的傳感器測量數據源(珊哩)
傳感器1 2 3 4 5 6 7 8
0．120454
0．093'384
0．10953'2
0．632660
0．534162
0．5'36308
0．000000
0．395283
1．000000
0．426629
0．126142
0．126910
0．122005
0．124460
0．1296T0
0．1283茲
0．123444
0．124188
0．12T390
0．126T05
0．∞9786
0．958392
0．881365
0．814"981
0．8493'25
0．698101
0．898947
0．854636
0．426629
1．000000
0．125352
0．126llg
0．121224
0．1236T4
0．1288．r3
0．12T528
0．122660
0．123402
0．126593'
0．125914
．--——325-·-——
萬方數據
表3本文模型與平均值融合法融合結果比較(姍)
本文模型平均值融合法
融合值絕對誤差相對誤差均方誤差融合值絕對誤差相對誤差均方誤差
裹4本文模型與自身加權融合法的比較[2]
本文模型自身加權融合法
真值950．6500 950．6500
?。
融合值951．4826 949．4298
絕對誤差一0．8326 1．2202 [41
相對誤差0．O009 0．0013
均方誤差0．3466 0．7444
5結論【5 J
本文所提出輸油管道在線檢測數據融合模型，分兩級來
完成多傳感器數據融合。第一級融合從反映檢測數據自身[6]
優(yōu)劣程度的綜合模糊支持度分析人手，獲取最優(yōu)融合數據源
組合。第二級融合采用正交基神經網絡作為智能處理器，映
射出檢測數據與融合結果的非線性關系。仿真實例表明，該
模型利用輸油管道檢測數據中的互補信息，提高了多傳感器
數據融合結果的準確性，實時處理數據能力強、運算簡單、硬
件易實現(xiàn)。
參考文獻：
[1]周慶忠．油料裝備勤務[M]．北京：解放軍出版社，2010．
(上接第234頁)
[8] American Petroleum Institute．API Technical Data Book—Petrole．
nm Refining department 4th ed[M]．Washington D C：American
Petroleum Institute，1983．
[9]陳宗海，李東光，鮑遠律．精餾塔的仿真建模[J]．計算機仿
真。1993，3：38—45．
[10] 肖麗紅，張樹增，王健紅．原油常減壓蒸餾工藝的動態(tài)仿真
[J]．計算機仿真，2011，28(5)：325—327．
---——326·--——
曾慧娥，周慶忠．油料裝備智能維修仿真平臺研究[J]．計算
機仿真，2010，27(5)：149—152．
W Koch．On Bayesian tracking and data Fusion!A tutorial introduction
with examples[J]．IEEE Aerospace and Electronic Sys·
terns Magazine，2010：29-52．
Li Zigui，Yan Bijuan．Neural network parameter optimization and
fault diagnosis based Oil 0rthogonal experiments[C]．Intelligent
Control and Automation(WCICA)，2010 8th World C∞舭s，Jinail，
China，2010：800—803．
R C Luo．Multisensor Fusion and Integration：Theories．Appfications，
and its Perspectives[J]．IEEE Sensom Journal，2011：3122
—3138．
R R Yager．Set Measure Directed Multi Source lnfonnation Fusion
[J]．IEEE Fuzzy Systems，2011：1031—1039．
[作者簡介]
周慶忠(1961一)，男(漢族)，重慶人，教授，博士生
導師，中國計算機用戶協(xié)會仿真應用分會理事，研
究方向為裝備工程與管理、人工智能等。
周字迪(1990一)，男(美國籍)，在美讀博士研究
生，研究方向為電子與計算機工程。
[作者簡介]
妥少輝(1986一)，男(回族)，內蒙古烏蘭察布市
人，碩士研究生，主要研究領域為過程建模仿真。
楚紀正(1963一)，男(漢族)，河南省南陽市人，教
授，博士生導師，主要研究領域為過程建模仿真、過
程先進控制優(yōu)化、分布式計算。2～目
萬方數據

網友評論 more

化工安全論文最新內容

03-11