检测管道泄漏的方法和系统技术方案

本说明书公开了检测管道泄漏的方法和系统，该方法包括：获取被检测管道在第一时刻下的多个相关参数；将多个相关参数输入神经网络模型以获得被检测管道在第一时刻之后的第二时刻下的预测管内流体温度、预测管内流体压力以及预测管外环境温度；获取被检测管道在第二时刻下的实际管内流体温度、实际管内流体压力以及实际管外环境温度；基于预测管内流体温度和实际预测管内温度之间的差值、预测管内流体压力和实际管内流体压力之间的差值以及预测管外环境温度和实际管外环境温度之间的差值确定预测误差；将预测误差与误差阈值进行比较，以及将最终的管道泄漏率与管道泄漏率阈值进行比较。所述方法和系统能够机坪管道进行泄漏的检测和/或定位。

【技术实现步骤摘要】
检测管道泄漏的方法和系统
本申请涉及管道泄漏检测领域，尤其涉及检测管道泄漏的方法和系统。
技术介绍
对于机场来说，航空燃油的输出存在多种方式。由于管道输送方式具有成本低、节省能源、安全性高及供给稳定等优点，故而大中型机场普遍采用机坪管道输送航空燃油。然而，由于长时间的运行腐蚀和磨损、设备的自然老化、地质灾害以及人为损坏等原因，机坪管道泄漏事故时有发生，从而影响机场的正常运行秩序，进而威胁机场安全。目前，检测的机坪管道泄漏的方式主要有两种，一种为基于管道内流体压力和温度的检测，另一种为基于管道外传感器电缆的检测。这两种检测方式的代表产品分别为汉莎咨询有限责任公司(HCNA)的TCS系统和英国阿奎拉(Aquilar)公司的TT5000泄漏检测和定位系统。然而，上述系统在管道微泄漏检测和定位方面仍有不足。
技术实现思路
本申请所要解决的技术问题是如何对机坪管道进行泄漏的检测和/或定位。本说明书的一个方面提供了一种检测管道泄漏的方法，其包括：a)获取被检测管道在第一时刻下的多个相关参数，所述多个相关参数包括管道泄漏率、管内流体温度、管内流体压力和管外环境温度；b)将所述多个相关参数输入神经网络模型以获得所述被检测管道在所述第一时刻之后的第二时刻下的预测管内流体温度、预测管内流体压力以及预测管外环境温度；c)获取所述被检测管道在所述第二时刻下的实际管内流体温度、实际管内流体压力以及实际管外环境温度；d)基于所述预测管内流体温度和所述实际预测管内温度之间的差值、所述预测管内流体压力和所述实际管内流体压力之间的差值以及所述预测管外环境温度和所述实际管外环境温度之间的差值确定预测误差；e)将所述预测误差与误差阈值进行比较，当确定所述预测误差大于所述误差阈值时，则调整当前的管道泄漏率并重复步骤b)至步骤e)，当确定所述预测误差小于或等于所述误差阈值时，将当前的管道泄漏率确定为最终的管道泄漏率；以及f)将所述最终的管道泄漏率与管道泄漏率阈值进行比较，当确定所述最终的管道泄漏率大于所述管道泄漏率阈值时，则判定所述被检测管道存在泄漏，当确定所述最终的管道泄漏率小于或等于所述管道泄漏率阈值时，则判定所述被检测管道不存在泄漏。在一些示例性实施例中，所述多个相关参数还包括以下参数中的至少一个：管道直径、管道长度、管道材质、管道壁厚、所述被检测管道所包含的阀门类型、所述被检测管道所包含的阀门个数、管内流体类型和管外环境类型。在一些示例性实施例中，所述神经网络模型为多层前馈神经网络模型。在一些示例性实施例中，所述神经网络模型的输入包括：管道泄漏率、管内流体温度、管内流体压力、管外环境温度以及以下参数中的至少一个：管道直径、管道长度、管道材质、管道壁厚、所述被检测管道所包含的阀门类型、所述被检测管道所包含的阀门个数、管内流体类型和管外环境类型，所述神经网络模型的输出包括：管内流体温度、管内流体压力以及管外环境温度。在一些示例性实施例中，所述检测管道泄漏的方法还包括：分别通过设置在所述被检测管道两端的第一次声波传感器和第二次声波传感器采集次声波信号；基于所述次声波信号确定所述被检测管道的泄漏点的位置，其中，所述泄漏点的位置根据如下公式计算：其中，X为所述泄漏点距所述第一次声波传感器的距离，D为所述第一次声波传感器和所述第二次声波传感器之间的距离，v为所述次声波信号传播的速度；Δt为所述第一次声波传感器接收到所述次声波信号的时间与所述第二次声波传感器接收到所述次声波信号的时间之差。本说明书的另一个方面提供了一种检测管道泄漏的系统，其包括：第一温度传感器，用于设置在被检测管道上以检测所述被检测管道的管内流体温度；第二温度传感器，用于设置在被检测管道外部的环境中以检测所述被检测管道的管外环境温度；压力传感器，用于设置在所述被检测管道上以检测所述被检测管道的管内流体压力；计算设备，与所述第一温度传感器、所述第二温度传感器和所述压力传感器通信并包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器在执行所述计算机程序时实现以下步骤：a)获取所述被检测管道在第一时刻下的多个相关参数，所述多个相关参数包括管道泄漏率、管内流体温度、管内流体压力和管外环境温度；b)将所述多个相关参数输入神经网络模型以获得所述被检测管道在所述第一时刻之后的第二时刻下的预测管内流体温度、预测管内流体压力以及预测管外环境温度；c)获取所述被检测管道在所述第二时刻下的实际管内流体温度、实际管内流体压力以及实际管外环境温度；d)基于所述预测管内流体温度和所述实际预测管内温度之间的差值、所述预测管内流体压力和所述实际管内流体压力之间的差值以及所述预测管外环境温度和所述实际管外环境温度之间的差值确定预测误差；以及e)将所述预测误差与误差阈值进行比较，当确定所述预测误差大于所述误差阈值时，则调整当前的管道泄漏率并重复步骤b)至步骤e)，当确定所述预测误差小于或等于所述误差阈值时，将当前的管道泄漏率确定为最终的管道泄漏率；以及f)将所述最终的管道泄漏率与管道泄漏率阈值进行比较，当确定所述最终的管道泄漏率大于所述管道泄漏率阈值时，则判定所述被检测管道存在泄漏，当确定所述最终的管道泄漏率小于或等于所述管道泄漏率阈值时，则判定所述被检测管道不存在泄漏。在一些示例性实施例中，获取所述被检测管道在第一时刻下的多个相关参数包括：通过所述第一温度传感器检测所述被检测管道在所述第一时刻下的管内流体温度；通过所述第二温度传感器检测所述被检测管道在所述第一时刻下的管外环境温度；以及通过所述压力传感器检测所述被检测管道在所述第一时刻下的管内流体压力。在一些示例性实施例中，所述多个相关参数还包括以下参数中的至少一个：管道直径、管道长度、管道材质、管道壁厚、所述被检测管道所包含的阀门类型、所述被检测管道所包含的阀门个数、管内流体类型和管外环境类型。在一些示例性实施例中，所述神经网络模型为多层前馈神经网络模型，所述多层前馈神经网络模型的输入包括：管道泄漏率、管内流体温度、管内流体压力、管外环境温度以及以下参数中的至少一个：管道直径、管道长度、管道材质、管道壁厚、所述被检测管道所包含的阀门类型、所述被检测管道所包含的阀门个数、管内流体类型和管外环境类型，所述多层前馈神经网络模型的输出包括：管内流体温度、管内流体压力以及管外环境温度。在一些示例性实施例中，所述检测管道泄漏的系统还包括：第一次声波传感器，用于设置在所述被检测管道的一端以采集由管道泄漏产生的次声波信号；以及第二次声波传感器，用于设置在所述被检测管道的另一端以采集所述次声波信号；其中，所述计算设备与所述第一次声波传感器和所述第二次声波传感器通信，其中，所述处理器执行所述程序时还实现以下步骤：分别通过所述第一次声波传感器和所述第二次声波传感器采集所述次声波信号；以及基于所述次声波信号确定所述被检测管道的泄漏点的位置，其中，所述泄漏点的位置根据如下公式计算：其中，X为所述泄漏点距所述第一次声波传感器的距离，D为所述第一次声波传感器和所述第二次声波传感器之间的距离，v为所述次声波本文档来自技高网...

【技术保护点】
1.一种检测管道泄漏的方法，其特征在于，包括：/na)获取被检测管道在第一时刻下的多个相关参数，所述多个相关参数包括管道泄漏率、管内流体温度、管内流体压力和管外环境温度；/nb)将所述多个相关参数输入神经网络模型以获得所述被检测管道在所述第一时刻之后的第二时刻下的预测管内流体温度、预测管内流体压力以及预测管外环境温度；/nc)获取所述被检测管道在所述第二时刻下的实际管内流体温度、实际管内流体压力以及实际管外环境温度；/nd)基于所述预测管内流体温度和所述实际预测管内温度之间的差值、所述预测管内流体压力和所述实际管内流体压力之间的差值以及所述预测管外环境温度和所述实际管外环境温度之间的差值确定预测误差；/ne)将所述预测误差与误差阈值进行比较，当确定所述预测误差大于所述误差阈值时，则调整当前的管道泄漏率并重复步骤b)至步骤e)，当确定所述预测误差小于或等于所述误差阈值时，将当前的管道泄漏率确定为最终的管道泄漏率；以及/nf)将所述最终的管道泄漏率与管道泄漏率阈值进行比较，当确定所述最终的管道泄漏率大于所述管道泄漏率阈值时，则判定所述被检测管道存在泄漏，当确定所述最终的管道泄漏率小于或等于所述管道泄漏率阈值时，则判定所述被检测管道不存在泄漏。/n...

【技术特征摘要】
1.一种检测管道泄漏的方法，其特征在于，包括：
a)获取被检测管道在第一时刻下的多个相关参数，所述多个相关参数包括管道泄漏率、管内流体温度、管内流体压力和管外环境温度；
b)将所述多个相关参数输入神经网络模型以获得所述被检测管道在所述第一时刻之后的第二时刻下的预测管内流体温度、预测管内流体压力以及预测管外环境温度；
c)获取所述被检测管道在所述第二时刻下的实际管内流体温度、实际管内流体压力以及实际管外环境温度；
d)基于所述预测管内流体温度和所述实际预测管内温度之间的差值、所述预测管内流体压力和所述实际管内流体压力之间的差值以及所述预测管外环境温度和所述实际管外环境温度之间的差值确定预测误差；
e)将所述预测误差与误差阈值进行比较，当确定所述预测误差大于所述误差阈值时，则调整当前的管道泄漏率并重复步骤b)至步骤e)，当确定所述预测误差小于或等于所述误差阈值时，将当前的管道泄漏率确定为最终的管道泄漏率；以及
f)将所述最终的管道泄漏率与管道泄漏率阈值进行比较，当确定所述最终的管道泄漏率大于所述管道泄漏率阈值时，则判定所述被检测管道存在泄漏，当确定所述最终的管道泄漏率小于或等于所述管道泄漏率阈值时，则判定所述被检测管道不存在泄漏。


2.如权利要求1所述的检测管道泄漏的方法，其特征在于，所述多个相关参数还包括以下参数中的至少一个：管道直径、管道长度、管道材质、管道壁厚、所述被检测管道所包含的阀门类型、所述被检测管道所包含的阀门个数、管内流体类型和管外环境类型。


3.如权利要求1所述的检测管道泄漏的方法，其特征在于，所述神经网络模型为多层前馈神经网络模型。


4.如权利要求1所述的检测管道泄漏的方法，其特征在于，所述神经网络模型的输入包括：管道泄漏率、管内流体温度、管内流体压力、管外环境温度以及以下参数中的至少一个：管道直径、管道长度、管道材质、管道壁厚、所述被检测管道所包含的阀门类型、所述被检测管道所包含的阀门个数、管内流体类型和管外环境类型，所述神经网络模型的输出包括：管内流体温度、管内流体压力以及管外环境温度。


5.如权利要求1所述的检测管道泄漏的方法，其特征在于，还包括：分别通过设置在所述被检测管道两端的第一次声波传感器和第二次声波传感器采集次声波信号；基于所述次声波信号确定所述被检测管道的泄漏点的位置，其中，所述泄漏点的位置根据如下公式计算：



其中，X为所述泄漏点距所述第一次声波传感器的距离，D为所述第一次声波传感器和所述第二次声波传感器之间的距离，v为所述次声波信号传播的速度；Δt为所述第一次声波传感器接收到所述次声波信号的时间与所述第二次声波传感器接收到所述次声波信号的时间之差。


6.一种检测管道泄漏的系统，其特征在于，包括：
第一温度传感器，用于设置在被检测管道上以检测所述被检测管道的管内流体温度；第二温度传感器，用于设置在被检测管道外部的环境中以检测所述被检测管道的管外环境温度；压力传感器，用于设置在所述被检测管道上以检测所述被检测管道的管内流体压力；计算设备，与所述第一温度传感器、所述第二温度传感器和所述压力传感器通信并包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器在执行所述计算机程序时实现以下步...

【专利技术属性】
技术研发人员：黄腾飞，罗宇，
申请(专利权)人：黄腾飞，罗宇，
类型：发明
国别省市：北京;11