CN111853553B - 流体管道的故障检测方法及系统 - Google Patents

Abstract

本发明提供一种流体管道的故障检测方法及系统，用于解决现有技术中的泄漏和堵塞检测方法无法适用任何管道以及精度不高的问题。包括以下步骤：在指定的检漏测堵管段上，依据管道内流体的能量平衡、管道内流体流量、管段前后两端的压力差值，映射管道与流体相互约束关系；通过机器自学习方式，连续获取管道沿程阻力值R和流动性特征系数n，作为常态参照样本；一旦沿程阻力R和流动性特征系数n发生变化，即表明管道处于非正常状态；捕捉沿程阻力R和流动性特征系数n发生量变的时间和程度，识别管段处于堵塞或泄漏的质变故障状态。通过机器自学习方式，无需观测管道架设状况、截段面形状、清粘黏介质类型、流速快慢等原始参数，适应面广。

Description

流体管道的故障检测方法及系统

技术领域

本发明涉及测控技术领域，特别是涉及一种流体管道的故障检测方法及系统。

背景技术

液体、气体介质长期穿行于输送管道当中，会在流经管壁上，积留沉淀物，这些污垢会导致后续传输过程中，一方面流动阻力逐步增大，同时也会造成管道材料的电化学腐蚀伤害，加速管材出现穿孔泄漏。

由于存在着各种侵蚀影响，以及不可预知的外力破坏等因数，大多数初期泄漏有其特有的隐蔽性，不是非常直观、显著，尤其是微量渗漏更是难以发现。

一旦持续泄漏事故发生，不仅干扰了正常生产，造成经济损失，存在重大安全隐患，进而形成严重的环境污染。当前共同面临的一个世界性难题，是如何消除对生命财产安全形成的威胁，实现“预防为主，防消结合”的检漏测堵预报策略。

为此，寻求既固定又灵敏的检漏测堵预报方法，快速地感知当前管道故障状态，构建自适应、易维护的检测系统，已成为共识。

目前普遍采用管道泄漏点检测方法有：

1、管内检测器检漏法：主要有管内探测球检漏和管道爬行器检漏两种；

2、管外人工巡视法：依靠有经验的管道工人巡查管道，通过看、闻、听或其它方式来判断是否有泄漏发生；

3、管外系线缆检漏法：电缆检漏和光纤检漏有一共同特性就是将检漏电缆和光纤铺设于管道外，通过对泄露物进行分析或分析泄漏物与线缆包覆材料发生反应引起的相关参数的变化，来进行泄漏检测；

4、热红外成像法：对需要加热输送的原油管道，泄漏时管道周围的土壤会因为原油的侵泡而使温度升高；

5、流量差检漏法：通过测算管道流出与流入质量差，检测管道泄漏；

6、压力梯度法：管道泄漏时由于压力下降，而产生的扩张波向两侧检测点传播，引起该点压力变化，折点就是泄漏点；

7、负压波检漏法：相当于泄漏点，流体迅速流失处，产生了以一定速度传播的负压力波；

8、统计检漏法：壳牌公司提出当管道发生泄漏时，流量和压力之间的关系就会发生变化，应用序列概率比试验方法和模型识别技术，对实测流量和压力值进行分析，计算发生泄漏的概率，从而判断是否发生泄漏；

9、实时模型法：通过建立管道模型，在线监测管道的压力和流量，并与压力和流量的实际监测值比较，进行泄漏故障的诊断；

10、声波检漏法：当人为地在输油管道上去掉保护层、装卡子、装阀门、打孔等过程中，产生的声波会沿着钢管高速传播；

11、漏磁检测法：管壁已受腐蚀或存在裂隙，部分磁力线将发生弯曲变形，称为漏磁现象；

12、超声检测法：探测金属及非金属材料的缺陷；

13、探地雷达：当管道内的原油发生泄漏时，管道周边介质的电性质会发生变化；

14：气体成像：激光器对准泄露气体时，通过接收反射光谱的变化，能检测出天然气泄漏；

15、生物检漏法：有经验的技术人员，携带检测仪器设备或经过训练的动物，通过气味、声音、环境状况等因素寻找管道及其周边的异常现象；

16、示踪剂泄漏检测法：在管道所输送的流体中掺入液体示踪剂，当管道泄漏时，流出的流体中示踪剂将挥发、传播；

17、分段试压法：管道分段关闭截止阀，观察关闭段压力下降的变化情况；

18、放射物检测法：投放放射标记物有嗅、碘、钠等；

19、泄漏特征监测法：沿管道铺设PVC塑料多孔导管，通过收集多孔塑料导管内泄漏的蒸汽，检测管道泄漏；

20、人工神经网络技术：提取时频域特征，建立能对泄漏状况进行分析检测定位的人工神经网络。

综上所述，通过对各种管道泄漏检测方法的可知，管道泄漏检测技术在工程实践中已经取得了很大的应用与发展，但同时也暴露出很多不足。

首先泄漏检测方法虽很多，但具体管线适用哪种检测方法要根据管道的设计参数、传输介质的性质、设备的经济性和数据通讯能力来综合选择，没有一种方法可以适用于任何管道的泄漏检测。

其次目前的泄漏检测与定位技术，难以很好解决现场的检测灵敏度与误报警之间的矛盾，定位精度不高等问题，在微小流量泄漏时尤其突出。

因此，亟待提高泄漏检测与定位系统的固定性与准确性，解决好检测灵敏度与误报率之间的矛盾，即提高显著相关性，是衡量一个检测系统好坏的重要标准。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种流体管道的故障检测方法及系统，用于解决现有技术中的泄漏和堵塞检测方法无法适用任何管道以及精度不高的问题。

为实现上述目的及其他相关目的，本发明提供一种流体管道的故障检测方法，所述方法包括以下步骤：

步骤一，在指定的检漏测堵管段上，依据管道内流体的能量平衡、管道内流体流量、管段前后两端的压力差值，映射管道与流体相互约束关系式：

上式中，某时刻Q_i—管道内流体流量；对应ΔP_i—管段前后两端的压力差，i—采集到Q_i与ΔP_i配对数据组的数量，管道沿程阻力值R，流动性特征系数n；

步骤二，通过机器自学习方式，连续获取管道沿程阻力值R和流动性特征系数n，作为常态参照样本；

步骤三，一旦沿程阻力R和流动性特征系数n发生变化，即表明管道处于非正常状态；捕捉沿程阻力R和流动性特征系数n发生量变的时间和程度，识别管段处于堵塞或泄漏的质变故障状态。

可选的，

所述常态参照样本，正常管道即非堵塞、非泄漏状态下，管道内流体流量Q与管段前后两端的压力差ΔP两者之间无论如何互动，能量平衡、质量连续约束条件下，管道沿程阻力R、以及流动性特征系数n值，都处于相对稳定状态；

管道沿程阻力R值逐步增大，流动性特征系数n值轻微波动，则所述识别管段处于堵塞的质变故障状态；

管道沿程阻力R值跌幅巨大，流动性特征系数n值跟随下降，所述识别管段处于泄漏的质变故障状态。

可选的，所述机器学习过程如下：

第一阶段，机器自学习算法建立，并求解多组不同流量下的流动性特征系数n的拟合平均值，管道沿程阻力R的拟合平均值；

第二阶段，建立正常管道样本，获得正常管道下的流动性特征系数n的拟合平均值，管道沿程阻力R的拟合平均值，实现对正常管道判别学习；

第三阶段，建立堵塞管道样本，获得堵塞管道下的流动性特征系数n的拟合平均值，管道沿程阻力R的拟合平均值，实现对堵塞管道判别学习：

第四阶段，建立泄漏管道样本，获得泄漏管道下的流动性特征系数n的拟合平均值，管道沿程阻力R的拟合平均值，实现对泄漏管道判别学习。

可选的，在第三阶段，具体包括如下步骤：

建立堵塞管道的第一样本，获得第一样本下的流动性特征系数n的拟合平均值、管道沿程阻力R的拟合平均值与正常管道样本对比，实现对堵塞管道的一次判别学习；

针对同一检漏测堵管段建立堵塞管道的第二样本，获得第二样本下的流动性特征系数n的拟合平均值、管道沿程阻力R的拟合平均值与第一样本对比，实现对堵塞管道的再次判别学习。

可选的，在第四阶段，具体包括如下步骤：

建立轻微泄漏管道的样本，获得轻微泄漏管道的样本下的流动性特征系数n的拟合平均值、管道沿程阻力R的拟合平均值与正常管道样本对比，实现对轻微泄漏管道的判别学习。

可选的，在第四阶段，还包括如下步骤：

建立滴漏管道样本，获得滴漏管道样本的初始滴漏和喷射结束两种状态下的流动性特征系数n的拟合平均值、管道沿程阻力R的拟合平均值，将初始滴漏和喷射结束两种状态下的n和R对比，实现对滴漏管道的判别学习。

可选的，第一阶段包括：

针对管道内流体相互约束关系式：

两边取对数，并展开：

log Q_i＝n(logΔP_i-log R)＝-n log R+n logΔP_i

参照一阶函数关系式：Y＝a+bX；

对位得到：Y＝log Q_i，a＝-n log R，b＝n，X＝logΔP_i；

管段前后设压力表和流量计，测取不同工况下，管道内流体流量Q_i与管段前后两端的压力差ΔP_i多组实测数据，并排列成如下矩阵形式：

依据求解一阶函数系数矩阵：F＝X⁺Y＝(X^TX)^-1X^TY；

拟合计算求取

系数矩阵，由于存在a和b两个求证系数，须i≥2；

求解F系数矩阵后，已知a和b系数，对应获得流动性特征系数n的平均值：

n＝b

获得管道沿程阻力R的平均值：

流体管道的故障检测系统，包括流体管道，所述流体管道上设有检漏测堵段，所述检漏测堵段之前设有流量计，所述检漏测堵段前后分别设有前压力表和后压力表，所述检漏测堵段没有非固定阻损部件；

还包括处理器，所述处理器用于接收所述流量计、前压力表和后压力表的数据并运行所述的流体管道的故障检测方法。

可选的，所述非固定阻损部件包括调节阀和放散支管。

可选的，所述检漏测堵段上设有固定阻损部件，

可选的，所述固定阻损部件包括变径头和过滤器。

可选的，所述流体管道为单一管路结构，单一管路结构的所述流体管道上至少设有一段所述检漏测堵段，当所述检漏测堵段有多段时，各段所述检漏测堵段之间串联；

或者，所述流体管道包括主管和支管，所述主管和/或所述支管上设有至少一段所述检漏测堵段，当单根所述主管或单根所述支管上的所述检漏测堵段有多段时，各段所述检漏测堵段之间串联。

如上所述，本发明的流体管道的故障检测方法及系统，具有以下有益效果：

第一，借助可检测的Q和ΔP多组表象值，拟合计算映射出管段实际工况R和介质流动状况n的隐藏量；特别是管道沿程阻力R，且一旦出现量变，类比电工学机理，检漏测堵变得简单、容易。

第二，通过机器自学习方式，无需观测管道架设状况、截段面形状、清粘黏介质类型、流速快慢等原始参数，适应面广，通用性强。

第三，常规流量和压力检测，不改变原流路系统，不需人工现场操作，不影响生产过程。

附图说明

图1常用流体输送管路示意图

图2堵塞管道参数曲线对比示意图

图3泄漏管道参数曲线对比示意图

图4串联切分检漏测堵管段示意图

图5并联切分检漏测堵管段示意图

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

一种流体管道的故障检测方法的实施例，所述方法包括以下步骤：

步骤一，在指定的检漏测堵管段上，依据管道内流体的能量平衡、管道内流体流量、管段前后两端的压力差值，映射管道与流体相互约束关系式：

上式中，某时刻Q_i—管道内流体流量；对应ΔP_i—管段前后两端的压力差，i—采集到Q_i与ΔP_i配对数据组的数量，管道沿程阻力值R，流动性特征系数n；

步骤二，通过机器自学习方式，连续获取管道沿程阻力值R和流动性特征系数n，作为常态参照样本；

步骤三，一旦沿程阻力R和流动性特征系数n发生变化，即表明管道处于非正常状态；捕捉沿程阻力R和流动性特征系数n发生量变的时间和程度，识别管段处于堵塞或泄漏的质变故障状态。

本实施例中，所述常态参照样本，正常管道即非堵塞、非泄漏状态下，管道内流体流量Q与管段前后两端的压力差ΔP两者之间无论如何互动，能量平衡、质量连续约束条件下，管道沿程阻力R、以及流动性特征系数n值，都处于相对稳定状态；

管道沿程阻力R值逐步增大，流动性特征系数n值轻微波动，则所述识别管段处于堵塞的质变故障状态；

管道沿程阻力R值跌幅巨大，流动性特征系数n值跟随下降，所述识别管段处于泄漏的质变故障状态。

本实施例中，可选的，所述机器学习过程如下：

第一阶段，机器自学习算法建立，并求解多组不同流量下的流动性特征系数n的拟合平均值，管道沿程阻力R的拟合平均值；

第二阶段，建立正常管道样本，获得正常管道下的流动性特征系数n的拟合平均值，管道沿程阻力R的拟合平均值，实现对正常管道判别学习；

第三阶段，建立堵塞管道样本，获得堵塞管道下的流动性特征系数n的拟合平均值，管道沿程阻力R的拟合平均值，实现对堵塞管道判别学习：

第四阶段，建立泄漏管道样本，获得泄漏管道下的流动性特征系数n的拟合平均值，管道沿程阻力R的拟合平均值，实现对泄漏管道判别学习。

本实施例中，可选的，在第三阶段，具体包括如下步骤：

建立堵塞管道的第一样本，获得第一样本下的流动性特征系数n的拟合平均值、管道沿程阻力R的拟合平均值与正常管道样本对比，实现对堵塞管道的一次判别学习；

针对同一检漏测堵管段建立堵塞管道的第二样本，获得第二样本下的流动性特征系数n的拟合平均值、管道沿程阻力R的拟合平均值与第一样本对比，实现对堵塞管道的再次判别学习。

本实施例中，可选的，在第四阶段，具体包括如下步骤：

建立轻微泄漏管道的样本，获得轻微泄漏管道的样本下的流动性特征系数n的拟合平均值、管道沿程阻力R的拟合平均值与正常管道样本对比，实现对轻微泄漏管道的判别学习。

本实施例中，可选的，在第四阶段，还包括如下步骤：建立滴漏管道样本，获得滴漏管道样本的初始滴漏和喷射结束两种状态下的流动性特征系数n的拟合平均值、管道沿程阻力R的拟合平均值，将初始滴漏和喷射结束两种状态下的n和R对比，实现对滴漏管道的判别学习。滴漏管道样本，此处的滴漏可以是间断式的滴漏，也可以是连续式的滴漏，也可以是喷射式滴漏。

本实施例中，可选的，根据管道内流体相互约束原理满足如下关系式：

上式中，某时刻Q_i—管道内流体流量；对应ΔP_i—管段前后两端的压力差，i—采集到Q_i与ΔP_i配对数据组的数量。具体的推导过程如下：

在质量连续性、能量守恒规律下，基于管道内经典流体理论：

流体在管道中连续质量方程：

流体在管路中能量衡算—伯努利方程：

管摩擦阻力与流速流量之间关系：

基于上述ⅰ、ⅱ、ⅲ三个经典流体方程，合并得到管道的经典流体理论下国标建议算法：

至此，类对电工学机理，电流、电压、电阻关系式

在目前公布的各种流量手册中，得到广泛描述：

将经典国标建议算法式ⅴ，仿照电工学机理式改写，本专利进一步发明了，方便机器自学习的管道内流体相互约束关系式：

Q_i—某时刻管道内流体流量，设置流量计检测获取；

ΔP_i—对应某时刻，管段前后两端的压力差，设置前后压力表检测获取；

i—采集到Q_i与ΔP_i配对数据组的数量，须i≥2；

R—管道沿程阻力值，映射流经管段内实际工况，与前后压力表之间管段的管径d、管长l、管壁粗糙度ε、局部阻力系数ξ等相关；管段形式固定，值也就相对固定；

n—流动性特征系数，映射流体介质流动状况，与流体粘度η、密度ρ、流速v等相关；流体介质固定，值也就相对固定。

实现了采集管道内流体流量Q_i、管段前后两端的压力差ΔP_i值多组表象值，通过机器自学习方式，拟合计算获取沿程阻力R、以及流动性特征系数n这两个不可直接检测的隐藏量，映射管段实际工况和介质流动状况。

第一阶段，机器自学习算法建立：

针对管道内流体相互约束关系式ⅵ，两边取对数，并展开：

log Q_i＝n(logΔP_i-log R)＝-n log R+n logΔP_i…………ⅶ

参照一阶函数关系式：Y＝a+bX

对位得到：Y＝log Q_i，a＝-n log R，b＝n，X＝logΔP_i。

如图1，常用流体输送管路示意图所示，供给泵出口设置流量计F，以测取管道内流体流量Q；在任意长的管段上，起点设置前压力表P1、末点设置后压力表P2，测取流经管段前后两端的压力差ΔP。

前置压力表P1与后置压力表P2之间，指能够检测管道内流体流量Q_i、管段前后两端的压力差ΔP_i值的任意长度管线，即指定为检漏测堵管段。机器自学习期间，为了营造可比较的环境条件，管段形式要固定，必须将调节阀、放散支管等改变流量和压力的所有因素，排除在检漏测堵管段之外，只能允许固定阻损部件，如变径头、过滤器等。换句话说，指定管段内不得有变化的耗能、分流等部件。条件若有改变，必须从头再次学习。

针对检漏测堵管段1，测取多组流量Q_i与压力差ΔP_i值过程中，方法一：借助管段外的调节阀FV，在不同的开度下，每个流量Q_i值，对应不同压力差ΔP_i值，并将实测数据，同时记录下来；方法二：借助供给泵的输出功率调整，达成同样的目的；方法三：等待需求用户的高峰和低谷用量期，利用负荷自然波动时提取；或者上述三种方法的组合。

对流量Q_i与压力差ΔP_i进行有序操控，记录下多组实测数据，并排列成如下数组矩阵形式：

依据求解一阶函数系数矩阵表达式：F＝X⁺Y＝(X^TX)^-1X^TY…………ⅷ

通过机器自学习方式，求取

系数矩阵，由于存在a和b两个求证系数，要求测取变量值X和Y不得少于两组，即i≥2；

求解F系数矩阵后，已知a和b系数，对应获得流动性特征系数n的拟合平均值，简称流动性特征系数n：

n＝b…………ⅸ

同理，获得管道沿程阻力R的拟合平均值，简称管道沿程阻力R：

上述，源于经典流体理论，流体在管道中连续性质量方程ⅰ，流体在管路中能量衡算—伯努利方程ⅱ，管摩擦阻力与流速流量之间关系ⅲ，本专利进一步合并成方便机器自学习算式：

演算实质表达的是能量平衡、质量连续关系；以管道内流体流量Q、管段前后两端的压力差ΔP、管道沿程阻力R，以及流动性特征系数n，利用四个参数共同表征，类比电工学机理，映射管段实际工况和介质流动状况。

具体来讲，正常管道时，双隐藏量为固定值；一旦沿程阻力R、以及流动性特征系数n发生变化，即表明管道处于非正常状态；捕捉双隐藏量发生量变的时间和程度，识别管段处于堵塞或泄漏质变状态，具体执行流程如下。

第二阶段，正常管道判别：

正常管段，即无堵塞、无泄漏状态下，测取流量Q_i与压力差ΔP_i值，i＝3组实测数据，排列成数组，机器自学习后如下表：

得到当前正常管道无堵塞、无泄漏状态下，机器自学习算法表达式1：

另外，还是正常管段，即无堵塞、无泄漏状态下，还可以再次测取流量Q_i与压力差ΔP_i值，i＝3组实测数据，排列成数组，机器自学习后如下表：

针对同一检漏测堵管段，又得到当前正常管道无堵塞、无泄漏状态下，机器自学习算法表达式2：

对比正常管样例1和正常管样例2：

判别正常管道表	正常样例1	正常样例2	波动幅度、方向
				管道沿程阻力值R	591.27	592.14	0.2％
流动性特征系数n	0.5787	0.5798	0.2％

分析：同样正常管段，前后时期获得正常管道沿程阻力R值，仅相差0.2％，考虑测量、运算误差等，认为基本相同。

实测表明，正常管道即非泄漏、非堵塞状态下，发现管道内流体流量Q_i与管段前后两端的压力差ΔP_i两者之间无论如何互动，能量平衡、质量连续约束条件下，隐藏的管道沿程阻力R、以及流动性特征系数n值，都相对固定。

第三阶段，堵塞管道判别：

运行很长时间后，由于结垢物附着等原因，直接导致管壁凹凸粗糙度变大，或者可流通面积减小；堵塞管段，在无泄漏状态下，测取流量Q_i与压力差ΔP_i值，i＝4组实测数据，排列成数组，机器自学习后如下表：

针对同一检漏测堵管段，得到当前粗糙堵塞管段无泄漏状态下，机器自学习算法表达式3：

对比正常管样例2和粗糙堵塞管样例3：

判别堵塞管道表	正常样例2	粗糙堵塞样例3	波动幅度、方向
				管道沿程阻力值R	592.14	701.61	18％↑(阻力变大)
流动性特征系数n	0.5798	0.5304	8％↓(流动受阻)

分析：正常管段获得正常管道沿程阻力R值592.14，与结垢后粗糙管道沿程阻力R值701.61，绝对值相比较，体现在R值会上升，即正常阻力R值＜粗糙阻力R值。

正常管道流动性特征系数n值0.5798，与结垢后粗糙管道流动性特征系数n值0.5304，体现在n值会下降，即正常特征系数n值＞粗糙特征系数n值。

实测表明，管壁结垢物等导致管道内壁凹凸粗糙度上升，引起流动耗能增加，能量失去初始平衡、但质量连续时，隐藏的管道沿程阻力R值会逐步增大，而流动性特征系数n值轻微波动。

如图2，堵塞管道参数曲线对比示意图所示，相对于正常管道样例1和2，参数曲线显示在左侧；粗糙管道样例3，参数曲线显示在右侧；管道堵塞后，

对比流体流量Q会细微变小，流动性特征系数n轻微下降，管道沿程阻力R上升，前后压力差ΔP显著增加。想要发送同体积物质，能耗要显著增加了。

第四阶段，堵塞管道再判别：

随后，在样例3基础上，粗糙堵塞管段，即无泄漏状态下，测取流量Q_i与压力差ΔP_i值，i＝5组实测数据，排列成数组，机器自学习后如下表：

针对同一检漏测堵管段，又得到当前粗糙堵塞管段无泄漏状态下，机器自学习算法表达式4：

对比粗糙管道样例3和粗糙管道样例4：

判别正常管道表	粗糙堵塞样例3	粗糙堵塞样例4	波动幅度、方向
				管道沿程阻力值R	701.61	703.57	0.3％
流动性特征系数n	0.5304	0.5316	0.2％

分析：相近时段，机器连续自学习表明，所获得管道沿程阻力值R和流动性特征系数n，基本维持不变。

第五阶段，泄漏管道判别：

发现渗水点一个，轻微泄漏状态下，测取流量Q_i与压力差ΔP_i值，i＝3组实测数据，排列成数组，机器自学习后如下表：

针对同一检漏测堵管段，得到当前粗糙管，轻微泄漏管段下，机器自学习算法表达式5：

对比正常无泄漏样例4与轻微泄漏样例5：

判别泄漏管道表	正常管道样例4	微泄漏样例5	波动幅度、方向
				管道沿程阻力值R	703.57	88.98	87％↓↓(跌幅巨大)
流动性特征系数n	0.5316	0.438	17％↓(流动不畅)

分析：一旦发生微泄漏，以流量Q与压力差ΔP、管道沿程阻力R值，以及流动性特征系数n，原先四者表征的能量平衡和质量连续关系将失效，有一个携手寻求新的平衡、连续关系过程，泄漏点上产生短路泄压、分流现象，能量不平衡、质量也不连续时，自学习捕捉到发生异动，隐藏的管道沿程阻力R值会跌幅巨大，类似于电流、电压遇到短路点。

与此同时，自学习获得的流动性特征系数n值还会跟随下降，理解成泄漏发生过程中，泄漏点造成管道内外之间物质交换，内流体外泄的同时，也有周边外环境气体吸入，导致流体中混入有气泡，改变了原流体的粘度η、密度ρ、流速v等物理参数，气泡跟随流体流动，膨胀或压缩、分裂或聚合，扰动了流体原流动特征，造成流动性特征系数n波动下行。

类比电工学

电流以光速传播，指数级别上快于流体，电流的流动性特征系数n＝1＞流体的流动性特征系数n≈0.53～0.43，流动性特征系数n值越大如0.53，表明流动能力越强，表明管道内流体流动顺畅；越小如0.43，则流动越不顺畅。

如图3，泄漏管道参数曲线对比示意图所示，相对于正常管段样例4，参数曲线显示在左侧；轻微泄漏样例5，参数曲线显示在右侧；

对比流体流量Q会细微变小基本持平看，流动性特征系数n下降，管道沿程阻力R跌幅巨大，前后压力差ΔP显著减少。能耗会显著减少的同时，但物质会流失。

实测表明，一旦发生管道泄漏，泄漏点上产生短路泄压、分流现象，能量不平衡、质量也不连续时，隐藏的管道沿程阻力R值会跌幅巨大，流动性特征系数n值还会跟随下降。

第六阶段，多样性样例，更换检漏测堵管段，针对原油输送管道，数千米长，初始发现原油连线式滴漏点一个，此处的连线式滴漏点的特征为，初始状态为间断式的滴漏状态，随着泄漏的加剧，滴漏状态从间断式变化为连续线状式，进一步随着泄漏的加剧，滴漏状态从连续线状式变化为喷射式，经接桶称量，泄漏原油从约1小时/吨，开展测试，直至泄漏逐渐扩大至约2小时/吨时结束，一段时期记录下实测过程参数，得到如下表对比结果：

实测表明，相同的检漏测堵管段上，从滴漏到喷射泄漏发展过程中，随着管道泄漏继续扩大，泄漏点上产生短路泄压、分流量越来越严重，能量更不平衡、质量更加不连续时，隐藏的管道沿程阻力R值会继续剧烈下降。

与此同时，流动性特征系数n值趋同，流体中夹杂大量空气泡处于饱和，改变流体的粘度η、密度ρ、流速v等参数能力，已经趋于极限饱和。

流体管道的故障检测系统的实施例，包括流体管道，所述流体管道上设有检漏测堵段，所述检漏测堵段之前设有流量计，所述检漏测堵段前后分别设有前压力表和后压力表，所述检漏测堵段没有非固定阻损部件。可选的，所述非固定阻损部件包括调节阀和放散支管。可选的，所述检漏测堵段上设有固定阻损部件，可选的，所述固定阻损部件包括变径头和过滤器。此处指代的流量计能够将数据传输给计算机设备进行数据分析，前压力表和后压力表能够将采集的压力数据传输给计算机设备进行数据分析，此处的计算机设备可以是移动或者不可以移动带数据分析功能的电子设备，也可以是通过有线或者无线等形式将数据传输给云服务器，然后再进行后续数据分析。

本实施例中，可选的，所述流体管道为单一管路结构，单一管路结构的所述流体管道上至少设有一段所述检漏测堵段，当所述检漏测堵段有多段时，各段所述检漏测堵段之间串联。

本实施例中，所述流体管道包括主管和支管，所述主管和/或所述支管上设有至少一段所述检漏测堵段，当单根所述主管或单根所述支管上的所述检漏测堵段有多段时，各段所述检漏测堵段之间串联。

如图4，串联切分检漏测堵管段示意图所示，在样例1、2、3、4、5的起点P1、末点P2基础上，往后继续设置终点压力表P3，即P2和新设P3之间指定检漏测堵管段2；供给泵出口流量计F，仍然测取管道内流体流量Q_i；在检漏测堵管段2上，起点改成压力表P2、后点压力表P3，测取管段前后两端的压力差ΔP_i。以此类推，往后还能指定更多检漏测堵管段……

如图5，并联切分检漏测堵管段示意图所示，相当于在支管上并列复制；F1(P11-P12)支系列形成检漏测堵支管段1，F2(P21-P22)支系列形成检漏测堵支管段2，F3(P31-P32)支系列形成检漏测堵支管段3。

如图4和图5所示，通过按需设置流量计和压力表，任意长度的管线甚至复杂管网，都能够按需切分出检漏测堵管段。

简言之，互动的流体流量Q_i与压力差ΔP_i数组中，很难观察流体与约束管道之间的关系。

本专利源于管道内流体的能量平衡、质量连续关系，借助可检测的管道内流体流量Q_i和管段前后两端的压力差ΔP_i多个表象值，捕捉实际工况中，管道沿程阻力R和流动性特征系数n的固定隐藏量，进而识别出管段当前所处状态：

①管道沿程阻力R持平，表明能量平衡、质量连续，管道处于正常状态；②沿程阻力R上升，表明流动耗能增加，能量打破初始平衡、质量还连续，结垢物堆积后发生了堵塞现象；③管道泄漏时，能量不平衡、质量不连续，泄漏点上产生短路泄压、分流现象，主要识别参数，沿程阻力R会跌幅巨大，且次要识别参数，流动性特征系数n也下降；④随着管道泄漏扩大，泄漏越来越严重，发现管道沿程阻力R值还会剧烈下降。

此外，泄漏发生过程中，物质交换导致气泡产生，改变了流体的粘度η、密度ρ、流速v等参数，扰动了流体原流动特征，流动性特征系数n也会波动。

利用流体相互约束关系，能够简单、容易地完成检漏测堵判别。

一种管道检漏测堵方法，主要识别沿程阻力R参数，次要识别流动性特征系数n参数，检漏测堵变得简单、容易，并与管道架设状况、截段面形状、清粘黏介质类型、流速快慢等因素无关，通用性强。

本发明借助可检测的Q和ΔP多组表象值，拟合计算映射出管段实际工况R和介质流动状况n的隐藏量；特别是管道沿程阻力R，且一旦出现量变，类比电工学机理，检漏测堵变得简单、容易。通过机器自学习方式，无需观测管道架设状况、截段面形状、清粘黏介质类型、流速快慢等原始参数，适应面广，通用性强。常规流量和压力检测，不改变原流路系统，不需人工现场操作，不影响生产过程。

以上所述仅为本发明的优选实施例，并不用于限制本发明，显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种流体管道的故障检测方法，其特征在于，所述方法包括以下步骤：

步骤一，在指定的检漏测堵管段上，依据管道内流体的能量平衡、管道内流体流量、管段前后两端的压力差值，映射管道与流体相互约束关系式：

上式中，某时刻Q_i—管道内流体流量；对应ΔP_i—管段前后两端的压力差，i—采集到Q_i与ΔP_i配对数据组的数量，管道沿程阻力值R，流动性特征系数n；

步骤二，通过机器自学习方式，连续获取管道沿程阻力值R和流动性特征系数n，作为常态参照样本；

步骤三，一旦沿程阻力R和流动性特征系数n发生变化，即表明管道处于非正常状态；捕捉沿程阻力R和流动性特征系数n发生量变的时间和程度，识别管段处于堵塞或泄漏的质变故障状态。

2.根据权利要求1所述的流体管道的故障检测方法，其特征在于：

所述常态参照样本，正常管道即非堵塞、非泄漏状态下，管道内流体流量Q与管段前后两端的压力差ΔP两者之间无论如何互动，能量平衡、质量连续约束条件下，管道沿程阻力R、以及流动性特征系数n值，都处于相对稳定状态；

管道沿程阻力R值逐步增大，流动性特征系数n值轻微波动，则所述识别管段处于堵塞的质变故障状态；

管道沿程阻力R值跌幅巨大，流动性特征系数n值跟随下降，所述识别管段处于泄漏的质变故障状态。

3.根据权利要求2所述的流体管道的故障检测方法，其特征在于：所述机器学习过程如下：

第一阶段，机器自学习算法建立，并求解多组不同流量下的流动性特征系数n的拟合平均值，管道沿程阻力R的拟合平均值；

第二阶段，建立正常管道样本，获得正常管道下的流动性特征系数n的拟合平均值，管道沿程阻力R的拟合平均值，实现对正常管道判别学习；

第三阶段，建立堵塞管道样本，获得堵塞管道下的流动性特征系数n的拟合平均值，管道沿程阻力R的拟合平均值，实现对堵塞管道判别学习：

第四阶段，建立泄漏管道样本，获得泄漏管道下的流动性特征系数n的拟合平均值，管道沿程阻力R的拟合平均值，实现对泄漏管道判别学习。

4.根据权利要求3所述的流体管道的故障检测方法，其特征在于：在第三阶段，还包括如下步骤：

建立堵塞管道的第一样本，获得第一样本下的流动性特征系数n的拟合平均值、管道沿程阻力R的拟合平均值与正常管道样本对比，实现对堵塞管道的一次判别学习；

针对同一检漏测堵管段建立堵塞管道的第二样本，获得第二样本下的流动性特征系数n的拟合平均值、管道沿程阻力R的拟合平均值与第一样本对比，实现对堵塞管道的再次判别学习。

5.根据权利要求3所述的流体管道的故障检测方法，其特征在于：在第四阶段，具体包括如下步骤：

建立轻微泄漏管道的样本，获得轻微泄漏管道的样本下的流动性特征系数n的拟合平均值、管道沿程阻力R的拟合平均值与正常管道样本对比，实现对轻微泄漏管道的判别学习。

6.根据权利要求5所述的流体管道的故障检测方法，其特征在于：在第四阶段，还包括如下步骤：

建立滴漏管道样本，获得滴漏管道样本的初始滴漏和喷射结束两种状态下的流动性特征系数n的拟合平均值、管道沿程阻力R的拟合平均值，将初始滴漏和喷射结束两种状态下的n和R对比，实现对滴漏管道的判别学习，获得管道沿程阻力R的平均值：

7.一种流体管道的故障检测系统，其特征在于：包括流体管道，所述流体管道上设有检漏测堵段，所述检漏测堵段之前设有流量计，所述检漏测堵段前后分别设有前压力表和后压力表，所述检漏测堵段没有非固定阻损部件；

还包括处理器，所述处理器用于接收所述流量计、前压力表和后压力表的数据并运行如权利要求1-6任一所述的流体管道的故障检测方法。

8.根据权利要求7所述的流体管道的故障检测系统，其特征在于：所述非固定阻损部件包括调节阀和放散支管。

9.根据权利要求8所述的流体管道的故障检测系统，其特征在于：所述检漏测堵段上设有固定阻损部件，所述固定阻损部件包括变径头和过滤器。

10.根据权利要求8所述的流体管道的故障检测系统，其特征在于：所述流体管道为单一管路结构，单一管路结构的所述流体管道上至少设有一段所述检漏测堵段，当所述检漏测堵段有多段时，各段所述检漏测堵段之间串联；

或者，所述流体管道包括主管和支管，所述主管和/或所述支管上设有至少一段所述检漏测堵段，当单根所述主管或单根所述支管上的所述检漏测堵段有多段时，各段所述检漏测堵段之间串联。

Images