基于GIF Elman神經網絡的輸油管道工況辨識技術的研究.pdf

1、近年來，隨著我國管道運輸業(yè)的不斷發(fā)展，管道運輸在國民經濟體系中的地位日趨重要，管道安全運輸的問題也引起了廣泛的關注。輸油管道泄漏檢測是管道安全運輸的重要內容。管道泄漏屬于故障工況，因此管道工況辨識技術是管道泄漏檢測的一種重要手段，能否通過該技術準確、及時的發(fā)現和判斷輸油管道泄漏情況的發(fā)生，對于減少國家經濟損失、保護管道周邊的自然環(huán)境和居民的人身財產安全有著重要的現實意義。
　　鑒于管道運輸系統(tǒng)具有強時滯性、強非線性和強干擾性等特點

2、，難以通過機理分析建立精確的數學模型，而且管道運輸系統(tǒng)屬于復雜的動態(tài)系統(tǒng)，所建立的模型要滿足其動態(tài)性的要求。因此，本文針對管道運輸安全預警問題，提出了基于GIF(GlobalInformation Feedback) Elman動態(tài)遞歸神經網絡輸油管道運輸系統(tǒng)工況分析模型，利用該模型對管道工況進行準確、快速的辨識，進而降低誤報、漏報率或者消除誤報、漏報情況的存在，提高工況信息的準確度。本文主要研究內容有以下幾個方面:首先，針對Elman

3、神經網絡動態(tài)性能的不足，提出了Elman神經網絡的改進方向——GIF Elman神經網絡。根據GIF Elman神經網絡和管道運輸系統(tǒng)自身的特點對動態(tài)遞歸神經網絡的建模方案進行了可行性論證。其次，針對管道壓力數據具有強非線性、強噪聲的特點，研究了一種數據預處理技術，先將管道壓力數據進行特征提取，然后利用核主成分分析的技術方法對提取的特征進行核主成分分析，以此來達到對數據降維和消除噪聲的目的。再次，根據Elman神經網絡模型的算法，從理論

4、上對GIF Elman神經網絡模型的算法進行了推導，建立了基于GIF Elman神經網絡的管道運輸系統(tǒng)工況分析模型。最后，利用管道現場數據，通過對比BP前向神經網絡、標準Elman神經網絡和GIF Elman神經網絡分別在靜態(tài)數據集和動態(tài)數據集中的表現，驗證了GIF Elman神經網絡不僅在訓練和測試結果的穩(wěn)定性上，而且在網絡模型的泛化能力上均表現出很好的效果。
　　總之，GIF Elman神經網絡非常適合于建立管道運輸工況分析模