[发明专利]一种瓦斯抽采管网泄漏故障智能检测方法在审
申请号: | 202310190803.7 | 申请日: | 2023-02-24 |
公开(公告)号: | CN116164241A | 公开(公告)日: | 2023-05-26 |
发明(设计)人: | 周爱桃;孙永鑫;王凯;杜昌昂;范席辉;王东旭;安靖宇 | 申请(专利权)人: | 中国矿业大学(北京) |
主分类号: | F17D5/02 | 分类号: | F17D5/02;G06F30/27;G06F30/18;G06F30/28;G06F17/18;G06N3/084;G06N3/126;G06N3/006;G06F113/14;G06F113/08;G06F119/08;G06F119/14 |
代理公司: | 暂无信息 | 代理人: | 暂无信息 |
地址: | 100083 *** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 瓦斯 管网 泄漏 故障 智能 检测 方法 | ||
1.一种瓦斯抽采管网泄漏故障智能检测方法,其特征在于,具体包括以下步骤:
步骤S1:根据目标抽采管网系统布置情况绘制管网拓扑图,基于管网拓扑结构和管段特性参数构建抽采管网工况解算模型;
步骤S2:利用S1所述解算模型计算瓦斯抽采管网正常运行时的流量、负压数据;通过在管网拓扑图中新增气源节点的方法模拟管网泄漏情况,利用抽采管网工况解算模型分别计算管网不同泄漏情况下的节点流量、负压数据;
步骤S3:构建二级泄漏故障检测模型,第一级模型为管段泄漏判识模型,针对管网是否泄漏进行判识,如发生泄漏则输出泄漏管段编号及泄漏程度级别;第二级模型为泄漏定位模型,对泄漏管段上泄漏点位置进行判断;第一级模型为数学模型,第二级模型为BP神经网络模型,神经网络模型所依靠的训练数据为步骤S2所获得的管网不同泄漏情况下的节点流量、负压变化值数据;
步骤S4:采集抽采管网真实运行数据,利用二级泄漏故障检测模型对瓦斯抽采管网的泄漏情况进行判识,如发生泄漏则输出泄漏程度级别及泄漏位置,否则输出管网无泄漏。
2.根据权利要求1所述的一种瓦斯抽采管网泄漏故障智能检测方法,其特征在于:所述步骤S1中的管网拓扑图可根据具体矿井的采掘工程平面图、巷道布置图、抽放瓦斯管路系统图及抽采管段具体特性参数信息进行绘制;管段与钻孔连接端节点、抽采泵入口端节点和管段连接处节点作为抽采管网工况解算模型和故障诊断所研究的工况节点;管网的特性参数包括管长、管径、高差和摩阻系数;构建抽采管网工况解算模型包括根据管网拓扑图建立相应的气体状态方程、节点流量守恒方程、质量流量守恒方程、管道压降方程、抽采泵特性方程、瓦斯钻孔抽采特性方程。
3.根据权利要求1所述的一种瓦斯抽采管网泄漏故障智能检测方法,其特征在于:所述步骤S2具体包括以下步骤:
步骤S21:基于目标抽采管网实际运行数据选择合适的初始源流量,将初始源流量赋予瓦斯抽采管网工况解算模型用以计算正常运行状态下的抽采流量、负压数据;
步骤S22:依次在瓦斯抽采管网不同管段、管段不同位置上新增一个气源节点,改变该节点初始流量,并利用解算模型计算此时抽采管网节点的流量、负压数据,即可获得管网不同位置发生不同泄漏程度时的管网运行工况样本数据。
4.根据权利要求1所述的一种瓦斯抽采管网泄漏故障智能检测方法,其特征在于:所述步骤S3中的二级故障检测模型中的第一级模型为数学模型,通过计算管网各节点的气体质量流量即可利用检测模型对管网是否发生泄漏以及泄漏管段进行判识,具体包括以下步骤:
S311:基于管网各节点处的负压、流量、温度和浓度参数,计算各节点处的气体质量流量;
S312:利用数学模型依次对各管段气体流入、流出端的气体质量流量进行计算、对比,判识该管段是否发生泄漏,如发生泄漏,输出泄漏管段及泄漏程度级别,并进入故障检测第二级模型;如未发生泄漏,则直接结束故障检测。
5.根据权利要求1所述的一种瓦斯抽采管网泄漏故障智能检测方法,其特征在于:所述步骤S3中的二级故障检测模型中的第二级模型为BP神经网络模型,当S312中输出泄漏管段后,直接进入针对该管段所建立的神经网络模型进行管段泄漏位置的预测,具体包括以下步骤:
S321:确定网络结构:将抽采管网中各节点处负压参数作为神经网络的输入部分,输出部分为泄漏点在泄漏管段上的位置信息;
S322:数据预处理:将S22中的泄漏运行负压数据减去S21中的正常运行负压数据得到泄漏故障负压残差样本矩阵,采用Logistic函数对样本矩阵进行归一化处理,得到归一化泄漏故障负压残差样本矩阵;
S323:建立神经网络模型:针对每一个管段都建立一个泄漏故障诊断模型,其中输入层特征向量为该管段发生泄漏情况下的负压残差样本矩阵,输出层为泄漏点在泄漏管段上的位置信息;
S324:神经网络训练及参数寻优。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国矿业大学(北京),未经中国矿业大学(北京)许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202310190803.7/1.html,转载请声明来源钻瓜专利网。