تشخيص نشتي در خط لوله نفت با استفاده از تبديل موجك و ويژگي‌هاي آماري همراه با كاربرد شبكه عصبي مصنوعي

Oil pipeline leak diagnosis using wavelet transform and statistical features with artificial neural network application

نشتي‌هاي خط لوله نفت اگر مورد توجه واقع نشود مي‌تواند منجر به خسارت‌‌‌‌‌‌هاي بزرگي گردد. اولين گام براي مقابله موثر با اين نشتي‌ها، تشخيص محل وقوع آن‌ها است. در مقاله‌ي حاضر يك روش جديد آشكارسازي و جداسازي عيوب (FDI) مبتني بر داده‌ پيشنهاد مي‌شود كه نه تنها قادر است وقوع عيب نشتي و محل آن را آشكار سازد بلكه مي‌تواند وخامت (اندازه‌ي) نشتي را نيز با دقت زياد تخمين بزند. در مطالعه‌ي حاضر، خط لوله‌ي گلخاري- بينك كه در جنوب ايران واقع شده، در نرم افزار الگا مدل‌سازي گرديده است كه داده‌هاي مورد نياز براي آموزش سيستم FDI را فراهم مي‌نمايد. سناريوهاي مختلف نشتي بر مدل اعمال مي‌گردد و نرخ دبي خروجي و فشار ورودي متناظر به عنوان داده‌هاي آموزش ثبت مي‌شود. داده‌هاي بدست آمده در حوزه‌ي زمان به حوزه‌ي موجك انتقال داده مي‌شوند. سپس ويژگي‌هاي آماري داده‌ها از دو حوزه‌ي موجك و زمان استخراج مي‌گردد. ويژگي‌هاي بدست آمده به يك شبكه‌ي عصبي چندلايه‌ي پرسپترون (MLPNN) به عنوان سيستم FDI اعمال مي‌گردد. نتايج نشان مي‌دهد كه سيستم مبتني بر ويژگي‌هاي آماري موجك عملكرد بهتري نسبت به سيستم مبتني بر ويژگي‌هاي آماري حوزه‌ي زمان دارد. همچنين سيستم پيشنهادي مي‌تواند محل و وخامت نشتي را با نرخ هشدار غلط (FAR) اندك و نرخ طبقه‌بندي صحيح (CCR) بسيار زياد تشخيص دهد.

Oil pipeline leakages, if not properly treated, can result in huge losses. The first step in tackling these leakages is to diagnose their location. This paper employs a data-driven Fault Detection and Isolation (FDI) system, not only to detect the occurrence and location of a leakage fault, but also to estimate its severity (size) with extreme accuracy. In the present study, the Golkhari-Binak pipeline, located in southern Iran, is modeled in the OLGA software. The data used to train the data-driven FDI system is acquired by this model. Different leakage scenarios are applied to the pipeline model; then, the corresponding inlet pressure and outlet flow rates are recorded as the training data. The time-domain data are transformed into the wavelet domain; then, the statistical features of the data are extracted from both the wavelet and the time domains. Each of these features is then fed into a Multi-Layer Perceptron Neural Network (MLPNN) which functions as the FDI system. The results show that the system with the wavelet-based statistical features outperforms that of the time-domain based features. The proposed FDI system is also able to diagnose the leakage location and severity with a low False Alarm Rate (FAR) and a high Correct Classification Rate (CCR).