基于BP神经网络的油气长输管道失效概率预测_彭星煜
0 前言
人工神经网络，又称为连接机制模型或并行处理模型，是一种由大量简单的人工神经元广泛连接而成的，用以模仿人脑神经网络的复杂网络系统。人工神经网络的发展虽然仅30年左右的时间，但是，其所具有的高维性、并行分布处理性、自适应性、自组织、自学习等优良特性，为一些传统方法所难以解决问题提供了新的途径，而越来越受到人们的重视。已经在人工智能、模式识别、自动控制、信息处理等领域获得了成功运用。
神经网络模型在油气储运安全评价中的运用尚处于初始阶段，目前已经能够预测管道的腐蚀速
基于BP神经网络的油气长输管道失效概率预测*
彭星煜刘力升吕娜杨秋香彭廷亮李磊
（西南石油大学，四川成都，610500）
摘 要：油气长输管道风险评价是保障油气管道安全的重要技术之一，而油气长输管道风险评价的核心内容是定量确定管道的失效概率，因此，油气管道失效概率值的准确性会极大地影响到定量风险评价结果的合理性和适用性。目前，国内外均没有建立管道失效概率计算的数学模型，其预测多是依靠现代数学分析中的预测方法如：层次分析法、故障树分析方法和概率统计方法等。人工神经网络是以大量的具有相同结构的简单单元的连接来模拟人类大脑的结构和思维方式的一种可实现的物理系统或计算机模拟系统。本文将神经网络技术中常用的BP神经网络技术运用到油气长输管道失效概率预测中，依靠其强大的非线性映射关系，在输入、输出关系完全未知的情况下映射出输入、输出的非线性关系，从而建立基于故障树失效因素作为输入而管道失效概率作为输出的预测模型。
关键词：油气长输管道BP神经网络故障树模型失效概率预测
中图分类号：TE988 文献标识码：A文章编号：1008-7818(2009)05-0012-05
Long-Distance Oil/Gas Pipeline Failure Rate Prediction Using BP
Artificial Neural Network Model
PENG Xing-yu, LIU Li-sheng, LV Na, YANG Qiu-xiang, PENG Ting-liang, LI Lei
(Southwest Petroleum University, Chengdu 610500, China)
Abstract: Risk assessment is one of most important technologies to ensure the safety of the long-distance oil/gas pipeline, and calculating the failure probability is the important part of the risk assessment, then the veracity of the failure probability impact the rationality and applicability of the result of the risk assessment. At present, there is no mathematical model of pipeline failure probability calculation both at home and abroad, their forecasts are mostly relied on modern mathematical analysis in forecasting methodologies such as: AHP, fault tree analysis method and statistical probability methods. Artificial neural networks are a lot of the simple structure with the same unit connected to simulate the human brain's structure and ways of thinking, which can be realized in a physical system or a computer simulation system. In this paper, BP neural network technology used in long-distance oil and gas pipeline failure probability forecast, under completely unknown circumstances, and rely on its powerful non-linear to map between the input and output non - linear relationship, so as to establish the forecast model., which based on the fault tree failure factors as input and pipeline failure probability as output.
Key words: oil/gas pipeline; BP neural network; failure tree analysis; failure rate calculation
*基金资助：国家自然科学基金（50678154），西南石油大学石油工程学院创新基金。
作者简介：彭星煜(1982-)，男，四川广安人，博士在读，研究方向：油气长输管道可靠性分析和风险评价。
率[1]、风险分析[2]、综合可靠度预测（仅仅建立了模
型）[3]，但是，在管道失效概率预测方面尚没有成熟
的研究。目前计算管道失效概率的模型包括可靠度模型和基于故障树分析模型[4,5]，两者的相关参数与管道失效概率之间的多维非线性关联影射通常十分复杂，国内外都没有建立准确的数学模型，另外，其预测结果受很多不确定性因素影响，准确性很难保证。本文尝试性地将神经网络模型运用于预测油气长输管道失效概率，通过对已知参数样本的网络训练和学习，获得最佳参数，在此基础上对未知样本的油气管道失效概率进行预测。
1 BP 网络模型及其MATLB 的实现
BP 网络的全称为Back-Propagation Network ，即反向传播网络，是一种多层前馈神经网络，名字源于网络权值的调整规程采用的是后向传播学习算法，即BP 学习算法，其最早是Rumelhart 等在1986年提出，自此以后BP 神经网络获得广泛的实际运用。据统计，80%-90%的神经网络模型采用了BP 网络或其变化形式，BP 网络是前馈网络的核心部分，体现了神经网络中最精华、最完美的部分。
BP 网络是一种单向传播的多层前向网络，其结构如图1，BP 网络是一种三层或三层以上的神经网络，包括输入层、中间层（隐层）和输出层。上下层之间实现全连接，而每层神经元之间无连接。当一对学习样本提供给网络后，神经元的激活值从输入层经中间层向输出层传播，在输出层的各神经元获得网络的输入响应。随后，按照减少目标输出与实际误差的方向，从输出层经过各中间层逐层修正各连接权值，最后回到输入层，这种算法就是“误差逆传播算法”即BP 算法。随着这种误差逆的传播修正不断进行，网络对输入模式响应的正确率也不断上升。
自从MATLAB 5.X 提供了神经网络工具箱后，它已经成为工程人员进行神经网络分析与设计的首选。神经网络工具箱在MATLAB 环境下开发出来的许多工具箱之一。它以人工神经网络理论为基础，利用MATLAB 编程语言构成许多神经网络的激活函数，如S 型、线性、竞争层、饱和线性等激活函数，使设计者对所选定的网络输出的计算，转变为对激活函数的调用。另外，可以根据各种典型的修正网络权重的规程，加上网络的训练过程，利用MATLAB 语言编写各种网络权值训练的子程序。
2 油气长输管道失效概率预测的MATLAB 实现
2.1 在役油气长输管道危害识别
本文通过故障树，分析危害管道安全的因素体系。根据故障树顶端事件的确定原则：根据可能发生事故的危险程度，把对系统影响大的灾害或事故作为分析对象，即顶端事件。顶端事件是故障树分析的起点和主体。确定顶端事件应针对分析对象的特点，抓住主要的危险（事故状态），按照一种事故编制一个树的原则进行具体分析[6]。
根据此原则，选择“管道失效”作为顶端事件。而引起管道失效最直接原因就是管线断裂和穿透，这两个原因中任何一个出现均会导致管线失效。然后再以这两个原因为次顶事件，采用类似方法继续深入分析，直到找到代表各种故障事件的基本事件为止。表1为该故障树对应的基本事件列表。
2.2 BP 神经网络预测模型的建立与预测油气管道失效概率是与各基本事件因素相关的一个非线性函数，对于抽取和逼近这种非线性函数，神经网络是一种合适方法。神经网络的优点在于它具有模拟多变量而不需要对输入变量作复杂的相关假定的能力，它从实际观察数据，可以从训练过程中通过学习来抽取和逼近隐含的输入和输出变量间的非线性关系，本文建立的预测油气管道失效概率神经网络模型本质上就是表现92个失效影响因素输入变量和1个失效概率输出变量间的非线性关系映射模型。
（1）输入/输出向量设计：
图1BP
神经网络结构
本文将故障树分析确定的92个基本事件作为BP 网络的输入参数向量，由前面分析发现聘请专家对影响管道安全的92个基本因素进行评价时，专家都是参考基本事件属性与对应的发生概率语言变量，给出该因素发生的可能性如“很小、小、较小、中等、较大、大、很大”的自然语言变量。在进行BP 预测时，输入参数必须是定量化的（0-1）内的一个确定性数值，本文尝试性地进行了语言变量向数值变量的转化[7]
，
序号事件序号事件
序号事件1法律制定不健全32SCADA 通讯系统问题
63回填土含水率高2法律执行不严33安全设备故障64管沟排水性能差3对法律的认识不够34运营人员责任心65回填土含腐蚀物4线路标志不明35运营监督检查66管件缺陷未发现5社会关系处理不当36无最低要求的文件67管段间错口大6巡线频率过低37基本知识掌握不够
68机械损伤7巡线员责任心不强38应急演习69阴极保护失效8报警系统不好39岗位操作规程有误70土壤含细菌9公共道德财产意识低40知识掌握测试不严71土壤pH 值低10管道安全教育不够41无再培训计划72土壤含水率高11周边地区经济不发达
42维护设备差73土壤含硫化物12管道埋深过浅43维护文件不齐全74土壤氧化还原电位高
13恶意破坏44维护人员责任心75土壤含盐高14车辆活动频繁45防腐绝缘涂层过薄76电流干扰15地面设施
46防腐绝缘涂层粘接力低77腐蚀检测16管材选择和管子设计不合理
47防腐绝缘涂层脆性过大78衬里脱落17H 2S 含量48防腐绝缘涂层发生破损79内涂层变薄18CO 2含量49防腐绝缘涂层老化剥离80缓蚀剂失效19O 2含量50防腐绝缘涂层下部积水81清管效果差20H 2O 含量51管道焊接方法不当82加工质量差21温度52焊接材料不合格83施工监理不严格22存在应力集中53表面预处理质量差84管子制造监理不严格
23存在残余应力54焊缝表面有气孔85深层耕作24内应力较大55未焊透部分过大86法律和安全的宣传差25管材抗蚀性差56渗碳现象严重87道路通行权差26泥石流发生57存在过热组织88管龄过大27塌方发生58存在显微裂纹89维护方法失误28滑坡发生59焊后检查清理不仔细90管道检测结果差29洪水发生60管沟深度不够91工况变化过大30地震发生61边坡稳定性差92
自然灾害防护措施不足
31
运营规程有误
62
回填土粒径粗大
表1
油气长输管道危害识别基本事件表
此时，输入变量就是一个92微的向量。输出变量就是管道的实效概率，其是一个1微的向量。
（2）学习样本的选取：
本研究提取的学习样本为兰成渝成品油管道内
见表2。
表2
评判语言变量向数值变量的转化
语言变量很小
小较小中等较大大很大数值变量
0.1
0.2
0.4
0.5
0.6
0.8
0.9
江至隆昌分输站间的58公里的管道进行分析和训练。
目前，训练样本数目的确定没有通用方法，一般认为，样本过少可能使得网络的表达不够充分，从而导致网络的外推的能力不够，而样本过多可能会导致样本冗余现象，既增加了网络的训练负担，也有可能出现信息过量剩余使得网络出现过拟合现象。因此，本文从兰州至临洮段管道总共40段内提取前10段作为学习样本对网络进行训练。
（3）BP网络设计与训练[8]：
BP网络是系统预测中运用特别广泛的一种网络形式，根据BP网络设计神经网络，一般的预测问题都可以通过单隐层的BP网络实现。由于输入向量有92个元素，所以输入层的神经元有92个。
根据Kolmogorov定理，可知网络的中间神经元可以取25个，而输出向量为1个，所以输出层神经元应该是1个。网络中间层的神经传递函数采用S型正切函数tansig，输出层神经元传递函数采用S型对数函数logsig，这是因为函数的输出位于区间（0,1）间，正好满足网络输出的要求。用MATLAB 6.0编程运算，训练曲线如图2所示。观察可发现网络通过7次训练，全局误差训练误差达到9.2187e-013小于预先设定的一个极小目标值1e-011，可见网络收敛，训练结束进入预测和评价阶段。
（4）预测结果分析：
基于已训练成果的神经网络，对兰成渝成品油管道内江至隆昌段剩余30段进行预测，预测结果如表3所示，分析可以发现预测结果基本上反映了管道的实际真实状况。管段序号起点桩号终点桩号
管长失效概率失效概率
（千米）
（故障树分析结果）(神经网络预测结果)
119612196120.050.0061410.0061
21961219633 2.1320.0072920.0073
31963319647 1.4550.0057350.0057
419647196480.1030.0057170.0057
519648196490.1040.0067730.0068
619649196530.4160.0067580.0068
719653196580.5190.005220.0052
819659196600.1040.0061410.0061
919662196680.6230.0055320.0055
1019668196690.1040.005930.0059
1119670196740.4160.0073450.0070
1219678196790.1040.0055850.0057
1319681196870.6240.0065290.0060
1419691196920.2490.0070260.0068
151969319700 1.7430.0077280.0075
161970019706 1.4930.0065030.0064
171970019722 5.4770.0059410.0061
1819723197270.9950.0061160.0062
191972719734 1.7430.0060350.0062
2019734197360.4980.0071130.0069
211973619741 1.2450.0061160.0063
2219752197550.7470.0065070.0063
2319754197580.9960.0062730.0063
241975719768 2.7390.0072120.0071
2519769197710.4980.0071830.0075
261977319783 2.4890.0068170.0070
2719784197850.2490.0056550.0055
2819786197870.2490.0057360.0054
2919787197900.7470.0061190.0064
3019791197920.2490.0055850.0057
3119793197940.2490.0068970.0067
3219794197970.7470.0066020.0057
331979619805 2.240.006170.0071
341980019805 1.2440.0062840.0053
3519805198070.4980.0065650.0067
361980619811 1.2450.0069570.0056
371981119817 1.4940.0059870.0063
3819817198180.2490.0068760.0055
391981919829 2.4890.0067360.0066
4019837198390.4980.0056190.0057
表3兰成渝成品油管道内江-隆昌管道失效概率计算表图 2网络训练误差曲线
3 BP神经网络结果与故障树预测结果对比分析
对比管道基于故障树分析模型计算得到失效概率和基于BP神经网络模型预测管道的失效概率基本是一致的，只是个别点误差相对较大（前10段由于是训练样本，因此数据与预计值非常吻合），由此可见利用BP神经网络预测天然气管道的失效概率是成功的。计算结果见表3，对比分析见图3。
图3天然气管道失效概率故障树模型与
BP神经网络模型计算结果对比
4 结束语
本文通过将BP神经网络引入到油气管道失效概率预测，建立了基于MATLAB神经网络工具箱的预测模型，将预测模型运用到兰成渝成品油内江至隆昌段进行失效概率计算，分析发现得到结果基本与基于故障树模型得到的失效概率结果吻合，从而验证了基于BP神经网络模型的正确性和准确性。本文尝试性地将BP神经网络运用到天然气管道的失效概率计算模型中，对于此法，本论文也仅仅是进行了尝试，希望能起到抛砖引玉的效果。预测模型的BP神经网络的预测结果准确性与多种因素有关，今后的研究工作，笔者建议：
（1）模型层数、神经元数目、传递函数选取和训练误差的取值，甚至训练样本的取舍都将会极大的影响预测结果的精度，因此，必须对模型相关参数的选取进行更为深入的研究；
（2）D-S证据理论作为数据融合的常用数学算法在其它领域已经和神经网络技术相结合运用于模式识别和预测模型中，可以结合两种技术运用到油气长输管道失效概率预测中。
参考文献
[1] 胡小芳，韩廷亮，盖国胜. 用人工神经网络预测天然气管道内
腐蚀速度[J] . 油气储运，2004, 23( 9)：56~58.
[2] 刘金兰，王亮. 长输原油管道风险分析神经网络的应用[J]. 油
气储运，2005, 24( 5): 1~5.
[3] 余建星,祁世芳. 基于神经网络的长输管道的综合可靠度评估方
法[J] . 油气储运，2001, 20( 9): 1~7.
[4] Peng Xingyu, Zhang Peng, Cheng Liqiong, Study on Risk Mitigation
Extent Model of Maintenance Measure to Long-distance 0il/Gas External Corrosion Pipeline, International Conference on Mainte-nance Engineering (ICME),Cheng DU, China, October 15-18, 2006.
[5] Zhang Peng, Chen Liqiong, Hou Xiangqin, Utility Function Method
of Optimal Decision Risk-Based for Oil/Gas Pipeline Integrity Maintenance, Papers of 2005 China International Oil & Gas Pipeline Technology (Integrity) Conference, Sept. 15-17, Shanghai, PRC.
China, 2005, 163-174.
[6] 张鹏，陈利琼，侯向秦. 基于风险的油气管道最优完整性维护
决策（一）[J]. 天然气工业，2004.9:159-162.
[7] 彭星煜，张鹏. 油气长输管道外腐蚀维护风险缓解程度模型[J].
石油工业技术监督，2006；22(10):35-39.
[8] 楼顺天，施加阳. 基于MATLAB的系统分析设计—神经网络
[M]. 西安：西安电子科技大学出版社，1998.
参考文献
[1] 董泽华，郭兴蓬，郑家柒. 电化学噪声的分析方法，材料保护，
2001，34(7).
[2] 张鉴清,张昭,王建明,曹楚南. 电化学噪声的分析与应用－I．电
化学噪声的分析原理,中国腐蚀与防护学报,2001,21(5):310-318.
[3] 张鉴清,张昭,王建明,曹楚南. 电化学噪声的分析与应用－II．电
化学噪声的分析原理,中国腐蚀与防护学报,2002,22(4):341-348.
[4] 刘晓方,王汉功,权高峰,黄淑菊. 电化学系统噪声分析进展,腐蚀
科学与防护技术,2001,13(2)：101-105.
[5] 刘晓方,王汉功,权高峰,黄淑菊,顾海澄. 电化学噪声测量分析系
统设计与实现,分析化学,1999,27(11):1356-1360.
[6] 宣爱国. 电化学噪声测试技术,武汉化工学院学报,2003,25（2）:20-22.[7] 冯业铭,杨连喜,常旭晋. 电化学噪声检测仪的研制,化学传感器,
1995,15（5）:233-236.
[8] 胡会利, 李宁, 程瑾宁. 电化学噪声在腐蚀领域中的研究进展, 腐
蚀科学与防护技术,2007, 27（2）:114-118.
[9] 曹楚南. 腐蚀电化学中的频谱分析研究,腐蚀科学与防护技术,
1993,5（1）:1-9.
[10] 李欣，齐晶瑶，王都萍. 金属腐蚀电化学噪声测量法的研究与
进展，哈尔滨建筑大学学报，1997，30（6）:113-117. [11] 曹楚南,常晓元,林海潮. 孔蚀过程中的电化学噪声特征,中国腐
蚀与防护学报，1989，9（1）:21-28.
[12] 石青荣,林海潮,曹楚南. 孔蚀过程中电化学噪声的白噪声水平
与截止频率的研究, 中国腐蚀与防护学报，1990，10（1）:30-34.
（上接第11页）