船舶管路系统泄漏检测方法研究现状.pdf

I智能航运|Intelligent Shipping船舶管路系统泄漏检测方法研究现状大连海事大学船舶电气工程学院大连海事大学轮机工程学院刘婷郑凯张跃文杜太利邹永久张鹏近年来，船舶智能技术一直是船舶行业关注的热点。交通强国建设纲要中指出“加强新型载运工具研发，强化智能船舶、新能源船舶等自主设计建造能力，广泛应用于智能航运、自动化码头等新型装备设施”。作为船舶智能化的重要领域，智能机舱的可靠性是决定智能船舶进行长途海上安全航行的关键，因此，必须对机舱内部管路状态进行合适的监控，确保在发生破损故障时能够及时发现和评估该故障对船舶整体的影响。随着在船舶机舱中安装和配备的各种智能感知设备越来越丰富，对管路状态进行全方位的监测和评估也将逐渐成为可能。实际上，管路泄漏检测技术经过几十年的发展，各种检测技术推陈出新，虽然未针对智能船舶需求形成一整套成熟解决方案，但这些技术的相关应用却可以为船52中国船检 CHINA SHIP SURVEY 2023.8舶管路监测提供有价值的参考。为此，本文从4个方面对船舶管路系统泄漏检测方法的研究现状进行分析，重点阐述典型的管路泄漏检测方法，并结合指标进行定量评估，最后根据研究现状探讨船舶管路系统泄漏检测方法的发展方向。船舶管路系统泄漏检测存在的问题和需求分析若将船舶视为一个在海上行走的庞大生物体，船上的管路就可以被看作是连接生物体各器官的血脉，其重要程度不言而喻。如图1所示，船舶管路系统主要分为动力管路和辅助管路两种，是联系主辅机和各相关设备的脉络，为船舶设备提供各种燃料、润滑油、冷却水和压缩空气等工质，保证设备良好运行。然而，船舶管路的安装、运行和管理工作条件复杂，始终处于强振动、强噪声、腐蚀、高温、潮湿的恶劣环境之下，管路破损故障频发。管路系统破损时，轻则伴随内部工质跑、冒、滴、漏，重则将导致设备或结构失效，甚至发生沉没事故。因此，及时发现并修补船舶管路破损是保证船舶设备可靠运行的基本要求，也是确保船舶安全航行的基本保证。目前，船舶管路系统泄漏检测仍主要依赖于人工巡检，但船舶管路系统应用普遍，其重要组成结构图1 典型的船舶机舱管路主要为管路和阀门等，分布于船舶检测行业需求体系如图2 所示。的各部位，数量巨大，间距小，维图2 中，需求1 为是否准确判修保养工作量巨大。并且，船舶内断泄漏，重在考虑检测算法的准确部维护空间有限，巡检效率低，极性，最大程度地避免漏检和误检；易发生漏检或误检。此外，船舶内需求2 为准确定位泄漏位置，重在有时存在放射性、高温高压的管衡量算法的定位能力，以期快速准路，进一步提高了船舶管路系统检确定位泄漏点；需求3为泄漏多少测的难度。因此，船舶管路系统的定量准，重在衡量算法的定量检测分布集中、密集、多样且关联的设能力，包括最小泄漏检测的灵敏备较多以及结构的特殊性和复杂性度、泄漏液体的分辩能力及泄漏量导致现有的管路泄漏检测手段在船的量化误差等；需求4为检测算法舶管路系统中缺乏普遍适用性。基适应性强，好的检测算法应能适于此，在船舶管路系统泄漏检测领应于不同结构的管路及不同物理域驱需可靠的远程自动检测方法，性质的液体，且检测方法对机舱环避免人员直接暴露在机舱环境内进境中不同类型的噪声具有鲁棒性；行检测，降低劳动强度且可以持续需求5 为泄漏事件检出快，重在衡使用。量算法实际应用的可能性，主要考结合船舶管路系统泄漏检测的虑算法部署在硬件平台的可行性行业需求和研究现状分析，检测算和泄漏事件检测的实时性及维护法性能的高低应综合考虑算法的定处理的快速性；需求6 为泄漏范围性、定位、定量检测能力的同时,覆盖广，重点关注检测算法的覆盖还应充分考虑算法的适应性、检测范围，主要考虑能否在有限设备成响应速度和覆盖范围等实用因素。本下覆盖所有管路，实现多点泄漏因此，本文构建船舶管路系统泄漏同时检测。2023.8CHINASHIPSURVEY中国船检53I智能航运|Intelligent Shipping利用数学和物理过程模型对泄漏进阳舶管路系托漫品检洲行业国求行建模，进而将传感器的测量数据法瑞位置定位准R2清端位置定位设益管路泄漏检测方法及研究现状近几年，工业界和学术界提出了大量管路泄漏检测的方法，且论文发表数量逐年提高（如图3所示）。尤其是随着传感器技术和智能数据处理技术等先进技术的发展，高性能的管路泄漏检测方法在不同领域均受到了关注与重视。现代管路泄漏检测方法一般基于管路外部测量变量或管路内部测量变量以构建检测模型，从而实现实时在线检测与定位。其中，管外检查通常基于检测管路外部的泄漏特征，常用的有声学法、光纤法。而管内检测主要依据传感器采集管内压力、流量和温度等数据，基于负压力波、流量平衡法等方法，应用阈值分析或者支持向量机、BP神经网络等人工智能方法提取和筛分信号的演变特征，实现泄漏检测，结果相对比较准确。从整体上，泄漏检测性能高度依赖于正常工况下的管路模型及传感器的测量精度，以滋洲多少定量准R3液微小淡灵敏度力图2 船舶管路系统泄漏检测行业需求泄漏后测量数据与模型的不一致程度检测并量化泄漏。尤其是对于微泄漏等问题，噪声环境下传感器的微小波动极易产生误报，检测精度驱待提升。在管路泄漏检测领域的相关文献中，从研究方法角度分析，可归为4类：第1 类是过程和物理模型驱动的泄漏检测，主要考虑液体在管路中的速度、密度、压力和温度等物理性质，建立管路内液体流动的数学及物理模型。其泄漏检测的原理是基于管路内液体的实际物理行为与所构建正常工况管路模型之间的不一致性；第2 类是将物理模型和传感器数据结合进行泄漏检测，图3泄漏检测文献年度分布图(WOS数据库）检牌法虎强R4环装活应性算选实时性韩法复款度温华件检出快RS多点涯端检调能力与模型进行比较分类以实现泄漏检限蓝广R6测。在该类方法中，分类步骤通常由数据驱动的方法实现；第3类方法则仅利用压力、流量等传感器数据，基于数据分析方法推导过程模型用于泄漏状况分类及检测；第4类是利用外部视觉实现泄漏状况的检测和分类，其本质属于数据驱动的一种。与物理模型驱动方法相比，数据驱动方法的优势在于无需对过程和所输送介质信息进行深入了解和提前掌握。因此，本文主要从物理模型驱动、物理模型及数据联合驱动、传统数据驱动和外部视觉检测四方面对管路泄漏检测领域的相关研究热点与趋势进行分析。1、物理模型驱动的泄漏检测方法早期泄漏检测方法的研究中，物理模型驱动的方法占主导地位，其核心原理是基于测量管路中液体流入量和流出量之间的差值以及压力变化实现泄漏检测。如图4所示，如果沿管路不同位置分布的压差传感器测得的压力具有显著差异，则实线疗点零管理压力部力A图4管路压力模型54中国船检 CHINASHIP SURVEY2023.8表明存在泄漏的迹象。物理模型驱动的泄漏检测算法中，以基于负压波的方法最为经典。该方法利用泄漏稳态条件下的负压波进行检测，可分析影响泄漏量的敏感因素，如孔口尺寸和上下游压力。但通常基于负压波的方法对噪声敏感，检测精度依赖于传感器的精度，不适合短距离管路。为了提高基于负压波方法的检测精度，可针对泄漏量大小进行分类检测。其中，针对较大泄漏量的检测，可采用基于压力波振幅衰减模型的动态检测模式；针对较小泄漏量的检测，可采用基于压降模型的静态检测模式。若压力的振幅衰减低于由数学模型计算得到的值，则检测到泄漏。此外，部分研究利用流量及压力的李雅普诺夫稳定性及平衡点概念，将泄漏建模为平衡方程中的一个因子。当模型偏离平衡点，流量模型不稳定则判定检测到泄漏。同时，该方法通过声波信号在液体中传播的时滞可实现泄漏定位，但该方法对于任何足够小的扰动均保持稳定状态，很难检测到微漏。利用声发射传感器是另一种对管路泄漏特性建模的方法。声发射方法的主要原理是管路泄漏会引起流，从而导致弹性波在管路材料中传播。因此，该方法与管路材料有关，很难应用于不同材质的复杂管路。物理模型驱动的泄漏检测方法依赖于残差的生成和评估，其性能取决于模型参数和传感器的精度，需要大量的模拟和校准工作。因此，检测算法的定性、定位和定量检测能力受限于管路系统的已有先验知识和检测设备的覆盖率。大多数研究构建的是正常工况下的管路物理模型，未能充分考虑泄漏状态下液体行为的具体变化机理。此外，微泄漏时传感器信号的变化缓慢且波动较小，其振动幅度往往低于传感器的检测灵敏度，直接导致基于物理模型的方法失效。其次，检测算法在船舶管路系统中适应性较差。在振动及高噪声的船舶环境下，传感器信号极易受到噪声的影响，导致漏检或者误检。因此，物理模型驱动的方法在船舶管路系统泄漏检测中有一定局限性。2、物理模型及数据联合驱动的泄漏检测方法将数据驱动与物理模型相结合是提高管路泄漏检测精度的有效方式。利用流量和压力建立水力和热力瞬态模型，将水力和热力瞬态变化分析法和改进的粒子群优化算法相结合，从管路起点和终点的传感器中获取检测数据，利用计算数据与实验数据的偏差判断是否出现泄漏。该方法仅能用于泄漏检测，无法实现泄漏状态的定量分析。将实时瞬态机理模型与卷积神经网络数据驱动模型相融合，形成管路混合建模方法，可准确预测管路运行工况。该方法创新性融入了管路输送过程中的知识特征模型，以提高检测精度。最后应用混合预测模型的输出与实际测量值比较得到的残差进行管路泄漏的检测和定位。但该方法未能验证在微小泄漏和多点泄漏检测中的有效性。此外，还有研究利用管路末端的压力和流量传感器以及非线性模型，通过Water-Hammer方程和卡尔曼滤波器算法估计泄漏系数，但该方法无法同时检测管路上不同位置的多处泄漏。采用负压波和梯度法进行泄漏检测时，假设压力沿管路呈线性变化，无法模拟所有的流体动力学。因此，可通过信号处理以及流量、压力信号的组合拓展负压波方法，当整体压力信号的衰减大于单个压力信号的变化时，可检测到泄漏及其位置。然而，该方法的精度很大程度上取决于安装在管路两端的流量计及动力学性能，不适用于噪声环境和管路距离较短的情况。物理模型和数据联合驱动的泄漏检测方法的研究中，大多将数据驱动模型用于物理模型中某一参数的建模，未能从机理层面突破物理模型驱动方法的局限性。3、传统数据驱动的泄漏检测方法近年来，基于传统数据驱动的管路泄漏检测算法得到了广泛研究和应用。这类方法直接使用压力、流量或声音等时域信号对管路进行泄漏检测，避免了复杂的理论建模过程。本部分主要分为传统机器学习类方法和深度学习类算法两类进2023.8CHINASHIPSURVEY中国船检55I智能航运|Intelligent Shipping行综述。传统机器学习算法是最早被应用于管路泄漏检测的，如BP神经网络、支持向量机、贝叶斯网络等。针对与管路平行的光纤传感器感应的管路振动数据，运用支持向量机对管路泄漏引起的正常振动和异常振动进行分类，从而检测泄漏位置，但其方法不适用于短距离管路。针对管路流量数据，通过将管路区域划分为若干个子区域，利用一组神经模糊分类器确定泄漏位置。该方法考虑测量流量与预计流量之间的残留量，如果残留量超出特定水平，将会检测到泄漏。但是，该方法无法检测到微漏。针对管路压力数据，采用加权最小距离分类和神经网络，实现泄漏发生在分叉前的枝状管网泄漏点的检测与定位。但训练数据采用预置泄漏点的方式生成，限制了方法的适用性。传统机器学习算法的准确性和可靠性很大程度上取决于泄漏特征参数的选择，需要人工提取特征，耗时且依赖于人的经验，使算法应用有局限性。深度学习算法是近几年各个领域的研究热点，卷积神经网络作为典型的深度神经网络，因其强大的自主提取特征的能力，被引入到管路泄漏检测中。研究表明，卷积神经网络在管路泄漏检测中具有较好的分类预测效果。基于卷积神经网络的地下水管路泄漏检测方法，以泄漏声信号的梅尔频率倒谱系数作为模型输入，以管路是否存在泄漏为输出，分类准确率可达到98%；集成迁移学习的一维卷积神经网络方法，使用粒子群优化算法对学习器的权重进行优化，实现了小样本下泄漏的准确检测和定位；多尺度一维卷积神经网络模型能预测管路泄露位置、泄漏量及非恒定摩阻系数，解决了传统单尺度卷积神经网络特征提取不充分的问题，提高了检测精度。但是该方法的有效性取决于训练数据，文中训练数据是基于经典的管路系统布置，利用瞬变流模型生成的不同管路泄漏工况下的仿真数据，其算法的适应性有限。因此，基于卷积神经网络的检测模型大都在简单的管路系统模拟数据集上取得了较好的预测分类效果，未能使用现场观测数据和物理试验对该模型进一步验证。对于复杂管路系统，如分支和环状管网，信号中的泄漏特征更为复杂，模型的适应性变差；其次，在实际管网数据采集过程中，由于传感器异常、噪声等因素，也会影响压力等信号的完整性，导致模型在实际应用中的泛化能力不足；最后，目前未有适用于船舶的大型开源数据集用于相关算法的训练。4、基于外部视觉的泄漏检测方法基于外部视觉的泄漏检测方法是利用外部视觉检测系统对管路外部进行检测，可有效降低人工巡检的工作量。在目前的研究中，大都利用泄漏物的图像数据和相关图像处理方法来检测泄漏。1982年，Nellis在RemoteSenseEnviron杂志上首次提出了这一概念，使用红外相机作为外部检测器进行水渠监测。其结果表明，该泄漏检测模型经济可行。随后，红外相机被应用于管路气体泄漏检测，相关研究也评估了红外相机在获取泄漏气体温度变化的灵敏度。但两者均未提出任何与泄漏检测相关的图像处理方法，限制了检测精度。随着特征提取和图像处理方法的进步，研究提出了基于图像分析的输水管路自动泄漏检测机制，应用聚类分析方法检测图像中的泄漏，利用基于区域生长法的分割方法进行泄漏定位。基于红外相机和图像处理技术的气体泄漏检测方法中，经自适应维纳滤波器降噪后，应用改进的Surendra算法找到变化区域，利用边缘检测方法来定位泄漏区域。在气体泄漏方面，温度特征极为明显，且颜色易于分辨，利用红外相机和图像处理方法可实现较高准确度的检测。利用典型气体泄漏的温度廓线的二维高斯分布模拟热成像图像中的泄漏区域，通过图像与温度廓线的相关性来检测泄漏，但该方法需要事先掌握有关泄漏的温度廓线的信息。采用卷积神经网络对红外图像进行气体泄漏检测，可根据不同的泄漏率对图像进行分类。通常气体泄漏检测假设泄漏区域不会随时间发生变化，当泄漏中包含液滴时，假设不成立，因为泄56中国船检CHINASHIP SURVEY2023.8漏液滴不仅会出现在图像的固定区域内，在后续图像中也会以运动物体图案的形式出现。液体泄漏检测比较复杂，一方面背景复杂，另一方面液体的泄漏特征不明显，检测难度较大。因此，可利用热像仪和RGB三基色相机进行泄漏检测，将红外和RGB融合图像作为CNN分类器识别泄漏的输入。但图像融合诸如相机与管路之间的距离以及相机的视角等诸多参数。在利用热成像视频数据进行泄漏检测方面，提出了一种基于主成分分析和k-最近邻分类的方法，来获得帧内泄漏液滴的特征，并对正常和异常（包括泄漏）视频进行分类。考虑复杂背景对检测算法的影响，提出一种基于改进的YOLOV5的电厂油液泄漏检测方法，针对关键区域内管路实现了是否存在泄漏的检测。但以上方法，均无法检测出泄漏液滴的位置。综上所述，尽管研究人员在管路泄漏检测领域已进行了多项研究，但在不考虑所输送介质类型的前提下，找出针对船舶管路系统的自动、准确泄漏检测机制还存在一定挑战，尤其是复杂管路泄漏、微漏或多处同时泄漏。随着人工智能技术的发展，机器视觉的应用降低了船舶检测仪器的部署难度，通过安装摄像头等影像采集设备、部署服务器即可实现船舶设备以及管路的状态监测。虽然视觉图像检测技术在管路系统泄漏中应用广泛，但仍未能充分挖掘视觉特征在管路系统泄漏中的潜力。船舶管路系统泄漏检测方法的综合评价管路泄漏检测技术经过多年的研究，已形成了较为完善的理论研究体系，在实际应用中对泄漏检测的准确率要求越来越高，同时应保证不影响管路运行的情况下实时全面监测。从定性检测的角度分析,现有方法泄漏检测准确率有限，容易产生误报警；检测算法的灵敏度不高，难以有效检测微小泄漏；且大多数方法不能全面覆盖船舶机舱内所有管路，无法实现多点同时泄漏检测。此外，目前的检测方法多针对特定的简单管路或某一物理性质的液体展开研究，方法的适应性较差。从定位的角度分析，现有方法难以实现泄漏点及泄漏设备的精确定位，尤其是针对复杂的管路系统。从定量检测的角度分析，除人工巡检外，大多数检测方法依赖于状态监测传感器数据，可实现泄漏程度的量化分析，但受限于机理模型的精度和传感器的全面性，其定量检测能力有限。为综合评估上述管路泄漏检测方法的性能，笔者利用船舶管路系统泄漏检测的性能指标对四类方法进行了整体评估，探索更适用于船舶管路系统的泄漏检测方法。如表1所示，针对图2 中船舶管路系统泄漏检测的六大需求，给出了人工巡检等四大类方法性能的综合评价结果。表中代表相关研究中对不同需求的平均支撑程度，越多则代表满足该需求的可能性越高。从表1 中的总体检测性能来看，外部视觉检测方法有潜力满足所有的检测需求，但目前视觉检测方法表1 船舶管路系统泄漏检测方法的性能对比类别人工巡视法物理模型驱动物理模型和数据联合驱动数据驱动外部视觉R1R2R3R4R5R62023.8 CHINASHIP SURVEY中国船检57I智能航运|Intelligent Shipping在船舶管路系统泄漏检测的实施中仍面临定性难、定位难和定量难的问题。总结与展望随着航运业的飞速发展，船舶无人化、大型化、智能化水平的提高，加速了管路系统泄漏检测技术的研究。综合国内外相关技术研究进展可以发现，尽管在管路泄漏检测领域已经进行了大量的研究，但针对船舶这类复杂场景下的管路泄漏检测仍面临诸多挑战，当前船舶管路泄漏检测系统的研究仍处于探索阶段，基础相对薄弱，需投入更多的努力。1、船舶管路系统泄漏检测机理方面的研究管路泄漏检测模型机理建模理论不完备，检测方法在不同类型管路的适用性差，难以实现泄漏的及时识别与准确定位。现有的管路泄漏机理建模方法高度依赖于特定的管路系统或者复杂的物理模型及准确的先验信息，而这些信息难以完整获取。其中，大多数方法是基于管路中液体的物理性质，以液体的密度、压力、速度、温度等工艺参数以及管路的尺寸和形状作为测量指标，生成管路泄漏检测的数学模型。在此框架下，检测方法的有效性与具体的应用息息相关，应用范围有限。此外，部分方法还需要对相关流体运动过程深入分析并建模。其次，船舶管路系统包含若干个一维管路，且配有更多的阀门、法兰等连接件，属于复杂的三维立体管路，使管路模型复杂度大幅增加。因此，现有管路检测方法在机舱管路等复杂场景下基本不可行。最后，相比于简单管路，复杂管路的流体压力较小，泄漏检测难度增大，尤其是管路微泄漏情况下，传感器信息如压力的波动数据不足以表征泄漏的产生，其变化很难与噪声区分开，极易出现漏检或者误检。2、管路泄漏检测系统的研究管路泄漏检测系统的研究主要包含两方面：数据的全面性及运维的及时性，其核心体现为检测成本（包括时间成本、传感器数目）和检测精度之间的矛盾。为了能够及时识别和准确定位泄漏，需要在管路的不同位置布置大量的异构传感器，但由此又带来了检测成本高、数据量大、数据不同步、实时响应慢的不足。一般而言，现有系统传感器的分布不能实现管路的全覆盖。其次，在其中一些方法中，泄漏定位同样依赖于管路的长度以及管路中液体的速度、压力和其他物理性质。因此，在自动检测中还需要明确当前管路的设备信息及传感器信息，而管路的精细感知目前是不能实现的。同样，这些方法很难应用于其他环境和其他类型的液体。3、管路泄漏定量检测方法的研究管路泄漏流体的机理分析不足，定量分析不准确。现有的定量分析方法，往往构建的是对应管路内液体压力、温度、流速在给定工况下不同泄漏孔径情况的变化特征，利用特征与模型的偏离程度估计泄漏率和泄漏量。与泄漏点的检测一样，需要考虑管路结构和液体类型，在管内数据的基础上构建机理模型，且一般仅考虑单一来源的信息。视觉检测可实现管外泄漏信息的检测，但难以精确检测泄漏点和泄漏孔径等管路泄漏量化参数。目前的研究中，未见到将视觉管外泄漏量化特征与管内状态传感器机理模型相结合的研究。数据驱动和模型驱动的关联局限在特定参数的分类判断,而未能从检测机理上实现信息融合。综上所述，在船舶智能化发展的趋势下，结合船舶管路系统的特点，争取早日提出适合我国国情的、拥有自主知识产权的船舶管路系统智能泄漏检测系统，高速、准确地检测到特定管路的泄漏故障，提升船舶设备及船舶航行的安全性。具体地，第一要满足低成本精确检测管路泄漏的实际需求，做到全面、及时地对整个管路系统运行状态进行数据采集处理，快速检测泄漏区域；第二要解决不能精确定位泄漏管路的运行痛点，系统关注端对端的视觉监控，对监控视角下的管路设备做到精准定位；第三要找到新途径提高现有管路泄漏检测算法精度，深入挖掘现有数据的潜在信息，实现管路泄漏定量检测。58中国船检CHINASHIP SURVEY2023.8