[发明专利]一种用于长输油管道的河床区域泥水临界状态自动监测方法及装置

权利要求书

1.一种用于长输油管道的河床区域泥水临界状态自动监测装置，其特征在于，包括泥水感知传感器(2)、泥水采集网关(3)、传输单元(4)、云平台(6)以及管道安全监测中心(7)，

所述泥水感知传感器(2)附着在长输油管道(1)的管壁上，用以采集河床区域的长输油管道(1)的介电常数数据；

所述泥水感知传感器(2)沿长输油管道(1)的管壁布置并将采集的介电常数数据传输到泥水采集网关(3)，泥水采集网关(3)将泥水感知传感器(2)采集的介电常数数据进行计算分析得到节点的泥水临界状态的侦测数据；

所述泥水采集网关(3)连接传输单元(4)，并通过传输单元(4)将泥水临界状态的侦测数据传输到云平台(6)；

所述云平台(6)将接收到的泥水临界状态的侦测数据传输到管道安全监测中心(7)；

所述管道安全监测中心(7)对接收到的泥水临界状态的侦测数据进行分析从而对长输油管道(1)的泥水临界状态进行自动监测。

2.根据权利要求1所述的一种用于长输油管道的河床区域泥水临界状态自动监测装置，其特征在于，所述泥水感知传感器(2)设置有多个，多个泥水感知传感器(2)通过422总线(9)与泥水采集网关(3)进行通信连接。

3.根据权利要求1所述的一种用于长输油管道的河床区域泥水临界状态自动监测装置，其特征在于，所述传输单元(4)为4G或5G传输单元，传输单元(4)通过信号基站(5)与云平台(6)进行无线通信。

4.根据权利要求1所述的一种用于长输油管道的河床区域泥水临界状态自动监测装置，其特征在于，所述泥水采集网关(3)上连接有网关电源(8)。

5.根据权利要求1-4任一所述的一种用于长输油管道的河床区域泥水临界状态自动监测装置，其特征在于，所述泥水感知传感器(2)包括介电常数传感器(20)，介电常数传感器(20)感知介电常数并将感知的介电常数传输给与其连接的泥水采集CPU(21)，泥水采集CPU(21)对感知的介电常数进行计算得到泥水感知传感器(2)的介电常数数据，泥水采集CPU(21)上连接有传感器电源(22)，泥水采集CPU(21)将介电常数数据通过422总线(9)传输给泥水采集网关(3)。

6.一种用于长输油管道的河床区域泥水临界状态自动监测方法，其特征在于，包括以下具体步骤：

泥水感知传感器(2)的安装：在长输油管道布设节点伴随工程同步布设或通过后期蛙人下潜的方式，将泥水感知传感器(2)附着安装在长输油管道(1)管壁上；

泥水采集网关(3)的安装：泥水采集网关(3)部署在管道附近岸基上，泥水采集网关(3)通过422总线(9)和泥水感知传感器(2)进行通信；

泥水采集网关(3)与云平台(6)和管道安全监测中心(7)建立通信；

泥水感知传感器(2)的介电常数传感器(20)采集介电常数并传输给泥水采集CPU(21)；

泥水采集CPU(21)对介电常数进行分析计算然后传输给泥水采集网关(3)；

泥水采集网关(3)接收泥水感知传感器(2)采集的介电常数数据并根据介电常数数据计算分析得到管道泥水临界状态的侦测数据并传输到云平台(6)和管道安全监测中心(7)实现长输油管道的河床区域泥水临界状态自动监测。

7.根据权利要求6所述的一种用于长输油管道的河床区域泥水临界状态自动监测方法，其特征在于，所述实现管道泥水临界状态的侦测的步骤如下：

介电常数数据处理过程如下：

微波场下输油管线上的介电常数受环境影响，其通过介电常数传感器(20)获取介电常数的过程表示为一个离线的过程系统，用一个线性随机微分方程和介电常数观测方程来表述，

线性随机微分方程表示如下：

ε(k)＝Aε(k-1)+Bμ(k)+ω(k)

介电常数观测方程表示为：

Z(k)＝Hε(k)+ν(k)

上两式中：

ε(k)是k时间的介电常数预测值；μ(k)是k时间的对介电常数的影响因素；A和B是对介电常数观测的影响因子，针对复杂的河床下的泥水环境，A和B为矩阵；Z(k)是k时间介电常数的观测值；H为传感器的特征参数；ω(k)和ν(k)表示为过程和测量的噪声；

对于满足上述条件，线性随机微分方程,过程和测量都是高斯白噪声,因此采用卡尔曼滤波获取准确管线表面的介电常数数据；

卡尔曼滤波递归处理过程如下：

递归过程是利用离线的过程系统的过程模型,来预测下一状态的系统，假设现在的系统状态是k,根据系统的模型,可以基于系统的上一状态而预测此刻出现在状态：

ε(k|k-1)＝Aε(k-1|k-1)+Bμ(k) (1)

上式中，ε(k|k-1)是利用上一状态预测的结果，ε(k-1|k-1)是上一状态最优的结果，μ(k)是k时间的对介电常数的影响因素，对应于ε(k|k-1)的协方差用P表示：

P(k|k-1)＝AP(k-1|k-1)A'+Q (2)

式中，P(k|k-1)是ε(k|k-1)对应的协方差，P(k-1|k-1)是ε(k-1|k-1)时刻对应的协方差，其中A'是A的转置，Q是系统过程的协方差；

上面的公式(1)和公式(2)就是介电常数采用卡尔曼滤波器的处理过程,也就是对系统的预测；

收集现在状态的测量值，结合预测值和测量值，得到现在状态k的最优化估算值ε(k|k)，

ε(k|k)＝ε(k|k-1)+Kg(k)(Z(k)-Hε(k|k-1)) (3)

式(3)中，Kg为卡尔曼增益

结合上式，计算出K状态下，最优的最优化估算值ε(k|k)；

考虑管线上方介质的介电常数是一个长期的观测过程，因此上述的滤波处理过程需要持续进行运行，持续更新K状态下的ε(k|k)的协方差，

P(k|k)＝(I-Kg(k)H)P(k|k-1) (5)

其中，针对介电常数观测为单模量，I为1；

当系统进入到k+1时刻，P(k|k)就是公式(2)，这个过程持续自回归进行计算；

通过上述处理过程，即可获取长输油管道表面介质的介电常数最优化参数；

通过获取的介电常数最优化参数与泥水状态的介电常数和水的介电常数进行比较，标定标记处管道泥水临界点。