基于改进VMD和1DCNN的油气管道泄漏检测方法技术

本发明专利技术涉及的是基于改进VMD和1DCNN的油气管道泄漏检测方法，它包括:一、利用声波传感器采集在正常、泄漏两种工况下天然气管道中的声波信号；二、初始化变分模态分解算法VMD的参数，确定VMD模态数K；三、利用VMD算法对声波信号进行自适应分解，选取其中方差最大的IMF作为有效本征模态函数；四、通过优化网络结构和超参数构建一维卷积神经网络1DCNN管道泄漏检测模型；五、将训练样本输入到1DCNN管道泄漏检测模型中进行训练，使用测试样本测试模型泛化性能，最终获取分类结果检测管道是否发生泄漏。本发明专利技术有效解决了VMD方法在分解实际信号时分解数K依赖经验选取的问题，可以准确地发现管道发生泄漏并及时报警。

【技术实现步骤摘要】
基于改进VMD和1DCNN的油气管道泄漏检测方法
本专利技术涉及的是信号处理和管道泄漏检测
，具体涉及基于改进VMD和1DCNN的油气管道泄漏检测方法。
技术介绍
随着石油天然气工业的快速发展，管道运输被广泛应用。然而，受到自然腐蚀、老化，地质灾害和人为破坏等因素的影响，管道泄漏的发生不可避免。管道泄漏不仅会严重污染环境，还会浪费大量资源，对经济造成损失，甚至会威胁到生命安全，因此能够发现泄漏，从而采取采用合适的管道泄漏检测技术对管道进行监测，预防泄漏和及时的发现泄漏，能够有效减少环境的污染和经济的损失。声波检测法具有灵敏度高、误报率低、定位精度高、适应性好，安装和维护费用较低、可以实时检测等优点，是管道泄漏检测的主要检测方法之一。在声波法泄漏检测过程中，信号的处理和特征提取是对管道进行准确识别的关键。VMD算法是Dragomiretskiy等人于2014年提出的一种信号自适应分解方法，作为一种改进经验模式分解方法，具有坚实的数学理论基础，噪声鲁棒性和信号分离性能也得到了极大提高。VMD参数中模态个数K决定了变分模态分解的分解层数，对分解结果影响很大，K的取值不准确会导致得到的本征模态函数分量中包含的噪声较多，目前K值的选取一般依据经验或者试探等方法来确定，无法准确确定模态个数，导致信号分析的效果不好。随着深度学习近年来的快速发展，开始有学者将深度学习算法用于管道泄漏检测，而一维卷积神经网络区别于传统卷积神经网络，通过使用一维卷积可以提取一维信号的特征，且一维卷积和一维池化方法可以更好地识别管道泄漏与正常信号的特征，利用一维卷积神经网络对管道进行泄漏检测具有很重要的现实意义。
技术实现思路
本专利技术的目的是提供基于改进VMD和1DCNN的油气管道泄漏检测方法，这种基于改进VMD和1DCNN的油气管道泄漏检测方法用来解决无法准确判断管道是否发生泄漏的问题。本专利技术解决其技术问题所采用的技术方案是：这种基于改进VMD和1DCNN的油气管道泄漏检测方法包括以下步骤：步骤一、利用声波传感器采集在正常、泄漏两种工况下天然气管道中的声波信号；步骤二、初始化变分模态分解算法VMD的参数，确定VMD模态数K，由2到N从低到高依次选取K值，N＞2，选择相关系数值最大的模态分量计算其方差值，并绘制方差的变化曲线，若在当前曲线方差没有峰值且单调递增，则继续计算K为N+1时，相关系数最大IMF的方差值，并重复以上步骤，根据方差最大原则，选取方差值最大时候的当前K值作为最佳K值；步骤三、利用VMD算法对步骤一采集的声波信号进行自适应分解，获取若干从低频到高频分布的本征模态函数IMF，并计算VMD分解后各个IMFS的方差值，选取其中方差最大的IMF作为有效本征模态函数；步骤四、通过优化网络结构和超参数构建一维卷积神经网络1DCNN管道泄漏检测模型；步骤五、将步骤三预处理后的声波信号构建训练样本和测试样本，训练样本输入到步骤四构建的一维卷积神经网络1DCNN管道泄漏检测模型中进行训练，使用测试样本测试模型泛化性能，最终获取分类结果检测管道是否发生泄漏。上述方案中步骤四的具体方法为：通过分析不同网络结构和超参数对泄露检测的准确率和loss值的影响，使用逐一测试的方法进行实验选取最优网络结构和超参数；所述超参数包含卷积层数目，卷积核数量及尺寸，池化层数目及池化大小，批处理样本数目；所述网络结构设计为9层，包括输入层，卷积层，池化层，平坦层，全连接层，输出层，每个卷积层后面对应一层池化层，在最后一层全连接层后连接一个softmax分类器，输出模型预测的各个工况的概率；所述卷积层针对管道一维信号使用一维卷积层，卷积层通过训练得到满足损失函数最小的一组最优卷积核，利用卷积核实现自动特征提取；X＝[x1，x2，...，xt，...，xs]T作为输入信号传递到输入层。其中，X∈Rs×d为时间序列信号，s为信号长度，d为特征值长度，xt表示当前t时刻的特征值向量，R是实数；时间序列信号经过一维卷积层中进行一维卷积运算：f(x)＝max(x，0)(2)其中：*表示一维卷积运算；表示由卷积核Wcj生成的第j个特征映射，j∈[1，nc],nc表示卷积核个数，每个卷积核对应一个特征映射，并联后构成卷积层；卷积核表示为一个权值矩阵，m为卷积核尺寸，b为偏置；f(x)为激活函数，用于对经过一维卷积运算后的数据进行非线性化，采用深度学习中主流激活函数ReLu，加速模型收敛，增强模型的稀疏表示；所述池化层使用一维最大池化层，提取出相邻区域内的最大值，将时间序列信号长度减半，池化层提取出卷积结果中最主要的特征，降低输出的维度，如式3所示：式中k是在1到s/2的数；所述平坦层将上一层池化层的输出首尾拼接为一维行向量；所述全连接层与传统神经网络结构一致，由多层隐藏层组成；所述分类器采用归一化指数函数softmax分类器，将输入转化为和为1的概率分布输出到输出层。上述方案中在天然气管道泄漏检测实验室采集正常、泄漏两种工况下天然气管道中的声波信号，每类采集1180组，共2360组，截取每组样本数据采样点数为784，将采集的两类声波信号按步骤三进行处理后，按照8:2的比例分为训练样本和测试样本，构建的训练样本输入到一维卷积神经网络1DCNN管道泄漏检测模型中训练模型，用测试样本测试模型在实际情况下的识别准确性。本专利技术具有以下有益效果：1、本专利技术采用变分模态分解算法对管道信号进行分解，分解得到若干从低频到高频分布的有限带宽的本征模态函数，可根据相关系数最大模态的方差值选取VMD最优参数K，有效解决了VMD方法在分解实际信号时分解数K依赖经验选取的问题，可以准确地发现管道发生泄漏并及时报警，减少经济损失。2、本专利技术通过提取出方差值最大的本征模态函数，可有效解决噪声干扰管道信号，给泄漏检测带来误差，并提出将深度学习的思想引入管道泄漏检测中，进而使得泄漏识别准确率明显提高。3、本专利技术建立了一种一维卷积神经网络管道泄漏检测模型，在此基础上通过优化网络结构和超参数，提高了模型与管道信号识别特性的契合度。4、本专利技术可以准确区分管道泄漏与正常工况，非常适用于油气管道的泄漏检测。附图说明图1基于改进VMD和1DCNN的油气管道泄漏检测方法流程图。图2管道泄漏信号。图3最大相关系数模态的方差趋势图。图4是K为5时VMD分解结果。图5模型训练准确率及loss值迭代结果。具体实施方式下面结合附图对本专利技术作进一步的说明：如图1所示，这种基于改进VMD和1DCNN的油气管道泄漏检测方法包括以下步骤：步骤一、利用声波传感器采集在正常、泄漏两种工况下天然气管道中的声波信号。正常、泄漏两种工况下天然气管道中的声波信号采集自东北石油大学的实验室天然气管道泄漏检测模拟实验平台，管道总长为160m，管道直径为DN本文档来自技高网...

【技术保护点】
1.一种基于改进VMD和1DCNN的油气管道泄漏检测方法，其特征在于：/n步骤一、利用声波传感器采集在正常、泄漏两种工况下天然气管道中的声波信号；/n步骤二、初始化变分模态分解算法VMD的参数，确定VMD模态数K，由2到N从低到高依次选取K值，N＞2，选择相关系数值最大的模态分量计算其方差值，并绘制方差的变化曲线，若在当前曲线方差没有峰值且单调递增，则继续计算K为N+1时，相关系数最大IMF的方差值，并重复以上步骤，根据方差最大原则，选取方差值最大时候的当前K值作为最佳K值；/n步骤三、利用VMD算法对步骤一采集的声波信号进行自适应分解，获取若干从低频到高频分布的本征模态函数IMF，并计算VMD分解后各个IMFS的方差值，选取其中方差最大的IMF作为有效本征模态函数；/n步骤四、通过优化网络结构和超参数构建一维卷积神经网络1DCNN管道泄漏检测模型；/n步骤五、将步骤三预处理后的声波信号构建训练样本和测试样本，训练样本输入到步骤四构建的一维卷积神经网络1DCNN管道泄漏检测模型中进行训练，使用测试样本测试模型泛化性能，最终获取分类结果检测管道是否发生泄漏。/n

【技术特征摘要】
1.一种基于改进VMD和1DCNN的油气管道泄漏检测方法，其特征在于：
步骤一、利用声波传感器采集在正常、泄漏两种工况下天然气管道中的声波信号；
步骤二、初始化变分模态分解算法VMD的参数，确定VMD模态数K，由2到N从低到高依次选取K值，N＞2，选择相关系数值最大的模态分量计算其方差值，并绘制方差的变化曲线，若在当前曲线方差没有峰值且单调递增，则继续计算K为N+1时，相关系数最大IMF的方差值，并重复以上步骤，根据方差最大原则，选取方差值最大时候的当前K值作为最佳K值；
步骤三、利用VMD算法对步骤一采集的声波信号进行自适应分解，获取若干从低频到高频分布的本征模态函数IMF，并计算VMD分解后各个IMFS的方差值，选取其中方差最大的IMF作为有效本征模态函数；
步骤四、通过优化网络结构和超参数构建一维卷积神经网络1DCNN管道泄漏检测模型；
步骤五、将步骤三预处理后的声波信号构建训练样本和测试样本，训练样本输入到步骤四构建的一维卷积神经网络1DCNN管道泄漏检测模型中进行训练，使用测试样本测试模型泛化性能，最终获取分类结果检测管道是否发生泄漏。


2.根据权利要求1所述的基于改进VMD和1DCNN的油气管道泄漏检测方法，其特征在于：所述的步骤四的具体方法为：
通过分析不同网络结构和超参数对泄露检测的准确率和loss值的影响，使用逐一测试的方法进行实验选取最优网络结构和超参数；
所述超参数包含卷积层数目，卷积核数量及尺寸，池化层数目及池化大小，批处理样本数目；
所述网络结构设计为9层，包括输入层，卷积层，池化层，平坦层，全连接层，输出层，每个卷积层后面对应一层池化层，在最后一层全连接层后连接一个softmax分类器，输出模型预测的各个工况的概率；
所述卷积层针对管道一维信号使用一维卷积层，卷积...

【专利技术属性】
技术研发人员：路敬祎，董宏丽，杨丹迪，韩非，高宏宇，宋金波，
申请(专利权)人：东北石油大学，
类型：发明
国别省市：黑龙江;23