【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。