改进1DCNN的油气管道信息物理融合系统泄漏检测方法技术方案

本发明专利技术涉及的是改进1DCNN的油气管道信息物理融合系统泄漏检测方法，它包括通过油气管道信息物理融合系统中的声波传感器获取油气管道数据同时上传至系统云端；通过调整网络结构和参数构建一维卷积神经网络1DCNN管道泄漏检测模型；构建1DCNN

【技术实现步骤摘要】
改进1DCNN的油气管道信息物理融合系统泄漏检测方法

：
[0001]本专利技术涉及深度学习和管道泄漏检测
，具体涉及的是一种基于1DCNN
‑
TSNE
‑
SVM的油气管道信息物理融合系统的泄漏检测方法。

技术介绍
：
[0002]油气管网是远距离大输量输送油、气介质的一种非常重要的方式，油气管道的运行监测技术是管道安全运行的重要保障。但是目前已有的管道监测技术由于各种问题在集输管道上并不能很好的发挥实时监控作用。随着信息化和工业化的深度融合发展，若能将信息物理系统引入到油气管道的泄漏检测中来，不仅能够实时地检测到泄漏事故的发生，准确地定出泄漏点的位置，杜绝盗油犯罪的猖獗进行，防止工业物质的损失，资源浪费，保障人民生命、财产安全，将带来明显的经济效益与社会效益。
[0003]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，相比于传统2DCNN技术，1DCNN技术直接从信号原始波形中学习，不需要利用时频分析(如短时傅里叶变换)转换成二维谱图，避免1D到2D的过程中不可逆转换的有用信息丢失问题。

技术实现思路
：
[0004]本专利技术的目的是改进1DCNN的油气管道信息物理融合系统泄漏检测方法，这种改进1DCNN的油气管道信息物理融合系统泄漏检测方法用于解决传统管道泄漏检测方法需要利用专家经验手动提取时、频域特征及精度不够好的问题。
[0005]本专利技术解决其技术问题所采用的技术方案是：这种改进1DCNN的油气管道信息物理融合系统泄漏检测方法包括如下步骤：
[0006]步骤1、通过油气管道信息物理融合系统中的声波传感器获取油气管道数据同时上传至油气管道信息物理融合系统云端，油气管道信息物理融合系统凭借智能感知层中的声波传感器单元实时地获取管道运行工况的声波信号参数，通过信息传输层中的信号变送单元传输到油气管道信息物理融合系统云端进性备份，便于随时调用；
[0007]步骤2、通过调整网络结构和参数构建一维卷积神经网络1DCNN管道泄漏检测模型；
[0008]步骤3、构建1DCNN
‑
TSNE
‑
SVM模型，提取1DCNN网络各层特征并进行特征融合，通过TSNE算法对其进行降维，并采用粒子群优化PSO算法优化后的支持向量机SVM分类器进行分类识别；
[0009]步骤4、从油气管道信息物理融合系统云端下载各类管道信号构建训练样本和测试样本，训练样本输入到构建的1DCNN
‑
TSNE
‑
SVM模型中进行训练，使用测试样本测试模型泛化性能；对管道异常情况实时监测，将实时油气管道数据传入训练后模型，快速进行泄漏检测。
[0010]上述方案中1DCNN管道泄漏检测模型网络结构包括输入层，两层一维卷积层，两层
一维池化层，平坦层，两层全连接层和Softmax层；卷积层针对管道一维信号使用一维卷积层，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；
[0011]X＝[x1,x2,...,x
s
]T
作为输入信号传递到输入层，其中，X∈R
s
×
d
表示为时间序列信号，T表示转置，s为信号组数，x
s
为X中第s组信号，d为信号长度；
[0012]时间序列信号经过一维卷积层中进行一维卷积运算：
[0013][0014]f(x)＝max(x,0)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0015]其中：*表示一维卷积运算；表示由卷积核W
cj
生成的第j个特征映射，j∈[1,n
c
]，n
c
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；选用激活函数ReLu，加速模型收敛，增强模型的稀疏表示；
[0016]所述池化层使用一维最大池化层，最大池化方法是提取出相邻区域内的最大值，将时间序列信号长度减半，提取出卷积结果中最主要的特征，还能降低输出的维度：
[0017][0018]式中
[0019]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；全连接层与传统神经网络结构一致，由多层隐藏层组成；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。
[0020]上述方案中特征融合通过提取1DCNN网络各隐藏层输出特征的方式进行，提取第一层池化层特征、平坦层特征以及第一层全连接层特征，采用串联融合的方式进行融合，特征融合向量F表示为
[0021]F＝[X1,X2,X3](4)
[0022]其中：X表示各隐藏层输入特征向量；
[0023]所述1DCNN
‑
TSNE
‑
SVM模型通过TSNE算法对特征融合向量F进行降维，选取最具代表性的信号特征；
[0024]所述1DCNN
‑
TSNE
‑
SVM模型使用PSO算法优化后的SVM分类器代替CNN的输出层，实现管道泄漏检测；在处理线性不可分数据时，SVM将其从低维特征空间转化到高维，通过核函数构建最优超平面，使其线性可分；PSO算法用来优化SVM的参数组合c和g，提高SVM分类精度。
[0025]上述方案中油气管道信息物理融合系统由智能感知层、信息传输层和分析应用层三部分组成；所述智能感知层由数据采集节点和数据融合节点以及通信模块等硬件组成；所述信息传输层利用现有公有网络或者专有网络实现油气管网智能感知层数据的传输，完成对管道数据采集和远程数据传输任务；所述分析应用层通过算法进行数据处理，数据特征提取，工况模式识别，从而实时监测管道运行工况。
[0026]上述方案中从油气管道信息物理融合系统云端下载正常、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照4:1的比例分为训练样本和测试样本，构建的训练样本输入到1DCNN
‑
TSNE
‑
SVM模型中进行训练，用测试样本测试1DCNN
‑
TSNE
‑
SVM模型在实际情况下的识别准确性，对管道异常情况进行实时监测，利用实时传输信号测试检测速度和精度。
[0027]有益效果：
[0028]1.本专利技术将深度学习的思想引入管道泄漏检测技术中，通过1DCNN网络能够自适应提取管道信号特征，避免了传统管道泄漏检测方法需要利用专家经验手动提取时、频域特征。其次，融合各隐藏层输出作为融合特征解决了使用1DCNN模型进行分类时，只将最后一层全连接层所映射的特征送入分类器，会遗漏部分信号特征，影响识别精度的问题。同时为了防止融合特征向量存在冗余信息本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进1DCNN的油气管道信息物理融合系统泄漏检测方法，其特征在于包括如下步骤：步骤1、通过油气管道信息物理融合系统中的声波传感器获取油气管道数据同时上传至油气管道信息物理融合系统云端，油气管道信息物理融合系统凭借智能感知层中的声波传感器单元实时地获取管道运行工况的声波信号参数，通过信息传输层中的信号变送单元传输到油气管道信息物理融合系统云端进性备份，便于随时调用；步骤2、通过调整网络结构和参数构建一维卷积神经网络1DCNN管道泄漏检测模型；步骤3、构建1DCNN
‑
TSNE
‑
SVM模型，提取1DCNN网络各层特征并进行特征融合，通过TSNE算法对其进行降维，并采用粒子群优化PSO算法优化后的支持向量机SVM分类器进行分类识别；步骤4、从油气管道信息物理融合系统云端下载各类管道信号构建训练样本和测试样本，训练样本输入到构建的1DCNN
‑
TSNE
‑
SVM模型中进行训练，使用测试样本测试模型泛化性能；对管道异常情况实时监测，将实时油气管道数据传入训练后模型，快速进行泄漏检测。2.根据权利要求1所述的改进1DCNN的油气管道信息物理融合系统泄漏检测方法，其特征在于：1DCNN管道泄漏检测模型网络结构包括输入层，两层一维卷积层，两层一维池化层，平坦层，两层全连接层和Softmax层；卷积层针对管道一维信号使用一维卷积层，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,...,x
s
]
T
作为输入信号传递到输入层。其中，X∈R
s
×
d
表示为时间序列信号，T表示转置，s为信号组数，x
s
为X中第s组信号，d为信号长度；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；表示由卷积核生成的第j个特征映射，j∈[1,n
c
]，n
c
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；选用激活函数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，最大池化方法是提取...

【专利技术属性】
技术研发人员：董宏丽，杨丹迪，路敬祎，侯男，胡仲瑞，王鹏，
申请(专利权)人：东北石油大学三亚海洋油气研究院，
类型：发明
国别省市：