【技术实现步骤摘要】
本申请涉及管道检测，且更为具体地，涉及一种尾矿输送管道泄漏智能检测方法及系统。
技术介绍
1、矿产资源的绿色、深部、智能开采建设是保障矿产资源可持续高效开发的关键，其中，尾矿输送是绿色和可持续开采的重要环节。在尾矿输送过程中，通常面临输送管道距离长、穿越区域周边环境复杂，易受人为、自然灾害影响等实际问题，因此导致的尾矿输送管道泄漏事故频发。这不仅给矿山企业造成了巨大的经济损失，还给周边环境及人员带来了巨大的安全隐患。
2、近年，人工智能技术快速发展，针对机器学习领域热议的焦点——神经网络的泛化性与可解释性问题，以深度学习算法为代表的智能数据处理、分析与决策模型层出不穷。然而，受到矿冶现场实际情况的限制，获取到的现场实际数据数量有限，较正常运行状态，泄漏发生较少，导致泄漏样本数据量严重不足，物理试验理想环境下获取的模拟数据与真实情况存在较大差异，进而，导致无法满足机器学习的大规模均衡训练样本的需求，极大地限制了人工智能技术在矿冶领域的实时应用。因此，如何在少量正常状态样本且无泄漏样本情况下实现尾矿输送管道泄漏的智能检测越来越多的受到了国内外相关领域专家学者的关注，并逐步探索应用阈值处理、自编码器、对抗生成网络、卷积神经网络、递归神经网络、迁移学习和transformer模型等模型开展基于小样本和无负样本的管道泄漏检测研究。
技术实现思路
1、本专利技术的目的是提供一种尾矿输送管道泄漏智能检测方法及系统，可在尾矿输送管路的泄漏检测应用的基础上向大型工业设备的异常检测等方面进
2、本专利技术的目的是这样实现的。
3、本专利技术一种尾矿输送管道泄漏智能检测方法，其特征在于，包括下列步骤：
4、s1、实时采集尾矿输送管道首尾两端压力传感器两端节点的压力数据，对采集的两端节点的压力数据进行数据滤波和数据标准化，构建首尾两端输送管道的正常状态压力时序特征序列样本数据；
5、s2、以上述管道首尾两端正常状态下的压力时序特征序列样本数据作为训练集，构建基于生成对抗网络的泄漏检测模型，建立尾矿输送管道正常状态的压力波动模式，使得基于生成对抗网络的泄漏检测模型所生成的伪压力趋势与正常状态下真实压力趋势一致，实现对管道泄漏的精准检测识别；
6、s3、构建泄漏检测模型有效性评估方法，利用受试者工作特征曲线下面积指标、f1-score指标评价模型识别精度，并通过均方根误差指标评价正常状态下的伪压力时序特征序列重构质量。
7、优选地，所述s1中的采集尾矿输送管道首尾两端压力传感器实时采集两端节点的压力数据，并结合数据滤波、数据标准化等特征工程方法构建首尾两端压力时序特征序列样本数据，包括：
8、在输送管道的首尾两端安装压力传感器、gps校时模块，并在远程设置泄漏检测与中心监控机进行数据存储与分析，实现检测点编号、时间代号及压力的管道信息获取；
9、对采集到的管道实测压力数据进行预处理；其中，所述预处理包括数据降噪处理和数据标准化处理；
10、建立基于采样的时序分割模型，从而保证原始压力趋势不变，通过时序分割模型，基于预处理后的管路实测压力数据，分别构建尾矿传输过程中管路首尾两端的压力时序特征序列样本数据。
11、优选地，所述数据降噪处理采用小波阈值去噪算法，数据标准化处理采用z-score标准化处理方法。
12、优选地，所述基于预处理后的管道实测压力，分别构建尾矿传输过程中管路首尾两端的压力时序特征序列样本数据，包括：
13、依据采样间隔大小，将原始压力时序特征序列分割成多个块，在每一个块中按顺序选取一个点，最后拼接为一个特定长度的采样样本，由此可以从一个实测样本中得到多个样本数据，从而完成用于模型训练的压力时序特征序列样本数据集合的构建。
14、优选地，s2、构建的基于生成对抗网络的泄漏检测模型(ganomaly)其训练过程中仅使用正常状态压力时序特征序列样本数据进行训练，无需使用泄漏样本数据，该泄漏检测模型，包括：
15、生成器网络，使用自编码器(auto encoder,ae)通过对输入时序序列数据进行编码——解码生成伪时序序列；
16、编码器网络，得到生成的压力时序特征序列的编码表示，也是作为泄漏检测的分类器，根据生成序列的编码表示与输入序列的编码表示间误差来判断当前输入是否泄漏；
17、鉴别器网络，判别输入压力时序特征序列和生成的伪压力时序特征序列间的真假，从而指导生成器网络的训练。
18、优选地，利用上述所得到的正常状态下压力时序特征序列样本数据，训练构建基于生成对抗网络的泄漏检测模型，建立尾矿输送管道正常状态的压力波动模式，其中，分别以首尾两端的压力时序特征序列样本数据作为输入，进行生成对抗网络的训练。
19、优选地，依据鉴别器网络得到的判别损失、输入压力时序特征序列样本数据和伪压力时序特征序列的编码表示之间的编码损失、输入压力时序特征序列样本数据和伪压力时序特征序列之间的曼哈顿距离度量损失，给予三项损失不同的权重比例，更新优化生成器网络和编码器网络的模型参数，鉴别器网络根据生成器网络新生成的伪压力时序特征序列，计算交叉熵损失进行参数的自更新。
20、优选地，所述s4中利用受试者工作特征曲线(receiver operatingcharacteristic curve，roc)曲线下面积指标、f1-score指标评价模型识别精准度，并采用均方根误差指标评价输入压力时序特征序列和生成的伪压力时序特征序列间的差异，对正常状态下的伪压力时序特征序列的重构质量进行有效评估。
21、本专利技术的一种尾矿输送管道泄漏智能检测系统，其特征在于，由设置在首尾两端的压力传感器、gps校时模块、泄漏检测与中心监控机组成；
22、所述的压力传感器用于采集输送管道在尾矿输送过程中的实测压力数据；
23、所述的gps校时模块用于获取包括检测点编号、时间代号、压力的管路信息，为实现压力时序特征序列样本数据的构建提供必要的数据基础；
24、所述的泄漏检测与中心监控机用于接收实测压力数据和gps校时模块获得的管路信息，并集成上述尾矿输送管道泄漏智能检测方法实现对尾矿输送管道泄漏的智能、精准检测识别。
25、本专利技术的优点是：
26、与现有技术相比，本申请提供的一种尾矿输送管道泄漏智能检测方法，所涉及的实测数据来源于尾矿输送管道现场安装在管路首尾两端监测节点的压力传感器，经过小波阈值去噪和标准化等数据预处理操作后，针对压力信息分别构建首尾两端的压力时序特征序列样本数据；而后，构建基于生成对抗网络的泄漏检测模型，并分别以既往管道首尾两端正常状态下的压力时序特征序列样本数据作为训练集，对网络模型进行训练；最后，上述构建的泄漏检测模型，能够比较输入的正常状态压力本文档来自技高网...
【技术保护点】
1.一种尾矿输送管道泄漏智能检测方法，其特征在于，包括下列步骤：
2.如权利要求1所述的尾矿输送管道泄漏智能检测方法，其特征在于，所述S1中的采集尾矿输送管道首尾两端压力传感器实时采集两端节点的压力数据，并结合数据滤波、数据标准化等特征工程方法构建首尾两端压力时序特征序列样本数据，包括：
3.如权利要求2所述的尾矿输送管道泄漏智能检测方法，其特征在于，所述数据降噪处理采用小波阈值去噪算法，数据标准化处理采用Z-score标准化处理方法。
4.如权利要求2所述的尾矿输送管道泄漏智能检测方法，其特征在于，所述基于预处理后的管道实测压力，分别构建尾矿传输过程中管路首尾两端的压力时序特征序列样本数据，包括：
5.如权利要求1所述的尾矿输送管道泄漏智能检测方法，其特征在于，S2、构建的基于生成对抗网络的泄漏检测模型(GANomaly)其训练过程中仅使用正常状态压力时序特征序列样本数据进行训练，无需使用泄漏样本数据，该泄漏检测模型，包括：
6.如权利要求5所述的尾矿输送管道泄漏智能检测方法，其特征在于，利用上述所得到的正常状态下压力
7.如权利要求5所述的尾矿输送管道泄漏智能检测方法，其特征在于，依据鉴别器网络得到的判别损失、输入压力时序特征序列样本数据和伪压力时序特征序列的编码表示之间的编码损失、输入压力时序特征序列样本数据和伪压力时序特征序列之间的曼哈顿距离度量损失，给予三项损失不同的权重比例，更新优化生成器网络和编码器网络的模型参数，鉴别器网络根据生成器网络新生成的伪压力时序特征序列，计算交叉熵损失进行参数的自更新。
8.如权利要求1所述的尾矿输送管道泄漏智能检测方法，其特征在于，所述S4中利用受试者工作特征曲线(Receiver Operating Characteristic curve，ROC)曲线下面积指标(Area Under Curve，AUC)、F1分数(F1-score)指标评价模型识别精准度，并采用均方根误差指标评价输入压力时序特征序列和生成的伪压力时序特征序列间的差异，对正常状态下的伪压力时序特征序列的重构质量进行有效评估。
9.一种尾矿输送管道泄漏智能检测系统，其特征在于，由设置在首尾两端的压力传感器、GPS校时模块、泄漏检测与中心监控机组成；
...【技术特征摘要】
1.一种尾矿输送管道泄漏智能检测方法，其特征在于，包括下列步骤：
2.如权利要求1所述的尾矿输送管道泄漏智能检测方法，其特征在于，所述s1中的采集尾矿输送管道首尾两端压力传感器实时采集两端节点的压力数据，并结合数据滤波、数据标准化等特征工程方法构建首尾两端压力时序特征序列样本数据，包括：
3.如权利要求2所述的尾矿输送管道泄漏智能检测方法，其特征在于，所述数据降噪处理采用小波阈值去噪算法，数据标准化处理采用z-score标准化处理方法。
4.如权利要求2所述的尾矿输送管道泄漏智能检测方法，其特征在于，所述基于预处理后的管道实测压力，分别构建尾矿传输过程中管路首尾两端的压力时序特征序列样本数据，包括：
5.如权利要求1所述的尾矿输送管道泄漏智能检测方法，其特征在于，s2、构建的基于生成对抗网络的泄漏检测模型(ganomaly)其训练过程中仅使用正常状态压力时序特征序列样本数据进行训练，无需使用泄漏样本数据，该泄漏检测模型，包括：
6.如权利要求5所述的尾矿输送管道泄漏智能检测方法，其特征在于，利用上述所得到的正常状态下压力时序特征序列样本数据，训练构建基于生成对抗网络的泄漏检测模型，建立尾矿输送管道正常状态的压力...
【专利技术属性】
技术研发人员：杨光，刘欣，张翰斗，李哲，陈国荣，肖成勇，
申请(专利权)人：鞍钢集团矿业有限公司，
类型：发明
国别省市：
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。