基于人工智能的管道自动检漏方法与流程

本发明涉及管道检漏技术领域，具体涉及一种基于人工智能的管道自动检漏方法。

背景技术：

随着互联网的日益广泛，人工智能作为互联网的一个产物，被广泛的应用于各个领域。例如在机场或者火车站进行安检的时候，我们可以利用人工智能结合摄像头等对一些危险动作进行一个预测和捕捉，进而触发报警器，及时采取措施。还比如我们可以利用人工智能结合我们已有的设备，来对我们所安装的地下天然气等管道进行检漏，好及时采取措施进行止损。人工智能在当下社会已经被越来越广泛地运用，不仅是安全检查，还有在工业，网络信息安全，黑客攻击等领域都能很好地被利用，而且它对推动科技社会的发展起着举足轻重的作用。

传统的泄漏检测主要是侧重于电力传输线路的检测，但是随着发展人们发现，泄漏的检测不应该仅仅股咸鱼电力传输。事实上，类似于供水电路或者天然气传输管道，二氧化碳传输线等含有气体或者液体的装置也应该要进行重点检漏。而且传统的检漏方法主要是靠人为或者结合专业设备，当检测大规模的泄漏时这个问题不是很突出，但是要检测小泄漏的时候，传统的检测方法就十分的耗费人力资源和资金。

现有的检测含有液体或者气体等管道装置发生泄漏的方法，主要是通过人为检测结合购买专业的检测设备，利用一种特殊的道导线形式，结合安装在管道旁的专业传感器设备，来分析与泄漏相关的声音信号，从而来判断是否发生泄漏；还有就是构建一些基于描述安装行为的解析方程的安装模型来进行检测。

现有的检漏技术存在的问题主要是需要花昂贵的资金去购买专业设备，这就需要有经验丰富的检测员对专业设备的一些操作，数据的读取输入有很深入的了解，而且针对不同的场景，还需要对专业的设备进行改装，改装后安装也很困难。还有就是需要购买大量的传感器，十分耗费财力，而且实施起来也是十分的繁琐，不利于操作。

技术实现要素：

针对现有技术中的上述不足，本发明提供了一种基于人工智能的管道自动检漏方法。

为了达到上述发明目的，本发明采用的技术方案为：

一种基于人工智能的管道自动检漏方法，包括以下步骤：

s1、获取管道传感器采集的历史初始数据；

s2、对历史初始数据中的每一个测量值进行标记；

s3、采集加压泵、安全阀和充液管的初始测量数据；

s4、根据步骤s3采集的初始测量数据和步骤s1采集的历史初始数据，计算管道当前压力值；

s5、将步骤s4计算的管道当前压力值与步骤s1采集的初始压力值进行比较，并根据加压泵运行力矩，计算管道最终压力值；

s6、对步骤s5计算的不同时间戳的多个管道最终压力值进行数据拟合，得到加压泵的周期运动；

s7、根据步骤s6得到的加压泵的周期运动，计算管道真实压力值；

s8、采用人工智能模型对管道历史未泄漏和泄漏数据集进行迭代训练，并根据步骤s7计算的管道真实压力值输出数据轨迹跟踪期望值；

s9、将步骤s8得到的数据轨迹跟踪期望值与未泄漏数据进行比较，判断管道是否发生泄漏。

进一步地，所述步骤s1之前还包括检测加压泵和安全阀设备的运行状态，并且检查电流和管道异常变化的检测温度。

进一步地，所述步骤s1中采集的历史初始数据具体包括：介电流体压力值，管道外表面温度，土壤温度，平衡罐中的气体压力值，测量样品的时间戳，电流值。

进一步地，所述步骤s4中管道当前压力值的计算公式为：

ptn＝f(xn,xn-1,...,xn-n)*tn

其中，为瞬间时刻tn的管道当前压力值，f为管道压力的传递函数，n为测量样本数量值，tn为管道与环境温度之间的长期温差与短期温差的比值。

进一步地，所述步骤s5中管道最终压力值的计算公式为：

pn＝ptn+(psva-peva)+(pspum-pepum)

其中，pn为管道最终压力值，psva为安全阀在安装时传感器测量的初始压力值，peva为管道泄漏后传感器测量的安全阀的压力值，pspum为加压泵在安装时传感器测量的初始压力值，pepum为管道泄漏后传感器测量的加压泵的压力值。

进一步地，所述步骤s7中管道真实压力值的计算公式为：

pture＝pn-ppum+cpea

其中，pture为管道真实压力值，ppum为传感器测量的加压泵的运行周期的影响压力值，cpea为传感器测量所得到的瞬时时间前后的压力变化值。

进一步地，所述步骤s9具体包括：

判断步骤s8得到的数据轨迹跟踪期望值与未泄漏数据之间的差值是否大于设定阈值；若是，则表示管道发生泄漏；否则表示管道未发生泄漏。

进一步地，所述步骤s9确定管道发生泄漏后，计算人工智能模型所采用的训练数据集中样本的泄漏系数。

进一步地，所述泄漏系数的计算方式为步骤s8输出的数据轨迹跟踪期望值除以管道历史未泄漏数据。

进一步地，所述步骤s9之后还包括：根据管道历史未泄漏和泄漏数据集及管道泄漏率数据集进行比对，计算管道当前泄漏率；然后输出泄漏率值并进行预警。

本发明具有以下有益效果：

(1)本发明利用管道系统中现有的传感器进行泄漏检测，不需要购买多余的昂贵的专业设备，大大减小了泄漏检测所花费的大量人力和资金成本，具有很强的可操作性；

(2)本发明结合了人工智能模型，利用模拟结果训练检测器来检测是否发生泄漏；同时检测员只需要学习最基本的相关检测知识就可以通过安装中可用的少量传感器数据识别是否发生泄漏，大大减少了聘请专业检测员的开销。

附图说明

图1为本发明的基于人工智能的管道自动检漏方法流程图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

本发明实施例提供了一种基于人工智能的管道自动检漏方法，包括以下步骤s1至s9：

s1、获取管道传感器采集的历史初始数据；

在本实施例中，本发明在对管道系统进行安装测试的过程中，首先需要检测增压泵和安全阀等设备的运行情况，避免后面进行数据标记的时候，由于这些设备的不正常运行造成影响，从而影响后期的检测值。

然后检查电流和管道等异常变化的检测温度，因为这些信息在后面传给泄漏决策模块的时候，可能会改变所判断出的泄漏的可信度。

最后确认上述设备和温度等数据都正常时，利用管道传感器采集历史初始数据。具体而言，采集的历史初始数据具体包括：介电流体压力值，传感器读取到的管道外表面温度，土壤温度，平衡罐中的气体压力值，测量样品的时间戳，电流值等初始数据；并且设定所有传感器的测量数据每分钟就要收集一次。

s2、对历史初始数据中的每一个测量值进行标记；

在本实施例中，本发明在步骤s1采集历史初始数据后，对历史初始数据中的每一个初始测量值进行标记，每一个初始测量值都设定一个唯一的标号，比如介电流体压力值为标号1。

s3、采集加压泵、安全阀和充液管的初始测量数据；

在本实施例中，本发明利用加压泵、安全阀和充液管三个组成部分构成一个初始数据的测量系统，对加压泵、安全阀和充液管的初始数据进行测量。

s4、根据步骤s3采集的初始测量数据和步骤s1采集的历史初始数据，计算管道当前压力值；

在本实施例中，本发明根据步骤s3采集的初始测量数据，结合步骤s1采集的管道外表面温度和电流值数据，计算在瞬间时刻tn管道当前压力值，计算公式表示为：

ptn＝f(xn,xn-1,...,xn-n)*tn

其中，为瞬间时刻tn的管道当前压力值，f为管道压力的传递函数，n为测量样本数量值，tn为管道与环境温度之间的长期温差与短期温差的比值。

为了提高管道压力值的计算效果，本发明选择几种不同的传递函数进行压力值的计算，并取最优的值作为管道模型最终测量值。

s5、将步骤s4计算的管道当前压力值与步骤s1采集的初始压力值进行比较，并根据加压泵运行力矩，计算管道最终压力值；

在本实施例中，本发明分别计算不同时间戳的多个管道最终压力值，计算公式表示为：

pn＝ptn+(psva-peva)+(pspum-pepum)

其中，pn为管道最终压力值，psva为安全阀在安装时传感器测量的初始压力值，peva为管道泄漏后传感器测量的安全阀的压力值，pspum为加压泵在安装时传感器测量的初始压力值，pepum为管道泄漏后传感器测量的加压泵的压力值。

s6、对步骤s5计算的不同时间戳的多个管道最终压力值进行数据拟合，得到加压泵的周期运动；

在本实施例中，本发明得到步骤s5计算的不同时间戳的多个管道最终压力值后，利用泄漏模拟器对多个管道最终压力值结合数据拟合以及数学规律推导，从而得出加压泵的周期行动。

s7、根据步骤s6得到的加压泵的周期运动，计算管道真实压力值；

在本实施例中，本发明根据步骤s6得到的加压泵的周期运动，再减出传感器测量出的加压泵的运行周期的影响压力值测量结果的影响，从而计算出多个新的管道真实压力值，作为泄漏模拟器的最终输出结果。其中管道真实压力值的计算公式为：

pture＝pn-ppum+cpea

其中，pture为管道真实压力值，ppum为传感器测量的加压泵的运行周期的影响压力值，cpea为传感器测量所得到的瞬时时间前后的压力变化值。

s8、采用人工智能模型对管道历史未泄漏和泄漏数据集进行迭代训练，并根据步骤s7计算的管道真实压力值输出数据轨迹跟踪期望值；

在本实施例中，本发明在计算得到多个新的管道真实压力值后，将多个管道真实压力值输入决策模块进行处理。

本发明的决策模块采用人工智能模型对管道历史未泄漏和泄漏数据集进行迭代训练，具体而言，采用贝叶斯算法，结合管道历史未泄漏和泄漏数据集，进行多次迭代学习，执行数据跟踪任务。本发明在有限时间区间上执行系统数据轨迹跟踪，利用前一次或前几次操作时测得的误差信息修正控制输入，使得该重复任务在下一次操作过程中做得更好。如此不断重复，直至在整个时间区间上输出数据轨迹跟踪的期望值，这个数值可以是电流或者压力等。

s9、将步骤s8得到的数据轨迹跟踪期望值与未泄漏数据进行比较，判断管道是否发生泄漏。

在本实施例中，本发明根据步骤s8得到的数据轨迹跟踪期望值和未泄漏数据进行比对运算，根据数据轨迹跟踪期望值和未泄漏数据之间的差值判断管道是否发生泄漏。

具体而言，本发明判断数据轨迹跟踪期望值与未泄漏数据之间的差值是否大于设定阈值；若是，则表示管道发生泄漏，否则表示管道未发生泄漏。

本发明在得到判断结果后，向用户输出一个布尔值代表是否泄漏，如果布尔值是false代表未泄露，如果是true代表发生泄漏。

本发明在确定管道发生泄漏后，计算人工智能模型所采用的训练数据集中样本的泄漏系数。泄漏系数的计算方式为步骤s8输出的数据轨迹跟踪期望值除以管道历史未泄漏数据，这个数值可以是电流或者压力等。

本发明根据管道历史未泄漏和泄漏数据集及管道泄漏率数据集进行比对，计算管道当前泄漏率；然后将泄漏率值输出到用户的屏幕上，并进行预警，提醒用户尽快对泄漏进行处理。

本发明结合了人工智能，不需要购买多余的昂贵的专业设备，而是利用安装时就有的传感器进行泄露的检测，同时系统的可操作性强。检测的时候，检测的新元素是在软件模拟泄露的基础上，实现贝叶斯网络数值规范计算模块。然后再利用模拟结果训练检测器来检测是否发生泄漏。同时检测员只需要学习最基本的相关检测知识就可以通过安装中可用的少量传感器数据识别是否发生泄漏。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。