一种天然气管道泄漏信号人工智能识别方法与流程

tensorflow 和 python 语言实现适用于天然气集输管道泄漏信号的监测识别；所述 cnn 网络训练是基于上述构建的基本 cnn 结构和初始设置参数。
7.具体的，所述分布式光纤泄漏预警数据集为了综合考量泄漏监测系统的性能，将泄漏相关事件单独检测识别，且现场数据采集时各类事件都是分别采集，无混叠情况，未涉及混合事件信号识别；具体的，所述小波分解基于单边分解的思想，在第一次分解得到信号的低频部分和高频部分后，第二次就只分解低频部分,而高频部分弃掉不用，后续操作依此类推；具体的，所述小波包分解则类似于二叉树的生长，每一次都会同时分解高低频部分，相对来说提供的信息更加丰富，更加适用于高低频率都有的光纤传感信号；具体的，所述 cnn 网格结构结合 φ
‑
otdr一维信号的结构特点，输入直接采用一维信号，中间卷积计算也为一维卷积，分类器使用全连接网络；具体的，所述 cnn 网格训练需要通过大量数据进行网络训练，训练数据经过网络得到预测类别标签，与样本真实类别标签比较得到损失值，以此计算梯度来更新网络参数，该网络参数包括权值矩阵与偏置变量，参数更新后重新输入数据重复进行上述过程得到训练好的 cnn 模型。
8.本发明的有益效果是：本发明所提供的基于 cnn进行深度学习的天然气管道泄漏信号人工智能识别方法可通过大量模拟泄漏样本的学习，自动识别泄漏信号和其他干扰信号，排除其他干扰信号对预警系统的干扰，建立了分布式光纤泄漏预警模型，模型识别准确率达90%。
附图说明
9.图1为本发明实施例提供的一种天然气管道泄漏信号人工智能识别方法流程图；图2为图1中所述的 cnn 网络训练具体方法流程图。
具体实施方式
10.为了更详尽的表述本发明提供的天然气管道泄漏信号人工智能识别方法，下面通过具体实施例进行进一步的说明。
11.实施案例如图 1 所示，本发明提供的一种天然气管道泄漏信号人工智能识别方法，采用如下步骤：(1)分布式光纤泄漏预警数据集构建；(2)数据分割；(3)事件标签定义；(4)小波包去噪；(5) cnn 网络结构设计与实现；(6) cnn 网络训练。
12.本实施例提供的天然气管道泄漏信号人工智能识别方法实施过程如下：集输管道泄漏监测面临的外部环境干扰主要有人工挖掘、车辆行驶、滑坡落石等；为了综合考量泄漏监测系统的性能，项目将泄漏相关事件分为五种，分别是人工挖掘、车辆行驶、滑坡落石、泄漏信号、背景噪声；当前的识别目标是这五种类别事件信号的单独检测识别，且现场数据采集时各类事件都是分别采集，无混叠情况，未涉及混合事件信号识别。
13.分布式光纤传感系统数据采集过程为：在每个空间采样点随着光脉冲周期触发，沿着时间轴将每个光脉冲触发周期内采集的横向空间信号进行纵向累积，连续累积 n 条采集的原始信号轨迹，构建得到一个空间 n 维，时间 m 维的时空信号矩阵，即时空二维响
应矩阵。
14.分割时首先将累积得到的时空响应信号矩阵沿空间轴分割得到每一个监测点的光纤传感一维时序信号，然后依次截取一维时序信号中时间长度为l的事件信号，作为短时事件信号样本，记为 x1，x2
…
项目将人工挖掘、车辆行驶、滑坡落石、泄漏信号、背景噪声等事件类型分别定义为 1、2、3、4、5，根据以上定义，将分割得到的短时事件信号样本x1，x2
…
贴上其真实标签并添加到数据库中，完成五类典型事件信号的数据训练集构建，且将整个数据集按照 7:3 的比例划分为训练集与测试集。
15.基于管道泄漏监测现场采集的信号样本，构建的五类典型事件数据集如表 1 所示，包含各类事件信号训练集和测试集的信号样本数以及不同事件人为定义的标签。
16.在原始短时信号中夹杂了各种各样的噪声，极大的影响了后期的分类识别性能，因此对原始信号降噪显得十分必要。
17.实际一般使用小波分解或小波包分解，前者基于单边分解的思想，在第一次分解得到信号的低频部分和高频部分后，第二次就只分解低频部分,而高频部分弃掉不用，后续操作依此类推；而小波包则类似于二叉树的生长，每一次都会同时分解高低频部分，相对来说提供的信息更加丰富，更加适用于高低频率都有的光纤传感信号。
18.项目基于光纤管道事件数据集，使用深度学习开源框架 tensorflow 和python 语言实现适用于天然气集输管道分布式光纤泄漏监测识别的 cnn 结构。
19.结合 φ
‑
otdr 一维信号的结构特点，整体结构为输入层
‑
卷积层c1
‑
池化层p1
‑
卷积层c2
‑
池化层p2
‑
卷积层c3
‑
池化层p3
‑
全连接层fc1
‑
全连接层fc2
‑
输出层共10层的网络结构，输入直接采用一维信号，中间卷积计算也为一维卷积；分类器使用全连接网络。
20.为进行后续的网络训练调整，需要确定 cnn 的初始参数，包括卷积核的大小、数量、步长，池化核的大小、步长等结构参数和学习率等超参数，根据先验经验设置如表 2 所示。
21.根据表 2 的基本参数设置， cnn 的每一层参数量计算结果如表 3 所示，由于池化核的参数数量很少，相对可以忽略，故未列出。
22.基于上述构建的基本 cnn 结构和初始设置参数，需要通过大量数据进行网络训练，训练数据经过网络得到预测类别标签，与样本真实类别标签比较得到损失值，以此计算梯度来更新网络参数，该网络参数包括权值矩阵与偏置变量，参数更新后重新输入数据重复进行上述过程得到训练好的 cnn 模型。
23.初始化状态决定网络训练的起点，为使网络易于收敛，采用截断正态分布方法对网络参数进行初始化。
24.输入训练数据完成前向传播过程。
25.反向传播进行网络调优；根据分类输出计算损失函数，以此对构建的 cnn 网络继续努力更新和调优。