一种特征迁移结合时频图的管道泄漏孔径识别方法

1.本发明涉及天然气管道泄漏孔径识别技术领域，尤其是一种特征迁移结合时频图的管道泄漏孔径识别方法。


背景技术：

2.在天然气运输过程中，由于部分天然气管道材料老化、腐蚀等原因造成的天然气泄漏，已成为影响天然气运输系统的重要因素。再者，天然气管道泄漏孔径的不同会造成不同程度的危害泄漏。倘若在评估管道泄漏情况或制定应急响应策略时，能准确得知管道泄漏孔径的大小，应急处理人员可以迅速做出合理的决策来降低危害。因此，针对天然管道泄漏孔径识别算法的研究具有重要意义。
3.在各种泄漏孔径识别技术中，管道振动信号分析以其明确的机理和直接的响应成为最有效、最常用的方法。但是天然气管道周围环境复杂，会导致不同压力状态下，采集的振动信号分布差异较大，从而导致泄漏孔径识别系统对复杂环境下天然气管道泄漏孔径识别率的问题。
4.现有的各种泄漏孔径识别技术虽然有较高的准确率，但是在天然气管道实际应用中常因为以下两种因素导致模型识别准确率低：
5.1、上述方法需要使用大量带标签数据对孔径识别模型进行训练，但是采集大量带标签数据在实际场景中是难以实现的。部分天然气管道周围环境复杂，难以放置传感器采集信号。即使天然气管道上放置传感器，在天然气管道发生泄漏后，相关人员也会及时采取维修策略，从而难以采集大量泄漏信号。
6.2、多数方法所使用的泄漏数据是在较为单一实验环境下采集，训练好的网络模型与管道数据采集环境相关，而在实际应用中天然气管道周边环境情况较为复杂，难以与实验环境相匹配。
7.因此，将以上方法构建的泄漏孔径模型应用于实际情形中，将导致泄漏孔径识别准确率较低甚至识别不出等情况发生。为合理利用管道泄漏采集数据来解决实际情形中训练模型单一问题，需要研究新的泄漏孔径识别模型构建方法。
8.针对以上问题，本发明提出一种时频图结合深度迁移学习的复杂环境下天然气管道泄漏孔径识别方法。


技术实现要素：

9.本发明需要解决的技术问题是提供一种特征迁移结合时频图的管道泄漏孔径识别方法，通过连续小波变换算法与特征迁移学习算法，实现了复杂环境下天然气管道泄漏孔径识别高准确率效果。
10.通过连续小波变换将振动传感器采集信号映射到二维矩阵中，然后通过二维卷积神经网络，从原始振动信号中自动提取所隐藏的管道泄漏本质特征，通过迁移学习模块进行源域和目标域数据特征知识的度量，从而实现复杂环境下管道泄漏孔径识别。
11.为解决上述技术问题，本发明所采用的技术方案是：
12.一种特征迁移结合时频图的管道泄漏孔径识别方法，包括以下步骤：
13.s1、采集管道泄漏信号，通过连续小波算法将采集的管道泄漏信号从时域转换为时频域，生成时频图；
14.s2、将时频图作为特征提取网络中二维残差网络的输入，提取管道泄漏孔径的特征信息；
15.s3、迁移学习模块采用特征迁移学习，根据不同气压环境下提取的相同管道泄漏孔径的特征信息，计算最大均值差异；
16.s4、孔径分类网络识别管道泄漏孔径的特征信息所表征的泄漏孔径类别，计算分类误差；
17.s5、采用adam优化算法，根据最大均值差异和分类误差对二维残差网络参数与孔径识别网络参数进行训练更新；
18.s6、泄漏孔径识别方法评估。
19.本发明技术方案的进一步改进在于：s1中，具体是指将时频域下的管道泄漏信号输入matlab，通过连续小波算法得到管道泄漏信号的时频图。
20.本发明技术方案的进一步改进在于：s2中，所述特征提取网络包括一个初始卷积池化模块和若干个残差卷积模块；
21.所述初始卷积池化模块中的初始化卷积模块用于提取管道泄漏信号时频图中的不同区域，使得模块可以重点分析管道泄漏数据的重要特征信息；所述残差卷积模块与各个区域数据进行卷积运算，提取管道泄漏孔径的特征信息。
22.本发明技术方案的进一步改进在于：s2中，将时频图作为特征提取网络中二维残差网络的输入，提取管道泄漏孔径的特征信息，具体包括以下步骤：
23.s2.1将原始信号的时频图输入初始卷积池化模块提取不同区域特征信息；
24.s2.1.1初始卷积池化模块中卷积模块对时频图进行不同区域特征信息提取；
25.s2.1.2初始卷积池化模块中池化模块滤除无关信息，保留不同区域重要特征信息；
26.s2.2将不同区域重要特征信息输入若干个残差卷积模块，提取管道泄漏孔径的特征信息。
27.本发明技术方案的进一步改进在于：s3中，迁移学习模块采用特征迁移学习，根据不同气压环境下提取的相同管道泄漏孔径的特征信息，计算最大均值差异，具体包括以下步骤：
28.s3.1采用特征迁移学习构建迁移学习模块；
29.s3.2引入最大均值差异指标度量源域特征与目标域特征之间的分布差异大小；
30.所述最大均值差异计算如下所示：
[0031][0032]
其中，d就是最大均值差异值，e是数学期望，数据集合x和y分别符合概率分布p和q，г为一个样本空间上的连续函数集；
[0033]
假设xi是从概率分布p通过独立同分布采样得到数据，yj是从概率分布q 通过独立
同分布采样得到的数据；将数据映射到可再生希尔伯特空间内进行最大均值近似度量，其度量方式如下所示：
[0034][0035]
其中，n和m分别为数据集合x和y中的数据数量，是映射函数，‖
·
‖h为可再生希尔波特空间；
[0036]
将最大均值差异应用于特征集合中，计算残差卷积特征提取网络输出的源域特征集合和目标域特征集合的分布差异；其计算过程如下所示：
[0037][0038]
其中，n和m分别为源域特征数据和目标域特征数据的数据总量，f
si
为源域特征中第i个数据，f
tj
为目标域特征中第j个数据。
[0039]
本发明技术方案的进一步改进在于：s4中，所述孔径分类网络包括将特征提取网络学习得到的高维度特征进行整合的全连接层与将全连接层输出数据转换为概率表达式的输出值并找到最大概率项的softmax层；
[0040]
所述softmax层的输入数据x有k类，则softmax函数的输出计算方式如下所示：
[0041][0042]
其中，θ为softmax的参数，e
θ(k)x
为第k类输入数据值，pk(x)为第k个数据的概率值。
[0043]
本发明技术方案的进一步改进在于：s5，采用adam优化算法，根据最大均值差异和分类误差对二维残差网络参数与孔径识别网络参数进行训练更新，具体包括以下步骤：
[0044]
s5.1建立优化目标函数：
[0045]
minlc(θf,θc)+λd
ꢀꢀ
(10)
[0046]
其中，lc(θf,θc)是孔径识别模块在源域样本上的孔径识别模块的分类误差； d是源域特征与目标域特征的概率分布差值；λ是惩罚项系数，该惩罚项系数用于调解模型在源域样本上的孔径识别准确率和模型在源域与目标域数据之间迁移学习模块的权重；
[0047]
孔径识别模块的分类误差度量了网络模型在源域数据上的识别准确率，其计算如下式所示：
[0048][0049]
其中，yk为模型输出值，ak为样本真实值；
[0050]
特征的概率分布差值度量了模型对源域样本与目标域样本的深层特征知识概率分布差异，其计算如下式所示：
[0051][0052]
其中，n和m分别是源域特征数据与目标域特征数据的数据总量，k为核函数；
[0053]
s5.2通过adam算法进行模型训练：
[0054]
模型训练过程中首先使用源域带标签数据和adam优化算法对泄漏孔径识别模型进行训练，然后使用源域数据和目标域数据通过adam优化算法对孔径识别模型的参数进行优化更新，式(10)相对于模型参数θ的梯度计算如下所示：
[0055][0056]
对于公式(13)进行梯度计算，对二维残差网络模型参数优化更新基，其中，网络迭代次数为epoch，迭代次数阈值为th，当epoch≥th时迭代结束。
[0057]
由于采用了上述技术方案，本发明取得的技术进步是：
[0058]
1、本发明通过连续小波算法将采集的管道泄漏信号从时域转换为时频域，可以同时表征信号的时域特性和频域特性，便于获取泄漏信号的本质特征。
[0059]
2、本发明通过将时频域下的管道泄漏信号输入matlab，通过连续小波算法得到管道泄漏信号的时频图，更好的体现泄漏信号的局部特征。
[0060]
3、本发明通过采用二维残差网络为特征提取网络，有效提取域不变特征，减少网络的计算难度。
[0061]
4、本发明通过在卷积神经网络中添加池化层，从而在不损害关键特征信息的情况下降低特征信息的维度。
[0062]
5、本发明通过在残差网络增加了从输入到输出的直连，通过卷积拟合输入与输出的差，使得网络对管道泄漏数据波动更敏感，更容易发现微弱孔径信息。
[0063]
6、本发明通过将迁移学习模块引入泄漏孔径识别模型中，使特征提取网络提取出不同气压环境下的管道泄漏孔径本质特征，降低环境因素的影响，从而提高网络不同气压环境下的泄漏孔径识别准确率。
[0064]
7、本发明通过采用adam优化算法，对二维残差网络模型参数进行训练更新，使泄漏孔径识别的特征提取网络更加精准的提取泄漏孔径特征。
[0065]
由于采用了上述技术方案，本发明得到的技术进步是：本发明通过连续小波变换算法与特征迁移学习算法，实现了复杂环境下天然气管道泄漏孔径识别高准确率效果。
附图说明
[0066]
图1是本发明整体流程图；
[0067]
图2是本发明中特征提取网络结构图；
[0068]
图3是本发明中残差块结构图；
[0069]
图4是本发明基于特征的迁移学习示意图；
[0070]
图5是孔径分类层的结构框图；
[0071]
图6是本发明中振动传感器示意图。
具体实施方式
[0072]
下面结合附图及实施例对本发明做进一步详细说明：
[0073]
如图1所示，一种特征迁移结合时频图的管道泄漏孔径识别方法，具体包括以下步骤：
[0074]
s1、采集管道泄漏信号，通过连续小波算法将采集的管道泄漏信号从时域转换为时频域，生成时频图，具体包括以下步骤：
[0075]
s1.1通过连续小波算法将采集的管道泄漏信号从时域转换为时频域。
[0076]
振动传感器采集的管道泄漏信号是仅含有单一维度信息的时域振动信号。将原始时域振动信号数据直接作为深度卷积网络的输入，难以获取泄漏信号的本质特征。通过连续小波算法将采集的管道泄漏信号从时域转换为时频域，可以同时表征信号的时域特性和频域特性。
[0077]
天然气管道泄漏信号为非平稳信号，非平稳信号难以建立复杂环境下的泄漏孔径识别模型，需应用连续小波算法处理。
[0078]
连换续小波变换步骤为：
[0079]
s1.1.1选择基小波函数与尺度值；
[0080]
s1.1.2从信号的起始位置开始，将小波函数和信号进行比较，即计算小波变换系数；沿时间轴移动小波函数，即改变平移参数b,在新的位置计算小波参数，直至信号终点；
[0081]
s1.1.3改变尺度值，重复s1.1.2，直到关于所有尺度的小波变换完成。
[0082]
采用的小波函数为复morlet小波，尺度值为256。
[0083]
复morlet小波(简称cmor)的基小波定义为：
[0084][0085]
其中,fb为带宽因子,fc为中心频率因子。
[0086]
将任意l2(r)空间的函数f(t)在小波基下展开，小波基为小波母函数ψ(t)的位移和尺度伸缩，称这种展开为函数f(t)的连续小波变换，其表达式为：
[0087][0088]
其中，wtf(a,b)为小波变换系数，为依赖a，b的小波基函数，a为尺度因子,在工程应用中a》0；平移参数b∈r；由于a、b在连续小波变换中取连续变化的值，因此ψ
a,b
(t)为连续小波基函数。
[0089]
s1.2将时频域下的管道泄漏信号输入matlab，通过连续小波算法得到管道泄漏信号的时频图。
[0090]
时频图可以更好的观察泄漏信号的局部特征。随着泄漏孔径的增大，天然气管道泄漏信号的高频成分更多，振幅更大。
[0091]
与泄漏信号时域图相比，时频图可以更好的观察泄漏信号的局部特征。随着泄漏孔径的增大，天然气管道泄漏信号的高频成分更多，振幅更大。时频图中含有更多信息，更有利于提取不同应用环境下泄漏信号的本质特征。因此，采用连续小波变换将泄漏信号转换为时频图，作为泄漏孔径识别模型的输入，提高泄漏孔径识别模型在复杂环境下的识别准确率。
[0092]
泄漏孔径识别模型包括特征提取网络、迁移学习模块和孔径分类网络。
[0093]
s2、将时频图作为特征提取网络中二维残差网络的输入，提取管道泄漏孔径的特征信息。
[0094]
域不变特征是源域与目标域不受环境影响的共有特征知识。为了有效提取域不变特征，减少网络的计算难度，采用二维残差网络为特征提取网络，采用原始信号的时频图作为网络输入。
[0095]
如图2所示，特征提取网络包括一个初始卷积池化模块和三个残差卷积模块。初始卷积池化模块中的初始化卷积模块用于提取管道泄漏信号时频图中的不同区域，使得模块可以重点分析管道泄漏数据的不同维度信息；残差卷积模块与各个区域数据进行卷积运算，提取出泄漏信号的高维度信息。图中的7
×
7、 1
×
1表示卷积核尺寸，32、64、128、256表示卷积核个数，/2表示为卷积步长为2。
[0096]
具体包括以下步骤：
[0097]
s2.1将原始信号的时频图输入初始卷积池化模块提取不同区域特征信息。
[0098]
s2.1.1初始卷积池化模块中卷积模块对时频图进行不同区域特征信息提取。
[0099]
卷积运算是残差网络结构的基本组成部分，卷积运算通过对输入图像计算像素的加权和来执行。在特征提取中，不同的卷积核对输入图像的部分区域进行卷积运算，得到输入图像的不同表征知识，以实现对输入图像的多层次提取。在对输入图像的卷积运算过程中，每个卷积核的权重值只有一种，这种权重共享的结构可以较大地减少训练参数个数，有助于构建深层卷积网络，提取出更有效的特征。每个卷积运算层包含多个卷积核，每个卷积核与输入图像进行卷积运算从而提取输入图像的有效特征，将多个卷积核运算得出的特征成分进行叠加，叠加后的特征可以表示输入图像的多种维度表征信息，从而实现对输入图像的表征提取。卷积运算的计算过程如下式(3)所示：
[0100][0101]
其中，c
ji
是第i层的第j个特征，x
il-1
是第l-1层的第i个特征段，w
ijl
是第l 层的第i个特征和第l层的第j个特征段之间的卷积核权值矩阵；b
jl
是第l层的第j个特征段所对应的偏置项；f是激活函数。
[0102]
s2.1.2初始卷积池化模块中池化模块滤除无关信息，保留不同区域重要特征信息。
[0103]
在卷积运算和激活函数后，在卷积神经网络中添加池化层，从而在不损害关键特征信息的情况下提取关键信息，滤除无关信息。
[0104]
最大池化层常用于卷积神经网络((convolutional neural network，简称cnn) 中，对卷积输出的特征提取局部最大值，将其他值都丢弃，从而得到重要特征信息，减少训练模型所需的计算量。
[0105]
如图2所示，初始化卷积网络用于提取管道泄漏信号时频图中的不同区域，使得模块可以重点分析管道泄漏数据的不同维度信息；初始化卷积网络中的7
ꢀ×
7卷积模块负责提取输入时频图的高维度数据，提高孔径识别网络模型的处理能力。时频图为rgb三通道，7
×
7卷积模块负责将输入时频图的3维数据转换为32维数据，增加网络模型的处理信息维度。为减少网络模型计算参数并提高网络运行速度，在初始化卷积模块中添加池化模块，提取泄漏孔径重要特征信息。
[0106]
s2.2将不同区域重要特征信息输入三个残差卷积模块，提取管道泄漏孔径的特征信息。
[0107]
与普通网络相比，残差网络增加了从输入到输出的直连，通过卷积拟合输入与输出的差，使得网络对管道泄漏数据波动更敏感，更容易发现微弱孔径信息。不同孔径的天然气管道泄漏信号存在细微差别，因此采用残差网络可以更好的提取信号特征。残差网络由多个残差块组成，如图3所示，每个残差块包括卷积层、批量归一化层和非线性激活函数。如图2所示，第一个残差卷积模块中的3
×
3卷积模块负责提取泄漏孔径的初级维度的重要特征信息，提高网络识别能力，使得网络可以在更高维度中提取特征数据。残差卷积模块中的1
ꢀ×
1卷积主要用于特征信息连接，将输入特征信息进行整合。残差卷积模块1 输出特征维度为64；残差卷积模块2输出特征维度为128；残差卷积模块3输出特征维度为128；每个卷积输出都会经历归一化层，来降低模块协方差问题，激活函数使得网络模型具有非线性能力，最终得到管道泄漏孔径的特征信息。
[0108]
卷积计算在正向传播过程中，会存在内部协方差问题。为解决该问题，在残差网络中对卷积层输出进行批量归一化处理，批量归一化算法是一种数据标准化算法，每批次数据减去批次的均值，再除以每个批次的标准差，为加强批次数据之间的差异性，首先对标准化后的值乘以一个缩放量并加偏置项，其计算方法如下所示：
[0109][0110][0111]
其中，z
il
为在第l层第i个输入经过批量归一化(batch normalization，简称bn)层后的特征；μ
l
和分别为第l层对应特征的均值与方差；σ为数值稳定常数项。
[0112]
s3、迁移学习模块采用特征迁移学习，根据不同气压环境下提取的相同管道泄漏孔径的特征信息，计算最大均值差异。
[0113]
s3.1采用特征迁移学习构建迁移学习模块。
[0114]
天然气传输管道铺设距离长，沿线经过地下、沙地、高山等不同气压环境，管道周围复杂环境对管道检测系统采集信号产生较大影响，从而导致相同泄漏孔径产生的振动信号存在较大分布差异，而且部分天然气管道周围环境过于复杂，管道采集信号样本量小，从而导致深层网络分类方法准确率低。迁移学习作为机器学习的新发展，把一个领域(即源域)的知识迁移到另一个领域(即目标域)，使得网络模型可在目标域中取得更好的分类效果。
[0115]
将迁移学习模块引入泄漏孔径识别模型中，使特征提取网络提取出不同气压环境下的管道泄漏孔径本质特征，降低环境因素的影响，从而提高网络不同气压环境下的泄漏孔径识别准确率。在本发明中，源域数据与目标域数据的主要区别就是管道周围不同气压下采集数据。
[0116]
基于特征的迁移学习是迁移学习的主流算法，通过特征映射，将源域特征数据与目标域特征数据非线性映射到特征数据空间。在特征空间中，通过最小化源域特征与目标域特征的分布差异，实现使用源域数据辅助目标域网络训练，从而使得源域有标签数据训练的分类模型可有效识别目标域数据，提高网络在目标域的分类能力。
[0117]
如图4所示，图中表示的是源域与目标域特征移动的流程。形状表示孔径特征，颜色表示特征的不同域。如：白色圆表示的是目标域1mm孔径特征知识。通过特征映射，将源域
特征知识与目标域特征知识映射到特征空间中，通过最大均值差异计算源域与目标域的分布差异。根据差异值更新特征提取网络参数，最终使得目标域与源域的相同孔径特征知识融合在一起，不同类特征知识远离，提高目标域识别率。
[0118]
s3.2引入最大均值差异指标度量源域特征与目标域特征之间的分布差异大小。
[0119]
源域特征与目标域特征之间的分布差异是迁移学习中的重要信息，分布差异的衡量指标会直接影响迁移学习的效果。为度量源域特征与目标域特征之间的分布差异大小，引入最大均值差异(maximum mean discrepancy，简称mmd) 指标。最大均值差异是用于判断两个样本分布是否相同的函数。最大均值差异的输入为两个以概率分布生成的样本，如果两个分布生成的足够多的样本在函数上对应的均值都相等，那么可认为这两个分布为同一分布。mmd计算如下所示：
[0120][0121]
其中，d就是最大均值差异值，e是数学期望，数据集合x和y分别符合概率分布p和q，г为一个样本空间上的连续函数集。
[0122]
假设xi是从概率分布p通过独立同分布采样得到数据，yj是从概率分布q通过独立同分布采样得到的数据。将数据映射到可再生希尔伯特空间内进行最大均值近似度量，其度量方式如下所示：
[0123][0124]
其中，n和m分别为数据集合x和y中的数据数量，是映射函数，‖
·
‖h为可再生希尔波特空间。
[0125]
将最大均值差异应用于特征集合中，计算残差卷积特征提取网络输出的源域特征集合和目标域特征集合的分布差异。其计算过程如下所示：
[0126][0127]
其中，n和m分别为源域特征数据和目标域特征数据的数据总量。f
si
为源域特征中第i个数据，f
tj
为目标域特征中第j个数据。
[0128]
s4、孔径分类网络识别管道泄漏孔径的特征信息所表征的泄漏孔径类别，计算分类误差。
[0129]
孔径分类网络包括全连接层与softmax层，全连接层将特征提取网络学习得到的高维度特征进行整合，softmax层将全连接层输出数据转换为概率表达式的输出值，并找到最大概率项，从而完成泄漏孔径分类。
[0130]
全连接层如图5所示，全连接层将输入特征数据进行降维整合，为与特征提取网络相连接，全连接层第一层的结点与输出特征维度相同，值为256。为更好的整合特征知识，全连接层第二层、第三层以及第四层的结点分别为128，64，3。softmax层通过计算全连接第四层数据的概率分布，选出概率最大的类别。
[0131]
softmax两个相邻完全连接层之间的神经元交替连接，全连接层将关键特征连接到一起，用于绘制关键特征和预测结果之间的非线性模式。假设softmax 层的输入数据x有
k类，则softmax函数的输出计算方式如下所示：
[0132][0133]
其中，θ为softmax的参数，e
θ(k)x
为第k类输入数据值，pk(x)为第k个数据的概率值。
[0134]
s5、采用adam优化算法，根据最大均值差异和分类误差对二维残差网络参数与孔径识别网络参数进行训练更新。
[0135]
s5.1建立优化目标函数
[0136]
在模型训练过程中，为提高泄漏孔径识别模型在实际应用环境中的准确率，结合典型应用环境与实际应用环境的数据分布差异，提出两个模型优化目标：
[0137]
1、最小化泄漏孔径识别模块在源域数据上的孔径识别分类误差；
[0138]
2、最小化源域特征与目标域特征的概率分布差异。
[0139]
因此，建立如下优化目标函数：
[0140]
minlc(θf,θc)+λd
ꢀꢀ
(10)
[0141]
其中，lc(θf,θc)是孔径识别模块在源域样本上的孔径识别模块的分类误差； d是源域特征与目标域特征的概率分布差值；λ是惩罚项系数，该惩罚项系数用于调解模型在源域样本上的孔径识别准确率和模型在源域与目标域数据之间迁移学习模块的权重。
[0142]
孔径识别模块的分类误差度量了网络模型在源域数据上的识别准确率，其计算如下式所示：
[0143][0144]
其中，yk为模型输出值，ak为样本真实值。
[0145]
特征的概率分布差值度量了模型对源域样本与目标域样本的深层特征知识概率分布差异，其计算如下式所示：
[0146][0147]
其中，n和m分别是源域特征数据与目标域特征数据的数据总量，k为核函数。
[0148]
s5.2通过adam算法进行模型训练
[0149]
adam算法是一种神经网络优化算法，通过目标函数对网络参数进行优化。模型训练过程中首先使用源域带标签数据和adam优化算法对泄漏孔径识别模型进行训练，然后使用源域数据和目标域数据通过adam优化算法对孔径识别模型的参数进行优化更新，式(10)相对于模型参数θ的梯度计算如下所示：
[0150][0151]
对于公式(13)进行梯度计算，对二维残差网络模型参数优化更新基，其中，网络迭代次数为epoch，迭代次数阈值为th，当epoch≥th时迭代结束。
[0152]
s6、泄漏孔径识别方法评估。
[0153]
在源域和目标域不同的情况下，计算泄漏孔径识别准确率，评估泄漏孔径识别方法的鲁棒性。
[0154]
实施例
[0155]
为验证本发明提出的方法的有效性，本实施例在天然气管道泄漏数据集上进行了验证实验。
[0156]
s1、采集管道泄漏信号，通过连续小波算法将采集的管道泄漏信号从时域转换为时频域，并生成时频图。
[0157]
由振动传感器采集管道泄漏信号，本实施例的天然气管道泄漏数据来自承压管道模拟泄漏装置，管道材料为无缝钢管，管道外径为108mm，管道壁厚为4.5mm，管道长度约为100m。根据空压机和储气罐的规格(最高允许压力为2mpa)以及高压、次高压管道输气压力的标准，所选用的实验压力范围为 0.5mpa～2mpa。实验管道上的泄漏孔径分别为1mm、2mm、4mm，管道泄漏数据的采集速率为100khz。为模拟真实泄漏情况，采用球阀作为泄漏孔的封堵装置。振动传感器如图6所示，l1、l2、l3分别为孔径1mm、2mm、3mm。 s1、s2、s3、s4为天然管道上的振动传感器，传感器s1、s2、s3、s4到泄漏孔径的距离分别为20.4m、10.4m、15.5m、30.7m。本次数据采集主要采用的是不同气压下，s1传感器所采集的数据。
[0158]
目前实际运行的天然气管道运输中影响管道运输的主要是微小孔径泄漏，而不同区域的管道泄漏信号的不同主要是管道内部气压不同所引起。依据管道运输环境，选取三个管道泄漏信号数据集进行测试：数据集a，管道内部压力为0.5mpa，管道泄漏孔径为：1mm、2mm、4mm；数据集b，管道内部压力为1mpa,管道泄漏孔径为：1mm、2mm、4mm；数据集c，管道内部压力为1.5mpa, 管道泄漏孔径为：1mm、2mm、4mm。选取每个数据集样本2000个，样本采样点为2400。
[0159]
构建泄漏孔径识别模型，具体包括以下步骤：
[0160]
s2、将时频图作为特征提取网络中二维残差网络的输入，提取管道泄漏孔径的特征信息。
[0161]
s3、迁移学习模块采用特征迁移学习，根据不同气压环境下提取的相同管道泄漏孔径的特征信息，计算最大均值差异。
[0162]
s4、孔径分类网络识别管道泄漏孔径的特征信息所表征的泄漏孔径类别，计算分类误差。
[0163]
为验证本文提出方法的有效性，进行了迁移泄漏孔径识别实验。实验从数据集a、b、c中提取源域、目标域训练数据集及测试数据集，六种实验如下表1所示。在表1中，箭头左侧数据集合代表源域有标签数据集合，箭头右侧数据集合表示为目标域无标签数据集合。其中，a
→
b中，数据集合a代表源域数据集合，数据集合b代表目标域数据集合。每次实验中，取全部源域数据和80％目标域数据为训练数据，剩下的20％目标域数据为测试数据。
[0164]
表1迁移孔径识别实验
[0165][0166]
s5、采用adam优化算法，根据最大均值差异和分类误差对二维残差网络参数与孔径识别网络参数进行训练更新。
[0167]
其中，迭代次数阈值th取值为100。为了减小实验过程中的随机因素影响，采用20次实验的均值为方法最终结果。本文构建网络模型采用python3.7框架，后台编写采用pytorch1.2.0，电脑中的cpu为intel i9-9900kf，显卡为nvidiartx2080ti，内存为16gb。
[0168]
s6、泄漏孔径识别方法评估
[0169]
实验统计结果如下表2所示。
[0170]
表2泄漏孔径识别模型的实验效果
[0171][0172]
由表2可以看出，在源域和目标域不同的情况下，泄漏孔径识别方法可以取得98％以上的泄漏孔径识别准确率，识别效果较好。由于目标域存在较大差异，同一源域，不同目标域的识别准确率会有一定差异，但是该差异在1％的范围内，证明该方法具有较高的鲁棒性，复杂环境下识别率稳定。
[0173]
综上所述，本发明先通过连续小波变换将振动传感器采集信号转换为时频图，然后通过泄漏孔径识别模型，实现复杂环境下管道泄漏孔径识别；泄漏孔径识别模型中通过特征迁移学习提取出不同气压环境下的管道泄漏孔径本质特征，并采用adam优化算法，对泄漏孔径识别模型参数进行训练更新；相比于其他泄漏孔径识别方法，本发明提出的方法在不同气压环境下泄漏孔径识别具有较高的准确率。