基于频谱加权和残差卷积神经网络的管道泄漏定位方法

本发明涉及机器学习领域，尤其涉及一种基于频谱加权和大核残差卷积神经网络的管道泄漏定位方法。

背景技术：

1、天然气是一种优质、绿色、低碳的能源，在全球能源消费结构中的重要性日益提高，为天然气产业的发展提供了机遇。管道以其运量大、成本低的优点成为天然气运输的首选方式。然而，由于环境、管道老化、外力和腐蚀等因素，管道容易发生泄漏。管道泄漏不仅会造成资源的浪费，而且还会污染环境，甚至会导致生命财产损失。因此，天然气管道泄漏监测与定位具有重要意义。

2、当前常见的管道泄漏监测定位方法中，主要采用传统机器学习的方法，进行特征提取和泄漏定位。但传统的机器学习方法，特征提取过程繁琐，泄漏定位准确率较低。

3、有专利公开了一种基于alexnet卷积神经网络的供暖管道泄漏检测方法，使用小波分析对采集到数据进行滤波处理，减少管道噪声的干扰，提取出泄漏信号表征的多种特征参数，根据提取到的参数构建alexnet卷积神经网络，进而判断是否发生泄漏，但该方法缺乏泛化性，无法有效应对更复杂的泄漏环境。

4、还有专利公开了使用一种基于卷积神经网络的气体管道泄漏识别方法，将短时音频信号进行短时傅里叶变化得到表征信号的视频图，再使用二维卷积神经对泄漏图像进行分类，实现泄漏识别，但该方法使用参数较多，二维卷积运算时间较长。

技术实现思路

1、本发明针对管道泄漏时产生的振动信号较为复杂，采集到的信号易受环境噪声的干扰，很难准确定位泄漏点，提供一种可以适应更复杂的泄漏环境且可以优化泄漏识别过程的基于频谱加权和大核残差卷积神经网络管道泄漏监测定位方法及系统。

2、本发明所采用的技术方案是：

3、提供一种基于频谱加权和残差卷积神经网络的管道泄漏定位方法，包括以下步骤：

4、s1、采集光栅阵列振动传感光缆内的振动信号，所述光栅阵列振动传感光缆采用直线铺设的方式铺设在管道上方；

5、s2、提取振动信号中的主频，以该主频为中心，在一定频率范围进行频谱加权处理，得到加强后的振动信号；

6、s3、将加强后的振动信号输入训练好的一维大核残差卷积神经网络模型，得到管道泄漏类别概率，定位泄漏位置；

7、其中，该一维大核残差卷积神经网络模型的训练过程如下：将铺设在管道上方的光栅阵列振动传感光缆分为多个区域，并在管道上开设多个孔径的泄漏孔，使用不同压强模拟在不同工况中的泄漏；采集光栅阵列振动传感光缆在不同压强、不同孔径下管道发生泄漏产生的振动信号；提取管道泄漏时每个传感区域的主频，将出现次数最多的主频标定为泄漏频率，再以泄漏频率为中心，在一定频率范围进行频谱加权处理，得到处理后的泄漏振动信号作为数据样本集；将数据样本集划分为训练集和测试集，采用训练集训练预先构建的一维大核残差卷积神经网络模型，再利用测试集测试该一维大核残差卷积神经网络模型的性能。

8、接上述技术方案，具体使用三种不同的压强，使用两种不同的泄漏孔模拟不同工况，对管道上的多个泄漏柱进行定位。

9、接上述技术方案，数据样本集中的振动信号采集时，首先使用高频仪表来采集泄漏产生的振动信号，若通过采集到的信号发现该管道泄漏产生的振动信号均为低频信号，则将管道泄漏信号进行降采样处理，由采样信号由高频降为低频。

10、接上述技术方案，频谱加权处理时，以泄漏频率为中心在1hz范围进行频谱加权处理。

11、接上述技术方案，其中一维大核残差卷积神经网络模型的架构为：

12、第一层为stage block层，泄漏数据首先经过stage block层的多个卷积层提取信号特征；

13、第二层为large kernel层和small kernel层，第一层的输出信号特征分别进入large kernel层提取振动信号的全局特征，进入small kernel层提取振动信号的纹理特征，全局特征与纹理特征相加后再与第一层的信号特征进行残差连接；

14、第三层、第四层与第二层的结构相同，用于提取深层复杂特征，形成多级特征表达；

15、第五层为全连接层，对第四层的输出信号特征使用线性层进行展平；

16、第六层为softmax层，对展平后的信号特征使用softmax函数进行管道泄漏进行分类并输出。

17、接上述技术方案，该一维大核残差卷积神经网络模型采用relu激活函数，损失函数采用交叉熵函数。

18、接上述技术方案，large kernel层中的卷积核大于small kernel层中的卷积核。

19、接上述技术方案，该一维大核残差卷积神经网络模型的损失函数采用交叉熵函数：

20、

21、其中m表示一次参与网络训练的样本个数，y(i)表示第i个样本为泄漏类别的真实概率，表示第i个样本为通过模型训练进行计算得到的泄漏类别概率。

22、本发明还提供一种基于频谱加权和残差卷积神经网络的管道泄漏定位系统，包括以下步骤：

23、信号采集模块，用于采集光栅阵列振动传感光缆内的振动信号，所述光栅阵列振动传感光缆采用直线铺设的方式铺设在管道上方；

24、信号处理模块，用于提取振动信号中的主频，以该主频为中心，在一定频率范围进行频谱加权处理，得到加强后的振动信号；

25、识别模块，用于将加强后的振动信号输入训练好的一维大核残差卷积神经网络模型，得到管道泄漏类别概率，定位泄漏位置；

26、其中，该一维大核残差卷积神经网络模型的训练过程如下：将铺设在管道上方的光栅阵列振动传感光缆分为多个区域，并在管道上开设多个孔径的泄漏孔，使用不同压强模拟在不同工况中的泄漏；采集光栅阵列振动传感光缆在不同压强、不同孔径下管道发生泄漏产生的振动信号；提取管道泄漏时每个传感区域的主频，将出现次数最多的主频标定为泄漏频率，再以泄漏频率为中心，在一定频率范围进行频谱加权处理，得到处理后的泄漏振动信号作为数据样本集；将数据样本集划分为训练集和测试集，采用训练集训练预先构建的一维大核残差卷积神经网络模型，再利用测试集测试该一维大核残差卷积神经网络模型的性能。

27、本发明还提供一种计算机存储介质，其内存储有可被处理器执行的计算机程序，该计算机程序执行上述技术方案所述的基于频谱加权和残差卷积神经网络的管道泄漏定位方法。

28、本发明产生的有益效果是：本发明提出一种基于频谱加权和大核残差卷积神经网络泄漏监测定位方法，将泄漏数据进行频谱加权预处理，在泄漏信号不失真的情况下，增强泄漏信号特征；通过使用光栅阵列振动传感技术和一维大核残差卷积神经网络相结合，利用光栅阵列灵敏度高，复用性强、空间分辨率高的优点和一维大核残差卷积神经网络对泄漏信号的精准识别能力相辅相成，避免了将环境噪声误判为泄漏信号，并且能捕捉到泄漏信号不会发生漏判，将管道泄漏定位准确率大幅提升。

29、进一步地，模型训练的样本数据采集过程中，通过使用光栅阵列振动传感光缆和高频率仪表采集管道泄漏产生的振动信号，以免遗漏高频的泄漏振动信号；若确定管道泄漏产生的振动信号为低频信号，则将采样频率降为低频，从而去除管道泄漏的冗余信号，缩短模型训练时间，加快网络模型训练速度

30、进一步地，使用的一维大核残差卷积神经网络通过大核卷积和小核卷积不仅能捕捉到泄漏信号的全局特征，还可以兼顾到泄漏信号的局部信息，并引入残差结构，提高了模型的泛化能力，从而实现泄漏监测准确定位。