本申請(qǐng)涉及輸油管道泄露，例如涉及一種輸油管道泄漏智能監(jiān)測(cè)和定位方法及裝置。
背景技術(shù)：
1、近年來，隨著能源需求的不斷增長，輸油管道作為能源運(yùn)輸?shù)闹匾ǖ?，其安全運(yùn)營變得尤為關(guān)鍵。由于管道的長距離輸送過程和所處的復(fù)雜環(huán)境，泄漏問題一直是行業(yè)面臨的挑戰(zhàn)之一。
2、傳統(tǒng)的管道泄漏監(jiān)測(cè)方法為質(zhì)量平衡法、負(fù)壓波方法和壓力點(diǎn)分析等方法，但這些方法存在誤報(bào)率高以及無法定位等缺陷，無法滿足智能化監(jiān)測(cè)需求。為了提高泄漏監(jiān)測(cè)的效率和準(zhǔn)確性，分布式光纖傳感器被引入管道泄漏檢測(cè)中。這項(xiàng)技術(shù)基于光纖傳感器，通過在光纖中引入微小的摻雜或反射點(diǎn)，實(shí)現(xiàn)了對(duì)溫度和振動(dòng)，等環(huán)境參數(shù)的高精度實(shí)時(shí)監(jiān)測(cè)。相較于傳統(tǒng)的傳感器技術(shù)，分布式光纖傳感器具有更高的靈敏度和空間分辨率。
3、目前大部分研究采用單一的光纖溫度傳感檢測(cè)系統(tǒng)或振動(dòng)檢測(cè)系統(tǒng)來識(shí)別管道泄漏。然而單一的溫度變量或者振動(dòng)變量有可能是由于外界環(huán)境和操作引起的，會(huì)使得系統(tǒng)的誤報(bào)率變大。由于管道泄漏必然會(huì)引起溫度和振動(dòng)的同時(shí)變化，因此將溫度和振動(dòng)信號(hào)結(jié)合在一起進(jìn)行融合處理，能夠獲取到更多的管道狀態(tài)信息和信號(hào)特征，極大的提高泄漏檢測(cè)的準(zhǔn)確率。
4、此外，目前大部分應(yīng)用的工程中的泄露檢測(cè)原理是基于閾值識(shí)別法，即基于對(duì)信號(hào)進(jìn)行閾值分析，在檢測(cè)過程中，一旦溫度或振動(dòng)信號(hào)超過所設(shè)定的閾值，檢測(cè)系統(tǒng)就會(huì)進(jìn)行預(yù)警。這種方法更為便捷，但閾值的設(shè)定也會(huì)導(dǎo)致檢測(cè)的準(zhǔn)確率容易受到外界的干擾。
5、通常通過人工提取特征向量依賴于經(jīng)驗(yàn)知識(shí)，且可能無法提取出信號(hào)中的全部特征信息，且這些模型主要關(guān)注管道的安全狀態(tài)，沒有進(jìn)一步對(duì)相應(yīng)的問題點(diǎn)進(jìn)行定位，不便于快速采取相應(yīng)的檢維修措施。
技術(shù)實(shí)現(xiàn)思路
1、為了對(duì)披露的實(shí)施例的一些方面有基本的理解，下面給出了簡單的概括。所述概括不是泛泛評(píng)述，也不是要確定關(guān)鍵/重要組成元素或描繪這些實(shí)施例的保護(hù)范圍，而是作為后面的詳細(xì)說明的序言。
2、一方面，本公開實(shí)施例提供一種輸油管道泄漏智能監(jiān)測(cè)和定位方法，包括：
3、采集光纖溫度和振動(dòng)信號(hào)；
4、基于所述光纖溫度和振動(dòng)信號(hào)，構(gòu)建深層卷積神經(jīng)網(wǎng)絡(luò)融合模型；
5、采集實(shí)時(shí)光纖溫度和振動(dòng)信號(hào)，將所述實(shí)時(shí)光纖溫度和振動(dòng)信號(hào)輸入深層卷積神經(jīng)網(wǎng)絡(luò)融合模型進(jìn)行識(shí)別，根據(jù)輸出的分類結(jié)果進(jìn)行管道泄漏狀態(tài)識(shí)別，根據(jù)輸出的回歸結(jié)果進(jìn)行泄露點(diǎn)定位。
6、進(jìn)一步，所述采集光纖溫度和振動(dòng)信號(hào)，包括：
7、搭建管道泄露模擬試驗(yàn)臺(tái)，將分布式溫度光纖和振動(dòng)光纖布置到管道上；
8、采用分布式溫度光纖傳感器采集管道各個(gè)位置的光纖溫度信號(hào)；
9、采用分布式振動(dòng)光纖傳感器采集管道在同一狀態(tài)下相同時(shí)間內(nèi)各個(gè)位置的光纖振動(dòng)信號(hào)；
10、記錄管道狀態(tài)，其中，所述管道狀態(tài)為樣本數(shù)據(jù)標(biāo)簽，包括管道泄漏、管道未泄漏和泄漏點(diǎn)位置。
11、進(jìn)一步，所述基于所述光纖溫度和振動(dòng)信號(hào)，構(gòu)建深層卷積神經(jīng)網(wǎng)絡(luò)融合模型，包括：
12、將采集的光纖溫度和振動(dòng)信號(hào)進(jìn)行預(yù)處理，并將處理后的數(shù)據(jù)劃分為訓(xùn)練集、測(cè)試集和驗(yàn)證集，其中，所述預(yù)處理至少包括數(shù)據(jù)清洗、歸一化處理；所述數(shù)據(jù)清洗包括異常值或/和壞值剔除；所述歸一化處理包括對(duì)溫度進(jìn)行歸一化處理；
13、采用溫度和振動(dòng)信號(hào)數(shù)據(jù)訓(xùn)練集對(duì)模型進(jìn)行學(xué)習(xí)訓(xùn)練，并通過溫度和振動(dòng)信號(hào)數(shù)據(jù)測(cè)試集對(duì)模型進(jìn)行測(cè)試，直至模型的準(zhǔn)確率滿足預(yù)設(shè)要求，獲得基于深層卷積神經(jīng)網(wǎng)絡(luò)的融合模型。
14、進(jìn)一步，所述樣本數(shù)據(jù)標(biāo)簽在訓(xùn)練集、測(cè)試集和驗(yàn)證集中成比例均分。
15、進(jìn)一步，所述采用溫度和振動(dòng)信號(hào)數(shù)據(jù)訓(xùn)練集對(duì)模型進(jìn)行學(xué)習(xí)訓(xùn)練，并通過溫度和振動(dòng)信號(hào)數(shù)據(jù)測(cè)試集對(duì)模型進(jìn)行測(cè)試，直至模型的準(zhǔn)確率滿足預(yù)設(shè)要求，獲得基于深層卷積神經(jīng)網(wǎng)絡(luò)的融合模型，包括：
16、構(gòu)建兩個(gè)輸入形狀不同但輸出形狀相同的卷積神經(jīng)網(wǎng)絡(luò)提取溫度信號(hào)和振動(dòng)信號(hào)的特征；
17、通過融合神經(jīng)網(wǎng)絡(luò)模型將兩個(gè)卷積神經(jīng)網(wǎng)絡(luò)的輸出拼接在一起，得到管道泄漏狀態(tài)分類和回歸定位。
18、進(jìn)一步，所述構(gòu)建兩個(gè)輸入形狀不同但輸出形狀相同的卷積神經(jīng)網(wǎng)絡(luò)提取溫度信號(hào)和振動(dòng)信號(hào)的特征，包括：
19、采用二維卷積層提取一段時(shí)間內(nèi)管道長度上所有采樣點(diǎn)構(gòu)成的具有時(shí)間和空間維度的溫度信號(hào)和振動(dòng)信號(hào)。
20、進(jìn)一步，所述采用二維卷積層提取一段時(shí)間內(nèi)管道長度上所有采樣點(diǎn)構(gòu)成的具有時(shí)間和空間維度的溫度信號(hào)和振動(dòng)信號(hào)中，若二維卷積層數(shù)的堆疊造成模型梯度變化，進(jìn)入殘差塊結(jié)構(gòu)對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化。
21、進(jìn)一步，所述根據(jù)輸出的分類結(jié)果進(jìn)行管道泄漏狀態(tài)識(shí)別，根據(jù)輸出的回歸結(jié)果進(jìn)行泄露點(diǎn)定位，包括：
22、當(dāng)分類結(jié)果為無泄漏時(shí)，不進(jìn)行回歸運(yùn)算，將回歸值輸出為0，表示管道無泄漏；
23、當(dāng)管道泄漏狀態(tài)為發(fā)生泄漏時(shí)，則進(jìn)行回歸運(yùn)算，輸出回歸值，其中，
24、所述回歸值為管道泄漏點(diǎn)位置；其中，
25、通過計(jì)算損失函數(shù)衡量預(yù)測(cè)誤差的大小，獲得定位的位置。
26、另一方面，本發(fā)明提出了一種輸油管道泄漏智能監(jiān)測(cè)和定位裝置，包括：
27、采集模塊，用于采集光纖溫度和振動(dòng)信號(hào)；
28、構(gòu)建模塊，用于基于所述光纖溫度和振動(dòng)信號(hào)，構(gòu)建深層卷積神經(jīng)網(wǎng)絡(luò)融合模型；
29、識(shí)別模塊，用于采集實(shí)時(shí)光纖溫度和振動(dòng)信號(hào)，將所述實(shí)時(shí)光纖溫度和振動(dòng)信號(hào)輸入深層卷積神經(jīng)網(wǎng)絡(luò)融合模型進(jìn)行識(shí)別，根據(jù)輸出的分類結(jié)果進(jìn)行管道泄漏狀態(tài)識(shí)別，根據(jù)輸出的回歸結(jié)果進(jìn)行泄露點(diǎn)定位。
30、進(jìn)一步，所述采集模塊，包括：
31、搭建模塊，用于搭建管道泄露模擬試驗(yàn)臺(tái)，將分布式溫度光纖和振動(dòng)光纖布置到管道上；
32、第一采集模塊，用于采用分布式溫度光纖傳感器采集管道各個(gè)位置的光纖溫度信號(hào)；
33、第二采集模塊，用于采用分布式振動(dòng)光纖傳感器采集管道在同一狀態(tài)下相同時(shí)間內(nèi)各個(gè)位置的光纖振動(dòng)信號(hào)；
34、第三記錄模塊，用于記錄管道狀態(tài)作為樣本數(shù)據(jù)標(biāo)簽，其中，所述管道狀態(tài)包括管道泄漏、管道未泄漏、以及泄漏點(diǎn)位置。
35、本公開實(shí)施例提供的一種輸油管道泄漏智能監(jiān)測(cè)和定位方法及裝置，可以實(shí)現(xiàn)以下技術(shù)效果：
36、(1)本發(fā)明基于深度學(xué)習(xí)模型，能夠精準(zhǔn)的監(jiān)測(cè)管道泄漏狀態(tài)，提升了識(shí)別的準(zhǔn)確率；
37、(2)本發(fā)明將原始信號(hào)直接輸入深層卷積神經(jīng)網(wǎng)絡(luò)融合模型中，通過卷積層自動(dòng)提取特征，實(shí)現(xiàn)分類和回歸任務(wù)，極大地減小了人工參與量；
38、(3)本發(fā)明將分布式光纖溫度和振動(dòng)信號(hào)結(jié)合在一起，模型輸入為雙參量，為此在傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)中加入了融合網(wǎng)絡(luò)結(jié)構(gòu)，該結(jié)構(gòu)可應(yīng)用范圍廣，還可以用于管道上安裝了多傳感器的多參量管道狀態(tài)監(jiān)測(cè)；
39、(4)本發(fā)明在應(yīng)用時(shí)無需改變管道結(jié)構(gòu)，安裝簡便，還可以實(shí)現(xiàn)管道的多參量連續(xù)監(jiān)測(cè)和預(yù)警。
1.一種輸油管道泄漏智能監(jiān)測(cè)和定位方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的一種輸油管道泄漏智能監(jiān)測(cè)和定位方法，其特征在于，所述采集光纖溫度和振動(dòng)信號(hào)，包括：
3.根據(jù)權(quán)利要求2所述的一種輸油管道泄漏智能監(jiān)測(cè)和定位方法，其特征在于，所述基于所述光纖溫度和振動(dòng)信號(hào)，構(gòu)建深層卷積神經(jīng)網(wǎng)絡(luò)融合模型，包括：
4.根據(jù)權(quán)利要求3所述的一種輸油管道泄漏智能監(jiān)測(cè)和定位方法，其特征在于，所述樣本數(shù)據(jù)標(biāo)簽在訓(xùn)練集、測(cè)試集和驗(yàn)證集中成比例均分。
5.根據(jù)權(quán)利要求3所述的一種輸油管道泄漏智能監(jiān)測(cè)和定位方法，其特征在于，所述采用溫度和振動(dòng)信號(hào)數(shù)據(jù)訓(xùn)練集對(duì)模型進(jìn)行學(xué)習(xí)訓(xùn)練，并通過溫度和振動(dòng)信號(hào)數(shù)據(jù)測(cè)試集對(duì)模型進(jìn)行測(cè)試，直至模型的準(zhǔn)確率滿足預(yù)設(shè)要求，獲得基于深層卷積神經(jīng)網(wǎng)絡(luò)的融合模型，包括：
6.根據(jù)權(quán)利要求5所述的一種輸油管道泄漏智能監(jiān)測(cè)和定位方法，其特征在于，所述構(gòu)建兩個(gè)輸入形狀不同但輸出形狀相同的卷積神經(jīng)網(wǎng)絡(luò)提取溫度信號(hào)和振動(dòng)信號(hào)的特征，包括：
7.根據(jù)權(quán)利要求6所述的一種輸油管道泄漏智能監(jiān)測(cè)和定位方法，其特征在于，所述采用二維卷積層提取一段時(shí)間內(nèi)管道長度上所有采樣點(diǎn)構(gòu)成的具有時(shí)間和空間維度的溫度信號(hào)和振動(dòng)信號(hào)中，若二維卷積層數(shù)的堆疊造成模型梯度變化，進(jìn)入殘差塊結(jié)構(gòu)對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化。
8.根據(jù)權(quán)利要求1所述的一種輸油管道泄漏智能監(jiān)測(cè)和定位方法，其特征在于，所述根據(jù)輸出的分類結(jié)果進(jìn)行管道泄漏狀態(tài)識(shí)別，根據(jù)輸出的回歸結(jié)果進(jìn)行泄露點(diǎn)定位，包括：
9.一種輸油管道泄漏智能監(jiān)測(cè)和定位裝置，其特征在于，包括：
10.根據(jù)權(quán)利要求9所述的一種輸油管道泄漏智能監(jiān)測(cè)和定位裝置，其特征在于，所述采集模塊，包括：