CN111783945B - 基于迁移学习lstm的长输油管道泄漏实时检测*** - Google Patents

基于迁移学习lstm的长输油管道泄漏实时检测*** Download PDF

Info

Publication number
CN111783945B
CN111783945B CN202010573746.7A CN202010573746A CN111783945B CN 111783945 B CN111783945 B CN 111783945B CN 202010573746 A CN202010573746 A CN 202010573746A CN 111783945 B CN111783945 B CN 111783945B
Authority
CN
China
Prior art keywords
data
real
pipeline
lstm
time
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010573746.7A
Other languages
English (en)
Other versions
CN111783945A (zh
Inventor
董宏丽
王闯
韩非
路敬祎
霍凤财
李学贵
王梅
杨帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeast Petroleum University
Original Assignee
Northeast Petroleum University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northeast Petroleum University filed Critical Northeast Petroleum University
Priority to CN202010573746.7A priority Critical patent/CN111783945B/zh
Publication of CN111783945A publication Critical patent/CN111783945A/zh
Application granted granted Critical
Publication of CN111783945B publication Critical patent/CN111783945B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17D—PIPE-LINE SYSTEMS; PIPE-LINES
    • F17D5/00—Protection or supervision of installations
    • F17D5/02—Preventing, monitoring, or locating loss
    • F17D5/06—Preventing, monitoring, or locating loss using electric or acoustic means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
    • G01M3/26—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
    • G01M3/28—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds
    • G01M3/2807—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds for pipes
    • G01M3/2815—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds for pipes using pressure measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Mechanical Engineering (AREA)
  • Examining Or Testing Airtightness (AREA)
  • Pipeline Systems (AREA)

Abstract

本发明属于油田生产设备技术领域，具体涉及一种基于迁移学***台采集数据，包含正常数据和泄露数据，通过数据训练，使LSTM网络检测准确率达到达95％以上；2、通过迁移学习，将训练好的LSTM模型迁移到现场数据上，对管道状态进行实时预测
Figure DDA0002550303590000011
3、通过观测器观测
Figure DDA0002550303590000012
然后比较r(k)，R(k)之间关系，判断是否发生泄漏，如果发生，***报警。该***可通过模式识别方法实时对管道故障进行诊断，如果发生故障，会进行报警，在原油运输过程中具有一定应用价值。针对上述技术问题，解决了实时性问题、小样本问题和错报、漏报问题。

Description

基于迁移学习LSTM的长输油管道泄漏实时检测***
技术领域：
本发明属于油田生产设备技术领域，具体涉及一种基于迁移学习LSTM的长输油管道泄漏实时检测***。
背景技术：
石油是重要的战略资源，关系到国家的经济命脉。管道由于其便利，快捷的特点被广泛应用于石油运输。然而，由于我国管道大多始建于上世纪80年代，服役了将近40年，已经严重老化，容易出现漏油的事故。这不仅会造成能源浪费，污染环境等问题，甚至会危害人类的生命财产安全。因此提出一种长输油管道实时检测***显得十分必要。
目前，对于管道泄漏检测，大多采用负压波的方法，即在管道两端安装压力传感器，通过收集压力信号进行小波变化等处理对管道判断是否泄露(管道发生泄漏压力信号会产生变化)。
然而，这样做会面临三个不足：1.实时性问题：数据采集到数据进行一系列信号变换处理，会导致检测的实时性问题，甚至延误最佳的维修时机。2.小样本问题：由于管道发生泄漏是一个小概率事件，导致泄漏样本比较少，在信号处理过程中没有参考，需要依赖大量专家意见，这样既费时，又大大增加了检测成本。3.容易出现误报，漏报现象：由于传感器所处的环境(车辆的行驶，附近的施工等)会造成收集到的压力信号中包含大量噪声，这进一步加大了检测的难度。
发明内容：
本发明的目的是提供一种基于迁移学习LSTM的长输油管道泄漏实时检测***，该***可通过模式识别方法实时对管道故障进行诊断，如果发生故障，会进行报警，在原油运输过程中具有一定应用价值。针对上述技术问题，解决了实时性问题、小样本问题和错报、漏报问题。
本发明采用的技术方案为：一种基于迁移学习LSTM的长输油管道泄漏实时检测***，所述检测***包括以下步骤：
步骤1、通过长输油管道泄漏实验平台采集数据，包含正常数据和泄露数据(含有噪声)，通过数据训练，使LSTM网络检测准确率达到达95％以上；
步骤2、通过迁移学习，将训练好的LSTM模型迁移到现场数据上，对管道状态进行实时预测
Figure BDA0002550303570000021
步骤3、通过观测器观测
Figure BDA0002550303570000022
然后比较r(k)，R(k)之间关系，判断是否发生泄漏，如果发生，***报警。
进一步地，一种基于迁移学习LSTM的长输油管道泄漏实时检测***，提出基于观测器的在线实时检测-解决实时性问题；
1)、首先设计观测器：
Figure BDA0002550303570000023
Figure BDA0002550303570000024
其中u(k)为数据的输入，
Figure BDA0002550303570000025
为中间状态，
Figure BDA0002550303570000026
为输出，
Figure BDA0002550303570000027
和θφ为最优的权重ω和偏置b组合；
2)、构造残差产生器：
Figure BDA0002550303570000031
其中，y(k)为实时压力数据。
3)、在线实时检测
如果r(k)<R(k)正常情况
如果r(k)>R(k)故障情况
其中R(k)为阈值。
提出基于迁移学习的小样本检测；
提出基于LSTM的长输油管道泄漏检测算法；考虑到管道压力信号是一个时间序列，而LSTM(作为循环神经网络(RNN)的变体)在处理时间序列具有很好的时间依赖性，而且识别准确率高。
本发明的有益效果：解决了长输油管道泄漏检测的实时性，小样本，容易误报，漏报问题。本发明具有检测速度快，准确率高等优势，应用到实际油田***可以减低95％以上的事故发生概率。从而降低了石油资源的浪费，减少了环境污染，更重要的是为人民的生命财产保驾护航。
附图说明：
图1是实施例一的流程框图；
图2是实施例一中LSTM网络预测流程图；
图3是实施例一中迁移学习模型流程图；
图4是实施例一中LSTM在实验室数据训练的效果图；
图5是实施例一中基于迁移学习LSTM的现场预测效果图；
图6是实施例一中基于观测器的实时监测效果图。
具体实施方式：
实施例一
参照各图，一种基于迁移学习LSTM的长输油管道泄漏实时检测***，其特征在于：所述检测***包括以下步骤：
步骤1、通过长输油管道泄漏实验平台采集数据，包含正常数据和泄露数据(含有噪声)，通过数据训练，使LSTM网络检测准确率达到达95％以上；由于管道压力信号是一个时间序列，而LSTM(作为循环神经网络(RNN)的变体)在处理时间序列具有很好的时间依赖性，而且识别准确率高，如图1所述。
步骤2、通过迁移学习，将训练好的LSTM模型迁移到现场数据上，对管道状态进行实时预测
Figure BDA0002550303570000041
迁移学习模型如图2所示。
步骤3、通过观测器观测
Figure BDA0002550303570000042
然后比较r(k)，R(k)之间关系，判断是否发生泄漏，如果发生，***报警。
在本步骤中，提出基于观测器的在线实时检测-解决实时性问题；
1)、首先设计观测器：
Figure BDA0002550303570000043
Figure BDA0002550303570000044
其中u(k)为数据的输入，
Figure BDA0002550303570000045
为中间状态，
Figure BDA0002550303570000046
为输出，
Figure BDA0002550303570000047
和θφ为最优的权重ω和偏置b组合；
2)、构造残差产生器：
Figure BDA0002550303570000051
其中，y(k)为实时压力数据。
3)、在线实时检测
如果r(k)<R(k)正常情况
如果r(k)>R(k)故障情况
其中R(k)为阈值。
首先考虑到基于负压波信号的管道故障检测是具有时间依赖性的，因此提出了一种基于LSTM的故障诊断方法。然后，考虑到管道故障信号是一个小样本问题，因此提出了一种基于迁移学习的策略来解决小样本问题，用实验室管道数据来对LSTM模型进行训练，然后将训练好的模型迁移到实际管道信号中。最后考虑到管道故障诊断需要时效性，因此提出了一种基于观测器的实时故障诊断方法，通过残差函数与阈值进行对比，进而实时判断管道是否发生故障。解决了实时性问题、小样本问题、错报和漏报问题。为管道故障诊断提出了一套***科学的方法，具有可操作性，具有一定的实际应用价值。

Claims (1)

1.一种基于迁移学习LSTM的长输油管道泄漏实时检测***，其特征在于：所述检测***包括以下步骤：
步骤1、通过长输油管道泄漏实验平台采集数据，包含正常数据和泄露数据，通过数据训练，使LSTM网络检测准确率达到达95％以上；
步骤2、通过迁移学习，将训练好的LSTM模型迁移到现场数据上，对管道状态进行实时预测；
步骤3、通过观测器观测
Figure FDA0003627222670000011
然后比较r(k)，R(k)之间关系，判断是否发生泄漏，如果发生，***报警；
所述步骤3的步骤如下：
1)、设计观测器：
Figure FDA0003627222670000012
Figure FDA0003627222670000013
其中u(k)为数据的输入，
Figure FDA0003627222670000014
为中间状态，
Figure FDA0003627222670000015
为输出，
Figure FDA0003627222670000016
和θf为最优的权重ω和偏置b组合；
2)、构造残差产生器：
Figure FDA0003627222670000017
其中y(k)为实时压力数据；
3)、在线实时检测
如果r(k)＜R(k)为正常情况，如果r(k)＞R(k)则为故障情况，其中R(k)为阈值。
CN202010573746.7A 2020-06-22 2020-06-22 基于迁移学习lstm的长输油管道泄漏实时检测*** Active CN111783945B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010573746.7A CN111783945B (zh) 2020-06-22 2020-06-22 基于迁移学习lstm的长输油管道泄漏实时检测***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010573746.7A CN111783945B (zh) 2020-06-22 2020-06-22 基于迁移学习lstm的长输油管道泄漏实时检测***

Publications (2)

Publication Number Publication Date
CN111783945A CN111783945A (zh) 2020-10-16
CN111783945B true CN111783945B (zh) 2022-08-16

Family

ID=72756139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010573746.7A Active CN111783945B (zh) 2020-06-22 2020-06-22 基于迁移学习lstm的长输油管道泄漏实时检测***

Country Status (1)

Country Link
CN (1) CN111783945B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2022234947A1 (en) * 2021-03-09 2023-10-19 The University Of Adelaide Pipeline anomaly detection method and system
CN113588179B (zh) * 2021-06-24 2023-11-21 武汉众智鸿图科技有限公司 一种供水管网漏损检测方法及***
CN114352947B (zh) * 2021-12-08 2024-03-12 天翼物联科技有限公司 一种燃气管道泄漏检测方法、***、装置及存储介质

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106980822A (zh) * 2017-03-14 2017-07-25 北京航空航天大学 一种基于选择性集成学习的旋转机械故障诊断方法
CN107861383A (zh) * 2017-10-23 2018-03-30 天津大学 基于自适应观测器的卫星故障诊断与容错控制方法
CN107886133A (zh) * 2017-11-29 2018-04-06 南京市测绘勘察研究院股份有限公司 一种基于深度学习的地下管道缺陷自动识别方法
CN108304927A (zh) * 2018-01-25 2018-07-20 清华大学 基于深度学习的轴承故障模式诊断方法及***
CN108591836A (zh) * 2018-04-13 2018-09-28 中国石油大学(北京) 管道泄漏的检测方法和装置
CN108798641A (zh) * 2018-06-19 2018-11-13 东北大学 一种基于子空间迁移学习的有杆泵抽油井故障诊断方法
CN110185938A (zh) * 2019-05-06 2019-08-30 武汉理工大学 一种分布式声波管道在线监测***
CN110598792A (zh) * 2019-09-16 2019-12-20 福州大学 基于pggan迁移学习的排水管道缺陷检测训练数据生成方法
CN110610245A (zh) * 2019-07-31 2019-12-24 东北石油大学 一种基于AFPSO-K-means的长输油管道泄漏检测方法及***
CN110689051A (zh) * 2019-09-06 2020-01-14 北京市安全生产科学技术研究院 一种基于迁移学习的燃气管道内腐蚀模式智能辨识方法
CN110703744A (zh) * 2019-09-11 2020-01-17 淮阴工学院 基于未知输入观测器的化工液位控制***故障检测方法
CN110766192A (zh) * 2019-09-10 2020-02-07 中国石油大学(北京) 基于深度学习的钻井井漏预测***及方法
CN111022941A (zh) * 2019-12-27 2020-04-17 重庆科技学院 一种基于lstm循环神经网络的天然气管道泄漏检测方法
CN111062127A (zh) * 2019-12-16 2020-04-24 辽宁石油化工大学 管道漏点的检测方法及装置、存储介质、终端

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10657443B2 (en) * 2017-05-24 2020-05-19 Southwest Research Institute Detection of hazardous leaks from pipelines using optical imaging and neural network

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106980822A (zh) * 2017-03-14 2017-07-25 北京航空航天大学 一种基于选择性集成学习的旋转机械故障诊断方法
CN107861383A (zh) * 2017-10-23 2018-03-30 天津大学 基于自适应观测器的卫星故障诊断与容错控制方法
CN107886133A (zh) * 2017-11-29 2018-04-06 南京市测绘勘察研究院股份有限公司 一种基于深度学习的地下管道缺陷自动识别方法
CN108304927A (zh) * 2018-01-25 2018-07-20 清华大学 基于深度学习的轴承故障模式诊断方法及***
CN108591836A (zh) * 2018-04-13 2018-09-28 中国石油大学(北京) 管道泄漏的检测方法和装置
CN108798641A (zh) * 2018-06-19 2018-11-13 东北大学 一种基于子空间迁移学习的有杆泵抽油井故障诊断方法
CN110185938A (zh) * 2019-05-06 2019-08-30 武汉理工大学 一种分布式声波管道在线监测***
CN110610245A (zh) * 2019-07-31 2019-12-24 东北石油大学 一种基于AFPSO-K-means的长输油管道泄漏检测方法及***
CN110689051A (zh) * 2019-09-06 2020-01-14 北京市安全生产科学技术研究院 一种基于迁移学习的燃气管道内腐蚀模式智能辨识方法
CN110766192A (zh) * 2019-09-10 2020-02-07 中国石油大学(北京) 基于深度学习的钻井井漏预测***及方法
CN110703744A (zh) * 2019-09-11 2020-01-17 淮阴工学院 基于未知输入观测器的化工液位控制***故障检测方法
CN110598792A (zh) * 2019-09-16 2019-12-20 福州大学 基于pggan迁移学习的排水管道缺陷检测训练数据生成方法
CN111062127A (zh) * 2019-12-16 2020-04-24 辽宁石油化工大学 管道漏点的检测方法及装置、存储介质、终端
CN111022941A (zh) * 2019-12-27 2020-04-17 重庆科技学院 一种基于lstm循环神经网络的天然气管道泄漏检测方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
A novel optimized SVM algorithm based on PSO with saturation and mixed time-delays for classification of oil pipeline leak detection;Chuang Wang 等;《Systems Science & Control Engineering》;20190130;第7卷(第1期);第75-88页第6.1节 *
A Novel PPA Method for Fluid Pipeline Leak Detection Based on OPELM and Bidirectional LSTM;LEI YANG 等;《IEEE Access》;20200618;第107165-107199页 *
Predicting pipeline leakage in petrochemical system through GAN and LSTM;Peng Xu 等;《Knowledge-Based Systems》;20190412;第50-61页第3-5节 *
Pressure prediction and abnormal working conditions detection of water supply network based on LSTM;Zhe Xu 等;《Water Supply》;20200501;第20卷(第3期);第963-974页 *
基于 VPL 的输油管道实时泄漏检测***;佟淑娇 等;《中国安全生产科学技术》;20170430;第13卷(第4期);第117-122页 *
广义回归神经网络在燃气管道泄漏检测中的应用;郝永梅 等;《消防科学与技术》;20150715;第950-953、974页 *
输油管网泄漏故障信息融合诊断***研究;孙丰;《中国优秀硕士学位论文 工程科技I辑》;20130615;第B019-169页正文第3.3节，图3-4 *
输油管道泄漏检测技术综述;安杏杏 等;《吉林大学学报（信息科学版）》;20170731;第35卷(第4期);第424-429页 *

Also Published As

Publication number Publication date
CN111783945A (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
CN111783945B (zh) 基于迁移学习lstm的长输油管道泄漏实时检测***
US20200370408A1 (en) Method and system for guaranteeing safety of offshore oil well control equipment
Liu et al. A leak detection method for oil pipeline based on Markov feature and two-stage decision scheme
CN102128022B (zh) 钻井工程预警方法及***
CN105760934A (zh) 一种基于小波与bp神经网络的桥梁异常监测数据修复方法
CN111274737A (zh) 一种机械设备剩余使用寿命预测方法及***
CN102072789B (zh) 一种地面测试铁道车辆轮轨力的连续化处理方法
CN112710474B (zh) 一种基于实时振动数据的柴油机状态评估方法
CN115906949B (zh) 一种石油管道故障诊断方法及***、存储介质和石油管道故障诊断设备
CN113255188A (zh) 一种基于事故树的桥梁安全预警方法及***
Chen et al. Discovery of potential risks for the gas transmission station using monitoring data and the OOBN method
CN116739345B (zh) 一种危化品道路运输事故发生可能性实时评估方法
CN112413413B (zh) 结合深度学习和多次测量技术的管道泄漏监测及定位方法
CN115829331A (zh) 海上生产平台井口装置与采油树风险评估方法及***
Yacout Logical analysis of maintenance and performance data of physical assets, ID34
CN114372411B (zh) 一种供水管网巡检、查漏和改造三阶段病害诊断方法
Zhang et al. Improved condition monitoring for an FPSO system with multiple correlated components
Miguelanez et al. Fault diagnosis of a train door system based on semantic knowledge representation
CN115270875A (zh) 一种基于深度学习的隔膜泵运行状态监测方法
Su et al. Handling uncertainty in human cognitive reliability method for safety assessment based on DSET
Deng et al. Fault diagnosis technology based on the fusion of neural network and fuzzy Logic
CN114060132A (zh) 一种基于排放远程监控的NOx传感器作弊甄别方法
Han et al. Testability modeling method based on MSFG-BN composite model
Chen et al. EPBS_FIDMV: A fault injection and diagnosis methods validation benchmark for EPBS of EMU
CN115310204B (zh) 影响汽车nvh性能的生产异常智能溯源方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant