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 PDFInfo
- 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
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
Description
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;
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:
2)、构造残差产生器:
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。
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:
2)、构造残差产生器:
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;
所述步骤3的步骤如下:
1)、设计观测器:
2)、构造残差产生器:
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。
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)
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)
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)
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 |
-
2020
- 2020-06-22 CN CN202010573746.7A patent/CN111783945B/zh active Active
Patent Citations (14)
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)
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 |