CN112801033A - 基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法 - Google Patents
基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法 Download PDFInfo
- Publication number
- CN112801033A CN112801033A CN202110201069.0A CN202110201069A CN112801033A CN 112801033 A CN112801033 A CN 112801033A CN 202110201069 A CN202110201069 A CN 202110201069A CN 112801033 A CN112801033 A CN 112801033A
- Authority
- CN
- China
- Prior art keywords
- layer
- output
- signal
- leakage
- alexnet network
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000010276 construction Methods 0.000 title claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 239000013307 optical fiber Substances 0.000 claims abstract description 8
- 239000002689 soil Substances 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 14
- 238000004088 simulation Methods 0.000 claims description 14
- 230000003287 optical effect Effects 0.000 claims description 12
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 238000009412 basement excavation Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000009432 framing Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000000253 optical time-domain reflectometry Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000007906 compression Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Discrete Mathematics (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明属于管道状态监测领域，公开了一种基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法，包括采集信号，建立数据库；信号处理；搭建AlexNet网络，进行训练和测试；优化AlexNet网络，进行识别等步骤。本发明提供的基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法，可靠性高，实现了全面的长输油气管线泄漏隐患及危险辨识，而且识别率高，此外，还实现了软硬件结合，可不受电流影响对光纤链路上的所有点进行检测。本发明适用于长输油气管线沿线施工扰动及泄漏的识别。
Description
技术领域
本发明属于管道状态监测领域，涉及油气管线沿线施工扰动及泄漏地识别，具体地说是一种基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法。
背景技术
近年来，我国管道运输建设速度突飞猛进，由此暴露出远远落后于管道运输发展的安全预警技术，二者发展的不同步导致近年来管道运输事故频发，给人民生命财产安全带来了重大损失。
目前应用在泄漏检测领域的方法主要包括人工神经网络、支持向量机等等，下面介绍几种被常应用于长输管线信号识别的传统算法：（1）基于BP神经网络的管道泄漏声信号识别方法：BP神经网络是人工神经网络的一种，是一种基于误差反向传播训练的神经网络，优势是在隐含层和节点数足够多的情况下能够逼近任意的映射关系。算法本质是梯度下降法，算法收敛速度慢、相对低效，需要大量特征值选取提升识别率，对于案例选型的要求很高，对样本的依赖性大，必须选择足够典型的样本进行学***稳信号的分解，对于信噪比低的强噪音背景下的信号、有用信号与噪声频带有重合的信号识别相对难度较大。（3）应用支持向量机（SVM）的光纤预警信号识别分类方法；建立决策树，通过特征值选取创建多维度中的平滑曲面将样本数据进行两类划分，在二分类领域中优势明显，但是在多分类领域中的表现较为逊色。（4）基于径向基（RBF）网络的信号识别方法：径向基神经网络起源于数值分析中的多变量差值的径向基函数算法，是一种前向无反馈神经网络，逼近精度高，但是网络复杂度高、结构庞大、运算量大。
综上所述，在管道泄漏检测过程中，采用神经网络进行识别，对样本选取的典型性、样本数量、特征值的选取要求较高，会存在训练样本少则预测效果差，训练样本过多则容易发生过拟合，算法收敛速度慢等缺点。此外，从信号覆盖范围的角度来看，现有技术对泄漏信号识别的关注的较高，但对全面的人为入侵、挖掘事件等扰动信号的关注较少，保障管线安全运输需要做到“事前预防、及时感知、快速解决”等方面，需要把目光放宽，把握危险预警和泄漏识别，真正做到“预”和“报”。
发明内容
本发明的目的，是要提供一种基于AlexNet网络的长输油气管道沿线施工扰动及泄漏识别方法，以解决传统识别方法需要进行特征值选取的步骤，避免了特征值选取不当导致的识别率下降的问题，并且对扰动信号进行事件的细化分为人工挖掘和机器挖掘，结合泄漏信号，实现全面的长输油气管线泄漏隐患及危险辨识。
本发明为实现上述目的，所采用的技术方法如下：
一种基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法，包括以下步骤：
S1、采集长输油气管线沿线人工挖掘时的施工扰动信号、机器挖掘时的施工扰动信号、管道泄漏信号、环境背景噪音信号和土壤振动信号，建立现场信号数据库，并通过分析相关特点搭建实验室模拟场，模拟油气管道在不同工况下的状态，采集实验室模拟场的实验数据，建立实验室信号数据库；
S2、将现场信号数据库和实验室信号数据库中的信号进行信号处理，得到时域图和频域图；
S3、搭建AlexNet网络，将步骤S2得到的时域图和频域图进行划分，划分为训练集和测试集，使用训练集训练AlexNet网络，使用测试集测试AlexNet网络的识别率，得到每一类工况的识别率，保存识别结果；
S4、根据AlexNet网络的识别率的测试结果，调整AlexNet网络的参数，优化AlexNet网络，再利用优化后的AlexNet网络进行长输油气管线沿线施工扰动及泄漏的识别，并将结果上传至上位机进行进行保存和图像显示。
作为限定：步骤S1中信号采集采用基于Φ-OTDR技术的传感方法进行采集，油气运输管道同沟敷设传感光缆，油气运输管道受到外力时，施加的外力与土壤进行接触会产生振动信号，该振动信号沿土壤传播，被分布式微振动光纤传感器采集，再通过中继放大器放大，传输至传感光缆，传感光缆受到外界信号扰动，并通过引导光缆传输至光线振动信号检测装置；S11、改变泄漏点直径、气液流量、泄漏点周向位置，采集此时的土壤振动信号，并分析上述瞬态操作导致的流量、压力变化规律与泄漏造成的不同；利用风压机对管道内空气进行压缩，采集此时的土壤振动信号，并持续采集管道后续破裂泄漏的信号；在具有背景噪声的环境中，进行距管道不同距离实验模拟，模拟采掘、过车操作下对管道的影响，采集此时的土壤振动信号；S12、根据上述采集的信号搭建实验室模拟场。
作为进一步限定：步骤S2中的信号处理为：S21、分帧处理：将现场信号数据库和实验室信号数据库中的信号进行分帧处理，得到时域信号；S22、快速傅里叶变换：将时域信号通过快速傅里叶变换转化为频域信号；S23、滤波器滤波：使用滤波器对频域信号进行滤波，滤波器是由高阻滤波器和低阻滤波器组成的通过SVM的识别方法进行性能优化的带通滤波器；S24、将时域信号绘制成时域图，将滤波后的频域信号绘制成频域图，均进行压缩处理，作为AlexNet网络的输入。
作为更进一步限定：步骤S3中AlexNet网络共有八层，其具体结构为：
第一层为卷积层，将步骤S2中的时域图和频域图作为输入，采用ReLU为激活函数，核数为96，内核尺寸为11*11,步幅为4*4，输出矩阵大小为55*55*96，经重叠池化归一输出两组27*27*96的矩阵；
第二层为卷积层，以第一层的输出作为输入，核数为256，内核尺寸为5*5，步幅为1*1，输出矩阵大小为27*27*256，经重叠池化归一输出两组13*13*256的矩阵；
第三层为卷积层，以第二层的输出作为输入，核数为384，内核尺寸为3*3，步幅为1*1，输出矩阵大小为13*13*384；
第四层为卷积层，以第三层的输出作为输入，核数为384，内核尺寸为3*3，步幅为1*1，输出矩阵大小为13*13*384的矩阵；
第五层为卷积层，以第四层的输出作为输入，核数为256，内核尺寸为3*3，步幅为1*1，输出矩阵大小为13*13*256，经重叠池化归一输出两组6*6*256的矩阵；
第六层为全连接层，以第五层的输出作为输入，滤波器尺寸为6*6*256，每个滤波器对输入数据进行卷积运算生成一个运算结果，通过一个神经元输出这个运算结果；滤波器数量为4096个，通过ReLU激活函数以及dropout运算输出4096个数据；
第七层为全连接层，以第六层的输出作为输入，第六层输出的4096个数据与第七层的4096个神经元进行全连接，然后经由ReLU和Dropout进行处理后生成4096个数据；
第八层为全连接层，以第七层的输出作为输入，第七层输入的4096个数据与第八层的1000个神经元进行全连接，经过训练后输出被训练的数值。
本发明由于采用了上述方案，与现有技术相比，所取得的有益效果是：
（1）本发明提供的基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法，搭建了实验室模拟场，以真实监测的现场数据为基础建立了不同工况环境模拟的实验室环境，模拟真实的外界施工扰动、泄漏和背景噪音情况，建立了实验室数据库，和现场数据库互为补充，丰富了数据信息，满足AlexNet网络对学习对象数量的要求，使得训练出的AlexNet网络更加具有工程应用性，工程可靠性高；此外，对扰动信号进行事件的细化分为人工挖掘和机器挖掘，结合泄漏信号，实现全面的长输油气管线泄漏隐患及危险辨识；
（2）本发明提供的基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法，基于现场采集的真实长输油气管线沿线施工扰动及管道泄漏信号设计了滤波器，大大减少了一些噪音对信号特征的干扰，通过SVM的识别方法对带通滤波器的性能进行优化，优选出在控制其他变量不变条件下识别率最高的滤波器，提高了识别准确率；
（3）本发明提供的基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法，将传统的声信号识别转化为图像识别，采用AlexNet网络进行图像识别，具有特征丰富、数据增强、模型泛化能力增强、通信性能损耗减小的特点，不仅解决了硬件的存储容量不够的问题，还提高了处理器的处理能力，进而提升了整个网络的整体性能，此外，不需要进行特征值选取，避免了特征值选取不当导致的识别率下降的问题，提高了识别率；
（4）本发明提供的基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法，信号采集采用基于Φ-OTDR技术的传感方法，采用时域扫描方式对管道沿线的振动信号进行检测，当光脉冲传播到受外界振动信号作用的光纤段时，其瑞利散射回到探测器的光信号也会产生变化，通过检测散射光信号的变化就可以检测出管道沿线的振动情况，而且能够精确定位，使用LabVIEW软件对采集的信号进行保存和图像显示，实现了软硬件结合，可不受电流影响对光纤链路上的所有点进行检测。
综上所述，本发明提供的基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法，可靠性高，实现了全面的长输油气管线泄漏隐患及危险辨识，而且识别率高，此外，还实现了软硬件结合，可不受电流影响对光纤链路上的所有点进行检测。
本发明适用于长输油气管线沿线施工扰动及泄漏的识别。
附图说明
下面结合附图及具体实施例对本发明作更进一步详细说明。
图1为本发明实施例的流程图；
图2为本发明实施例压缩后的时域图；
图3为本发明实施例压缩后的频域图。
具体实施方式
下面结合实施例对本发明作进一步说明，但本领域的技术人员应当理解，本发明并不限于以下实施例，任何在本发明具体实施例基础上做出的改进和等效变化，都在本发明权利要求保护的范围之内。
实施例 基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法
一种基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法，其流程图如图1所示，包括以下步骤：
S1、采用基于Φ-OTDR技术的传感方法采集长输油气管线沿线5米范围内人工挖掘时的施工扰动信号、50米范围内的机器挖掘时的施工扰动信号、管道泄漏信号、环境背景噪音信号和土壤振动信号，建立现场信号数据库，并通过分析相关特点搭建实验室模拟场，模拟油气管道在不同工况下的状态，采集实验室模拟场的实验数据，建立实验室信号数据库；
油气运输管道同沟敷设传感光缆，油气运输管道受到外力时，施加的外力与土壤进行接触会产生振动信号，该振动信号沿土壤传播，被分布式微振动光纤传感器采集，再通过中继放大器放大，传输至传感光缆，传感光缆受到外界信号扰动，并通过引导光缆传输至光线振动信号检测装置，；
搭建实验室模拟场的方法：
S11、改变泄漏点直径、气液流量、泄漏点周向位置，采集此时的土壤振动信号，并分析上述瞬态操作导致的流量、压力变化规律与泄漏造成的不同；利用风压机对管道内空气进行压缩，采集此时的土壤振动信号，并持续采集管道后续破裂泄漏的信号；在具有背景噪声的环境中，进行距管道不同距离实验模拟，模拟采掘、过车操作下对管道的影响，采集此时的土壤振动信号；
S12、根据上述采集的信号搭建实验室模拟场。
S2、将现场信号数据库和实验室信号数据库中的信号进行信号处理，信号处理为：
S21、分帧处理：将现场信号数据库和实验室信号数据库中的信号按时间进行分帧处理，帧长为1s，得到时域信号；
S22、快速傅里叶变换：将时域信号通过快速傅里叶变换转化为频域信号；
S23、滤波器滤波：使用滤波器对频域信号进行滤波，滤波器是由高阻滤波器和低阻滤波器组成的通过SVM的识别方法进行性能优化的带通滤波器，可通过频段为300-2500HZ；
S24、将时域信号绘制成时域图，将滤波后的频域信号绘制成频域图，均压缩至227*227*3，压缩后的时域图如图2所示，压缩后的频域图如图3所示，作为AlexNet网络的输入。
S3、搭建AlexNet网络，将步骤S2得到的时域图和频域图进行划分，划分为训练集和测试集，使用训练集训练AlexNet网络，使用测试集测试AlexNet网络的识别率，得到每一类工况的识别率，保存识别结果；
AlexNet网络共有八层，其具体结构为：
第一层为卷积层，将压缩后的时域图和频域图作为输入，采用ReLU为激活函数，核数为96，内核尺寸为11*11,步幅为4*4，输出矩阵大小为55*55*96，经重叠池化归一输出两组27*27*96的矩阵；
第二层为卷积层，以第一层的输出作为输入，核数为256，内核尺寸为5*5，步幅为1*1，输出矩阵大小为27*27*256，经重叠池化归一输出两组13*13*256的矩阵；
第三层为卷积层，以第二层的输出作为输入，核数为384，内核尺寸为3*3，步幅为1*1，输出矩阵大小为13*13*384；
第四层为卷积层，以第三层的输出作为输入，核数为384，内核尺寸为3*3，步幅为1*1，输出矩阵大小为13*13*384的矩阵；
第五层为卷积层，以第四层的输出作为输入，核数为256，内核尺寸为3*3，步幅为1*1，输出矩阵大小为13*13*256，经重叠池化归一输出两组6*6*256的矩阵；
第六层为全连接层，以第五层的输出作为输入，滤波器尺寸为6*6*256，每个滤波器对输入数据进行卷积运算生成一个运算结果，通过一个神经元输出这个运算结果；滤波器数量为4096个，通过ReLU激活函数以及dropout运算输出4096个数据；
第七层为全连接层，以第六层的输出作为输入，第六层输出的4096个数据与第七层的4096个神经元进行全连接，然后经由ReLU和Dropout进行处理后生成4096个数据；
第八层为全连接层，以第七层的输出作为输入，第七层输入的4096个数据与第八层的1000个神经元进行全连接，经过训练后输出被训练的数值。
S4、根据AlexNet网络的识别率的测试结果，调整AlexNet网络的参数，优化AlexNet网络，再利用优化后的AlexNet网络进行长输油气管线沿线施工扰动及泄漏的识别，并将结果上传至上位机进行进行保存和图像显示，上位机采用LabVIEW软件对采集的信号进行保存和图像显示。
本实施例得到的各工况下的平均识别率如表1所示，本实施例各工况下平均识别率的平均值为94.26%，与现有技术的识别率的对比如表2所示。
表1 本实施例得到的各工况的平均识别率
表2 本实施例与现有技术的识别率的对比
由表1和表2可知，本发明实施例针对不同工况下的信号进行识别，而且识别率高于现有技术的识别率。
Claims (4)
1.一种基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法，其特征在于，包括以下步骤：
S1、采集长输油气管线沿线人工挖掘时的施工扰动信号、机器挖掘时的施工扰动信号、管道泄漏信号、环境背景噪音信号和土壤振动信号，建立现场信号数据库，并通过分析相关特点搭建实验室模拟场，模拟油气管道在不同工况下的状态，采集实验室模拟场的实验数据，建立实验室信号数据库；
S2、将现场信号数据库和实验室信号数据库中的信号进行信号处理，得到时域图和频域图；
S3、搭建AlexNet网络，将步骤S2得到的时域图和频域图进行划分，划分为训练集和测试集，使用训练集训练AlexNet网络，使用测试集测试AlexNet网络的识别率，得到每一类工况的识别率，保存识别结果；
S4、根据AlexNet网络的识别率的测试结果，调整AlexNet网络的参数，优化AlexNet网络，再利用优化后的AlexNet网络进行长输油气管线沿线施工扰动及泄漏的识别，并将结果上传至上位机进行进行保存和图像显示。
2.根据权利要求1所述的基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法，其特征在于，步骤S1中信号采集采用基于Φ-OTDR技术的传感方法进行采集，油气运输管道同沟敷设传感光缆，油气运输管道受到外力时，施加的外力与土壤进行接触会产生振动信号，该振动信号沿土壤传播，被分布式微振动光纤传感器采集，再通过中继放大器放大，传输至传感光缆，传感光缆受到外界信号扰动，并通过引导光缆传输至光线振动信号检测装置：
S11、改变泄漏点直径、气液流量、泄漏点周向位置，采集此时的土壤振动信号，并分析上述瞬态操作导致的流量、压力变化规律与泄漏造成的不同；利用风压机对管道内空气进行压缩，采集此时的土壤振动信号，并持续采集管道后续破裂泄漏的信号；在具有背景噪声的环境中，进行距管道不同距离实验模拟，模拟采掘、过车操作下对管道的影响，采集此时的土壤振动信号；
S12、根据上述采集的信号搭建实验室模拟场。
3.根据权利要求1或2所述的基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法，其特征在于，步骤S2中的信号处理为：
S21、分帧处理：将现场信号数据库和实验室信号数据库中的信号进行分帧处理，得到时域信号；
S22、快速傅里叶变换：将时域信号通过快速傅里叶变换转化为频域信号；
S23、滤波器滤波：使用滤波器对频域信号进行滤波，滤波器是由高阻滤波器和低阻滤波器组成的通过SVM的识别方法进行性能优化的带通滤波器；
S24、将时域信号绘制成时域图，将滤波后的频域信号绘制成频域图，均进行压缩处理，作为AlexNet网络的输入。
4.根据权利要求1所述的基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法，其特征在于，步骤S3中AlexNet网络共有八层，其具体结构为：
第一层为卷积层，将步骤S2中的时域图和频域图作为输入，采用ReLU为激活函数，核数为96，内核尺寸为11*11,步幅为4*4，输出矩阵大小为55*55*96，经重叠池化归一输出两组27*27*96的矩阵；
第二层为卷积层，以第一层的输出作为输入，核数为256，内核尺寸为5*5，步幅为1*1，输出矩阵大小为27*27*256，经重叠池化归一输出两组13*13*256的矩阵；
第三层为卷积层，以第二层的输出作为输入，核数为384，内核尺寸为3*3，步幅为1*1，输出矩阵大小为13*13*384；
第四层为卷积层，以第三层的输出作为输入，核数为384，内核尺寸为3*3，步幅为1*1，输出矩阵大小为13*13*384的矩阵；
第五层为卷积层，以第四层的输出作为输入，核数为256，内核尺寸为3*3，步幅为1*1，输出矩阵大小为13*13*256，经重叠池化归一输出两组6*6*256的矩阵；
第六层为全连接层，以第五层的输出作为输入，滤波器尺寸为6*6*256，每个滤波器对输入数据进行卷积运算生成一个运算结果，通过一个神经元输出这个运算结果；滤波器数量为4096个，通过ReLU激活函数以及dropout运算输出4096个数据；
第七层为全连接层，以第六层的输出作为输入，第六层输出的4096个数据与第七层的4096个神经元进行全连接，然后经由ReLU和Dropout进行处理后生成4096个数据；
第八层为全连接层，以第七层的输出作为输入，第七层输入的4096个数据与第八层的1000个神经元进行全连接，经过训练后输出被训练的数值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110201069.0A CN112801033A (zh) | 2021-02-23 | 2021-02-23 | 基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110201069.0A CN112801033A (zh) | 2021-02-23 | 2021-02-23 | 基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112801033A true CN112801033A (zh) | 2021-05-14 |
Family
ID=75815402
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110201069.0A Pending CN112801033A (zh) | 2021-02-23 | 2021-02-23 | 基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112801033A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113919395A (zh) * | 2021-10-12 | 2022-01-11 | 大连理工大学 | 基于一维卷积神经网络的给水管网渗漏事故诊断方法 |
| TWI814661B (zh) * | 2022-12-09 | 2023-09-01 | 明志科技大學 | 管線洩漏辨別方法及系統 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101183899A (zh) * | 2007-12-19 | 2008-05-21 | 天津大学 | 基于bp网络用于光纤管道泄漏监测装置的管道安全识别方法 |
| US20180341859A1 (en) * | 2017-05-24 | 2018-11-29 | Southwest Research Institute | Detection of Hazardous Leaks from Pipelines Using Optical Imaging and Neural Network |
| CN109374115A (zh) * | 2018-12-07 | 2019-02-22 | 武汉理工光科股份有限公司 | 基于φ-OTDR的油气管线外破振动监测识别方法 |
| CN110185939A (zh) * | 2019-05-16 | 2019-08-30 | 西北工业大学 | 基于卷积神经网络的气体管道泄漏识别方法 |
| CN211123729U (zh) * | 2020-01-20 | 2020-07-28 | 西安科技大学 | 一种油气长输管道沿线监控*** |
| US20200240940A1 (en) * | 2019-01-30 | 2020-07-30 | Xi'an Jiaotong University | Method for detecting an air discharge decomposed product based on a virtual sensor array |
-
2021
- 2021-02-23 CN CN202110201069.0A patent/CN112801033A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101183899A (zh) * | 2007-12-19 | 2008-05-21 | 天津大学 | 基于bp网络用于光纤管道泄漏监测装置的管道安全识别方法 |
| US20180341859A1 (en) * | 2017-05-24 | 2018-11-29 | Southwest Research Institute | Detection of Hazardous Leaks from Pipelines Using Optical Imaging and Neural Network |
| CN109374115A (zh) * | 2018-12-07 | 2019-02-22 | 武汉理工光科股份有限公司 | 基于φ-OTDR的油气管线外破振动监测识别方法 |
| US20200240940A1 (en) * | 2019-01-30 | 2020-07-30 | Xi'an Jiaotong University | Method for detecting an air discharge decomposed product based on a virtual sensor array |
| CN110185939A (zh) * | 2019-05-16 | 2019-08-30 | 西北工业大学 | 基于卷积神经网络的气体管道泄漏识别方法 |
| CN211123729U (zh) * | 2020-01-20 | 2020-07-28 | 西安科技大学 | 一种油气长输管道沿线监控*** |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113919395A (zh) * | 2021-10-12 | 2022-01-11 | 大连理工大学 | 基于一维卷积神经网络的给水管网渗漏事故诊断方法 |
| TWI814661B (zh) * | 2022-12-09 | 2023-09-01 | 明志科技大學 | 管線洩漏辨別方法及系統 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11562224B2 (en) | 1D-CNN-based distributed optical fiber sensing signal feature learning and classification method | |
| CN111638028A (zh) | 一种基于振动特征的高压并联电抗器机械状态评估方法 | |
| US20220092428A1 (en) | Prediction method for stall and surge of axial compressor based on deep learning | |
| CN110398647B (zh) | 变压器状态监测方法 | |
| CN110991295B (zh) | 一种基于一维卷积神经网络的自适应故障诊断方法 | |
| Chen et al. | Fault identification of gearbox degradation with optimized wavelet neural network | |
| CN112801033A (zh) | 基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法 | |
| CN110823356B (zh) | 基于梅尔频谱的分布式光纤入侵检测方法 | |
| CN111442827A (zh) | 一种变压器绕组振动的光纤无源在线监测***及方法 | |
| CN104616416A (zh) | 一种基于多传感器信息融合的无线火灾报警*** | |
| CN112668105B (zh) | 一种基于sae与马氏距离的直升机传动轴异常判定方法 | |
| CN105626502A (zh) | 基于小波包和拉普拉斯特征映射的柱塞泵健康评估方法 | |
| CN112052712B (zh) | 一种电力设备状态监测与故障识别方法及*** | |
| CN116517860A (zh) | 基于数据分析的通风机故障预警*** | |
| CN111881594A (zh) | 一种核动力设备的非平稳信号状态监测方法及*** | |
| CN117371207A (zh) | 一种特高压换流阀状态评价方法、介质及*** | |
| CN1120366C (zh) | 基于非线性频谱分析的故障检测与诊断方法 | |
| CN117609836A (zh) | 一种综合模块的电磁敏感预测与健康管理方法 | |
| Zhang et al. | Complementary ensemble adaptive local iterative filtering and its application to rolling bearing fault diagnosis | |
| CN116502051B (zh) | 一种海底电缆局部缺陷识别方法及装置 | |
| CN117116293A (zh) | 一种复杂声场环境中机器设备故障诊断*** | |
| CN108615018A (zh) | 基于时域直方图特征提取的对象物状态识别方法 | |
| WO2023004180A1 (en) | Identification of false transformer humming using machine learning | |
| Rui et al. | Research on fault diagnosis and state assessment of vacuum pump based on acoustic emission sensors | |
| CN110108489B (zh) | 一种滚动轴承性能退化趋势获取方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210514 |