CN117633588A - 基于频谱加权和残差卷积神经网络的管道泄漏定位方法 - Google Patents
基于频谱加权和残差卷积神经网络的管道泄漏定位方法 Download PDFInfo
- Publication number
- CN117633588A CN117633588A CN202311579219.7A CN202311579219A CN117633588A CN 117633588 A CN117633588 A CN 117633588A CN 202311579219 A CN202311579219 A CN 202311579219A CN 117633588 A CN117633588 A CN 117633588A
- Authority
- CN
- China
- Prior art keywords
- leakage
- neural network
- pipeline
- frequency
- layer
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 17
- 230000003287 optical effect Effects 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 39
- 238000013527 convolutional neural network Methods 0.000 claims description 36
- 238000012360 testing method Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 23
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 4
- 239000003345 natural gas Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Examining Or Testing Airtightness (AREA)
Abstract
本发明公开了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: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;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;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。本发明对气体管道泄漏定位具有很高的识别率。
Description
技术领域
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
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。
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。
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。
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。
发明内容
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***。
本发明所采用的技术方案是:
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:
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;
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;
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;
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。
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。
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。
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。
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:
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;
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;
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;
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;
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。
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。
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。
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:
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。
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***,包括以下步骤:
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;
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;
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;
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。
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。
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。
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
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。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例基于频谱加权和残差卷积神经网络的管道泄漏定位方法的流程图;
图2是本发明实施例泄漏信号频谱图;
图3是本发明实施例频谱加权后的泄漏信号频谱图;
图4是本发明实施例一维大核残差卷积神经网络模型结构图;
图5是本发明实施例整体管道泄漏定位示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
如图1所示,本发明实施例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:
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;
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;
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;
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。
进一步地,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。如可分别使用0.05Mpa,0.1Mpa和0.2Mpa三种不同压强、5mm和10mm泄漏孔模拟在不同工况中的泄漏,管道上可设4个泄漏柱,使用光栅阵列分别采集每个泄漏柱在不同工况中的泄漏振动数据。
优选地,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。如每个工况每次模拟泄漏时会产生多组信号,分别对应多个光栅区域。先使用高频仪表来采集管道泄漏产生的振动信号,以免遗漏高频信号。若通过观察发现,管道泄漏振动信号主要分布在低频,使用降采样方法将高频振动信号降采样到低频,可去除冗余信号,缩短模型训练时间。
较佳地,该一维大核残差卷积神经网络模型的架构可选用六层架构,具体如下:
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;
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;
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;
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;
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。
其中,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。
Large Kernel层中的卷积核大于Small Kernel层中的卷积核,通过大卷积核可更好地提取泄漏信号的全局特征,通过小卷积核可更好地提取泄漏信号的局部特征。
优选地,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:
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。
该实施例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。
实施例2
该实施例基于实施例1,区别在于搭建了一种较佳的一维大核残差卷积神经网络模型。
如图4所示,该实施例中所搭建的一维大核残差卷积神经网络模型具体架构为:
第一层为stage block层,stage block层中有三个卷积层,卷积核大小为3*3,数量分别为64,128和256,步距为2,在每个卷积层之后都进行一次批标准化。
第二层为Large Kernel层和Small Kernel层,Large Kernel层中有三个卷积层,卷积核大小为41*41,数量分别为256,512,1024,步距为1,在每个卷积层之后都进行一次批标准化。Small Kernel层中有三个卷积层,卷积核大小为3*3,数量分别为256,512和1024,步距为1,在每个卷积层之后都进行一次批标准化。泄漏数据首先经过stage block层,特征信号再分别进入Large Kernel层和Small Kernel,将两层的特征相加,再与上层的特征信号进行残差连接。
如果直接使用大核卷积会降低准确率,使用stage block的小核卷积重新参数化,可以优化这个问题。大卷积相较于小卷积有更好的感受野,更能捕捉到全局信息,可以实现对泄漏时整体信号的判断,关注形状特征(关注整个图,整个频谱的结构),利用小核卷积捕捉泄漏信号的纹理特征(关注频谱的细节),泄漏的振动信号频谱复杂,具有多个频率特征,噪声会和泄漏信号混叠,使用两种大小不同的卷积核对更全面的提取泄漏数据特征。
第二层:large kernel block层:目的是提取泄漏时产生的振动信号的全局特征,能捕捉到更宏观的特征。small kernel block层:目的是提取振动信号的局部特征。再加两次提取到特征信号进行相加,融合局部信息和全局信息。
第三层、第四层结构与第二层相同。第三层和第四层重复操作形成多级特征表达,提取深层复杂特征。
第五层为全连接层,全连接层有1024个神经元,将特征使用线性层进行展平。
第六层为softmax层,使用softmax函数进行分类输出。
网络模型中各层的激活为ReLU激活函数。
网络模型的损失函数采用交叉熵函数:
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样本为通过训练模型进行计算得到的泄露类别概率;
该实施例中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。
实施例3
该实施例基于实施例1,区别在于该实施例给出了一维大核残差卷积神经网络的样本数据具体来源及训练过程。
该一维大核残差卷积神经网络的样本数据具体采集和处理过程如下:
步骤1:将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。如图5所示,光栅阵列振动传感光缆接入光栅阵列解调仪,对实时采集到的振动信号进行解调。光栅阵列解调仪通过以太网口与上位机进行通讯。
步骤2:通过光栅阵列振动传感光缆采集不同压强、不同孔径下管道发生泄漏产生的振动信号;
步骤3:首先使用1000Hz的仪表来采集泄漏产生的振动信号,以免遗漏高频的泄漏振动信号,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,故将管道泄漏信号进行降采样处理,由1000Hz降采样为100Hz;
步骤4: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。
步骤5:将步骤3得到的泄漏振动信号划分为训练集和测试集,首先采用训练集训练模型,再利用测试集测试模型性能。
进一步的优选方案,在步骤2中使用0.05Mpa压强、0.1Mpa压强和0.2Mpa压强三种不同的压强,使用5mm泄漏孔和10mm泄漏孔两种不同的泄漏孔模拟不同工况,对管道上的四个泄漏柱进行定位。
该实施例通过使用光栅阵列振动传感光缆和1000Hz仪表采集管道泄漏产生的振动信号,确定管道泄漏产生的振动信号为低频信号,将采样频率降低至100Hz,去除管道泄漏的冗余信号,加快网络模型训练速度,并计算出泄漏信号的主频,再对主频范围进行频谱加权处理,在泄漏信号不失真的情况下,增强泄漏信号特征。
实施例4
该实施例基于实施例1、实施例2或者实施例3,区别主要在于采样数据的频谱加权处理过程。
该实施例在每个工况每次模拟泄漏时会产生多组信号(如10组信号),分别对应多个光栅区域,所采集的泄漏信号频谱图如图2所示。使用高频(如1000Hz)仪表来采集管道泄漏产生的振动信号,以免遗漏高频信号。通过观察发现,管道泄漏振动信号主要分布在低频,使用降采样方法将高频振动信号降采样到低频如(100Hz),以去除冗余信号,缩短模型训练时间。
在计算出多个光栅区域每个区域的主频后,提取出现次数最大的主频,并把该主频标定为该次泄漏频率。然后以主频为中心,以一定频率范围(如左右1Hz)对多个光栅监测区使用汉明窗函数进行频谱加权处理。
汉明窗加权函数是一种常用的窗函数,其形状类似于带有光滑过渡的矩形窗口。它通过衰减窗口两端的振荡,减小频谱中的边界效应。汉明窗加权函数可以表示为:
a0的取值决定了余弦项的权重,从而影响到整个窗口的形状。当a0=0.53836,称作Hamming窗;当a0=0.5,则叫作Hann窗。Hann窗又称升余弦窗。Hann窗可以看作是3个矩形时间窗的频谱之和,或者说是3个sin(t)型函数之和,而括号中的两项相对于第一个谱窗向左、右各移动了π/T,从而使旁瓣互相抵消,消去高频干扰和漏能。如果将a0设为接近0.53836的数值,或是更精确来说是25/46,便会得到Hamming窗,而设定这个数值的用意,是在频率为5π/(N-1)处产生零交会处(zero-crossing),使原先Hann窗的第一个旁瓣(sidelobe)可以被大幅消除,产生只有Hann窗1/5高度的旁瓣。其中,w(n)表示汉明窗在索引n处的取值,N为窗口长度。
在频域加权的过程中,对于频谱中的每个频率分量,将其乘以对应位置上的汉明窗值进行加权。设经过傅里叶变换得到的频谱为X(k),加权后的频谱为Xw(k),则频域加权的计算公式如下所示:
Xw(k)=X(k)*W(k)
其中,X(k)表示频谱在频率索引k处的取值,W(k)表示汉明窗在频率索引k处的取值。
该实施例中信号频谱加权后的频谱图如图3所示,可见,该实施例通过对主频范围进行频谱加权处理,在泄漏信号不失真的情况下,进一步增强了泄漏信号特征。
实施例5
该实施例基于任一种上述方法实施例,区别在于在进行一维大核残差卷积神经网络对数据集进行训练和测试的过程,并与其他网络模型的分类结果进行比较。
该实施例中将评价指标设为:
其中TP、TN、FP、FN分别是真阳性、真阴性、假阳性和假阴性的缩写。
标签设置:
对于不同的泄漏柱发生泄漏,设置不同的标签。当2号柱发生泄漏时定义为C1,十个光栅区域标签设置为0,当3号柱发生泄漏时定位为C2,十个光栅区域标签设置为1,当5号柱发生泄漏时定义为C3,十个光栅区域标签设置为2,当7号柱发生泄漏时定义为C4,十个光栅区域标签设置为2。标签设置如表1所示。
表1标签设置
实验结果:使用提出的大核残差卷积神经网络对数据进行训练后,在测试集上检验模型性能,并使用AlexNet和ResNet网络进行对比,并使用频谱加权和不使用频谱加权的大核残差卷积模型进行对比,模型性能对比如表2所示。
表2模型性能对比
从表2中数据可以观察到,本发明所使用的频谱加权的方法和大核残差卷积神经网络模型有优于一般的神经网络模型,对气体管道泄漏定位具有很高的识别率。
本申请还提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,程序被处理器执行时实现相应功能。本实施例的计算机可读存储介质被处理器执行时实现方法实施例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。
需要指出,根据实施的需要,可将本申请中描述的各个步骤/部件拆分为更多步骤/部件,也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件,以实现本发明的目的。
上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一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,其特征在于,包括以下步骤:
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;
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;
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;
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。
2.根据权利要求1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,其特征在于,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。
3.根据权利要求1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,其特征在于,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。
4.根据权利要求1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,其特征在于,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。
5.根据权利要求1-4中任一项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,其特征在于,其中一维大核残差卷积神经网络模型的架构为:
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;
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LargeKernel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;
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;
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;
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。
6.根据权利要求1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,其特征在于,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。
7.根据权利要求1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,其特征在于,Large Kernel层中的卷积核大于Small Kernel层中的卷积核。
8.根据权利要求1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,其特征在于,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:
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。
9.一种基于频谱加权和残差卷积神经网络的管道泄漏定位***,其特征在于,包括以下步骤:
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;
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;
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;
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。
10.一种计算机存储介质,其特征在于,其内存储有可被处理器执行的计算机程序,该计算机程序执行权利要求1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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311579219.7A CN117633588A (zh) | 2023-11-22 | 2023-11-22 | 基于频谱加权和残差卷积神经网络的管道泄漏定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311579219.7A CN117633588A (zh) | 2023-11-22 | 2023-11-22 | 基于频谱加权和残差卷积神经网络的管道泄漏定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117633588A true CN117633588A (zh) | 2024-03-01 |
Family
ID=90024613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311579219.7A Pending CN117633588A (zh) | 2023-11-22 | 2023-11-22 | 基于频谱加权和残差卷积神经网络的管道泄漏定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117633588A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117949687A (zh) * | 2024-03-27 | 2024-04-30 | 山东省科学院激光研究所 | 基于分布式光纤传感和深度学习的风速测量方法及*** |
-
2023
- 2023-11-22 CN CN202311579219.7A patent/CN117633588A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117949687A (zh) * | 2024-03-27 | 2024-04-30 | 山东省科学院激光研究所 | 基于分布式光纤传感和深度学习的风速测量方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111238814B (zh) | 一种基于短时希尔伯特变换的滚动轴承故障诊断方法 | |
CN114429156B (zh) | 雷达干扰多域特征对抗学习与检测识别方法 | |
CN117633588A (zh) | 基于频谱加权和残差卷积神经网络的管道泄漏定位方法 | |
CN111751133A (zh) | 一种基于非局部均值嵌入的深度卷积神经网络模型的智能故障诊断方法 | |
CN113076920B (zh) | 一种基于非对称域对抗自适应模型的智能故障诊断方法 | |
CN111027260A (zh) | 一种基于神经网络的往复式压缩机故障诊断方法 | |
CN111983569B (zh) | 基于神经网络的雷达干扰抑制方法 | |
CN114152825A (zh) | 变压器的故障诊断方法、装置和变压器的故障诊断*** | |
Chen et al. | Automatic modulation classification of radar signals utilizing X-net | |
CN113537152A (zh) | 一种基于深度神经网络的流场状态故障检测方法 | |
CN114487129B (zh) | 基于声发射技术的柔性材料的损伤识别方法 | |
CN115330697A (zh) | 基于可迁移Swin Transformer的轮胎瑕疵检测域自适应方法 | |
CN109782158B (zh) | 一种基于多级分类的模拟电路诊断方法 | |
CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
CN115356599B (zh) | 一种多模态城市电网故障诊断方法及*** | |
CN117233547A (zh) | 一种油纸绝缘局部放电的融合识别方法及*** | |
CN108664936B (zh) | 一种基于机器故障的诊断方法及*** | |
CN116910648A (zh) | Gis设备局部放电图谱分析方法、***及介质 | |
CN116541771A (zh) | 一种基于多尺度特征融合的非平衡样本轴承故障诊断方法 | |
CN116662872A (zh) | 汽车面板精整线轴承类机械故障诊断方法 | |
CN116399592A (zh) | 一种基于通道注意力双路径特征提取的轴承故障诊断方法 | |
CN116610990A (zh) | 一种基于特征空间差异化的断路器隐患识别方法及装置 | |
CN115982566A (zh) | 一种水电机组多通道故障诊断方法 | |
CN112529080B (zh) | 一种基于频谱特征判别的图像生成方法 | |
CN115326396A (zh) | 一种轴承故障的诊断方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |