CN106352244A - 一种基于分层神经网络的管道泄漏检测方法 - Google Patents
一种基于分层神经网络的管道泄漏检测方法 Download PDFInfo
- Publication number
- CN106352244A CN106352244A CN201610799882.1A CN201610799882A CN106352244A CN 106352244 A CN106352244 A CN 106352244A CN 201610799882 A CN201610799882 A CN 201610799882A CN 106352244 A CN106352244 A CN 106352244A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural network
- neutral net
- data set
- rejection
- 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
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明提供一种基于分层神经网络的管道泄漏检测方法。本发明将神经网络进行分层,并设置每层神经网络的拒识阈值和拒识区间,在进行泄漏检测的过程中,首先将测试样本输入到每层神经网络,如果该层神经网络判定该测试样本的类别则分类过程结束,如果该层神经网络拒识该测试样本则将该测试样本输入到下一层神经网络,直到该测试样本获得类别标签;本发明的提供的方法能够有效的判断现有管线是否存在泄漏,并提高管道泄漏检测的准确性,具有较好的检测精度。
Description
技术领域
本发明涉及一种管道泄漏检测方法,尤其是一种基于分层神经网络的管道泄漏检测方法。
背景技术
随着世界各国管道建设的快速发展,管道事故也频繁发生,为了能有效的预防管道事故,管道泄漏监测技术也迅速发展起来。为此,国内外进行了大量的研究。
现有的管道泄露检测和定位方法大体上分为基于硬件的方法和基于软件的方法两大类,但是现有的硬件方法通常需要安装很多传感器,安装过程也十分复杂而且费用昂贵、适用范围窄;软件方法则是通过模型计算得出泄露位置,这种方法通常误差较大,准确率低。近年来随着计算机技术的发展,监测技术向以软件为主、硬件相辅的方向发展,目前新型管道泄漏检测方法仍是各国的前沿研究方向。
基于硬件的方法是指对泄漏物进行直接检测的方法,也称直接检漏法,如直接观察法、检漏电缆法、油溶性压力管法、放射性示踪法、光纤检漏法等。基于软件的方法是指借助计算机系统,通过检测管道因泄露造成的影响,如流量、压力、温度等物理参数的变化来判断泄露是否发生及泄露位置,也称为间接检漏法。这类方法有压力流量突变法、质量平衡检漏法、实时模型法、统计检漏法、神经网络法、PPA ( 压力点分析) 法等。
不管是基于硬件的检测方法还是基于软件的检测方法,要想获取整个管道全部管段各种数据比较困难,而且管道数据在收集的过程中可能会受到各种因素的影响,因此,收集到的数据可能会有误差,这就导致管道泄漏检测的准确性不高,针对这个问题,本发明提供一种新的基于分层神经网络的泄漏检测技术。本发明提供的方法以具体管道中全管段的压力数据为基础,能快速有效地判断管线是否出现泄漏,具有较高的预测精度。
发明内容
为解决现有技术的不足,本发明提供一种基于分层神经网络的管道泄漏检测方法。由于获取整个管道全部管段压力数据比较困难,而且管道压力数据在收集的过程中可能会受到各种因素的影响,因此,收集到的压力数据可能会有误差,为提高管道泄漏检测的准确性,本发明提出一种分层神经网络模型对管道压力数据进行分析,对整个管道的压力数据进行建模,能有效地对管道泄漏状况进行分类识别,并且能够适应管道的各种工况,从而快速准确地获得管道的泄漏位置。
本发明的技术方案是:基于分层神经网络的管道泄漏检测方法主要包括以下几个步骤:
1.利用压力传感器对管道压力数据进行采集,获取到整个管道各节点的压力值,为了方便数据处理,防止由于输入值过大引起神经元输出饱和,同时加快网络收敛速度,输入数据需要进行归一化处理,使其范围限制在[0-1]之间;
2.数据集按照比例分为训练数据集和验证数据集,确定分层神经网络的层数,根据训练数据集规模确定每层神经网络的复杂度,并在训练数据集上训练第 k 层神经网络,k 表示某一分层的神经网络;
3.在验证数据集上,设置第 k 层神经网络的正负类样本拒识阈值,进而确定第 k 层神经网络的拒识区间,设置输出层的激活函数为 Sigmoid 函数,输出值在 0-1 之间,代表此管段发生泄漏的概率。针对系统的特点,可以设定当输出值大于等于 a 或输出值小于等于 b 时认为此管段发生泄漏,当输出值在 a 和 b 之间时,无法判断是否泄漏,将样本数据输入到下一层神经网络继续训练,a、b为正负类样本拒识阈值,[a,b]为第 k 层神经网络的拒识区间,满足 0<b<a<1;
4.利用第 k 层神经网络的拒识区间分别在训练数据集上和验证数据集上筛选出拒识训练数据集和拒识验证数据集,作为下一层神经网络的训练数据集和验证数据集,利用筛选出的训练数据集和验证数据集重复执行 3 至 4,直到分层神经网络的层数达到总层数h,则执行 5;
5.给定一个管段压力数据样本,根据分层神经网络的层次结构判定其是否有泄漏。
本发明的有益效果是,可以有效的判断现有管线是否存在泄漏,并提高管道泄漏检测的准确性,克服了传统的管道泄漏检测方法预测效果不理想等缺陷。
附图说明
图 1 是本发明的模型结构图。
具体实施方式
下面结合附图说明本发明的实施方式。
1. 一种基于分层神经网络的管道泄漏检测方法其特征在于:包括以下步骤:
A.利用压力传感器对管道压力数据进行采集,获取到整个管道各节点的压力值,同时对数据集进行归一化处理,使其范围限制在[0-1]之间;
B.将数据集按照比例分为训练数据集和验证数据集,确定分层神经网络的层数,根据训练数据集规模确定每层神经网络的复杂度,并在训练数据集上训练第 k 层神经网络,k表示某一分层的神经网络;
C.在验证数据集上,设置第 k 层神经网络的正负类样本拒识阈值,进而确定第 k 层神经网络的拒识区间,根据系统的特点,可以设定当输出值大于等于 a或输出值小于等于b 时认为此管段发生泄漏,当输出值在 a 和 b 之间时,无法判断是否泄漏,将样本数据输入到下一层神经网络继续训练,a、b 为正负类样本拒识阈值,[a,b]为第 k 层神经网络的拒识区间,满足 0<b<a<1;
D.利用第 k 层神经网络的拒识区间分别在训练数据集上和验证数据集上筛选出拒识训练数据集和拒识验证数据集,作为下一层神经网络的训练数据集和验证数据集,利用筛选出的训练数据集和验证数据集重复执行步骤 C 至步骤 D,直到分层神经网络的层数达到总层数 h,则执行步骤 E;
E.给定一个管段压力数据样本,根据分层神经网络的层次结构判定其是否有泄漏。
本发明的泄漏检测方法分为三个阶段,具体包括:
A.数据采集
分别在管道无泄漏和有泄漏的情况下利用管道压力传感器等设备对管道各个节点的压力数据进行采集,对采集到的数据进行标记(有泄漏为 1,无泄漏为0),存入到数据库中作为历史训练数据集和验证数据集。
B.数据处理
对获取到的数据集进行归一化处理,使数据范围限制在[0,1]之间。转换函数如下:
其中 max 为样本数据的最大值,min 为样本数据的最小值。
C.预测模型的建立及训练
确定分层神经网络的层数,根据训练数据集规模确定每层神经网络的复杂度,并在训练数据集上训练第 k 层神经网络,k 表示某一分层的神经网络;
在验证数据集上,设置第 k 层神经网络的正负类样本拒识阈值,进而确定第k 层神经网络的拒识区间;神经网络的输入特征向量为管道节点的压力变化情况,所以输入层神经元数即为管道节点的个数;
将测试样本输入到第 1 层神经网络,如果第 1 层神经网络判定该测试样本的类别则分类过程结束,如果第 1 层神经网络拒识该测试样本则将该测试样本输入到第 2 层神经网络,让第 2 层神经网络判定该测试样本的类别,上述的过程一直持续到该测试样本获得类别标签。
D.实际检测
对待检测的管道获得其管道压力数据,输入训练好的分层神经网络中,神经网络的输出即为是否有泄漏。
Claims (1)
1.一种基于分层神经网络的管道泄漏检测方法其特征在于:包括以下步骤:
A.利用压力传感器对管道压力数据进行采集,获取到整个管道各节点的压力值,同时对数据集进行归一化处理,使其范围限制在[0-1]之间;
B.将数据集按照比例分为训练数据集和验证数据集,确定分层神经网络的层数,根据训练数据集规模确定每层神经网络的复杂度,并在训练数据集上训练第 k 层神经网络,k表示某一分层的神经网络;
C.在验证数据集上,设置第 k 层神经网络的正负类样本拒识阈值,进而确定第 k 层神经网络的拒识区间,根据系统的特点,可以设定当输出值大于等于 a或输出值小于等于b 时认为此管段发生泄漏,当输出值在 a 和 b 之间时,无法判断是否泄漏,将样本数据输入到下一层神经网络继续训练,a、b 为正负类样本拒识阈值,[a,b]为第 k 层神经网络的拒识区间,满足 0<b<a<1;
D.利用第 k 层神经网络的拒识区间分别在训练数据集上和验证数据集上筛选出拒识训练数据集和拒识验证数据集,作为下一层神经网络的训练数据集和验证数据集,利用筛选出的训练数据集和验证数据集重复执行步骤 C 至步骤 D,直到分层神经网络的层数达到总层数 h,则执行步骤 E;
E.给定一个管段压力数据样本,根据分层神经网络的层次结构判定其是否有泄漏。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610799882.1A CN106352244A (zh) | 2016-08-31 | 2016-08-31 | 一种基于分层神经网络的管道泄漏检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610799882.1A CN106352244A (zh) | 2016-08-31 | 2016-08-31 | 一种基于分层神经网络的管道泄漏检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106352244A true CN106352244A (zh) | 2017-01-25 |
Family
ID=57858790
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610799882.1A Pending CN106352244A (zh) | 2016-08-31 | 2016-08-31 | 一种基于分层神经网络的管道泄漏检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106352244A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108051035A (zh) * | 2017-10-24 | 2018-05-18 | 清华大学 | 基于门控循环单元的神经网络模型的管网漏损识别方法 |
CN109027704A (zh) * | 2018-05-30 | 2018-12-18 | 华中科技大学 | 基于微结构光纤分布式传感的管道监测系统及监测方法 |
CN109669352A (zh) * | 2017-10-17 | 2019-04-23 | 中国石油化工股份有限公司 | 基于自适应多目标粒子群的含油污水处理过程优化控制方法 |
CN110289643A (zh) * | 2019-06-25 | 2019-09-27 | 广西大学 | 一种拒识深度微分动态规划实时发电调度与控制算法 |
CN110383308A (zh) * | 2017-04-13 | 2019-10-25 | 甲骨文国际公司 | 预测管道泄漏的新型自动人工智能系统 |
CN112530142A (zh) * | 2021-02-05 | 2021-03-19 | 云南雄鑫汽车有限公司 | 一种用于客车的燃油泄露报警装置、系统和方法 |
CN113048402A (zh) * | 2019-12-27 | 2021-06-29 | 柯思科技股份有限公司 | 中低压管线监控系统及其方法 |
CN113537666A (zh) * | 2020-04-16 | 2021-10-22 | 马上消费金融股份有限公司 | 评测模型训练方法、评测和业务审核方法、装置及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1647107A (zh) * | 2002-04-19 | 2005-07-27 | 计算机联合思想公司 | 自动的神经网络模型生成与保持 |
CN1804613A (zh) * | 2005-12-27 | 2006-07-19 | 大庆油田有限责任公司 | 合采天然气储气分层产能测试及动态监测地球化学方法 |
US7907512B1 (en) * | 2009-03-03 | 2011-03-15 | Urbain A. von der Embse | OFDM and SC-OFDM QLM |
CN101539241B (zh) * | 2009-05-07 | 2012-07-04 | 北京航空航天大学 | 一种管道泄漏监测网络的层级式多源数据融合方法 |
CN103473556A (zh) * | 2013-08-30 | 2013-12-25 | 中国科学院自动化研究所 | 基于拒识子空间的分层支持向量机分类方法 |
CN104654024A (zh) * | 2015-02-12 | 2015-05-27 | 常州大学 | 一种广义回归神经网络城市燃气管道泄漏定位分析方法 |
-
2016
- 2016-08-31 CN CN201610799882.1A patent/CN106352244A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1647107A (zh) * | 2002-04-19 | 2005-07-27 | 计算机联合思想公司 | 自动的神经网络模型生成与保持 |
CN1804613A (zh) * | 2005-12-27 | 2006-07-19 | 大庆油田有限责任公司 | 合采天然气储气分层产能测试及动态监测地球化学方法 |
US7907512B1 (en) * | 2009-03-03 | 2011-03-15 | Urbain A. von der Embse | OFDM and SC-OFDM QLM |
CN101539241B (zh) * | 2009-05-07 | 2012-07-04 | 北京航空航天大学 | 一种管道泄漏监测网络的层级式多源数据融合方法 |
CN103473556A (zh) * | 2013-08-30 | 2013-12-25 | 中国科学院自动化研究所 | 基于拒识子空间的分层支持向量机分类方法 |
CN104654024A (zh) * | 2015-02-12 | 2015-05-27 | 常州大学 | 一种广义回归神经网络城市燃气管道泄漏定位分析方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110383308A (zh) * | 2017-04-13 | 2019-10-25 | 甲骨文国际公司 | 预测管道泄漏的新型自动人工智能系统 |
CN110383308B (zh) * | 2017-04-13 | 2023-12-26 | 甲骨文国际公司 | 预测管道泄漏的新型自动人工智能系统 |
CN109669352A (zh) * | 2017-10-17 | 2019-04-23 | 中国石油化工股份有限公司 | 基于自适应多目标粒子群的含油污水处理过程优化控制方法 |
CN108051035A (zh) * | 2017-10-24 | 2018-05-18 | 清华大学 | 基于门控循环单元的神经网络模型的管网漏损识别方法 |
CN109027704A (zh) * | 2018-05-30 | 2018-12-18 | 华中科技大学 | 基于微结构光纤分布式传感的管道监测系统及监测方法 |
CN109027704B (zh) * | 2018-05-30 | 2020-07-28 | 华中科技大学 | 基于微结构光纤分布式传感的管道监测系统及监测方法 |
CN110289643A (zh) * | 2019-06-25 | 2019-09-27 | 广西大学 | 一种拒识深度微分动态规划实时发电调度与控制算法 |
CN110289643B (zh) * | 2019-06-25 | 2020-12-01 | 广西大学 | 一种拒识深度微分动态规划实时发电调度与控制算法 |
CN113048402A (zh) * | 2019-12-27 | 2021-06-29 | 柯思科技股份有限公司 | 中低压管线监控系统及其方法 |
CN113537666A (zh) * | 2020-04-16 | 2021-10-22 | 马上消费金融股份有限公司 | 评测模型训练方法、评测和业务审核方法、装置及设备 |
CN113537666B (zh) * | 2020-04-16 | 2024-05-03 | 马上消费金融股份有限公司 | 评测模型训练方法、评测和业务审核方法、装置及设备 |
CN112530142A (zh) * | 2021-02-05 | 2021-03-19 | 云南雄鑫汽车有限公司 | 一种用于客车的燃油泄露报警装置、系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106352244A (zh) | 一种基于分层神经网络的管道泄漏检测方法 | |
CN109555979B (zh) | 一种供水管网漏损监测方法 | |
CN108931387B (zh) | 提供准确诊断决策的基于多传感器信号分析的故障诊断方法 | |
CN102419437B (zh) | 一种基于航迹检验的检测前跟踪方法 | |
CN106980922A (zh) | 一种基于大数据的输变电设备状态评价方法 | |
CN111737909B (zh) | 基于时空图卷积网络的结构健康监测数据异常识别方法 | |
CN115111537B (zh) | 用于确定燃气管网中泄漏点的位置的方法、装置和介质 | |
CN108803486A (zh) | 基于并联深度学习网络的数控机床热误差预测与补偿方法 | |
CN103776654A (zh) | 多传感器信息融合的故障诊断方法 | |
CN109838696A (zh) | 基于卷积神经网络的管道故障诊断方法 | |
CN109492708A (zh) | 一种基于ls-knn的管道漏磁内检测缺失数据插补方法 | |
CN112836758B (zh) | 基于双层循环神经网络的独立计量区域管网漏损检测方法 | |
CN105975797A (zh) | 一种基于模糊数据处理的产品早期故障根原因识别方法 | |
CN106202110B (zh) | 数据质量检测的方法和装置 | |
CN110108783B (zh) | 一种基于卷积神经网络的管道缺陷检测方法和装置 | |
CN112836719A (zh) | 一种融合二分类和三元组的示功图相似性检测方法 | |
CN106708009A (zh) | 一种基于支持向量机聚类的船舶动力定位测量系统多故障诊断方法 | |
Shehab et al. | Automated detection and classification of infiltration in sewer pipes | |
CN115082422A (zh) | 一种基于图像的建筑钢管横截面尺寸测量方法 | |
CN110554682A (zh) | 基于故障关联分析的故障检测推理机 | |
CN109584208A (zh) | 一种针对工业结构缺陷智能识别模型的检验方法 | |
CN109341650B (zh) | 一种基于最小检测代价的无人机高程误差双门限修正方法 | |
CN106650951A (zh) | 基于时域全局相似度的多通道测量数据自动筛选方法 | |
CN112097125B (zh) | 一种基于自适应校核的供水管网爆管侦测及定位方法 | |
CN109870404A (zh) | 一种雨棚结构损伤识别方法、装置及终端设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170125 |
|
WD01 | Invention patent application deemed withdrawn after publication |