CN111664365A - 基于改进vmd和1dcnn的油气管道泄漏检测方法 - Google Patents

Abstract

本发明涉及的是基于改进VMD和1DCNN的油气管道泄漏检测方法，它包括:一、利用声波传感器采集在正常、泄漏两种工况下天然气管道中的声波信号；二、初始化变分模态分解算法VMD的参数，确定VMD模态数K；三、利用VMD算法对声波信号进行自适应分解，选取其中方差最大的IMF作为有效本征模态函数；四、通过优化网络结构和超参数构建一维卷积神经网络1DCNN管道泄漏检测模型；五、将训练样本输入到1DCNN管道泄漏检测模型中进行训练，使用测试样本测试模型泛化性能，最终获取分类结果检测管道是否发生泄漏。本发明有效解决了VMD方法在分解实际信号时分解数K依赖经验选取的问题，可以准确地发现管道发生泄漏并及时报警。

Description

基于改进VMD和1DCNN的油气管道泄漏检测方法

技术领域

本发明涉及的是信号处理和管道泄漏检测技术领域，具体涉及基于改进 VMD和1DCNN的油气管道泄漏检测方法。

背景技术

随着石油天然气工业的快速发展，管道运输被广泛应用。然而，受到自然 腐蚀、老化，地质灾害和人为破坏等因素的影响，管道泄漏的发生不可避免。 管道泄漏不仅会严重污染环境，还会浪费大量资源，对经济造成损失，甚至会 威胁到生命安全，因此能够发现泄漏，从而采取采用合适的管道泄漏检测技术 对管道进行监测，预防泄漏和及时的发现泄漏，能够有效减少环境的污染和经 济的损失。

声波检测法具有灵敏度高、误报率低、定位精度高、适应性好，安装和维 护费用较低、可以实时检测等优点，是管道泄漏检测的主要检测方法之一。在 声波法泄漏检测过程中，信号的处理和特征提取是对管道进行准确识别的关键。 VMD算法是Dragomiretskiy等人于2014年提出的一种信号自适应分解方法，作 为一种改进经验模式分解方法，具有坚实的数学理论基础，噪声鲁棒性和信号 分离性能也得到了极大提高。VMD参数中模态个数K决定了变分模态分解的分 解层数，对分解结果影响很大，K的取值不准确会导致得到的本征模态函数分 量中包含的噪声较多，目前K值的选取一般依据经验或者试探等方法来确定，无法准确确定模态个数，导致信号分析的效果不好。

随着深度学习近年来的快速发展，开始有学者将深度学习算法用于管道泄 漏检测，而一维卷积神经网络区别于传统卷积神经网络，通过使用一维卷积可 以提取一维信号的特征，且一维卷积和一维池化方法可以更好地识别管道泄漏 与正常信号的特征，利用一维卷积神经网络对管道进行泄漏检测具有很重要的 现实意义。

发明内容

本发明的目的是提供基于改进VMD和1DCNN的油气管道泄漏检测方法， 这种基于改进VMD和1DCNN的油气管道泄漏检测方法用来解决无法准确判断 管道是否发生泄漏的问题。

本发明解决其技术问题所采用的技术方案是：这种基于改进VMD和 1DCNN的油气管道泄漏检测方法包括以下步骤：

步骤一、利用声波传感器采集在正常、泄漏两种工况下天然气管道中的声 波信号；

步骤二、初始化变分模态分解算法VMD的参数，确定VMD模态数K，由 2到N从低到高依次选取K值，N＞2，选择相关系数值最大的模态分量计算其 方差值，并绘制方差的变化曲线，若在当前曲线方差没有峰值且单调递增，则 继续计算K为N+1时，相关系数最大IMF的方差值，并重复以上步骤，根据方 差最大原则，选取方差值最大时候的当前K值作为最佳K值；

步骤三、利用VMD算法对步骤一采集的声波信号进行自适应分解，获取若 干从低频到高频分布的本征模态函数IMF，并计算VMD分解后各个IMFS的方 差值，选取其中方差最大的IMF作为有效本征模态函数；

步骤四、通过优化网络结构和超参数构建一维卷积神经网络1DCNN管道泄 漏检测模型；

步骤五、将步骤三预处理后的声波信号构建训练样本和测试样本，训练样 本输入到步骤四构建的一维卷积神经网络1DCNN管道泄漏检测模型中进行训 练，使用测试样本测试模型泛化性能，最终获取分类结果检测管道是否发生泄 漏。

上述方案中步骤四的具体方法为：

通过分析不同网络结构和超参数对泄露检测的准确率和loss值的影响，使 用逐一测试的方法进行实验选取最优网络结构和超参数；

所述超参数包含卷积层数目，卷积核数量及尺寸，池化层数目及池化大小， 批处理样本数目；

所述网络结构设计为9层，包括输入层，卷积层，池化层，平坦层，全连 接层，输出层，每个卷积层后面对应一层池化层，在最后一层全连接层后连接 一个softmax分类器，输出模型预测的各个工况的概率；

所述卷积层针对管道一维信号使用一维卷积层，卷积层通过训练得到满足 损失函数最小的一组最优卷积核，利用卷积核实现自动特征提取；

X＝[x₁，x₂，...，x_t，...，x_s]^T作为输入信号传递到输入层。其中，X∈R^s×d为时间序列信号，s为信号长度，d为特征值长度，x_t表示当前t时刻的特征值向量，R是 实数；

时间序列信号经过一维卷积层中进行一维卷积运算：

f(x)＝max(x，0) (2)

其中：*表示一维卷积运算；

表示由卷积核W_c ^j生成的第j个特征映射，j∈[1，n_c],n_c表示卷积核个数，每个卷积核对应一个特征映射，并联后构成卷积层；卷积核

表示为一个权值矩阵，m为卷积核尺寸，b为偏置；f(x)为激活函数， 用于对经过一维卷积运算后的数据进行非线性化，采用深度学习中主流激活函 数ReLu，加速模型收敛，增强模型的稀疏表示；

所述池化层使用一维最大池化层，提取出相邻区域内的最大值，将时间序 列信号长度减半，池化层提取出卷积结果中最主要的特征，降低输出的维度， 如式3所示：

式中

k是在1到s/2的数；

所述平坦层将上一层池化层的输出首尾拼接为一维行向量；所述全连接层 与传统神经网络结构一致，由多层隐藏层组成；

所述分类器采用归一化指数函数softmax分类器，将输入转化为和为1的概 率分布输出到输出层。

上述方案中在天然气管道泄漏检测实验室采集正常、泄漏两种工况下天然 气管道中的声波信号，每类采集1180组，共2360组，截取每组样本数据采样 点数为784，将采集的两类声波信号按步骤三进行处理后，按照8:2的比例分为 训练样本和测试样本，构建的训练样本输入到一维卷积神经网络1DCNN管道泄 漏检测模型中训练模型，用测试样本测试模型在实际情况下的识别准确性。

本发明具有以下有益效果：

1、本发明采用变分模态分解算法对管道信号进行分解，分解得到若干从低 频到高频分布的有限带宽的本征模态函数，可根据相关系数最大模态的方差值 选取VMD最优参数K，有效解决了VMD方法在分解实际信号时分解数K依赖 经验选取的问题，可以准确地发现管道发生泄漏并及时报警，减少经济损失。

2、本发明通过提取出方差值最大的本征模态函数，可有效解决噪声干扰管 道信号，给泄漏检测带来误差，并提出将深度学习的思想引入管道泄漏检测中， 进而使得泄漏识别准确率明显提高。

3、本发明建立了一种一维卷积神经网络管道泄漏检测模型，在此基础上通 过优化网络结构和超参数，提高了模型与管道信号识别特性的契合度。

4、本发明可以准确区分管道泄漏与正常工况，非常适用于油气管道的泄漏 检测。

附图说明

图1基于改进VMD和1DCNN的油气管道泄漏检测方法流程图。

图2管道泄漏信号。

图3最大相关系数模态的方差趋势图。

图4是K为5时VMD分解结果。

图5模型训练准确率及loss值迭代结果。

具体实施方式

下面结合附图对本发明作进一步的说明：

如图1所示，这种基于改进VMD和1DCNN的油气管道泄漏检测方法包括 以下步骤：

步骤一、利用声波传感器采集在正常、泄漏两种工况下天然气管道中的声 波信号。

正常、泄漏两种工况下天然气管道中的声波信号采集自东北石油大学的实 验室天然气管道泄漏检测模拟实验平台，管道总长为160m，管道直径为DN50， 管道壁厚为4mm，管道内可以实现气体和液体的运输。本发明采用压缩空气仿 真气体管道，其中气体压力为0.5MPa，流速16m/s，泄漏口径16mm。管道上 设有多个泄漏点，用于仿真现场管道的泄漏，并且可通过监控台对管道的相关 参数进行监控。实验数据包括正常和泄漏两种不同工况下所采集到的信号数据。 其中，正常信号是管道阀门关闭，管道气体运输正常情况下采集到的信号；泄 漏信号是通过在泄漏点处安装一条10m的高压声波衰减管，在管的末端安装上一个泄漏孔径为1mm的堵头和一个4分球阀，然后迅速切换4分球阀开关模拟 管道泄漏所采集的信号，系统采样频率设为1000Hz。利用声波传感器采集在正 常、泄漏两种工况下天然气管道中的声波信号。各工况原始声波信号时域波形 如图2所示。

步骤二、首先对VMD参数进行初始化，然后计算从2到n每个K值下， 最大相关系数的IMF的方差值D(IMF_i(t))，并绘制方差波动曲线，若在该曲线内 方差值单调递增没有峰值，则计算K为n+1时，相关系数最大的方差值，重复 以上步骤，选取方差值最大时候的当前K值作为最佳VMD分解参数。最大相 关系数模态的方差趋势图如图3所示，K值由2到5，方差值单调递增，当K 为6时，方差值相比K等于5时最大相关系数模态的方差值有所减小，因此选 择最佳VMD分解参数值为5。

本实施例中对管道声波信号进行变分模态分解的具体分解步骤如下：

(1)采用Hilbert变换，计算每个u_k的解析函数以获得其相应的单边频谱：

(2)对每个模态u_k，通过与其对应的中心频率的指数项混叠，将每个模态u_k的频谱转移到相应基带：

(3)由解调信号的高斯平滑度和梯度平方范数来估计带宽。

(4)由上述步骤得到的约束变分问题为：

其中，u_k＝{u₁，u₂，...，u_k}为各模态函数；ω_k＝{ω₁，ω₂，...ω_k，}为各中心频率；*表示 卷积；δ(t)为单位冲激函数；

表示对t的偏导数，f为原始信号。

(5)通过引入拉格朗日乘子λ(t)和二次惩罚因子

将约束变分问题转变为非 约束变分问题，二次惩罚因子是典型的实现重构信号保真度的方法，拉格朗日 乘子则用来实现精确重构。将两者结合得到拓展的拉格朗日表达式如下：

(6)采用乘法算子交替方向法解决上述变分问题，迭代优化u^k+1、ω^k+1、λ^k+1即 可求得扩展拉格朗日表达式的“鞍点”，变分问题的解为：

(7)中心频率的更新方法为：

步骤三、利用VMD算法对步骤一采集的声波信号进行自适应分解，获取若 干从低频到高频分布的本征模态函数IMF，并计算VMD分解后各个IMFS的方 差值，选取其中方差最大的IMF作为有效本征模态函数。当K值选为5时，对 管道信号进行VMD自适应分解，分解得到从低频到高频分布的本征模态函数， 分解结果如图4所示。计算每个模态分量的方差值，选取方差值最大的模态作 为有效本征模态函数，该模态包含的信息成分最多。

步骤四、通过优化网络结构和超参数构建一维卷积神经网络1DCNN管道泄 漏检测模型，一维卷积神经网络1DCNN管道泄漏检测模型参阅表1。根据管道 信号特性设计一维卷积神经网络管道泄漏检测模型，通过分析不同网络结构和 超参数对泄露检测的准确率和loss值的影响，使用逐一测试的方法进行实验选 取最优网络结构和超参数；

所述网络结构设计为9层，具体的1DCNN网络结构模型如表1所示，包括 输入层，卷积层，池化层，平坦层，全连接层，输出层，每个卷积层后面对应 一层池化层，在最后一层全连接层后连接一个softmax分类器，输出模型预测的 各个工况的概率。

表1 1DCNN网络结构及参数设置

所述超参数经实验分析后卷积层数目选为两层，第一层卷积层中卷积核数 量为16个，尺寸为16*1，第二层中为32个，尺寸为8*1，池化层数目为两层， 对应在每层卷积层之后，尺寸为4*1，批处理样本数目为200个。

步骤五、将天然气管道泄漏检测实验室中采集到的正常和泄漏类管道信号， 每类采集1180组，共2360组，截取每组样本数据采样点数为784，将两类声波 信号按所述步骤依次进行处理后，将样本数据分为训练集和测试集，首先通过 反向传播算法训练模型，直至误差满足精度要求或者达到最大次数，这里选用 准确率和loss损失值为模型训练性能评价指标，对模型进行迭代训练，模型训 练迭代过程如图5所示。模型测试部分验证训练好的模型实际测试的检测准确 程度。选用准确率和loss损失值作为性能评价指标，对模型进行迭代训练。

泄漏检测分析中“误判泄漏”和“漏判泄漏”对系统造成的影响不同，前 者将正常信号错判为泄漏，后者将泄漏信号错判为正常，后者带来的影响要大 得多，因此模型评价指标除了采用常规的准确率外，还引入了其他统计学指标 包括误差率，召回率以及F1分数。各项评价指标结果如表2所示。

表2各项评价指标结果

混淆矩阵被用于在分类问题上对准确率的一种评估形式，可通过观察混淆 矩阵的对角线来评估出模型的分类效果，最理想的结果就是所有的数据都在对 角线上，那么说明分类精度最高。混淆矩阵显示结果如表3所示，其中标签0 表示正常信号，标签1表示正常信号。

表3混淆矩阵显示效果

Claims (3)

1.一种基于改进VMD和1DCNN的油气管道泄漏检测方法，其特征在于：

步骤一、利用声波传感器采集在正常、泄漏两种工况下天然气管道中的声波信号；

步骤二、初始化变分模态分解算法VMD的参数，确定VMD模态数K，由2到N从低到高依次选取K值，N＞2，选择相关系数值最大的模态分量计算其方差值，并绘制方差的变化曲线，若在当前曲线方差没有峰值且单调递增，则继续计算K为N+1时，相关系数最大IMF的方差值，并重复以上步骤，根据方差最大原则，选取方差值最大时候的当前K值作为最佳K值；

步骤三、利用VMD算法对步骤一采集的声波信号进行自适应分解，获取若干从低频到高频分布的本征模态函数IMF，并计算VMD分解后各个IMFS的方差值，选取其中方差最大的IMF作为有效本征模态函数；

步骤四、通过优化网络结构和超参数构建一维卷积神经网络1DCNN管道泄漏检测模型；

步骤五、将步骤三预处理后的声波信号构建训练样本和测试样本，训练样本输入到步骤四构建的一维卷积神经网络1DCNN管道泄漏检测模型中进行训练，使用测试样本测试模型泛化性能，最终获取分类结果检测管道是否发生泄漏。

2.根据权利要求1所述的基于改进VMD和1DCNN的油气管道泄漏检测方法，其特征在于：所述的步骤四的具体方法为：

通过分析不同网络结构和超参数对泄露检测的准确率和loss值的影响，使用逐一测试的方法进行实验选取最优网络结构和超参数；

所述超参数包含卷积层数目，卷积核数量及尺寸，池化层数目及池化大小，批处理样本数目；

所述网络结构设计为9层，包括输入层，卷积层，池化层，平坦层，全连接层，输出层，每个卷积层后面对应一层池化层，在最后一层全连接层后连接一个softmax分类器，输出模型预测的各个工况的概率；

所述卷积层针对管道一维信号使用一维卷积层，卷积层通过训练得到满足损失函数最小的一组最优卷积核，利用卷积核实现自动特征提取；

X＝[x₁，x₂，...，x_t，...，x_s]^T作为输入信号传递到输入层。其中，X∈R^s×d为时间序列信号，s为信号长度，d为特征值长度，x_t表示当前t时刻的特征值向量，R是实数；

时间序列信号经过一维卷积层中进行一维卷积运算：

f(x)＝max(x，0) (2)

其中：*表示一维卷积运算；

表示由卷积核

生成的第j个特征映射，j∈[1，n_c],n_c表示卷积核个数，每个卷积核对应一个特征映射，并联后构成卷积层；卷积核

表示为一个权值矩阵，m为卷积核尺寸，b为偏置；f(x)为激活函数，用于对经过一维卷积运算后的数据进行非线性化，采用深度学习中主流激活函数ReLu，加速模型收敛，增强模型的稀疏表示；

所述池化层使用一维最大池化层，提取出相邻区域内的最大值，将时间序列信号长度减半，池化层提取出卷积结果中最主要的特征，降低输出的维度，如式3所示：

式中

k是在1到s/2的数；

所述平坦层将上一层池化层的输出首尾拼接为一维行向量；所述全连接层与传统神经网络结构一致，由多层隐藏层组成；

所述分类器采用归一化指数函数softmax分类器，将输入转化为和为1的概率分布输出到输出层。

3.根据权利要求2所述的基于改进VMD和1DCNN的油气管道泄漏检测方法，其特征在于：在天然气管道泄漏检测实验室采集正常、泄漏两种工况下天然气管道中的声波信号，每类采集1180组，共2360组，截取每组样本数据采样点数为784，将采集的两类声波信号按步骤三进行处理后，按照8:2的比例分为训练样本和测试样本，构建的训练样本输入到一维卷积神经网络1DCNN管道泄漏检测模型中训练模型，用测试样本测试模型在实际情况下的识别准确性。

Images