CN111734961B - 一种天然气管道泄漏检测方法 - Google Patents

Abstract

一种天然气管道泄漏检测方法，涉及管道泄漏检测技术领域，其解决了管道泄漏检测系统误报率高的问题。所述方法包含以下步骤：利用声学传感器采集声波信号；利用海鸥算法优化变分模态分解算法；利用基于优化的变分模态分解阈值去噪方法对所述的声波信号进行降噪预处理，获取去噪的声波信号；分别提取声波信号的时频特征构建高维特征向量矩阵，利用局部线性嵌入算法对所述的高维特征向量矩阵进行降维，提取有利于分类的敏感特征向量；利用海鸥优化算法搜索最佳的惩罚因子和核函数使最小二乘支持向量机的性能最优，将所述的敏感特征向量作为最小二乘支持向量机的训练样本，根据采集的声波信号作为测试样本，来检测天然气管道是否发生泄漏。

Description

一种天然气管道泄漏检测方法

技术领域

本发明涉及管道泄漏检测技术领域，具体而言，涉及一种天然气管道泄漏检测方法。

背景技术

管道运输是一种主要的运输方式，具有管理方便、运输成本低、稳定、安全等特点，是输送石油、天然气等流体资源的必然选择。随着天然气田的不断开发和天然气管网的不断扩大，管道腐蚀、老化、偷气现象日益严重。这些现象对输气管道的安全运行构成了潜在的严重威胁。因此，必须采取泄漏控制措施来检测天然气管道系统中的泄漏。气体管道泄漏可以通过多种检测方法进行评估，如质量平衡、负压波、瞬态模型、分布式光纤、声波法。声波法具有灵敏度高、定位精度高、误报率低、检测时间短、适应性强等优点。因此，我们使用这种检测方法来获取声波信号。变分模态分解算法是2014年Dragomiretskiy等人提出的一种自适应信号分解方法，然而，变分模态分解算法的参数的设置不准确会严重影响信号分解的结果。声波法采集的管道泄漏信号容易受到环境噪声影响，常常使得管道泄漏检测系统产生误报，漏报等问题。特征提取构造的特征向量中存在着变化相同或相似的冗余特征，如果直接将高维特征向量作为最小二乘支持向量机的输入，会加大训练难度，导致较高的误报率。选取不同的惩罚因子和核函数会得到不同的最小二乘支持向量机，如果以经验选取惩罚因子和核函数，可能会降低检测准确率。

文献号为CN111022941A的现有技术提供了一种基于LSTM循环神经网络的天然气管道泄漏检测方法，其包括以下步骤：步骤1：采集管道泄漏音频数据；步骤2：对所述音频数据采用改进的梅尔频率倒谱系数MFCC方法进行特征提取；步骤3：构建一个基于长短期记忆LSTM循环神经网络的天然气管道泄漏检测模型；步骤4：对所述管道微泄漏检测模型进行训练及参数优化，并验证模型的鲁棒性。该文献在管道泄漏检测模型的参数优化过程中，基于LSTM循环神经网络的天然气管道泄漏检测方法能够对管道状态进行检测，但该现有方法对变化相同或相似的冗余特征的剔除没有考虑，训练难度较大，影响训练时间。

发明内容

本发明提供了一种天然气管道泄漏检测方法，以解决现有管道泄漏检测系统产生误报率高、漏报等问题。

本发明为解决上述技术问题提供了如下技术方案：

利用声学传感器采集不同种类的声波信号，利用海鸥算法优化变分模态分解算法，使变分模态分解算法根据声波信号的特点自适应的选择最佳的分解层数和罚参数；利用基于优化的变分模态分解阈值去噪方法对所述的声波信号进行降噪预处理，获取去噪的声波信号；提取声波信号的时频特征构建高维特征向量矩阵，通过局部线性嵌入算法对所述的高维特征向量矩阵进行降维，提取有利于分类的敏感特征向量，降低向量机的训练难度；将所述降维后的敏感特征向量作为最小二乘支持向量机的训练样本，利用海鸥优化算法搜索最小二乘支持向量机的最优参数，使最小二乘向量机的性能最优，根据采集的声波信号作为测试样本，来检测天然气管道是否发生泄漏。

进一步地，利用海鸥算法优化变分模态分解算法，以排列熵的均值与方差的比值作为粒子群算法的适应度函数，搜索最优的信号分解层数和惩罚参数。海鸥算法优化变分模态分解算法的步骤如下：

步骤1：输入声波信号，设置变分模态分解算法需要优化的参数范围，初始化海鸥算法各项参数，包括种群规模N、最大迭代次数L以及位置X等。

步骤2：计算适应度值，每个海鸥的位置作为运行一次变分模态分解算法的参数，并求得该位置所有本征模态函数的适应度值。

步骤3：更新海鸥最佳位置和适应度，如果当前海鸥的适应度值小于上次迭代的最佳适应度值，则用当前海鸥的适应度值代替上次迭代的最佳适应度值，用当前海鸥的位置代替上次迭代的最佳位置，否则最佳适应度值和最佳位置不变。

步骤4：重复步骤2～3，进行循环迭代，直到达到最大迭代次数后输出最优的分解层数和惩罚参数。

进一步地，适应度值的计算公式如下：

其中，H_P(IMF_k)为本征模态函数(IMF)的排列熵；mean(H_P(IMF_k))为所有排列熵的均值；var(H_P(IMF_k))为所有排列熵的方差；对IMF_k进行相空间重构排序，再映射为符号序列，每种符号序列出现的概率即为P(.)，N为P(.)的个数。

优选地，基于变分模态分解的阈值去噪方法，其步骤如下：

步骤1：首先利用优化后的变分模态分解算法对所述的声波信号进行分解，得到若干本征模态函数(IMF)；

步骤2：计算每个本征模态函数的方差密度和平均周期之积；

其中，E(.)为数学期望，M为IMF_n长度，

为IMF_n的平均周期，K为IMFs的个数。

步骤3：将满足以下条件的第一个IMF视为跳变点：

步骤4：计算所有IMF在跳变点之前的平均值：

步骤5：当满足以下条件时，确定非有效IMF：

对非有效IMF进行软阈值处理：

其中,j表示非有效IMF的个数，M为信号的长度。

步骤6：对非有效IMF进行阈值处理后，对所有IMF求和，得到去噪的声波信号

优选地，所述的时频特征值包含：均值、绝对均值、标准方差、均方根值、方根幅值、绝对最大值、最大值、最小值、峰峰值、偏度、峭度、峰值因子、裕度因子、波形因子、脉冲因子。由上述时频域特征值组成高维特征向量，通过局部线性嵌入算法对所述的高维特征向量进行降维，提取有利于分类的敏感特征向量。

进一步地，利用海鸥优化算法搜索最小二乘支持向量机的最优参数，所述需要优化的参数包含惩罚因子和核函数，将所述的敏感特征向量作为优化后最小二乘支持向量机的训练样本。其优化步骤如下：

步骤1：初始化海鸥种群，最小二乘支持向量机的惩罚因子和核函数参数作为海鸥的位置X，种群规模设置为N，最大迭代次数为L。

步骤2：计算适应度值，对训练集进行交叉验证意义下的准确率作为海鸥优化算法的适应度函数值。

步骤3：更新海鸥最佳位置和适应度，如果当前海鸥的适应度值小于上次迭代的最佳适应度值，则用当前海鸥的适应度值代替上次迭代的最佳适应度值，用当前海鸥的位置代替上次迭代的最佳位置，否则最佳适应度值和最佳位置不变。

步骤4：海鸥算法完成搜索的终止条件为循环达到最大迭代次数，设置的迭代次数为L。

步骤5：当所述的适应度函数完成收敛，即对训练集进行交叉验证意义下的准确率达到最大时，输出最优的惩罚因子和核函数。

本发明具有以下有益效果：利用海鸥算法优化变分模态分解算法，解决了变分模态算法参数设置不准确导致信号分解效果不佳的问题。利用基于变分模态分解的阈值去噪方法对所述的声波信号进行降噪预处理，有效解决了环境噪声对管道泄漏检测造成干扰的问题。通过局部线性嵌入算法对高维特征向量进行降维，提取有利于分类的敏感特征向量，剔除了变化相同或相似的冗余特征，降低了最小二乘支持向量机的训练难度，减少了训练时间。通过海鸥优化算法搜索最小二乘支持向量机最优的惩罚因子和核函数参数，提高了最小二乘支持向量机的预测准确率。该检测方法简单、准确率高、检测成本低。

附图说明

为了更为清楚的说明本发明的技术方案，下面对本发明的所需要的附图进行说明。

图1为本发明所述的天然气管道泄漏检测方法的流程框图；

图2为本发明中海鸥算法优化变分模态分解算法(步骤S100的子步骤)的流程框图；

图3为本发明中管道声波信号去噪(步骤S110的子步骤)流程框图；

图4为本发明中提取管道声波信号敏感特征的(步骤S120的子步骤)流程框图；

图5为本发明中海鸥优化最小二乘支持向量机的(步骤S130的子步骤)流程框图；

图6为本发明中检测管道工况的(步骤S140的子步骤)流程框图；

图7为本发明实施例提供的管道声波信号去噪效果图；图中：(a)为泄漏信号去噪效果图，(b)为敲击信号去噪效果图。

图8为本发明实施例提供的时频域特征向量变化图；

图9为本发明实施例提供的局部线性嵌入降维后提取的敏感特征向量图；

图10为本发明实施例提供的海鸥算法优化最小二乘支持向量机的适应度收敛曲线及最佳惩罚因子和核函数；

图11为本发明实施例提供的优化后最小二乘支持向量机的预测分类与实际类别对比图。

具体实施方式

下面将结合附图对本发明的具体实施方式进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为一种天然气管道泄漏检测方法流程实施例，用于对天然气管道的工况进行检测，所述方法包含以下步骤：

步骤S100:利用声学传感器采集管道的声波信号,利用海鸥算法优化变分模态分解算法；

本实施例中，采集的声波信号包括但不局限于正常信号、敲击信号、泄漏信号。利用海鸥算法优化变分模态分解算法，以排列熵的均值与方差的比值作为粒子群算法的适应度函数，搜索最优的信号分解层数和惩罚参数。

步骤S110:利用基于变分模态分解的阈值去噪方法对所述的声波信号进行降噪预处理，获取去噪的声波信号；

本实施例中，通过对所述的声波信号进行降噪预处理，可以降低管道内其他噪声对有效声波信号的干扰，最终获得去噪的声波信号。

步骤S120:通过局部线性嵌入算法提取声波信号的敏感特征向量；

本实施例中，所述的正常信号、敲击信号、泄漏信号时频曲线之间存在明显差异，但众多特征向量存在变化相同或相似的冗余特征，因此局部线性嵌入算法提取声波信号的敏感特征向量，可以降低向量机的训练难度，提高检测准确率。

步骤S130:利用海鸥算法优化最小二乘支持向量机；

本实施例中，利用海鸥优化算法迭代搜索最优的惩罚因子和核函数，训练的过程就是寻找最佳参数组合使向量机的性能最优。

步骤S140:检测天然气管道的运行工况；

本实施例中，将采集的声波信号通过处理后作为测试集，输入到优化后的最小二乘支持向量机里面，判断天然气管道的运行工况。

请参照图2，本实施例中，进一步的，所述步骤S100可以包括如下子步骤：

步骤200：输入声波信号，设置参数范围，初始化海鸥算法；

本实施例中，输入声学传感器采集的声波信号，设置变分模态分解算法需要优化的参数范围，初始化海鸥算法各项参数，包括种群规模N、最大迭代次数L以及位置x_i等。

步骤210：循环海鸥位置，运行变分模态分解算法，计算适应度值；

本实施例中，每个海鸥的位置作为运行一次变分模态分解算法的参数，并求得该位置所有本征模态函数的适应度值。

所述适应度值的计算公式如下：

其中，H_P(IMF_k)为本征模态函数(IMF)的排列熵；mean(H_P(IMF_k))为所有排列熵的均值；var(H_P(IMF_k))为排列熵的方差；对IMF_k进行相空间重构排序，再映射为符号序列，每种符号序列出现的概率即为P(.),N为P(.)的个数。

步骤220：更新海鸥最佳位置和适应度；

本实施例中，更新海鸥最佳位置和适应度，如果当前海鸥的适应度值小于上次迭代的最佳适应度值，则用当前海鸥的适应度值代替上次迭代的最佳适应度值，用当前海鸥的位置代替上次迭代的最佳位置，否则最佳适应度值和最佳位置不变。

步骤230：输出最优的分解层数和罚参数；

本实施例中，重复步骤2～3，进行循环迭代，直到达到最大迭代次数后输出最优的分解层数和罚参数。

请参照图3，本实施例中，进一步的，所述步骤S110可以包括如下子步骤：

步骤S300:对所述的声波信号进行变分模态分解，获取分解后的本征模态函数(IMF)；

本实施例中，本征模态函数从低频到高频依次排列，其中，包含有效本征模态函数和非有效本征模态函数。

步骤S310:计算每个本征模态函数的方差密度和平均周期之积；

本实施例中，本征模态函数的方差密度和平均周期之积为常数，

其中，E(.)为数学期望，M为IMF_n长度，

为IMF_n的平均周期，K为IMFs的个数。

步骤S320:确定跳变点；

本实施例中，将满足以下条件的第一个IMF视为跳变点：

步骤S330:计算所有IMF在跳变点之前的平均值；

本实施例中，平均值的计算公式如下：

步骤S340:确定非有效IMF，对非有效IMF进行软阈值处理；

本实施例中，当满足以下条件时，确定非有效IMF：

对非有效IMF进行软阈值处理：

其中，j表示非有效IMF的个数，M为信号的长度。

步骤S350:对非有效IMF进行阈值处理后，对所有IMF求和，得到去噪的声波信号。经过上述步骤得到去噪后的声波信号如图6所示。

请参照图4，本实施例中，进一步的，所述步骤S120可以包括如下子步骤：

步骤S400:提取声波信号的时频域特征值，构建高维特征向量；

本实施例中，所述的时频域特征包含均值、绝对均值、标准方差、均方根值、方根幅值、绝对最大值、最大值、最小值、峰峰值、偏度、峭度、峰值因子、裕度因子、波形因子、脉冲因子。需要说明的是，所述特征值还可以包含其他与泄漏检测有关的指标，这里不做特别限定，由这些特征值构建高维特征向量，所述的时频域特征值的变化图如图7所示。

步骤S410:通过局部线性嵌入算法对所述高维特征向量进行降维，提取有利于分类的敏感特征向量；

本实施例中，所述的局部线性嵌入算法是一种非线性降维方法，能将高维特征模型映射到低维空间，剔除变化特点相同或相似的冗余的特征参数，提取对工况识别有利的敏感特征。所述提取的敏感特征值如图8所示，其中红色“+”表示敲击信号的特征值，蓝色“Δ”表示泄漏信号特征值，黑色“◇”表示正常信号特征值，由图可知，同一管道工况的数据聚集在一起，而且管道工况特征值分类明显，有利于后续的分类。

请参照图5，本实施例中，进一步的，所述步骤S130可以包括如下子步骤：

步骤S500:初始化海鸥种群；

本实施例中，最小二乘支持向量机的惩罚因子和核函数参数作为海鸥的位置，随机初始化海鸥的位置X，种群规模设置为N，最大迭代次数为L。

步骤S510:计算适应度值；

本实施例中，对训练集进行交叉验证意义下的准确率作为海鸥优化算法的适应度函数值。

步骤S520:更新海鸥最佳位置和适应度；

本实施例中，如果当前海鸥的适应度值大于上次迭代的最佳适应度值，则用当前海鸥的适应度值代替上次迭代的最佳适应度值，用当前海鸥的位置代替上次迭代的最佳位置，否则最佳适应度值和最佳位置不变。

步骤S530:是否满足终止条件；

本实施例中，海鸥算法完成搜索的终止条件为循环达到最大迭代次数，设置的迭代次数为L。

步骤S540:输出最优的惩罚因子和核函数；

本实施例中，当所述的适应度函数完成收敛，即对训练集进行交叉验证意义下的准确率达到最大时，输出最优的惩罚因子和核函数。图9为海鸥算法优化最小二乘支持向量机的适应度收敛曲线及最佳惩罚因子和核函数，由图可以看出，所述适应度函数在69代完成收敛，所述适应度函数达到最高为93.3333％，惩罚因子为26.6648，核函数为0.16308。

请参照图6，本实施例中，进一步的，所述步骤S140可以包括如下子步骤：

步骤S600:利用最佳参数训练最小二乘支持向量机；

本实施例中，利用步骤S440得到的最佳惩罚因子和核函数来训练最小二乘支持向量机，得到所述最小二乘支持向量机最优分类面函数。

步骤S610:采集的声波信号作为测试集，判断管道的运行工况；

本实施例中，天然气管道采集的声波信号作为测试集，输入到训练好的最小二乘支持向量机里面，如检测结果为正常时，结果输出为0；当检测为敲击时，结果输出为1；当检测结果为泄漏时，结果输出为2。图10为优化后最小二乘支持向量机的预测分类与实际类别对比图，由图可知，本发明对天然气管道的运行工况具有较高的检测准确率。

综上所述，首先利用声波传感器采集不同种类的声波信号，利用海鸥算法优化变分模态分解，使变分模态分解算法根据信号的特点自适应的选的最佳的分解层数和罚参数，解决了变分模态分解参数设置不准确导致的信号分解效果不佳的问题；利用基于变分模态分解算法的阈值去噪方法对声波信号进行去噪，有效解决了环境噪声对管道泄漏检测造成干扰的问题；通过局部线性嵌入算法对高维特征向量进行降维，提取有利于分类的敏感特征，剔除了变化相同或相似的冗余特征，降低了最小二乘支持向量机的训练难度，减少了训练时间。通过海鸥优化算法搜索最小二乘支持向量机最优的惩罚因子和核函数参数，解决了人为经验选取参数的弊端，提高了最小二乘支持向量机的预测准确率。该检测方法简单、准确率高、检测成本低。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (6)

1.一种天然气管道泄漏检测方法，其特征在于，所述方法包括：

利用声学传感器采集声波信号，利用海鸥算法优化变分模态分解算法，使变分模态分解算法根据声波信号的特点自适应的选择最佳的分解层数和罚参数；

利用基于变分模态分解的阈值去噪方法对所述的声波信号进行降噪预处理，获取去噪的声波信号；

提取声波信号的时频特征构建高维特征向量矩阵，利用局部线性嵌入算法对所述的高维特征向量矩阵进行降维，提取有利于分类的敏感特征向量，降低向量机的训练难度；

将所述降维后的敏感特征向量作为最小二乘支持向量机的训练样本，利用海鸥优化算法搜索最小二乘支持向量机的最优参数，使最小二乘向量机的性能最优，根据采集的声波信号作为测试样本，来检测天然气管道是否发生泄漏。

2.根据权利要求1所述的天然气管道泄漏检测方法，其特征在于，变分模态分解算法的参数的设置不准确会影响信号分解的结果，因此，利用海鸥算法优化变分模态分解算法，以排列熵的均值与方差的比值作为粒子群算法的适应度函数，搜索最优的信号分解层数和惩罚参数；海鸥算法优化变分模态分解算法的步骤如下：

步骤1：输入声波信号，设置变分模态分解算法需要优化的参数范围，初始化海鸥算法各项参数，包括种群规模N、最大迭代次数L以及位置X；

步骤2：计算适应度值，每个海鸥的位置作为运行一次变分模态分解算法的参数，并求得该位置所有本征模态函数的适应度值；

步骤3：更新海鸥最佳位置和适应度，如果当前海鸥的适应度值小于上次迭代的最佳适应度值，则用当前海鸥的适应度值代替上次迭代的最佳适应度值，用当前海鸥的位置代替上次迭代的最佳位置，否则最佳适应度值和最佳位置不变；

步骤4：重复步骤2～3，进行循环迭代，直到达到最大迭代次数后输出最优的分解层数和罚参数。

3.根据权利要求2所述的天然气管道泄漏检测方法，其特征在于，适应度函数的计算公式如下：

其中，H_P(IMF_k)为本征模态函数(IMF)的排列熵；mean(H_P(IMF_k))为所有排列熵的均值；var(H_P(IMF_k))为排列熵的方差；对IMF_k进行相空间重构排序，再映射为符号序列，每种符号序列出现的概率即为P(.),N为P(.)的个数。

4.根据权利要求1所述的天然气管道泄漏检测方法，其特征在于，基于变分模态分解的阈值去噪方法，其步骤如下：

步骤1：首先利用优化后的变分模态分解算法对所述的声波信号进行分解，得到若干本征模态函数(IMF)；

步骤2：计算每个本征模态函数的方差密度和平均周期之积：

其中，E(.)为数学期望，M为IMF_n长度，

为IMF_n的平均周期，K为IMFs的个数；

步骤3：将满足以下条件的第一个IMF视为跳变点：

步骤4：计算所有IMF在跳变点之前的平均值：

步骤5：当满足以下条件时，视为非有效IMF：

对非有效IMF进行软阈值处理：

其中，j表示非有效IMF的个数；

步骤6：对非有效IMF进行阈值处理后，对所有IMF求和，得到去噪的声波信号。

5.根据权利要求1所述的天然气管道泄漏检测方法，其特征在于，利用海鸥优化算法搜索最小二乘支持向量机的最优参数，将所述的敏感特征向量作为最小二乘支持向量机的训练样本，需要优化的参数包含惩罚因子和核函数；优化步骤如下：

步骤1：初始化海鸥种群，最小二乘支持向量机的惩罚因子和核函数参数作为海鸥的位置X，种群规模设置为N，最大迭代次数为L；

步骤2：计算适应度值，对训练集进行交叉验证下的准确率作为海鸥优化算法的适应度函数值；

步骤3：更新海鸥最佳位置和适应度，如果当前海鸥的适应度值大于上次迭代的最佳适应度值，则用当前海鸥的适应度值代替上次迭代的最佳适应度值，用当前海鸥的位置代替上次迭代的最佳位置，否则最佳适应度值和最佳位置不变；

步骤4：海鸥算法完成搜索的终止条件为循环达到最大迭代次数，设置的迭代次数为L；

步骤5：当所述的适应度函数完成收敛，即对训练集进行交叉验证下的准确率达到最大时，输出最优的惩罚因子和核函数。

6.根据权利要求1所述的天然气管道泄漏检测方法，其特征在于，所述时频特征包含：均值、绝对均值、标准方差、均方根值、方根幅值、绝对最大值、最大值、最小值、峰峰值、偏度、峭度、峰值因子、裕度因子、波形因子、脉冲因子；由上述时频特征组成高维特征向量，通过局部线性嵌入算法对所述高维特征向量进行降维。

Images