CN112665801A - 基于卷积神经网络的输气管线阀门内漏识别装置及方法 - Google Patents

Abstract

本发明涉及一种基于卷积神经网络的输气管线阀门内漏识别装置，包括：阀门内漏检测装置；阀门内漏检测装置由传感器、前置信号放大器和数据采集器组成，传感器接入前置信号放大器，前置信号放大器接入数据采集器，数据采集器接入计算机；传感器用于感测阀门内漏信号和非泄漏噪声信号。本发明的有益效果是：本发明建立了一种能够学习噪声信号与内漏信号之间微弱差异的预测能力较强的阀门内漏识别装置，提升处于复杂背景噪声工况下阀门的内漏诊断准确率，降低阀门内漏误检概率以及避免健康阀门在没有内漏时的维修拆卸甚至更换，同时降低阀门内漏带来的经济损失及生产安全隐患。

Description

基于卷积神经网络的输气管线阀门内漏识别装置及方法

技术领域

本发明属于输气管线阀门内漏诊断领域，尤其涉及一种基于卷积神经网络的输气管线阀门内漏识别装置及方法。

背景技术

天然气是一种清洁能源，燃烧后产生的CO₂和NO_x较少、无SO₂和颗粒物等优点使其在工业和民用领域得到了广泛的应用。《BP世界能源展望》显示，未来我国天然气市场仍将有超过200％的巨大增长空间，也加快了油气管道的建设和发展。随着天然气管道网络的完善，管道阀门的使用量和使用种类也在逐步增加。阀门作为天然气管道的控制元件，有接通或截断流体通路、调节和节流、防止倒流、调节压力、释放过剩的压力及排液阻气等用途。为了保证天然气输送作业的正常运行，要求管道阀门具有良好的密封性。阀门内漏指当阀门启闭件与阀座密封面间的接触处失效，管线介质在压力差的作用下经过失效部位向低压管线泄漏。阀门作为输气设施的关键部件，在频繁开关、长期运行、操作或维护不当的情况下，会引起阀门开关不到位和密封面损伤问题，进而引起阀门内漏。

据统计，炼油厂、火电厂以及输气站场关断阀门(主要为：球阀、旋塞阀、闸阀、截止阀和蝶阀等)内漏可造成每年成百上千万美元的损失。在天然气工业领域，购买阀门的费用占站场投资总费用的8％，而维修和更换阀门的费用占维修更换设备总费用的10％左右。据某能源集团公司统计，2017年通用阀门共发现241条缺陷，其中内漏缺陷28条，占比11.6％；2018年通用阀门共发现371条，其中内漏61条，占比16.4％。上述数据表明，阀门内漏在天然气站场普遍存在，并损耗了大量的人力物力。但是当内漏速率较小时，发生误检的概率大大上升。由于输气管线关键阀门具有工作压力高、口径大的特性，若发生误检，不仅造成介质流失，影响正常的输送作业，也会带来生产安全隐患。

为了减少阀门内漏带来的经济损失和人员伤亡，国内外研究学者建立多种阀门内漏诊断方法，通过定期定点巡检的方式保证阀门处于安全运行状态。Puttmer等验证了基于声发射技术诊断阀门内漏的高效性，并提出了当内漏声学信号强度高于背景环境的基准强度时则判定内漏的方法(P3F-6acoustic emission based online valve leak detectionand testing[C].IEEE Ultrasonics Symposium,IEEE,2007.)；高倩霞等通过分析内漏声学射信号的振铃计数、均方根值、能量、幅值、中心频率等声学特征与阀门入口压力、阀门类型、阀门尺寸、泄漏孔尺寸之间的关系，得到了振铃计数、能量和均方根值三个声学特征可以作为评价指标诊断阀门内漏的结论(阀门泄漏故障状态与声发射信号特征之间定量关系实验研究[J].热能动力工程,2011,26(5):582-587)；Shukri等以DN25液体介质截止阀为研究对象，通过对比内漏声学信号的频域峰值、标准差及方差与对应内漏临界值的大小诊断阀门内漏(Implementation of acoustic emission technique in early detection ofcontrol valve seat leakage[C].2014 15th International Conference on Sciencesand Techniques of Automatic Control and Computer Engineering(STA),Hammamet,2014:541-546)；沈功田等进行了DN15、DN25、DN40气体介质闸阀、截止阀和球阀内漏检测实验，并将声发射传感器分别安装于紧靠阀门的上游、下游以及远离阀门的下游管道上，通过对比上述位置声学信号强度诊断阀门内漏。唐博强等指出，通过分析信号时频域波形和频谱分布能够初步诊断气体介质蝶阀内漏状态(中国声发射检测技术进展——学会成立25周年纪念[J].无损检测,2003(6):302-307)；刘贵杰等结合使用集合经验模态分解和Hilbert-Huang变换确定噪声信号及内漏信号的频谱范围，达到阀门内漏诊断的目的(基于HHT的管道阀门内漏声发射检测研究[J].振动与冲击,2012,31(23):62-66)；李伟等以DN150液体介质闸阀为研究对象，验证了通过确定内漏声学信号特征变化及峰值频率所在频段实现阀门内漏诊断的可行性(基于声学检测系统理论的输油管道阀门内漏问题分析[J].压力容器,2017,34(12):55-62)；张璐莹等利用傅里叶变换和小波包分解等时频分析方法，在频域角度得到了能够表征内漏状态的特征频率信息，实现了阀门内漏状态的有效检测(气体阀门内漏声发射信号特征提取方法研究[J].油气田地面工程，2019,38(12):20-26)；王文亮等以正常声波信号的时域特征峰度系数和频域特征小波包能量分率为输入，证实了基于支持向量数据描述诊断阀门内漏的可行性(阀门内漏单声波传感器监测方法研究[J].化工学报,2019,70(S1):248-256)。

上述方法主要通过内漏声学信号的时频域特征变化、频率范围等方式诊断阀门内漏。虽然内漏信号和非泄漏噪声信号的频率范围有所差异，但仍有大量交叉。当泄漏信号比较微弱且受到复杂噪声干扰时，例如高压流体流经弯头、汇管等位置时会产生大量的非泄漏噪声，导致两种信号特征差异存在被淹没的可能。此外，由于浅层模型学习能力有限，难以充分学习复杂工况下信号特征分布，也会导致内漏诊断效率不高；现有的传统阀门内漏诊断方法在复杂背景噪声下也存在内漏诊断准确率低的问题，需要在建立更加具有鲁棒性的非线性模型方向进行深入研究。

综上所述，提出一种基于卷积神经网络的输气管线阀门内漏识别装置及方法，就显得尤为重要。

发明内容

本发明的目的是克服现有技术中的不足，提供一种基于卷积神经网络的输气管线阀门内漏识别装置及方法；

这种基于卷积神经网络的输气管线阀门内漏识别装置，包括阀门内漏检测装置；阀门内漏检测装置由传感器、前置信号放大器和数据采集器组成，传感器接入前置信号放大器，前置信号放大器接入数据采集器，数据采集器接入计算机；传感器用于感测阀门内漏信号和非泄漏噪声信号，前置信号放大器用于放大感测的声学信号，降低信号传输过程中背景噪声的影响；数据采集器用于对放大后的声学信号进行A/D转换及存储；计算机装有计算机系统和诊断软件，用于对声学信号进行分析、处理及诊断结果输出，诊断软件融合了阀门内漏识别模型结构、参数及超参数等，诊断软件包括信号实时显示、信号降噪、功率谱密度提取、信号功率谱密度实时显示、内漏诊断、诊断结果输出、模型数据库更新等功能。

作为优选，传感器安装在紧靠待测阀门的下游管道上，传感器与管道之间涂抹有耦合剂，传感器还通过磁力夹具固定。

作为优选，传感器为窄带谐振式声发射传感器，谐振式声发射传感器谐振频率为22KHz～220KHz，工作温度为-20℃～80℃，峰值灵敏度大于-65dB；传感器的采样频率为200KHz；前置信号放大器为40dB放大器，频带范围为20KHz～2.5MHz，信号增益变动在1dB以内；数据采集器的最大采样率为1MSPs，采用USB口供电，输入通道数为8。

作为优选，数据采集器的输入通道数为2，数据采集器的单通道采样频率为200KHz。

作为优选，待测阀门为输气站场关断类阀门，输气站场关断类阀门包括球阀、旋塞阀、闸阀、截止阀和蝶阀。

这种基于卷积神经网络的输气管线阀门内漏识别装置的工作方法，包括以下步骤：

步骤1、基于卷积神经网络来建立输气管线阀门的内漏识别模型，内漏识别模型用于诊断内漏阀门并获得阀门健康状态；

步骤1.1、采集多工况、多类型阀门内漏信号和非泄漏噪声信号，提取多工况、多类型阀门内漏信号和非泄漏噪声信号的功率谱密度图，建立输气管线阀门内漏识别样本数据库，将样本数据库作为卷积神经网络算法的输入；多工况、多类型非泄漏噪声信号包括环境噪声、人工制造噪声；用于模拟现场施工产生的噪声包括金属敲击噪声和塑料敲击噪声，用实验室噪声来模拟正常环境噪声和工业设备运行产生的噪声，如泵等；天然气站场噪声，是输气站场非泄漏噪声的主要来源，天然气站场噪声为天然气高速流动过程中，在汇管、弯头等位置流向发生改变，形成紊流，通过自身以及和管壁的相互作用，将流体的机械能转化为声能产生的噪声，在非泄漏噪声样本中具有很强的代表性；

步骤1.2、基于独立同分布原则将样本数据库划分为训练集、验证集和测试集，保证了内漏识别模型的泛化性能，训练集用于学习内漏识别模型的参数，验证集用于优化内漏识别模型超参数和初步评估内漏识别模型性能，测试集用于评估内漏识别模型的整体泛化性能；

步骤1.3、对训练集样本进行乱序处理,用于降低内漏识别模型的方差及缓解内漏识别模型过拟合；通过训练集样本来训练内漏识别模型中卷积神经网络算法的模型参数；通过验证集来优化内漏识别模型中卷积神经网络算法的超参数，超参数包括学习速率和批大小，批大小决定了一次迭代样本的输入数量，将验证集输入到内漏识别模型中(AlexNet模型、VggNet16模型、GoogLeNet模型和ResNet18模型)，验证构建的内漏识别模型，并调整内漏识别模型的学习速率和批大小直至内漏识别模型中卷积神经网络算法在验证集上的泛化性能不再提升为止；卷积神经网络算法的构建依托于完善的阀门内漏及非泄漏样本数据库；

步骤1.4、通过测试集来评估内漏识别模型中卷积神经网络算法的泛化性能，若满足要求，则内漏识别模型建立完毕；若不满足要求，则修改内漏识别模型结构或者增加样本数据集的样本量和样本类型，重复执行步骤1.1至步骤1.4，直到满足要求；

步骤2、将基于卷积神经网络的输气管线阀门内漏识别模型编写入阀门内漏检测装置中，依托阀门内漏检测装置在输气站场进行阀门内漏检测；

步骤2.1、通过传感器感测阀门内漏信号或非泄漏噪声信号；

步骤2.2、基于前置信号放大器对阀门内漏信号或非泄漏噪声信号进行放大处理，以减少干扰噪声对信号的影响；

步骤2.3、对进行放大处理后的信号进行A/D转换，然后将转换后的数据输送到数据采集器；

步骤2.4、将数据采集器的输出信号发送至计算机的诊断软件和计算机系统中；

步骤2.5、提取步骤2.4输出信号的特征，并输入到构建的内漏识别模型中，得到内漏诊断结果。

作为优选，步骤1.1中多工况、多类型阀门内漏信号和非泄漏噪声信号的采集比例为1:1；多工况内漏信号的内漏速率范围为3L/min～800L/min，多工况内漏信号对应的工作压力范围为0.2MPa～8MPa，多工况内漏信号对应的阀门尺寸为DN80、DN150、DN200、DN250或DN350，保证了内漏信号的多样性及代表性。

作为优选，步骤1.1中输气管线阀门内漏识别样本数据库样本量为6000组。

作为优选，步骤1.3中卷积神经网络算法包括AlexNet算法、VggNet16算法、GoogLeNet算法和ResNet18算法；AlexNet算法的模型深度为8，参数量为61百万，输入图像尺寸为227像素×227像素；VggNet16算法的模型深度为16，参数量为138百万，输入图像尺寸为224像素×224像素；GoogLeNet算法的模型深度为22，参数量为27百万，输入图像尺寸为224像素×224像素；ResNet18算法的模型深度为18，参数量为11.7百万，输入图像尺寸为224像素×224像素；步骤1.3中学习速率和批大小这两个超参数基于试错法确定，学习速率和批大小在AlexNet算法中的取值分别为64和0.0005；学习速率和批大小在VggNet16算法中的取值分别为32和0.0003；学习速率和批大小在GoogLeNet算法中的取值分别为32和0.0004；学习速率和批大小在ResNet18算法中的取值分别为32和0.0005；试错法为通过连续地改变超参数取值后内漏识别模型作出的应答，以寻求达到较好的预测结果。

作为优选，步骤2.4中诊断软件为基于Labview和matlab编写的软件，用于信号实时显示、功率谱密度提取、内漏诊断、诊断结果输出、模型数据库更新；诊断软件的工作流程为：Labview提取多工况、多类型阀门内漏信号和非泄漏噪声信号的功率谱密度图，显示内漏信号和非泄漏噪声信号的波形，然后进行信号特征提取，再调用matlab并将功率谱密度图输入到内漏识别模型(matlab诊断模型)中；最后输出内漏识别模型的诊断结果，生成诊断报表并显示在Labview的人机交互界面上；诊断软件对内漏识别模型的数据和卷积神经网络算法的超参数进行更新，并保存诊断记录。

本发明的有益效果是：本发明建立了一种能够学习噪声信号与内漏信号之间微弱差异的预测能力较强的阀门内漏识别装置，提升处于复杂背景噪声工况下阀门的内漏诊断准确率，降低阀门内漏误检概率以及避免健康阀门在没有内漏时的维修拆卸甚至更换，同时降低阀门内漏带来的经济损失及生产安全隐患；基于卷积神经网络的输气管线阀门内漏识别方法建立了完备的阀门内漏及非泄漏信号样本数据库，学习了模型参数，优化了模型超参数，确定了信号的功率谱密度图特征与阀门是否存在内漏之间的关系，解决了现有的传统阀门内漏诊断方法在复杂背景噪声下内漏诊断准确率低的问题。

附图说明

图1为基于卷积神经网络的输气管线阀门内漏识别模型的建立流程图；

图2为阀门内漏检测装置的结构组成图；

图3为阀门内漏诊断软件的框架图；

图4为阀门内漏检测装置的工作流程图。

附图标记说明：传感器1、前置信号放大器2、数据采集器3、计算机4。

具体实施方式

下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

本发明针对传统模型在复杂背景噪声下阀门内漏信号上学习能力有限的问题，提出了一种基于卷积神经网络的输气管线阀门内漏识别装置及方法，用于感测多工况阀门内漏及非泄漏噪声信号、特征提取、样本集划分、内漏识别模型参数及超参数、内漏诊断结果的输出；旨在提高复杂背景噪声下阀门内漏诊断准确率，进而降低阀门内漏误检的概率，避免健康阀门在没有内漏时的维修拆卸甚至更换，同时降低阀门内漏带来的经济损失及生产安全隐患。

实施例1：

一种基于卷积神经网络的输气管线阀门内漏识别装置，如图2所示，包括阀门内漏检测装置；阀门内漏检测装置由传感器1、前置信号放大器2和数据采集器3组成，传感器1接入前置信号放大器2，前置信号放大器2接入数据采集器3，数据采集器3接入计算机4；计算机4装有计算机系统和诊断软件。传感器1安装在紧靠待测阀门的下游管道上，传感器1与管道之间涂抹有耦合剂，传感器1还通过磁力夹具固定。待测阀门为输气站场关断类阀门(球阀、旋塞阀、闸阀、截止阀和蝶阀)。

传感器1为窄带谐振式声发射传感器，谐振式声发射传感器谐振频率为22KHz～220KHz，工作温度为-20℃～80℃，峰值灵敏度大于-65dB；传感器1的采样频率为200KHz；前置信号放大器2为40dB放大器，频带范围为20KHz～2.5MHz，信号增益变动在1dB以内；数据采集器3的最大采样率为1MSPs，采用USB口供电，输入通道数为2，数据采集器3的单通道采样频率为200KHz。

实施例2：

一种基于卷积神经网络的输气管线阀门内漏识别装置的工作方法，如图1和图4所示，具体包括如下步骤：

基于卷积神经网络来建立输气管线阀门的内漏识别模型：

1)基于阀门内漏检测装置采集多工况、多类型阀门内漏及非泄漏噪声信号；窄带谐振式声发射传感器初始化标定之后，被安装在紧靠待测阀门的下游管道上，在传感器与管道之间涂抹适当厚度的耦合剂，并采用磁力夹具固定传感器，然后改变阀门类型、尺寸、入口压力及泄漏孔直径等产生多工况阀门内漏信号，最后采集3000组内漏信号，每组内漏信号由200000个数据点组成，由于声发射传感器采样频率为200KHz，一组信号的采集时间为1秒；本实施例共采集了6000组阀门内漏信号和非泄漏噪声信号，样本量比例为1:1

2)提取步骤1)所述的内漏信号及非泄漏噪声信号的功率谱密度图；本实施例提取6000组多工况时域信号的功率谱密度图；

3)基于步骤2)所述的功率谱密度图建立阀门内漏识别样本集；本实施例缩放所述6000组多工况时域信号的功率谱密度图的图像尺寸，AlexNet、VggNet16、GoogLeNet及ResNet18模型样本集的图像尺寸(像素)分别为：227像素×227像素、224像素×224像素、224像素×224像素、224像素×224像素，阀门内漏识别样本集数量为6000组。

4)基于独立同分布原则将步骤3)建立的阀门内漏识别样本集划分为训练集、验证集和测试集，并对训练集样本进行乱序处理，以降低所述内漏识别模型方差及缓解所述内漏识别模型过拟合，验证集和测试集样本顺序对所述内漏识别模型结果没有影响，不进行乱序处理；本实施例6000组阀门内漏样本集被划分为训练集、验证集和测试集，数量分别为：5000、500、500。

5)将步骤4)所述的训练集分批次输入到内漏识别模型中，训练模型参数，建立起两种信号功率谱密度图与泄漏、非泄漏标签之间的内漏识别模型；本实施例将5000组训练集样本及对应的泄漏、非泄漏标签分批次输入到原始模型结构中，迭代936次，得到优化后的模型参数。

6)基于验证集验证步骤5)所构建的内漏识别模型，并调整内漏识别模型的学习速率和批大小两个超参数，直到所述内漏识别模型的性能不在提升为止，得到最终的内漏识别模型；本实施例设定模型初始学习速率为0.0003，将500组验证集样本依次按照批大小取值8、16、32、64输入到步骤5)构建的模型中；AlexNet、VggNet16、GoogLeNet及ResNet18模型批大小分别取值64、32、32、32时，取得最高的识别准确率。然后依次设定学习速率取值0.0001、0.0002、0.0003、0.0004、0.0005，将500组验证集样本按照上述批大小取值32输入到模型中，AlexNet、VggNet16、GoogLeNet及ResNet18模型学习速率分别取值0.0005、0.0003、0.0004、0.0005时，取得最高的识别准确率。

7)基于测试集评估步骤6)所述的内漏识别模型，若满足要求，模型建立完毕，若不满足，修改模型结构或者增加样本数据集的样本量、样本类型等，重复步骤1)至步骤6)，直到满足要求。至此，基于卷积神经网络的输气管线阀门内漏识别模型建立完毕。本实施例将500组样本集输入到步骤6)所构建的模型中，AlexNet、VggNet16、GoogLeNet及ResNet18模型的识别准确率分别为99％、99％、97.6％、97.2％，模型识别结果满足要求，基于卷积神经网络的输气管线阀门内漏识别方法建立结束。

在建立基于卷积神经网络的输气管线阀门内漏识别方法之后，将基于卷积神经网络的输气管线阀门内漏识别模型编写入阀门内漏诊断软件中，依托阀门内漏检测装置在输气站场进行阀门内漏检测。图2是阀门内漏检测装置的结构组成，主要包括：传感器1(谐振式声发射传感器)、前置信号放大器2、数据采集器3及计算机系统4。图3是阀门内漏诊断软件的框架。图4是阀门内漏检测装置的工作流程图，具体诊断步骤如下：

1)基于声发射传感器感测阀门内漏信号或非泄漏噪声信号；

2)基于前置信号放大器对步骤1)所述的阀门内漏信号或非泄漏噪声信号进行放大处理，以减少干扰噪声对信号的影响；

3)对步骤2)得到的信号进行A/D转换，然后输送到数据采集器；

4)将步骤3)所述数据采集器的输出信号发送至诊断软件和计算机系统；

诊断软件实时显示步骤4)所述输出信号波形，然后提取信号的功率谱密度图并输入到构建的内漏识别模型中，得到内漏诊断结果，最后生成内漏诊断报表。

本实施例采集了一组含有200000个数据点的阀门内漏声学信号，信号来源工况为：入口压力2MPa、DN80球阀、内漏速率10L/min。经过40dB前置放大器放大100倍后输送到采集器进行了A/D转化，并发送到诊断软件和计算机系统，诊断软件提取了内漏信号的功率谱密度图，并对功率谱密度图的尺寸进行等比例缩放，等比例缩放后的尺寸为227像素×227像素和224像素×224像素；然后将等比例缩放后的图像分别输入到AlexNet、VggNet16、GoogLeNet及ResNet18模型中，输出的诊断结果为识别内漏信号的概率，分别为100％、99.92％、98.16％和98.97％，诊断软件将概率转化为0和1，0代表内漏，1代表噪声。即AlexNet、VggNet16、GoogLeNet及ResNet18模型都以较高的概率成功识别了所述阀门内漏信号。

实施例3：

一种基于卷积神经网络的输气管线阀门内漏识别装置的工作方法，主要步骤与实施例2等同，区别在于建立输气管线阀门的内漏识别模型的过程中，窄带谐振式声发射传感器初始化标定之后，被安装在实验室管道、输气站场弯头、汇管等处，在所述传感器与管道之间涂抹适当厚度的耦合剂，并采用磁力夹具固定所述传感器，然后改变现场的施工及正常输气类型等产生多种类型的非泄漏噪声信号，最后采集3000组所述非泄漏噪声信号，每组非泄漏噪声信号由200000个数据点组成，由于所述声发射传感器采样频率为200KHz，一组信号的采集时间为1秒。

实施例4：

一种基于卷积神经网络的输气管线阀门内漏识别装置的工作方法，主要步骤与实施例2等同，区别在于5000组训练集样本包含2500组多工况内漏信号和2500组多类型非泄漏噪声信号。对5000组训练集样本进行乱序处理，降低所述内漏识别模型方差及缓解过拟合。

实施例5：

一种基于卷积神经网络的输气管线阀门内漏识别装置的工作方法，主要步骤与实施例2等同，区别在于500组验证集样本包含250组多工况内漏信号和250组多类型非泄漏噪声信号。

实施例6：

一种基于卷积神经网络的输气管线阀门内漏识别装置的工作方法，主要步骤与实施例2等同，区别在于500组测试集样本包含250组多工况内漏信号和250组多类型非泄漏噪声信号。

Claims (10)

1.一种基于卷积神经网络的输气管线阀门内漏识别装置，其特征在于：包括阀门内漏检测装置；阀门内漏检测装置由传感器(1)、前置信号放大器(2)和数据采集器(3)组成，传感器(1)接入前置信号放大器(2)，前置信号放大器(2)接入数据采集器(3)，数据采集器(3)接入计算机(4)；计算机(4)装有计算机系统和诊断软件。

2.根据权利要求1所述基于卷积神经网络的输气管线阀门内漏识别装置，其特征在于：传感器(1)安装在紧靠待测阀门的下游管道上，传感器(1)与管道之间涂抹有耦合剂，传感器(1)还通过磁力夹具固定。

3.根据权利要求1所述基于卷积神经网络的输气管线阀门内漏识别装置，其特征在于：传感器(1)为窄带谐振式声发射传感器，谐振式声发射传感器谐振频率为22KHz～220KHz，工作温度为-20℃～80℃，峰值灵敏度大于-65dB；传感器(1)的采样频率为200KHz；前置信号放大器(2)为40dB放大器，频带范围为20KHz～2.5MHz，信号增益变动在1dB以内；数据采集器(3)的最大采样率为1MSPs，采用USB口供电，输入通道数为8。

4.根据权利要求3所述基于卷积神经网络的输气管线阀门内漏识别装置，其特征在于：数据采集器(3)的输入通道数为2，数据采集器(3)的单通道采样频率为200KHz。

5.根据权利要求2所述基于卷积神经网络的输气管线阀门内漏识别装置，其特征在于：待测阀门为输气站场关断类阀门，输气站场关断类阀门包括球阀、旋塞阀、闸阀、截止阀和蝶阀。

6.一种如权利要求1所述基于卷积神经网络的输气管线阀门内漏识别装置的工作方法，其特征在于，包括以下步骤：

步骤1、基于卷积神经网络来建立输气管线阀门的内漏识别模型；

步骤1.1、采集多工况、多类型阀门内漏信号和非泄漏噪声信号，提取多工况、多类型阀门内漏信号和非泄漏噪声信号的功率谱密度图，建立输气管线阀门内漏识别样本数据库，将样本数据库作为卷积神经网络算法的输入；

步骤1.2、基于独立同分布原则将样本数据库划分为训练集、验证集和测试集；

步骤1.3、对训练集样本进行乱序处理；通过训练集样本来训练内漏识别模型中卷积神经网络算法的模型参数；通过验证集来优化内漏识别模型中卷积神经网络算法的超参数，超参数包括学习速率和批大小，将验证集输入到内漏识别模型中，验证构建的内漏识别模型，并调整内漏识别模型的学习速率和批大小直至内漏识别模型中卷积神经网络算法在验证集上的泛化性能不再提升为止；

步骤1.4、通过测试集来评估内漏识别模型中卷积神经网络算法的泛化性能，若满足要求，则内漏识别模型建立完毕；若不满足要求，则修改内漏识别模型结构或者增加样本数据集的样本量和样本类型，重复执行步骤1.1至步骤1.4，直到满足要求；

步骤2、将基于卷积神经网络的输气管线阀门内漏识别模型编写入阀门内漏检测装置中，依托阀门内漏检测装置在输气站场进行阀门内漏检测；

步骤2.1、通过传感器(1)感测阀门内漏信号或非泄漏噪声信号；

步骤2.2、基于前置信号放大器(2)对阀门内漏信号或非泄漏噪声信号进行放大处理；

步骤2.3、对进行放大处理后的信号进行A/D转换，然后将转换后的数据输送到数据采集器(3)；

步骤2.4、将数据采集器(3)的输出信号发送至计算机(4)的诊断软件和计算机系统中；

步骤2.5、提取步骤2.4输出信号的特征，并输入到构建的内漏识别模型中，得到内漏诊断结果。

7.根据权利要求6所述基于卷积神经网络的输气管线阀门内漏识别装置的工作方法，其特征在于：步骤1.1中多工况、多类型阀门内漏信号和非泄漏噪声信号的采集比例为1:1；多工况内漏信号的内漏速率范围为3L/min～800L/min，多工况内漏信号对应的工作压力范围为0.2MPa～8MPa，多工况内漏信号对应的阀门尺寸为DN80、DN150、DN200、DN250或DN350。

8.根据权利要求6所述基于卷积神经网络的输气管线阀门内漏识别装置的工作方法，其特征在于：步骤1.1中输气管线阀门内漏识别样本数据库样本量为6000组。

9.根据权利要求6所述基于卷积神经网络的输气管线阀门内漏识别装置的工作方法，其特征在于：

步骤1.3中卷积神经网络算法包括AlexNet算法、VggNet16算法、GoogLeNet算法和ResNet18算法；AlexNet算法的模型深度为8，参数量为61百万，输入图像尺寸为227像素×227像素；VggNet16算法的模型深度为16，参数量为138百万，输入图像尺寸为224像素×224像素；GoogLeNet算法的模型深度为22，参数量为27百万，输入图像尺寸为224像素×224像素；ResNet18算法的模型深度为18，参数量为11.7百万，输入图像尺寸为224像素×224像素；

步骤1.3中学习速率和批大小基于试错法确定，学习速率和批大小在AlexNet算法中的取值分别为64和0.0005；学习速率和批大小在VggNet16算法中的取值分别为32和0.000；学习速率和批大小在GoogLeNet算法中的取值分别为32和0.0004；学习速率和批大小在ResNet18算法中的取值分别为32和0.0005；试错法为通过连续地改变超参数取值后内漏识别模型作出的应答。

10.根据权利要求6所述基于卷积神经网络的输气管线阀门内漏识别装置的工作方法，其特征在于，步骤2.4中诊断软件为基于Labview和matlab编写的软件；诊断软件的工作流程为：Labview提取多工况、多类型阀门内漏信号和非泄漏噪声信号的功率谱密度图，显示内漏信号和非泄漏噪声信号的波形，然后进行信号特征提取，再调用matlab并将功率谱密度图输入到内漏识别模型中；最后输出内漏识别模型的诊断结果，生成诊断报表并显示在Labview的人机交互界面上；诊断软件对内漏识别模型的数据和卷积神经网络算法的超参数进行更新，并保存诊断记录。

Images