CN112762362A - 基于卷积神经网络的水下管道泄漏声发射检测方法 - Google Patents

Abstract

本发明公开了一种基于卷积神经网络的水下管道泄漏声发射检测方法，属于管道泄漏检测技术领域，步骤包括：利用声发射传感器采集水下管道的泄漏信号与背景噪声信号，对采集的声发射信号进行数据预处理得到数据集，将数据集划分为训练集和测试集，构建卷积神经网络水下管道泄漏检测模型并对卷积神经网络的超参数进行选择，使用训练集进行卷积神经网络水下管道泄漏检测模型的训练，使用测试集对训练后的卷积神经网络水下管道泄漏检测模型进行测试，即可实现水下管道是否泄漏的判断。本方法能实现水下管道泄漏的精确识别，及时发现水下管道的泄漏，为管道的维修提供很大的帮助。

Description

基于卷积神经网络的水下管道泄漏声发射检测方法

技术领域

本发明属于管道泄漏检测领域，具体地涉及一种水下管道的泄漏识别方法，尤其涉及一种基于卷积神经网络的水下管道泄漏声发射检测方法。

背景技术

水下管道运输在工业领域的应用十分广泛，尤其是在石油化工行业。然而，由于管道的自然老化、长时间运行导致的磨损、地理和气候变化的影响和人为损坏等原因，管道泄漏成为水下管道安全运输的一大威胁。水下管道泄漏不仅会导致巨大的经济损失，还会造成严重的环境污染和对人类生活的重大影响。综上，对水下管道泄漏检测方法的研究就显得尤为重要。

声发射技术作为最有效的无损检测技术之一，具有精度高、速度快、实施方便等优点，比其他无损检测方法(如示踪气体、红外热像、超声波、电磁扫描等)更适合于管道泄漏检测，为确保管道运输安全提供了有效的技术手段。声发射主要通过检测高压流体通过小孔泄漏时产生的瞬态弹性波，实现管道泄漏状态检测。此检测原理决定了在理论上声发射检测效果与管道输送介质的压力紧密相关，与泄漏量则关系不大，因此可以用于水下管道微孔泄漏的有效检测。

近年来，基于计算机技术的机器学习方法蓬勃发展。人们越来越倾向于借助机器学习方法的强大学习能力实现管道泄漏状态的检测。但是，传统的机器学习方法普遍需要和特征提取方法相结合，才能对声发射信号进行有效识别，这增加了工作量和识别难度。以卷积神经网络为代表的深度学习方法，具有从原始信号中自动提取有用特征的能力，在信号识别方面有很大的优势，但是目前在管道泄漏声发射检测领域的应用还不足。因此，将卷积神经网络应用于水下管道泄漏声发射检测具有很重要的现实意义。

在过去的几年中，深度学习(特别是卷积神经网络(CNN))已成为用于许多图像处理和计算机视觉任务的领先方法。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明的一个目的在于提出一种基于卷积神经网络的水下管道泄漏声发射检测方法，利用卷积神经网络强大的特征提取能力和模式识别能力实现水下管道泄漏状态的识别。

为了实现上述目的，根据本发明实施例提出了一种基于卷积神经网络的水下管道泄漏声发射检测方法，包括以下步骤：

1)利用声发射传感器采集水下管道在不同工况下的泄漏信号与背景噪声信号，分别生成泄漏波形信号和背景噪声泄漏信号；

2)对所述波形泄漏波形信号和所述背景噪声泄漏波形信号进行预处理：

分别将所述波形泄漏波形信号和所述背景噪声泄漏波形信号中的N个连续数据点分割为一个样本，其中N可以表示为N＝A×A，其中A为任意正整数；

所述波形泄漏波形信号和所述背景噪声泄漏波形信号分别生成M个样本，将每个样本转换成大小为A×A的二维图像样本，得到M个二维图像样本，并对每个所述二维图像样本按照种类添加相应的标签；

最终得到的数据集X包括：所述泄漏信号处理得到的M个二维图像样本以及背景噪声信号处理得到的M个二维图像样本；

3)将步骤2)得到的数据集X按照3:1的比例划分为训练集和测试集；

4)通过优化网络结构和超参数，构建卷积神经网络水下管道泄漏检测模型：

卷积神经网络水下管道泄漏检测模型包括输入层、顺次连接的多个卷积层、连接于两两所述卷积层之间的顺次连接的一个最大池化层和一个ReLU激活层、以及连接于最后一个所述卷积层后面的一个全连接层和连接于所述全连接层之后的一个输出层；

其中，前面的层学习的特征是后面的层的输入，卷积神经网络使用随机梯度下降优化算法来更新权重，卷积神经网络的超参数指的是用于训练卷积神经网络的参数；

5)使用步骤3)得到的所述训练集，对所述卷积神经网络水下管道泄漏检测模型进行训练，使用所述测试集对训练后的卷积神经网络水下管道泄漏检测模型进行测试，最终得到能够准确识别管道泄漏的模型。

本发明一些实施例中，所述卷积神经网络水下管道泄漏检测模型为十层结构，包括顺次连接的输入层、3个卷积层、两两所述卷积层之间的顺次连接的一个最大池化层和一个ReLU激活层、以及连接于最后一个所述卷积层后面的一个全连接层和连接于所述全连接层之后的一个输出层。

本发明一些实施例中，通过优化网络结构和超参数，构建卷积神经网络水下管道泄漏检测模型中：所述卷积层为3个，3个所述卷积层顺次依次有16、32、64个过滤器，所述过滤器的大小都为3×3；

所述输出层使用softmax函数计算出输入样本属于泄漏信号或者背景噪声信号的概率；

所述超参数为初始学习率、训练的小批量大小和训练轮次三个超参数。

本发明一些实施例中，步骤2)中每个样本转换成大小为A×A的二维图像样本的具体方法为：

对一段长度为N＝A×A的所述波形泄漏波形信号和所述背景噪声泄漏波形信号，用来转换为A×A尺寸的二维图像样本，转换中的样本信号强度处理见式(1)：

其中,i指的是二维图像样本的第i行，j指的是二维图像样本的第j列，N表示样本长度，N(i)表示每一个时间点上波形信号的值，Max(N)指的是一段波形信号的最大值，Min(N)指的是一段波形信号的最小值，P(i,j)代表二维图像样本中每一点的像素强度，通过运算将样本信号的值标准化为0-255之间，即二维图像样本的像素强度，最终得到大小为A×A的二维图像样本。

本发明一些实施例中，所述步骤2)中：

对每个所述二维图像样本按照种类添加相应的标签，具体为：所述泄漏信号的标签设为0，所述背景噪声信号的标签设为1。

本发明提供的一种基于卷积神经网络的水下管道泄漏声发射检测方法，首先利用声发射传感器采集水下管道不同工况下的泄漏信号和背景噪声信号，对泄漏信号和背景噪声信号进行预处理得到M个泄漏信号二维图像和M个背景噪声信号二维图形，形成数据集X，并将数据集安装3:1的比例划分为训练集和测试集，进一步，借助构建的卷积神经网络模型进行训练集的训练，得到卷积申请网络训练参数，最后经测试集对训练构建的神经网络模型进行测试，检验模型的准确性，从而在后续进行水下管道声发射检测时，可直接利用上述训练构建的神经网络模型进行管道泄漏信号的识别和测试。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是实施基于卷积神经网络的水下管道泄漏声发射检测方法的流程图；

图2是卷积神经网络的结构示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“轴向”、“径向”、等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，“第一特征”、“第二特征”可以包括一个或者更多个该特征。

在本发明的描述中，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。

卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(deeplearning)的代表算法之一。卷积网络在本质上是一种输入到输出的映射，它能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式，只要用已知的模式对卷积网络加以训练，网络就具有输入输出对之间的映射能力。神经网络具有表征学习(representat ion learning)能力，通过输入图像，基于反向传播算法训练卷积神经网络中的权重，从而实现深度学习的方法。卷积神经网络不仅具有传统神经网络的较好容错性、自适应性和较强自学习能力等优点，还具有自动提取特征、权值共享以及输入图像与网络结构结合良好等优势。其中，权值共享网络结构能够降低网络模型的复杂度，从而降低权值的个数。权值共享网络使得图像可以直接作为网络的输入，自动识别图像特征，提高图像识别的精度和效率。

声发射检测技术是通过接收和分析材料的声发射信号来评定材料性能或结构完整性的无损检测方法。声发射检测是一种动态无损检测方法，而且，声发射信号来自缺陷本身，因此，用声发射法可以判断缺陷的严重性。一个同样大小、同样性质的缺陷，当它所处的位置和所受的应力状态不同时，对结构的损伤程度也不同，所以它的声发射特征也有差别。因此，对声发射信号进行再加工和处理，对于缺陷判定的准确性尤其重要。

本发明结合声发射检测技术的原理和特点，以及卷积神经网络算法在图像特征提取和训练方面的优势，提出了一种基于卷积神经网络的水下管道泄漏声发射检测方法。

下面参考附图描述根据本发明实施例的基于卷积神经网络的水下管道泄漏声发射检测方法。

如图1所示，根据本发明实施例的基于卷积神经网络的水下管道泄漏声发射检测方法，包括以下步骤：

S1：利用声发射传感器采集水下管道在不同工况下的泄漏信号与背景噪声信号，分别生成泄漏波形信号和背景噪声泄漏信号；

S2：对所述波形泄漏波形信号和所述背景噪声泄漏波形信号进行预处理：

分别将所述波形泄漏波形信号和所述背景噪声泄漏波形信号中的N个连续数据点分割为一个样本，其中N可以表示为N＝A×A，其中A为任意正整数；

所述波形泄漏波形信号和所述背景噪声泄漏波形信号分别生成M个样本，将每个样本转换成大小为A×A的二维图像样本，得到M个二维图像样本，并对每个所述二维图像样本按照种类添加相应的标签；

最终得到的数据集X包括：所述泄漏信号处理得到的M个二维图像样本以及背景噪声信号处理得到的M个二维图像样本；

S3：将步骤S2得到的数据集X按照3:1的比例划分为训练集和测试集；

S4：通过优化网络结构和超参数，构建卷积神经网络水下管道泄漏检测模型：

卷积神经网络水下管道泄漏检测模型包括输入层、顺次连接的多个卷积层、连接于两两所述卷积层之间的顺次连接的一个最大池化层和一个ReLU激活层、以及连接于最后一个所述卷积层后面的一个全连接层和连接于所述全连接层之后的一个输出层；

其中，前面的层学习的特征是后面的层的输入，卷积神经网络使用随机梯度下降优化算法来更新权重，卷积神经网络的超参数指的是用于训练卷积神经网络的参数；

S5：使用步骤S3得到的所述训练集，对所述卷积神经网络水下管道泄漏检测模型进行训练，使用所述测试集对训练后的卷积神经网络水下管道泄漏检测模型进行测试，最终得到能够准确识别管道泄漏的模型。

其中，本发明其中一实施例中，如图2所示，所述卷积神经网络水下管道泄漏检测模型为十层结构，包括顺次连接的输入层、3个卷积层、两两所述卷积层之间的顺次连接的一个最大池化层和一个ReLU激活层、以及连接于最后一个所述卷积层后面的一个全连接层和连接于所述全连接层之后的一个输出层。

进一步地，通过优化网络结构和超参数，构建卷积神经网络水下管道泄漏检测模型中：

所述卷积层为3个，3个所述卷积层顺次依次有16、32、64个过滤器，所述过滤器的大小都为3×3；

所述输出层使用softmax函数计算出输入样本属于泄漏信号或者背景噪声信号的概率；

所述超参数为初始学习率、训练的小批量大小和训练轮次三个超参数。

进一步地，步骤S2中每个样本转换成大小为A×A的二维图像样本的具体方法为：

对一段长度为N＝A×A的所述波形泄漏波形信号和所述背景噪声泄漏波形信号，用来转换为A×A尺寸的二维图像样本，转换中的样本信号强度处理见式(1)：

其中,i指的是二维图像样本的第i行，j指的是二维图像样本的第j列，N表示样本长度，N(i)表示每一个时间点上波形信号的值，Max(N)指的是一段波形信号的最大值，Min(N)指的是一段波形信号的最小值，P(i,j)代表二维图像样本中每一点的像素强度，通过运算将样本信号的值标准化为0-255之间，即二维图像样本的像素强度，最终得到大小为A×A的二维图像样本。

进一步地，所述步骤S2中：

对每个所述二维图像样本按照种类添加相应的标签，具体为：所述泄漏信号的标签设为0，所述背景噪声信号的标签设为1。

实例一

泄漏存在的水下运输管段长为100mm，内径为32mm，外径为40mm，在距离泄漏孔上游100cm的位置安装一个声发射传感器采集泄漏声发射数据，保持介质运输压力为2MPa，设置泄漏孔直径的大小依次为2.2mm，3.2mm，4.2mm，5.2mm，6.2mm，分别采集水下管道泄漏声发射信号，并具体实验工况如表1所示。

表1实验工况

首先以背景噪声信号和2.2mm泄漏孔径下的泄漏信号即实验1、6组成数据集X，其中背景噪声信号和泄漏信号分别截取1000段信号(M＝1000)，每段784个数据点作为样本(N＝784)，添加标签分别为0、1，通过数据处理生成二维图像样本，最终得到共计2000个二维图像样本。按照3：1的比例划分训练集和测试集，即其中1500个样本作为训练集，500个样本作为测试集。将训练集输入卷积神经网络水下管道泄漏检测模型对超参数进行调整，经过多次试验，最终确定的卷积神经网络超参数设置为初始学习率为0.01，训练的小批量大小为64，训练轮次为50。使用这些超参数对卷积神经网络水下管道泄漏检测模型进行训练和测试，经过多次测试后可准确判断输入样本是否输入泄漏信号。

然后，分别使用实验2、3、4、5的泄漏信号与实验6的背景噪声信号组成数据集，划分为训练集和测试集后，输入到卷积神经网络水下管道泄漏检测模型中进行训练和测试，可以看到对不同泄漏孔径下的水下管道泄漏声发射信号的识别精度都达到了97％以上。

表2测试结果

相对于现有技术，本发明具有如下有益效果：该方法是基于声发射检测装置的泄漏识别方法，拥有声发射检测技术的所有优势；该方法使用基于卷积神经网络的深度学习方法对经过简单转换的声发射信号进行识别取得了很高的识别精度，避免了特征提取的过程；该方法应用于水下管道泄漏的检测，具有实际生产应用前景；该方法有效克服不同泄漏孔径对水下管道泄漏的影响，普适性强，适用范围广。本方法能实现在不同泄漏孔径下的水下管道泄漏的精确识别，能及时捕捉到管道泄漏的隐患，为事故的预防和管道的维修提供很大的帮助。

在本说明书的描述中，参考术语“具体实施例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (5)

1.一种基于卷积神经网络的水下管道泄漏声发射检测方法，其特征在于，包括以下步骤：

1)利用声发射传感器采集水下管道在不同工况下的泄漏信号与背景噪声信号，分别生成泄漏波形信号和背景噪声泄漏信号；

2)对所述波形泄漏波形信号和所述背景噪声泄漏波形信号进行预处理：

分别将所述波形泄漏波形信号和所述背景噪声泄漏波形信号中的N个连续数据点分割为一个样本，其中N可以表示为N＝A×A，其中A为任意正整数；

所述波形泄漏波形信号和所述背景噪声泄漏波形信号分别生成M个样本，将每个样本转换成大小为A×A的二维图像样本，得到M个二维图像样本，并对每个所述二维图像样本按照种类添加相应的标签；

最终得到的数据集X包括：所述泄漏信号处理得到的M个二维图像样本以及背景噪声信号处理得到的M个二维图像样本；

3)将步骤2)得到的数据集X按照3:1的比例划分为训练集和测试集；

4)通过优化网络结构和超参数，构建卷积神经网络水下管道泄漏检测模型：

卷积神经网络水下管道泄漏检测模型包括输入层、顺次连接的多个卷积层、连接于两两所述卷积层之间的顺次连接的一个最大池化层和一个ReLU激活层、以及连接于最后一个所述卷积层后面的一个全连接层和连接于所述全连接层之后的一个输出层；

其中，前面的层学习的特征是后面的层的输入，卷积神经网络使用随机梯度下降优化算法来更新权重，卷积神经网络的超参数指的是用于训练卷积神经网络的参数；

5)使用步骤3)得到的所述训练集，对所述卷积神经网络水下管道泄漏检测模型进行训练，使用所述测试集对训练后的卷积神经网络水下管道泄漏检测模型进行测试，最终得到能够准确识别管道泄漏的模型。

2.根据权利要求1所述的基于卷积神经网络的水下管道泄漏声发射检测方法，其特征在于，

所述卷积神经网络水下管道泄漏检测模型为十层结构，包括顺次连接的输入层、3个卷积层、两两所述卷积层之间的顺次连接的一个最大池化层和一个ReLU激活层、以及连接于最后一个所述卷积层后面的一个全连接层和连接于所述全连接层之后的一个输出层。

3.根据权利要求2所述的基于卷积神经网络的水下管道泄漏声发射检测方法，其特征在于，

通过优化网络结构和超参数，构建卷积神经网络水下管道泄漏检测模型中：

所述卷积层为3个，3个所述卷积层顺次依次有16、32、64个过滤器，所述过滤器的大小都为3×3；

所述输出层使用softmax函数计算出输入样本属于泄漏信号或者背景噪声信号的概率；

所述超参数为初始学习率、训练的小批量大小和训练轮次三个超参数。

4.根据权利要求1所述的基于卷积神经网络的水下管道泄漏声发射检测方法，其特征在于，步骤2)中每个样本转换成大小为A×A的二维图像样本的具体方法为：

对一段长度为N＝A×A的所述波形泄漏波形信号和所述背景噪声泄漏波形信号，用来转换为A×A尺寸的二维图像样本，转换中的样本信号强度处理见式(1)：

其中,i指的是二维图像样本的第i行，j指的是二维图像样本的第j列，N表示样本长度，N(i)表示每一个时间点上波形信号的值，Max(N)指的是一段波形信号的最大值，Min(N)指的是一段波形信号的最小值，P(i,j)代表二维图像样本中每一点的像素强度，通过运算将样本信号的值标准化为0-255之间，即二维图像样本的像素强度，最终得到大小为A×A的二维图像样本。

5.根据权利要求1所述的基于卷积神经网络的水下管道泄漏声发射检测方法，其特征在于，所述步骤2)中：

对每个所述二维图像样本按照种类添加相应的标签，具体为：所述泄漏信号的标签设为0，所述背景噪声信号的标签设为1。

Images