CN113124328A - 一种天然气管道泄漏检测方法及系统 - Google Patents
一种天然气管道泄漏检测方法及系统 Download PDFInfo
- Publication number
- CN113124328A CN113124328A CN202110276874.XA CN202110276874A CN113124328A CN 113124328 A CN113124328 A CN 113124328A CN 202110276874 A CN202110276874 A CN 202110276874A CN 113124328 A CN113124328 A CN 113124328A
- Authority
- CN
- China
- Prior art keywords
- sensor
- leakage
- natural gas
- infrasonic
- gas pipeline
- 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.)
- Withdrawn
Links
Images
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
- F17D5/06—Preventing, monitoring, or locating loss using electric or acoustic means
-
- 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
- F17D5/005—Protection or supervision of installations of gas pipelines, e.g. alarm
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及一种管道检测的技术领域,揭露了一种天然气管道泄漏检测方法,包括:将次声传感器部署到天然气管道,利用次声传感器采集天然气管道中的次声波;利用次声波降噪算法进行次声波信号的降噪处理;利用傅里叶变换提取每一个传感器采集的次声波波形特征数据;将次声波波形特征数据作为训练集用于训练支持向量机;利用训练好的支持向量机对待监测的管道上的传感器进行泄露判断,得到输出集合上的基本概率分配函数;基于DS证据理论对每一个传感器的基本概率分配函数进行综合处理,P(泄露)>P(未泄露)则说明当前管道发生泄露,否则当前管道没有发生泄露。本发明还提供了一种天然气管道泄漏检测系统。本发明实现了天然气管道的泄露检测。
Description
技术领域
本发明涉及管道检测的技术领域,尤其涉及一种天然气管道泄漏检测方法及系统。
背景技术
天然气管道在燃气能源运输中发挥着关键作用,被称为“能源命脉”。随着天然气管道的使用年限增加,管道安全问题日趋严重,导致我国管道事故率居高不下,对天然气管道是否存在泄露问题进行检测,成为当前研究的热门话题。
目前,传统天然气管道泄漏管道内检测技术是利用管道机器人搭载无损检测设备、信号采集、信号处理和速度控制系统,以管道内输送介质为前进动力,对管道和特殊部件的腐蚀、裂纹、凹坑、孔洞和变形等缺陷进行在线检测。通过数据后处理,能够准确判断出缺陷的尺寸和位置;但管道机器人制作成本高昂,无法实现大规模天然气管道泄漏检测。
鉴于此,如何更为方便地进行天然气管道泄漏检测,成为本领域技术人员亟待解决的问题。
发明内容
本发明提供一种天然气管道泄漏检测方法,通过利用次声传感器对管道中的次声波进行采集,并利用次声波降噪算法进行次声波信号的降噪处理,利用傅里叶变换提取每一个传感器的波形特征数据作为训练集用于训练支持向量机,得到支持向量机模型的参数,其中支持向量机模型的输入为波形特征组成的向量,输出为{泄露/未泄露}集合上的概率,同时利用训练好的支持向量机对待监测的管道上的传感器进行泄露判断,得到输出集合上的基本概率分配函数,最终基于DS证据理论对每一个传感器的基本概率分配函数进行综合处理,形成集合{泄露/未泄露}上的概率矩阵,若P(泄露)>P(未泄露)则说明当前管道发生泄露,否则当前管道没有发生泄露。
为实现上述目的,本发明提供的一种天然气管道泄漏检测方法,包括:
将次声传感器部署到天然气管道,利用次声传感器采集天然气管道中的次声波;
利用次声波降噪算法进行次声波信号的降噪处理,得到降噪后的次声波信号;
根据降噪后的次声波信号,利用傅里叶变换提取每一个传感器采集的次声波波形特征数据;
将次声波波形特征数据作为训练集用于训练支持向量机,得到支持向量机模型的参数,其中支持向量机模型的输入为波形特征组成的向量,输出为{泄露/未泄露}集合上的概率;利用训练好的支持向量机对待监测的管道上的传感器进行泄露判断,得到输出集合上的基本概率分配函数;
基于DS证据理论对每一个传感器的基本概率分配函数进行综合处理,形成集合{泄露/未泄露}上的概率矩阵,若P(泄露)>P(未泄露)则说明当前管道发生泄露,否则当前管道没有发生泄露。
可选地,所述利用次声传感器采集天然气管道中的次声波,包括:
将m个次声传感器均匀部署在天然气管道中,每个次声传感器之间的距离为N/m,其中N为天然气管道的长度;
设置次声传感器通频带的范围,将通频带范围设置为0.5-1M;
将每4个传感器探头进行并行排列,得到多路传感器探头;并将次声传感器正面紧贴天然气管道管壁,多路传感器探头对天然气管道进行循环采样,采集到天然气管道的次声波信号;
其中第i个传感器所采集到的次声波信号为xi(t),它是由J个未知信号源sj(t)卷积混合而成的带噪声次声波信号,所述卷积混合公式为:
其中:
a(t)为冲激响应;
sj(t)表示第j个未知信号源;
J为未知信号源的个数;
bi(t)为噪声信号;
xi(t)为第i个传感器所采集到的次声波信号;
t表示传感器离散采集时间。
可选地,所述利用次声波降噪算法进行次声波信号的降噪处理,包括:
1)计算原始次声波信号序列x(t)中所有的局部极值点;取n个极大值的平均幅值作为需要添加的信号点的幅值,取n个极小值的平均幅值作为需要添加的信号点的幅值,在靠近原始次声波信号序列x(t)端点的位置添加对应幅值的次声波信号;
2)根据更新后次声波信号序列x′(t)中所有的极大、极小值,分别采用三次样条对极值点进行插值,得到原始次声波信号的上下包络线Eup(t)和Edown(t);
3)计算更新后次声波信号序列的局部均值函数u(t)和包络估计函数a(t):
4)计算更新后次声波信号序列的解调信号s(t):
5)将解调信号s(t)同包络估计函数a(t)进行乘积运算,得到降噪后的次声波信号序列分量P(t):
P(t)=s(t)×a(t)
6)将降噪后的次声波信号序列分量P(t)与残差进行相加,得到降噪后的次声波信号x″(t):
其中:
βk(t)为残差。
可选地,所述利用傅里叶变换提取每一个传感器采集的次声波波形特征数据,包括:
利用傅里叶变换操作提取每个传感器,所述傅里叶变换操作的公式为:
其中:
N为降噪后次声波信号的长度;
n为频率参数;
X(k)为次声波波形特征数据;
对次声波波形特征数据进行预加重和加窗的预处理,所述预处理流程为:
1)所述预加重的函数式为:
H(X(k))=1-aX(k)-1
其中:
X(k)为次声波波形特征数据;
a为预加重系数,将其设为0.912;
2)利用汉明窗对所述次声波波形特征数据进行加窗处理,所述汉明窗的时域表达式为:
其中:
n为次声波波形特征数据的帧数;
N为次声波波形特征数据的总长度。
可选地,所述将次声波波形特征数据作为训练集用于训练支持向量机,包括:
将采集到的次声波波形特征数据作为训练集,并利用该训练集训练得到支持向量机,所述支持向量机模型参数A,B的获得公式为:
其中:
N为训练集中次声波波形特征数据的数量;
N+为训练集中为未泄露次声波波形特征数据的数量;
N_为训练集中为泄露次声波波形特征数据的数量;
pn为对于次声波波形特征数据n的概率估计值;
f(n)为SVM模型中样本n的标准输出值;
可选地,所述利用训练好的支持向量机对待监测的管道上的传感器进行泄露判断,包括:
利用邻近的两组多路传感器探头的采集数据,对待检测管道区域是否发生泄露进行泄露判断,即本发明利用邻近的8组传感器对待检测管道区域进行泄露判断,则传感器j检测到发生泄露的概率值为:
pj(y=-1|cj)
传感器j未检测到发生泄露的概率值为:
pj(y=1|cj)
其中:
cj为传感器j所采集到的次声波波形特征数据。
可选地,所述基于DS证据理论对每一个传感器的基本概率分配函数进行综合处理,包括:
将邻近8组传感器作为一组证据,基于DS证据理论对每一个传感器的基本概率分配函数进行综合处理,则第j个传感器的基本概率分配函数值为m(1|cj)=pj(y=1|cj),m(-1|cj)=1-pj(y=1|cj);
采用指数函数形式定义组内每个传感器对判别结果的支持程度:
其中:
Ni为重定义后第i个传感器对判别结果的支持程度;
ni为第i个传感器对判别结果的支持程度;
r为调节因子,0≤r≤1,传感器对判别结果的支持程度越高,则调节因子的值越高;
计算一组传感器中任意两个传感器的关联系数:
当两个传感器之间有一个传感器对某一特定的判别结果支持程度为0时,那么这两个传感器之间的关联系数就为0,这就表明两个传感器之间的关联性很差;若两个传感器对某一特定的判别结果支持程度相同时,那么这两个传感器之间的关联系数就为1,这表明这两个传感器之间的关联性很强;
将所有传感器两两之间的关联系数转换为概率矩阵A,概率矩阵A中的Aij表示第i个传感器检测概率和第j个传感器检测概率之间的关联度;
计算传感器之间的绝对关联度:
其中:
di为第i个传感器的绝对关联度;
将传感器的绝对关联度作为原传感器对泄露判别结果支持程度的权重,重新计算传感器对泄露判别结果的支持程度:
N′i=Ni×di
其中:
N′j为第i个传感器对自身判别结果的支持程度;
将待检测天然气管道中8个传感器对是否发生泄露的概率值,乘以对应的支持程度,判断当前带有支持程度的泄露概率P(泄露)与P(未泄露)之间的关系,若P(泄露)>P(未泄露)则说明当前待检测天然气管道发生泄露,否则当前待检测天然气管道没有发生泄露。
此外,为实现上述目的,本发明还提供一种天然气管道泄漏检测系统,所述系统包括:
天然气管道信息采集装置,用于将次声传感器部署到天然气管道,利用次声传感器采集天然气管道中的次声波;
数据处理器,用于利用次声波降噪算法进行次声波信号的降噪处理,利用傅里叶变换提取每一个传感器采集的次声波波形特征数据,将次声波波形特征数据作为训练集用于训练支持向量机,得到支持向量机模型的参数;利用训练好的支持向量机对待监测的管道上的传感器进行泄露判断,得到输出集合上的基本概率分配函数;
天然气管道泄露检测装置,用于基于DS证据理论对每一个传感器的基本概率分配函数进行综合处理,形成集合{泄露/未泄露}上的概率矩阵,若P(泄露)>P(未泄露)则说明当前管道发生泄露,否则当前管道没有发生泄露。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有天然气管道泄露检测程序指令,所述天然气管道泄露检测程序指令可被一个或者多个处理器执行,以实现如上所述的天然气管道泄漏检测的实现方法的步骤。
相对于现有技术,本发明提出一种天然气管道泄漏检测方法,该技术具有以下优势:
首先,针对传感器所采集到的天然气管道中的次声波信号,其是由J个未知信号源sj(t)卷积混合而成的带噪声次声波信号,所述卷积混合公式为:
其中:a(t)为冲激响应;sj(t)表示第j个未知信号源;J为未知信号源的个数;bi(t)为噪声信号;xi(t)为第i个传感器所采集到的次声波信号;t表示传感器离散采集时间。因此本发明提出一种次声波降噪算法进行次声波信号的降噪处理,首先计算原始次声波信号序列x(t)中所有的局部极值点,取n个极大值的平均幅值作为需要添加的信号点的幅值,取n个极小值的平均幅值作为需要添加的信号点的幅值,在靠近原始次声波信号序列x(t)端点的位置添加对应幅值的次声波信号,由此使用自适应边界拓展的方式添加次声波信号,克服计算上下包络中存在的边界失真问题;根据更新后次声波信号序列x′(t)中所有的极大、极小值,分别采用三次样条对极值点进行插值,改进了传统中值插值函数精度不足以及边界低下的问题,得到原始次声波信号的上下包络线Eup(t)和Edown(t);计算更新后次声波信号序列的局部均值函数u(t)和包络估计函数a(t),并计算更新后次声波信号序列的解调信号s(t):
将解调信号s(t)同包络估计函数a(t)进行乘积运算,得到降噪后的次声波信号序列分量P(t):将降噪后的次声波信号序列分量P(t)与残差进行相加,得到降噪后的次声波信号x″(t),从而完成带噪声次声波信号的降噪处理:
同时,本发明将天然气管道泄露检测问题转化为二分类问题,将采集到的次声波波形特征数据作为训练集,并利用该训练集训练得到支持向量机,在本发明一个具体实施例中,本发明将支持向量机参数A,B的求解转换为函数优化问题,通过最小化得到参数A,B的值,其中由于本发明将每4个传感器探头进行并行排列,得到多路传感器探头,并利用多路传感器探头进行次声波的采集,因此对于天然气管道的任一待检测管道区域,本发明利用邻近的两组多路传感器探头的采集数据,对待检测管道区域是否发生泄露进行泄露判断,即本发明利用邻近的8组传感器对待检测管道区域进行泄露判断,则传感器j检测到发生泄露的概率值为:pj(y=-1|cj),传感器j未检测到发生泄露的概率值为:pj(y=1|cj),其中cj为传感器j所采集到的次声波波形特征数据。
根据支持向量机的检测结果,本发明将邻近8组传感器作为一组证据,基于DS证据理论对每一个传感器的基本概率分配函数进行综合处理,则第j个传感器的基本概率分配函数值为m(1|cj)=pj(y=1|cj),m(-1|cj)=1-pj(y=1|cj);并计算一组传感器中任意两个传感器的关联系数:
当两个传感器之间有一个传感器对某一特定的判别结果支持程度为0时,那么这两个传感器之间的关联系数就为0,这就表明两个传感器之间的关联性很差;若两个传感器对某一特定的判别结果支持程度相同时,那么这两个传感器之间的关联系数就为1,这表明这两个传感器之间的关联性很强;通过将所有传感器两两之间的关联系数转换为概率矩阵A,概率矩阵A中的Aij表示第i个传感器检测概率和第j个传感器检测概率之间的关联度,并计算传感器之间的绝对关联度:
将传感器的绝对关联度作为原传感器对泄露判别结果支持程度的权重,重新计算传感器对泄露判别结果的支持程度N′j:
N′i=Ni×di
将待检测天然气管道中8个传感器对是否发生泄露的概率值,乘以对应的支持程度,判断当前带有支持程度的泄露概率P(泄露)与P(未泄露)之间的关系,若P(泄露)>P(未泄露)则说明当前待检测天然气管道发生泄露,否则当前待检测天然气管道没有发生泄露,从而实现对天然气管道是否发生泄露的检测判别。
附图说明
图1为本发明一实施例提供的一种天然气管道泄漏检测方法的流程示意图;
图2为本发明一实施例提供的一种天然气管道泄漏检测系统的结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
通过利用次声传感器对管道中的次声波进行采集,并利用次声波降噪算法进行次声波信号的降噪处理,利用傅里叶变换提取每一个传感器的波形特征数据作为训练集用于训练支持向量机,得到支持向量机模型的参数,其中支持向量机模型的输入为波形特征组成的向量,输出为{泄露/未泄露}集合上的概率,同时利用训练好的支持向量机对待监测的管道上的传感器进行泄露判断,得到输出集合上的基本概率分配函数,最终基于DS证据理论对每一个传感器的基本概率分配函数进行综合处理,形成集合{泄露/未泄露}上的概率矩阵,若P(泄露)>P(未泄露)则说明当前管道发生泄露,否则当前管道没有发生泄露。参照图1所示,为本发明一实施例提供的天然气管道泄漏检测方法示意图。
在本实施例中,天然气管道泄漏检测方法包括:
S1、将次声传感器部署到天然气管道,利用次声传感器采集天然气管道中的次声波。
首先,本发明将m个次声传感器均匀部署在天然气管道中,每个次声传感器之间的距离为N/m,其中N为天然气管道的长度;
设置次声传感器通频带的范围,将通频带范围设置为0.5-1M;
将每4个传感器探头进行并行排列,得到多路传感器探头;并将次声传感器正面紧贴天然气管道管壁,多路传感器探头对天然气管道进行循环采样,采集到天然气管道的次声波信号;
其中第i个传感器所采集到的次声波信号为xi(t),它是由J个未知信号源sj(t)卷积混合而成的带噪声次声波信号,所述卷积混合公式为:
其中:
a(t)为冲激响应;
sj(t)表示第j个未知信号源;
J为未知信号源的个数;
bi(t)为噪声信号;
xi(t)为第i个传感器所采集到的次声波信号;
t表示传感器离散采集时间。
S2、利用次声波降噪算法进行次声波信号的降噪处理,得到降噪后的次声波信号。
进一步地,本发明利用次声波降噪算法进行次声波信号的降噪处理,所述次声波降噪算法流程为:
1)计算原始次声波信号序列x(t)中所有的局部极值点;取n个极大值的平均幅值作为需要添加的信号点的幅值,取n个极小值的平均幅值作为需要添加的信号点的幅值,在靠近原始次声波信号序列x(t)端点的位置添加对应幅值的次声波信号;
2)根据更新后次声波信号序列x′(t)中所有的极大、极小值,分别采用三次样条对极值点进行插值,得到原始次声波信号的上下包络线Eup(t)和Edown(t);
3)计算更新后次声波信号序列的局部均值函数u(t)和包络估计函数a(t):
4)计算更新后次声波信号序列的解调信号s(t):
5)将解调信号s(t)同包络估计函数a(t)进行乘积运算,得到降噪后的次声波信号序列分量P(t):
P(t)=s(t)×a(t)
6)将降噪后的次声波信号序列分量P(t)与残差进行相加,得到降噪后的次声波信号x″(t):
其中:
βk(t)为残差。
S3、根据降噪后的次声波信号,利用傅里叶变换提取每一个传感器采集的次声波波形特征数据。
进一步地,根据降噪后的次声波信号,本发明利用傅里叶变换操作提取每个传感器,所述傅里叶变换操作的公式为:
其中:
N为降噪后次声波信号的长度;
n为频率参数;
X(k)为次声波波形特征数据;
进一步地,本发明对次声波波形特征数据进行预加重和加窗的预处理,所述预处理流程为:
1)所述预加重的函数式为:
H(X(k))=1-aX(k)-1
其中:
X(k)为次声波波形特征数据;
a为预加重系数,本发明将其设为0.912;
2)利用汉明窗对所述次声波波形特征数据进行加窗处理,所述汉明窗的时域表达式为:
其中:
n为次声波波形特征数据的帧数;
N为次声波波形特征数据的总长度。
S4、将次声波波形特征数据作为训练集用于训练支持向量机,得到支持向量机模型的参数;利用训练好的支持向量机对待监测的管道上的传感器进行泄露判断,得到输出集合上的基本概率分配函数。
进一步地,本发明将采集到的次声波波形特征数据作为训练集,并利用该训练集训练得到支持向量机,所述支持向量机模型参数A,B的获得公式为:
其中:
N为训练集中次声波波形特征数据的数量;
N+为训练集中为未泄露次声波波形特征数据的数量;
N-为训练集中为泄露次声波波形特征数据的数量;
pn为对于次声波波形特征数据n的概率估计值;
f(n)为SVM模型中样本n的标准输出值;
进一步地,本发明利用训练好的支持向量机对待监测的管道上的传感器进行泄露判断,得到输出集合上的基本概率分配函数;详细地,由于本发明将每4个传感器探头进行并行排列,得到多路传感器探头,并利用多路传感器探头进行次声波的采集,因此对于天然气管道的任一待检测管道区域,本发明利用邻近的两组多路传感器探头的采集数据,对待检测管道区域是否发生泄露进行泄露判断,即本发明利用邻近的8组传感器对待检测管道区域进行泄露判断,则传感器j检测到发生泄露的概率值为:
pj(y=-1|cj)
传感器j未检测到发生泄露的概率值为:
pj(y=1|cj)
其中:
cj为传感器j所采集到的次声波波形特征数据。
S5、基于DS证据理论对每一个传感器的基本概率分配函数进行综合处理,形成天然气管道泄露判别概率矩阵,若P(泄露)>P(未泄露)则说明当前管道发生泄露,否则当前管道没有发生泄露。
进一步地,对于待检测天然气管道区域,本发明将邻近8组传感器作为一组证据,基于DS证据理论对每一个传感器的基本概率分配函数进行综合处理,则第j个传感器的基本概率分配函数值为m(1|cj)=pj(y=1|cj),m(-1|cj)=1-pj(y=1|cj);
采用指数函数形式定义组内每个传感器对判别结果的支持程度:
其中:
Ni为重定义后第i个传感器对判别结果的支持程度;
ni为第i个传感器对判别结果的支持程度;
r为调节因子,0≤r≤1,传感器对判别结果的支持程度越高,则调节因子的值越高;
计算一组传感器中任意两个传感器的关联系数:
当两个传感器之间有一个传感器对某一特定的判别结果支持程度为0时,那么这两个传感器之间的关联系数就为0,这就表明两个传感器之间的关联性很差;若两个传感器对某一特定的判别结果支持程度相同时,那么这两个传感器之间的关联系数就为1,这表明这两个传感器之间的关联性很强;
将所有传感器两两之间的关联系数转换为概率矩阵A,概率矩阵A中的Aij表示第i个传感器检测概率和第j个传感器检测概率之间的关联度;
计算传感器之间的绝对关联度:
其中:
di为第i个传感器的绝对关联度;
将传感器的绝对关联度作为原传感器对泄露判别结果支持程度的权重,重新计算传感器对泄露判别结果的支持程度:
N′i=Ni×di
其中:
N′j为第i个传感器对自身判别结果的支持程度;
将待检测天然气管道中8个传感器对是否发生泄露的概率值,乘以对应的支持程度,判断当前带有支持程度的泄露概率P(泄露)与P(未泄露)之间的关系,若P(泄露)>P(未泄露)则说明当前待检测天然气管道发生泄露,否则当前待检测天然气管道没有发生泄露。
下面通过一个算法实验来说明本发明的具体实施方式,并对发明的处理方法进行测试。本发明算法的硬件测试环境为:Inter(R)Core(TM)i7-6700KCPU,软件为Matlab2018a;对比方法为基于贝叶斯的天然气管道泄露检测方法以及基于随机森林的天然气管道泄露检测方法。
在本发明所述算法实验中,数据集为10G的天然气管道中的传感器监测数据。本实验通过将传感器监测数据输入到算法模型中,将天然气管道泄露检测的准确率作为算法可行性的评价指标,其中天然气管道泄露检测的准确率越高,则说明算法的有效性、可行性越高。
根据实验结果,基于贝叶斯的天然气管道泄露检测方法的天然气管道泄露检测准确率为83.1%,基于随机森林的天然气管道泄露检测方法的天然气管道泄露检测准确率为80.34%,本发明所述方法的天然气管道泄露检测准确率为89.10%,相较于对比算法,本发明所提出的天然气管道泄漏检测方法能够实现更高的天然气管道泄露检测准确率。
发明还提供一种天然气管道泄漏检测系统。参照图2所示,为本发明一实施例提供的天然气管道泄漏检测系统的内部结构示意图。
在本实施例中,所述天然气管道泄漏检测系统1至少包括天然气管道信息采集装置11、数据处理器12、天然气管道泄露检测装置13,通信总线14,以及网络接口15。
其中,天然气管道信息采集装置11可以是PC(Personal Computer,个人电脑),或者是智能手机、平板电脑、便携计算机等终端设备,也可以是一种服务器等。
数据处理器12至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、磁性存储器、磁盘、光盘等。数据处理器12在一些实施例中可以是天然气管道泄漏检测系统1的内部存储单元,例如该天然气管道泄漏检测系统1的硬盘。数据处理器12在另一些实施例中也可以是天然气管道泄漏检测系统1的外部存储设备,例如天然气管道泄漏检测系统1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,数据处理器12还可以既包括天然气管道泄漏检测系统1的内部存储单元也包括外部存储设备。数据处理器12不仅可以用于存储安装于天然气管道泄漏检测系统1的应用软件及各类数据,还可以用于暂时地存储已经输出或者将要输出的数据。
天然气管道泄露检测装置13在一些实施例中可以是一中央处理器(CentralProcessing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片,用于运行数据处理器12中存储的程序代码或处理数据,例如天然气管道泄露检测程序指令等。
通信总线14用于实现这些组件之间的连接通信。
网络接口15可选的可以包括标准的有线接口、无线接口(如WI-FI接口),通常用于在该系统1与其他电子设备之间建立通信连接。
可选地,该系统1还可以包括用户接口,用户接口可以包括显示器(Display)、输入单元比如键盘(Keyboard),可选的用户接口还可以包括标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在天然气管道泄漏检测系统1中处理的信息以及用于显示可视化的用户界面。
图2仅示出了具有组件11-15以及天然气管道泄漏检测系统1,本领域技术人员可以理解的是,图1示出的结构并不构成对天然气管道泄漏检测系统1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
在图2所示的装置1实施例中,数据处理器12中存储有天然气管道泄露检测程序指令;天然气管道泄露检测装置13执行数据处理器12中存储的天然气管道泄露检测程序指令的步骤,与天然气管道泄漏检测方法的实现方法相同,在此不作类述。
此外,本发明实施例还提出一种计算机可读存储介质,所述计算机可读存储介质上存储有天然气管道泄露检测程序指令,所述天然气管道泄露检测程序指令可被一个或多个处理器执行,以实现如下操作:
将次声传感器部署到天然气管道,利用次声传感器采集天然气管道中的次声波;
利用次声波降噪算法进行次声波信号的降噪处理,得到降噪后的次声波信号;
根据降噪后的次声波信号,利用傅里叶变换提取每一个传感器采集的次声波波形特征数据;
将次声波波形特征数据作为训练集用于训练支持向量机,得到支持向量机模型的参数,其中支持向量机模型的输入为波形特征组成的向量,输出为{泄露/未泄露}集合上的概率;利用训练好的支持向量机对待监测的管道上的传感器进行泄露判断,得到输出集合上的基本概率分配函数;
基于DS证据理论对每一个传感器的基本概率分配函数进行综合处理,形成集合{泄露/未泄露}上的概率矩阵,若P(泄露)>P(未泄露)则说明当前管道发生泄露,否则当前管道没有发生泄露。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
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:
将次声传感器部署到天然气管道,利用次声传感器采集天然气管道中的次声波;
利用次声波降噪算法进行次声波信号的降噪处理,得到降噪后的次声波信号;
根据降噪后的次声波信号,利用傅里叶变换提取每一个传感器采集的次声波波形特征数据;
将次声波波形特征数据作为训练集用于训练支持向量机,得到支持向量机模型的参数,其中支持向量机模型的输入为波形特征组成的向量,输出为{泄露/未泄露}集合上的概率;利用训练好的支持向量机对待监测的管道上的传感器进行泄露判断,得到输出集合上的基本概率分配函数;
基于DS证据理论对每一个传感器的基本概率分配函数进行综合处理,形成集合{泄露/未泄露}上的概率矩阵,若P(泄露)>P(未泄露)则说明当前管道发生泄露,否则当前管道没有发生泄露。
2.如权利要求1所述的一种天然气管道泄漏检测方法,其特征在于,所述利用次声传感器采集天然气管道中的次声波,包括:
将m个次声传感器均匀部署在天然气管道中,每个次声传感器之间的距离为N/m,其中N为天然气管道的长度;
设置次声传感器通频带的范围,将通频带范围设置为0.5-1M;
将每4个传感器探头进行并行排列,得到多路传感器探头;并将次声传感器正面紧贴天然气管道管壁,多路传感器探头对天然气管道进行循环采样,采集到天然气管道的次声波信号;
其中第i个传感器所采集到的次声波信号为xi(t),它是由J个未知信号源sj(t)卷积混合而成的带噪声次声波信号,所述卷积混合公式为:
其中:
a(t)为冲激响应;
sj(t)表示第j个未知信号源;
J为未知信号源的个数;
bi(t)为噪声信号;
xi(t)为第i个传感器所采集到的次声波信号;
t表示传感器离散采集时间。
3.如权利要求2所述的一种天然气管道泄漏检测方法,其特征在于,所述利用次声波降噪算法进行次声波信号的降噪处理,包括:
1)计算原始次声波信号序列x(t)中所有的局部极值点;取n个极大值的平均幅值作为需要添加的信号点的幅值,取n个极小值的平均幅值作为需要添加的信号点的幅值,在靠近原始次声波信号序列x(t)端点的位置添加对应幅值的次声波信号;
2)根据更新后次声波信号序列x′(t)中所有的极大、极小值,分别采用三次样条对极值点进行插值,得到原始次声波信号的上下包络线Eup(t)和Edown(t);
3)计算更新后次声波信号序列的局部均值函数u(t)和包络估计函数a(t):
4)计算更新后次声波信号序列的解调信号s(t):
5)将解调信号s(t)同包络估计函数a(t)进行乘积运算,得到降噪后的次声波信号序列分量P(t):
P(t)=s(t)×a(t)
6)将降噪后的次声波信号序列分量P(t)与残差进行相加,得到降噪后的次声波信号x″(t):
x″(t)=P(t)+βk(t)
其中:
βk(t)为残差。
4.如权利要求3所述的一种天然气管道泄漏检测方法,其特征在于,所述利用傅里叶变换提取每一个传感器采集的次声波波形特征数据,包括:
利用傅里叶变换操作提取每个传感器,所述傅里叶变换操作的公式为:
其中:
N为降噪后次声波信号的长度;
n为频率参数;
X(k)为次声波波形特征数据;
对次声波波形特征数据进行预加重和加窗的预处理,所述预处理流程为:
1)所述预加重的函数式为:
H(X(k))=1-aX(k)-1
其中:
X(k)为次声波波形特征数据;
a为预加重系数,将其设为0.912;
2)利用汉明窗对所述次声波波形特征数据进行加窗处理,所述汉明窗的时域表达式为:
其中:
n为次声波波形特征数据的帧数;
N为次声波波形特征数据的总长度。
6.如权利要求5所述的一种天然气管道泄漏检测方法,其特征在于,所述利用训练好的支持向量机对待监测的管道上的传感器进行泄露判断,包括:
利用邻近的两组多路传感器探头的采集数据,对待检测管道区域是否发生泄露进行泄露判断,则传感器j检测到发生泄露的概率值为:
pj(y=-1|cj)
传感器j未检测到发生泄露的概率值为:
pj(y=1|cj)
其中:
cj为传感器j所采集到的次声波波形特征数据。
7.如权利要求6所述的一种天然气管道泄漏检测方法,其特征在于,所述基于DS证据理论对每一个传感器的基本概率分配函数进行综合处理,包括:
将邻近8组传感器作为一组证据,基于DS证据理论对每一个传感器的基本概率分配函数进行综合处理,则第j个传感器的基本概率分配函数值为m(1|cj)=pj(y=1|cj),m(-1|cj)=1-pj(y=1|cj);
采用指数函数形式定义组内每个传感器对判别结果的支持程度:
其中:
Ni为重定义后第i个传感器对判别结果的支持程度;
ni为第i个传感器对判别结果的支持程度;
r为调节因子,0≤r≤1,传感器对判别结果的支持程度越高,则调节因子的值越高;
计算一组传感器中任意两个传感器的关联系数:
将所有传感器两两之间的关联系数转换为概率矩阵A,概率矩阵A中的Aij表示第i个传感器检测概率和第j个传感器检测概率之间的关联度;
计算传感器之间的绝对关联度:
其中:
di为第i个传感器的绝对关联度;
将传感器的绝对关联度作为原传感器对泄露判别结果支持程度的权重,重新计算传感器对泄露判别结果的支持程度:
Ni′=Ni×di
其中:
Ni′为第i个传感器对自身判别结果的支持程度;
将待检测天然气管道中8个传感器对是否发生泄露的概率值,乘以对应的支持程度,判断当前带有支持程度的泄露概率P(泄露)与P(未泄露)之间的关系,若P(泄露)>P(未泄露)则说明当前待检测天然气管道发生泄露,否则当前待检测天然气管道没有发生泄露。
8.一种天然气管道泄漏检测系统,其特征在于,所述系统包括:
天然气管道信息采集装置,用于将次声传感器部署到天然气管道,利用次声传感器采集天然气管道中的次声波;
数据处理器,用于利用次声波降噪算法进行次声波信号的降噪处理,利用傅里叶变换提取每一个传感器采集的次声波波形特征数据,将次声波波形特征数据作为训练集用于训练支持向量机,得到支持向量机模型的参数;利用训练好的支持向量机对待监测的管道上的传感器进行泄露判断,得到输出集合上的基本概率分配函数;
天然气管道泄露检测装置,用于基于DS证据理论对每一个传感器的基本概率分配函数进行综合处理,形成集合{泄露/未泄露}上的概率矩阵,若P(泄露)>P(未泄露)则说明当前管道发生泄露,否则当前管道没有发生泄露。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有天然气管道泄露检测程序指令,所述天然气管道泄露检测程序指令可被一个或者多个处理器执行,以实现如权利要求1至7中任一项所述的一种天然气管道泄漏检测的实现方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110276874.XA CN113124328A (zh) | 2021-03-15 | 2021-03-15 | 一种天然气管道泄漏检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110276874.XA CN113124328A (zh) | 2021-03-15 | 2021-03-15 | 一种天然气管道泄漏检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113124328A true CN113124328A (zh) | 2021-07-16 |
Family
ID=76773123
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110276874.XA Withdrawn CN113124328A (zh) | 2021-03-15 | 2021-03-15 | 一种天然气管道泄漏检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113124328A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114263855A (zh) * | 2021-11-19 | 2022-04-01 | 合肥工业大学 | 一种天然气运输管道泄露的预测方法及其应用 |
CN114458958A (zh) * | 2022-02-12 | 2022-05-10 | 江苏预立新能源科技有限公司 | 一种天然气储存管道止裂预测的方法 |
CN114838296A (zh) * | 2022-02-25 | 2022-08-02 | 重庆兆光科技股份有限公司 | 一种基于天然气用户使用序列的管道泄漏诊断方法及系统 |
CN114877264A (zh) * | 2022-06-06 | 2022-08-09 | 国家石油天然气管网集团有限公司 | 一种基于声纹识别的天然气管体泄露识别方法和系统 |
CN116717729A (zh) * | 2023-08-09 | 2023-09-08 | 山东国研自动化有限公司 | 一种监测燃气安全的分级管控系统及方法 |
CN114458958B (zh) * | 2022-02-12 | 2024-09-27 | 三盈联合科技股份有限公司 | 一种天然气储存管道止裂预测的方法 |
-
2021
- 2021-03-15 CN CN202110276874.XA patent/CN113124328A/zh not_active Withdrawn
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114263855A (zh) * | 2021-11-19 | 2022-04-01 | 合肥工业大学 | 一种天然气运输管道泄露的预测方法及其应用 |
CN114263855B (zh) * | 2021-11-19 | 2024-04-26 | 合肥工业大学 | 一种天然气运输管道泄漏的预测方法及其应用 |
CN114458958A (zh) * | 2022-02-12 | 2022-05-10 | 江苏预立新能源科技有限公司 | 一种天然气储存管道止裂预测的方法 |
CN114458958B (zh) * | 2022-02-12 | 2024-09-27 | 三盈联合科技股份有限公司 | 一种天然气储存管道止裂预测的方法 |
CN114838296A (zh) * | 2022-02-25 | 2022-08-02 | 重庆兆光科技股份有限公司 | 一种基于天然气用户使用序列的管道泄漏诊断方法及系统 |
CN114838296B (zh) * | 2022-02-25 | 2023-08-25 | 重庆兆光科技股份有限公司 | 一种基于天然气用户使用序列的管道泄漏诊断方法及系统 |
CN114877264A (zh) * | 2022-06-06 | 2022-08-09 | 国家石油天然气管网集团有限公司 | 一种基于声纹识别的天然气管体泄露识别方法和系统 |
CN116717729A (zh) * | 2023-08-09 | 2023-09-08 | 山东国研自动化有限公司 | 一种监测燃气安全的分级管控系统及方法 |
CN116717729B (zh) * | 2023-08-09 | 2023-10-20 | 山东国研自动化有限公司 | 一种监测燃气安全的分级管控系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113124328A (zh) | 一种天然气管道泄漏检测方法及系统 | |
CN110345392B (zh) | 输油管道漏点的定位方法及装置 | |
CN106950276B (zh) | 一种基于卷积神经网络的管道缺陷深度的反演方法 | |
CN107620868B (zh) | 管道泄漏检测方法及装置 | |
Siddique et al. | Pipeline leak diagnosis based on leak-augmented scalograms and deep learning | |
CN115901954A (zh) | 超声导波管道缺陷无损检测方法 | |
US11762730B2 (en) | Selection of outlier-detection programs specific to dataset meta-features | |
CN109556797A (zh) | 基于样条局部均值分解和卷积神经网络的管道泄漏检测与定位方法 | |
Bohorquez et al. | Stochastic resonance enhancement for leak detection in pipelines using fluid transients and convolutional neural networks | |
CN104964736A (zh) | 基于时频特性em分类的光纤入侵振源识别方法 | |
Li et al. | Symbolization‐based differential evolution strategy for identification of structural parameters | |
CN109945075B (zh) | 一种供水管道泄漏程度检测方法及装置 | |
CN108052721A (zh) | 运载火箭产品可靠性评估方法及装置、存储介质、终端 | |
CN116610986A (zh) | 电弧故障检测模型的训练、电弧故障检测方法及电子设备 | |
Li et al. | A small leakage detection approach for gas pipelines based on CNN | |
CN104966019B (zh) | 一种启发式文档威胁检测方法及系统 | |
CN108037420B (zh) | 基于行波法的电缆接头故障检测设备 | |
CN109654383A (zh) | 一种供水管道的泄露程度确定方法及系统 | |
CN113670219A (zh) | 一种光纤线路的应变解调方法、装置、设备及介质 | |
Li et al. | SVD-VMD algorithm and its application in leak detection of natural gas pipeline | |
CN113989632A (zh) | 一种遥感图像桥梁检测方法、装置、电子设备及存储介质 | |
Al-Maskari et al. | Feature extraction for smart sensing using multi-perspectives transformation | |
Ferreira et al. | Corrosion-like defect severity estimation in pipelines using convolutional neural networks | |
CN112233098A (zh) | 一种水利风险评估方法及系统 | |
CN117077066B (zh) | 波形异常检测方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210716 |
|
WW01 | Invention patent application withdrawn after publication |