CN115512717A - 一种基于集成学习的二阶段单传感器管道泄漏定位方法 - Google Patents
一种基于集成学习的二阶段单传感器管道泄漏定位方法 Download PDFInfo
- Publication number
- CN115512717A CN115512717A CN202211451728.7A CN202211451728A CN115512717A CN 115512717 A CN115512717 A CN 115512717A CN 202211451728 A CN202211451728 A CN 202211451728A CN 115512717 A CN115512717 A CN 115512717A
- Authority
- CN
- China
- Prior art keywords
- data
- training
- original
- network model
- model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 91
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 56
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 230000000306 recurrent effect Effects 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000000137 annealing Methods 0.000 claims description 8
- 230000000630 rising effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000004807 localization Effects 0.000 claims 2
- 238000010276 construction Methods 0.000 claims 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 239000007789 gas Substances 0.000 description 6
- 239000003345 natural gas Substances 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000003209 petroleum derivative Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000288105 Grus Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007636 ensemble learning method Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000008717 functional decline Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Acoustics & Sound (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Mechanical Engineering (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明提供了一种基于集成学习的二阶段单传感器管道泄漏定位方法,包括:对管道泄漏的声波信号数据进行预处理,获取原始数据集;利用若干预设网络模型对所述原始数据集进行处理,获取处理后的数据集;构建循环神经网络模型,利用处理后的所述数据集对所述循环神经网络模型进行训练,利用训练后的所述循环神经网络模型预测管道泄漏点位置。本发明仅用一个传感器就可以对管道泄漏位置进行较好的预测,为管道泄漏定位提供了一种新方法,且大大节省了成本,具有一定的应用价值。
Description
技术领域
本发明属于信号处理和天然气管道泄漏测量技术领域,尤其涉及一种基于集成学习的二阶段单传感器管道泄漏定位方法。
背景技术
随着石油天然气行业的发展,使用管道运输油气产品具有高效、经济等特点。但是,随着时间的变化,管道面临的问题也越来越多。比如:自然腐蚀、人为管道损坏、穿孔泄漏事故等。这将会给人们造成巨大的财产损失,带来环境污染问题,还可能对人们的生命财产和生存环境造成巨大的威胁。因此,加强对石油天然气管道的检测,缩短泄漏时间,提高泄漏定位精度将对控制泄漏、减少生命财产损失具有重要作用。近年来,管道泄漏检测技术随着传感器、信号处理、模式识别、人工智能等多领域的融合迎来了新的发展方向。现阶段的管道泄漏定位算法一般采用两个声压传感器,通过计算管道上下游的时间差实现泄漏定位。该方法具有较大误差,主要因为定位公式中的波速一般被设为固定值,并没有考虑管道内部流体流速。然而声速和管内介质流速都和温度、压力等参数密切相关,因此采用固定的声速值和流速必定会产生较大误差。因此,利用单个传感器采集管道不同泄漏位置的声压信号进行深度学习识别具有十分重要的意义,本发明以此为出发点设计一种基于单传感器的管道泄漏的定位方法。
发明内容
为解决上述技术问题,本发明提出了一种基于集成学习的二阶段单传感器管道泄漏定位方法,使用多种深度学习算法对不同位置的管道泄漏信号进行训练,然后预测出管道泄漏发生的位置。
为实现上述目的,本发明提供了一种基于集成学习的二阶段单传感器管道泄漏定位方法,包括:
对管道泄漏的声波信号数据进行预处理,获取原始数据集;
利用若干预设网络模型对所述原始数据集进行处理,获取处理后的数据集;
构建循环神经网络模型,利用处理后的所述数据集对所述循环神经网络模型进行训练,利用训练后的所述循环神经网络模型预测管道泄漏点位置。
可选地,对管道泄漏的声波信号数据进行预处理包括:
对所述声波信号数据按照不同的泄漏位置进行标注,获取所述声波信号数据的标签;
将所述声波信号数据按时间序列划分为若干份,获取若干份数据的均值、方差、峰值、能量和熵,对所述均值、方差、峰值、能量和熵进行相关系数计算,获取预设相关性阈值的所述声波信号数据。
可选地,获取所述原始数据集包括:
将预设相关性阈值的所述声波信号数据与所述标签进行结合,获得所述原始数据集。
可选地,利用若干预设网络模型对所述原始数据集进行处理包括:
将所述原始数据集划分为原始训练集和原始测试集;
将所述原始训练集划分为第一测试集和第一训练集;
利用所述第一训练集对所述预设网络模型进行训练,利用训练后的所述预设网络模型对所述第一测试集进行预测,获取第一输出结果,将所述第一输出结果与所述原始训练集进行融合,获取第二训练集;
利用所述预设网络模型对所述原始测试集进行预测,获取第二输出结果,将所述第二输出结果与所述原始测试集进行融合,获取第二测试集。
可选地,将所述原始数据集划分为原始训练集和原始测试集前包括:
可选地,将所述原始训练集划分为第一测试集和第一训练集包括:
将所述原始训练集划分为等量的若干数据,并对所述数据进行编号,每次对所述预设网络模型进行训练时,选取不同编号的所述数据作为所述第一测试集,剩余的若干所述数据作为所述第一训练集。
可选地,获取所述第一输出结果包括:
基于所述第一测试集中不同编号的所述数据,分别依次对若干所述预设网络模型进行预测,获取若干预测结果,将全部所述预测结果进行合并,获得所述第一输出结果。
可选地,所述预设网络模型包括:CNN模型、XGBoost模型和SVM模型。
可选地,所述循环神经网络模型采用GRU模型,并在所述GRU模型中引入特征注意力机制。
可选地,利用处理后的所述数据集对所述循环神经网络模型进行训练包括:
利用所述第二训练集对所述循环神经网络模型进行训练;并且在训练过程中利用余弦退火优化学习率,上升采用线性上升,下降采用余弦函数下降;
将所述第二测试集输入至训练后的所述循环神经网络模型中,输出预测的管道泄漏点位置,将预测的所述管道泄漏点位置与实际位置进行对比,评估模型预测结果。
与现有技术相比,本发明具有如下优点和技术效果:
1.本发明针对声压传感器采集到的泄漏信号,针对管道声波信号非平稳性特点,首先采用稀疏自编码器对采集到的泄漏信号进行降维去噪处理,提高待处理信号的准确度。
2.本发明利用集成学习staking方法,利用了CNN,XGBoost,SVM多种学习器,组成一个强学习器来提升预测准确率。
3.本发明在第二阶段学习器中为了挖掘输出的泄漏位置与各声压信号特征的关联关系,引入了特征注意力机制,搭建ALSTM神经网络模型,实时计算各个特征的贡献率,利用余弦退火优化学习率,上升采用线性上升,下降采用余弦函数下降。
4.本发明仅用一个传感器就可以对管道泄漏位置进行较好的预测,为管道泄漏定位提供了一种新方法,且大大节省了成本,具有一定的应用价值。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例的管道泄漏检测定位方法流程示意图;
图2为本发明实施例的实施过程的简要流程示意图;
图3为本发明实施例的训练集的5折处理示意图;
图4为本发明实施例的训练集信息处理方法流程示意图;
图5为本发明实施例的测试集信息处理方法流程示意图;
图6为本发明实施例的特征注意力机制原理图;
图7为本发明实施例的余弦下降学习率示意图;
图8为本发明实施例的天然气管道仿真示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例
本发明提供了一种基于集成学习的二阶段单传感器管道泄漏定位方法,包括:
对管道泄漏的声波信号数据进行预处理,获取原始数据集;
利用若干预设网络模型对所述原始数据集进行处理,获取处理后的数据集;
构建循环神经网络模型,利用处理后的所述数据集对所述循环神经网络模型型进行训练,利用训练后的所述循环神经网络模型预测管道泄漏点位置。
进一步地,对管道泄漏的声波信号数据进行预处理包括:
对所述声波信号数据按照不同的泄漏位置进行标注,获取所述声波信号数据的标签;
将所述声波信号数据按时间序列划分为若干份,获取若干份数据的均值、方差、峰值、能量和熵,对所述均值、方差、峰值、能量和熵进行相关系数计算,获取预设相关性阈值的所述声波信号数据。
进一步地,获取所述原始数据集包括:
将预设相关性阈值的所述声波信号数据与所述标签进行结合,获得所述原始数据集。
进一步地,利用若干预设网络模型对所述原始数据集进行处理包括:
将所述原始数据集划分为原始训练集和原始测试集;
将所述原始训练集划分为第一测试集和第一训练集;
利用所述第一训练集对所述预设网络模型进行训练,利用训练后的所述预设网络模型对所述第一测试集进行预测,获取第一输出结果,将所述第一输出结果与所述原始训练集进行融合,获取第二训练集;
利用所述预设网络模型对所述原始测试集进行预测,获取第二输出结果,将所述第二输出结果与所述原始测试集进行融合,获取第二测试集。
进一步地,将所述原始数据集划分为原始训练集和原始测试集前包括:
进一步地,将所述原始训练集划分为第一测试集和第一训练集包括:
将所述原始训练集划分为等量的若干数据,并对所述数据进行编号,每次对所述预设网络模型进行训练时,选取不同编号的所述数据作为所述第一测试集,剩余的若干所述数据作为所述第一训练集。
进一步地,获取所述第一输出结果包括:
基于所述第一测试集中不同编号的所述数据,分别依次对若干所述预设网络模型进行预测,获取若干预测结果,将全部所述预测结果进行合并,获得所述第一输出结果。
进一步地,所述预设网络模型包括:CNN模型、XGBoost模型和SVM模型。
进一步地,所述循环神经网络模型采用GRU模型,并在所述GRU模型中引入特征注意力机制。
进一步地,利用处理后的所述数据集对所述循环神经网络模型进行训练包括:
利用所述第二训练集对所述循环神经网络模型进行训练;并且在训练过程中利用余弦退火优化学习率,上升采用线性上升,下降采用余弦函数下降;
将所述第二测试集输入至训练后的所循环神经网络模型中,输出预测的管道泄漏点位置,将预测的所述管道泄漏点位置与实际位置进行对比,评估模型预测结果。
本发明涉及利用单传感器的管道泄漏单点定位方法,该方法使用单传感器采集声压信号作为输入,然后利用集成学习方法构建了集成-ALSTM(带有注意力机制的LSTM)融合算法学习器,该学习器分两阶段完成,融合多种机器学习算法可以有效的识别出泄漏点的位置。具体为:1.首先用单一声压传感器分别在天然气管道多个不同位置采集泄漏的声压信号;2.将采集的声压信号通过数据采集卡送到上位机,并截取发生泄漏后两秒内的声压信号作为待处理数据;3.待处理数据作为特征,泄漏点的位置定义为标签,构建数据集;4.祛除冗余数据,并降维去噪;5.将降维去噪后的数据划分为训练集和测试集。6.利用集成学习的staking方法,对数据集进行处理,第一阶段的基本模型采用CNN,XGBoost,SVM作为staking学习器的三个基本模型,然后对将训练集做5折处理,将划分的5折训练集分别进行标记,每次利用其中的四份数据作为基本模型的训练集训练好模型,然后用剩下的一份数据作为基本模型的测试集,用训练好的基本模型识别后,即可得到与步骤5中的训练集数量相同的一个新的特征,三个基本模型,三个新的特征,将此三个特征与步骤5中训练集进行融合,即可得到第二阶段学习器的训练集。7.对于测试集的处理,将每次基本模型对于步骤5中测试集的预测结果求平均值,并将此平均值与步骤5测试集进行融合作为第二阶段学习器的测试集。8.将步骤6融合好的训练集作为输入,搭建循环神经网络模块。在模块中加入特征注意力机制,用加权特征作为输入,并用余弦退火算法更新学习率加以训练,并用步骤7的测试集验证,即可准确预测出管道泄漏的位置。本发明实施过程的简要流程如图2所示。本发明能够使用多种深度学习算法对不同位置的管道泄漏信号进行训练,然后预测出管道泄漏发生的位置。天然气管道仿真如图8所示。
下面结合实验参数对本实施所提出的一种基于集成学习的二阶段单传感器管道泄漏定位方法进行详细步骤说明,本实施中用到的实验数据均来自东北石油大学的实验室油气管道泄漏检测模拟实验平台,管道总长为160m,管道直径为150mm,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0.6MPa,泄漏口径10mm。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这两种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15m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。然后下面以具体的算法为例介绍该技术的具体实施方式(如图1所示):
S1、用相同的泄漏孔径模拟在各个不同的位置模拟管道泄漏的声压信号,利用单个声压传感器获取对应于n个不同位置的管道泄漏的声波信号数据;并将不同的泄漏位置定义为不同标签。
S2、将采集的声压信号通过数据采集卡送到上位机截取发生泄漏后的声压信号作为原始特征,将原始特征根据其时间序列划分为等量的n份,计算n份数据的均值,方差,峰值,能量,熵等,对均值,方差,峰值,能量,熵等进行Pearson相关系数计算,选择相关性大的特征,去掉冗余的特征,作为模型训练的特征向量,此特征向量结合S1中的标签作为原始的数据集。
利用稀疏自编码器进行降噪降维处理和特征选择,然后划分为训练集Train和测试集Test;即原始训练集和原始测试集。
S4、将训练集划分为等量的五份数据并定义为Train1,Train2,Train3,Train4,Train5;每次从中选取不同的编号的数据作为基本模型测试集Test-base(如图3所示),其余作为基本模型的训练集Train-base;Test-base和Train-base即第一测试集和第一训练集。
S5、选取CNN、XGBoost、和SVM作为staking集成学习方法的基本模型,利用步骤4中的基本模型的训练集Train-base,分别对三个基本模型进行训练5次,然后训练好基本模型以后,利用基本模型测试集Test-base作为输入,将三个基本模型的输出的结果保存,并且作为新的特征与步骤3训练集Train的融合到一起,作为第二阶段模型的训练集。
在本实施例中,选取CNN、XGBoost、和SVM作为staking集成学习方法的基本模型,在XGBoost算法模型的基础上,应用逐步回归算法模型,通过持续调整XGBoost算法模型中决策树的权重,不断地训练作为第一阶段的XGBoost的多个决策树学习器,并将其输出结果加权求和,再运用贝叶斯优化对XGBoost的决策树数量和树的最大深度等超参数进行自动寻优,同时也对SVM的两个重要参数惩罚因子C和径向基核函数参数γ进行寻优。
其中训练集的处理方法如图4所示,具体为:
(1)输入:使用训练集进行5-fold处理;
(2)处理:具体处理如下:
(3)使用Train2,Train3,Train4,Train5,作为训练集,训练CNN模型并预测Train1,将预测结果分别称为CNN-pred-train1;
(4)使用Train1,Train3,Train4,Train5,作为训练集,训练CNN模型并预测Train2,将预测结果分别称为CNN-pred-train2;
(5)使用Train1,Train2,Train4,Train5,作为训练集,训练CNN模型并预测Train3,将预测结果分别称为CNN-pred-train3;
(6)使用Train1,Train2,Train3,Train5,作为训练集,训练CNN模型并预测Train4,将预测结果分别称为CNN-pred-train4;
(7)使用Train1,Train2,Train3,Train4,作为训练集,训练CNN模型并预测Train5,将预测结果分别称为CNN-pred-train5;
(8)将CNN分别对1、2、3、4、5折进行预测的结果合并,得到CNN-pred-train,并且根据5-fold的原理可以知道,与原数据可以形成对应关系,因此称为新的特征。
(9)XGBoost和SVM利用同样的方法进行处理,得到XGBoost-pred-train和SVM-pred-train,将上述三个特征与经过稀疏自编码器处理过的原始特征融合到一起形成第二阶段的训练集。
S6、对于测试集,分别用三个基本模型,对S3中测试集Test进行预测,然后取预测值的平均值作为第二阶段学习器测试集的一个新特征,每个基本模型产生一个特征。第二阶段的测试集由新的三个特征和S3中Test组成。
在本实施例中,测试集每次经过基本模型形成一个CNN/XGBoost/SVM-pred-test1-5,将pred-test1-5的结果使用Averaging的方法求平均值,最终得到pred-test作为测试集的新的特征加入到测试集。
S7、搭建第二阶段的循环神经网络模块,第二阶段的模型主体由GRU组成,为了挖掘输出的泄漏位置与各声压信号特征的关联关系,引入了特征注意力机制,将该阶段网络命名为ALSTM,实时计算各个特征的贡献率,修正特征权重。
在本实施例中,搭建一个第二阶段的循环神经网络模块,该模块为了挖掘输出的
泄漏位置与各声压信号特征的关联关系,引入了特征注意力机制实时计算各个特征的贡献
率,修正特征权重。令输入的特征的时序序列为相关特征的时序序列为: ,展开可由下式矩阵表示:
为了得到每一个声压特征变量与当前时刻泄漏位置的关联关系,即对应贡献率,采用特征注意力机制编码量化权重,其结构如图6所示。
为GRU网络单元,输入的不再是原始的声压特征值,而是考虑关联度大小的加权
特征,通过特征注意力机制,输入阶段考虑了输入声压特征与输出泄漏点位置的关联关系,
加自适应地提取各特征的贡献率来提高预测精度。
S8、利用余弦退火优化学习率,在使用优化目标函数的时候,当越来越接近Loss值的全局最小值时,学习率应该变得更小来使得模型尽可能接近这一点,而余弦退火(cosineannealing)可以通过余弦函数来降低学习率。学习率会在刚开始的时候上升,加快模型的收敛速度,寻找最优点位置,到达一定step后,学习率下降,此时可以认为这是一个模型在微调的过程。上升采用线性上升,下降采用余弦函数下降,如图7所示。这种下降模式能和学习率配合,以一种十分有效的计算方式来产生很好的效果。
S9、第二阶段的模型由前两个步骤组成的GRU循环神经网络模块组成,用步骤5,步骤6组成的带有基本模型预测特征的训练集训练模型,利用GRU门控循环单元(GatedRecurrent Unit,GRU)神经网络可以更好地捕捉时间序列中时间步距离较大的依赖关系,具有对管道泄漏信号处理十分高效的特点。首先将融合的数据作为输入,并在输入侧引入特征注意力机制,通过对输入进行加权的方式提高模型对关键特征的敏感性。与此同时训练早期线性上升增加学习率,加速模型的收敛,下降采用余弦函数下降。因为余弦函数中的学习率随着训练epoch数的增加先缓慢下降,然后加速下降,再缓慢下降。这种下降模式和学习率配合,能准确预测泄漏点的位置。使用第二阶段的测试集预测管道泄漏点位置与实时位置进行对比,评估模型预测结果。
以上,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种基于集成学习的二阶段单传感器管道泄漏定位方法,其特征在于,包括:
对管道泄漏的声波信号数据进行预处理,获取原始数据集;
利用若干预设网络模型对所述原始数据集进行处理,获取处理后的数据集;
利用若干预设网络模型对所述原始数据集进行处理包括:
将所述原始数据集划分为原始训练集和原始测试集;
将所述原始训练集划分为第一测试集和第一训练集;
利用所述第一训练集对所述预设网络模型进行训练,利用训练后的所述预设网络模型对所述第一测试集进行预测,获取第一输出结果,将所述第一输出结果与所述原始训练集进行融合,获取第二训练集;
利用所述预设网络模型对所述原始测试集进行预测,获取第二输出结果,将所述第二输出结果与所述原始测试集进行融合,获取第二测试集;
所述预设网络模型包括:CNN模型、XGBoost模型和SVM模型;
构建循环神经网络模型,利用处理后的所述数据集对所述循环神经网络模型进行训练,利用训练后的所述循环神经网络模型预测管道泄漏点位置;
所述循环神经网络模型采用GRU模型,并在所述GRU模型中引入特征注意力机制;
利用处理后的所述数据集对所述循环神经网络模型进行训练包括:
利用所述第二训练集对所述循环神经网络模型进行训练;并且在训练过程中利用余弦退火优化学习率,上升采用线性上升,下降采用余弦函数下降;
将所述第二测试集输入至训练后的所述循环神经网络模型中,输出预测的管道泄漏点位置,将预测的所述管道泄漏点位置与实际位置进行对比,评估模型预测结果。
2.根据权利要求1所述的基于集成学习的二阶段单传感器管道泄漏定位方法,其特征在于,对管道泄漏的声波信号数据进行预处理包括:
对所述声波信号数据按照不同的泄漏位置进行标注,获取所述声波信号数据的标签;
将所述声波信号数据按时间序列划分为若干份,获取若干份数据的均值、方差、峰值、能量和熵,对所述均值、方差、峰值、能量和熵进行相关系数计算,获取预设相关性阈值的所述声波信号数据。
3.根据权利要求2所述的基于集成学习的二阶段单传感器管道泄漏定位方法,其特征在于,获取所述原始数据集包括:
将预设相关性阈值的所述声波信号数据与所述标签进行结合,获得所述原始数据集。
5.根据权利要求1所述的基于集成学习的二阶段单传感器管道泄漏定位方法,其特征在于,将所述原始训练集划分为第一测试集和第一训练集包括:
将所述原始训练集划分为等量的若干数据,并对所述数据进行编号,每次对所述预设网络模型进行训练时,选取不同编号的所述数据作为所述第一测试集,剩余的若干所述数据作为所述第一训练集。
6.根据权利要求5所述的基于集成学习的二阶段单传感器管道泄漏定位方法,其特征在于,获取所述第一输出结果包括:
基于所述第一测试集中不同编号的所述数据,分别依次对若干所述预设网络模型进行预测,获取若干预测结果,将全部所述预测结果进行合并,获得所述第一输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211451728.7A CN115512717A (zh) | 2022-11-21 | 2022-11-21 | 一种基于集成学习的二阶段单传感器管道泄漏定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211451728.7A CN115512717A (zh) | 2022-11-21 | 2022-11-21 | 一种基于集成学习的二阶段单传感器管道泄漏定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115512717A true CN115512717A (zh) | 2022-12-23 |
Family
ID=84513571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211451728.7A Pending CN115512717A (zh) | 2022-11-21 | 2022-11-21 | 一种基于集成学习的二阶段单传感器管道泄漏定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115512717A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172085A (zh) * | 2023-04-17 | 2023-12-05 | 北京市水科学技术研究院 | 一种pccp断丝预测方法、装置、计算机设备及介质 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011127546A1 (pt) * | 2010-04-15 | 2011-10-20 | Asel-Tech Tecnologia E Automação Ltda. | Sistema integrado com a tecnologia acústica, balanço de massa e rede neural para detecção, localização e quantificação de vazamentos em dutos |
WO2013040667A1 (pt) * | 2011-09-19 | 2013-03-28 | Universidade Estadual De Campinas . Unicamp | Sistema e método de detecção de vazamento de gás, método de determinação da magnitude e da localização de vazamento de gás por meio de redes neurais e o uso em tubulação rígida e/ou flexível |
CN105627107A (zh) * | 2016-01-13 | 2016-06-01 | 重庆邮电大学 | 流体管道单一传感器模态声发射时频定位方法 |
CN106287240A (zh) * | 2016-09-05 | 2017-01-04 | 中国石油大学(华东) | 一种基于声发射的管道泄漏检测装置及单传感器定位方法 |
CN106704835A (zh) * | 2016-12-30 | 2017-05-24 | 东北石油大学 | 一种管道泄漏检测单点定位方法 |
CN107228282A (zh) * | 2017-07-06 | 2017-10-03 | 东北石油大学 | 一种天然气管道泄漏定位方法和装置 |
CN110185938A (zh) * | 2019-05-06 | 2019-08-30 | 武汉理工大学 | 一种分布式声波管道在线监测系统 |
CN110685857A (zh) * | 2019-10-16 | 2020-01-14 | 湘潭大学 | 一种基于集成学习的山地风电机组行为预测模型 |
CN110912598A (zh) * | 2019-11-22 | 2020-03-24 | 中原工学院 | 基于长短时注意力机制的大规模mimo系统csi反馈方法 |
CN111626153A (zh) * | 2020-05-13 | 2020-09-04 | 电子科技大学 | 一种基于集成学习的局放故障状态识别方法 |
CN111629006A (zh) * | 2020-05-29 | 2020-09-04 | 重庆理工大学 | 融合深度神经网络和层级注意力机制的恶意流量更新方法 |
CN112926627A (zh) * | 2021-01-28 | 2021-06-08 | 电子科技大学 | 一种基于电容型设备缺陷数据的设备缺陷时间预测方法 |
CN113066544A (zh) * | 2021-04-22 | 2021-07-02 | 重庆师范大学 | 基于CAA-Net与LightGBM的FVEP特征点检测方法 |
CN114254767A (zh) * | 2021-12-22 | 2022-03-29 | 武汉理工大学 | 基于Stacking集成学习的气象水文特征预测方法及系统 |
WO2022064151A1 (fr) * | 2020-09-25 | 2022-03-31 | Veolia Environnement | Procédé de caractérisation de fuite |
CN114484731A (zh) * | 2021-12-27 | 2022-05-13 | 浙江英集动力科技有限公司 | 一种基于stacking融合算法的中央空调故障诊断方法及装置 |
CN114548269A (zh) * | 2022-02-22 | 2022-05-27 | 南京工程学院 | 基于Focal-EIOU的YOLOv4目标检测方法 |
CN114842208A (zh) * | 2022-06-08 | 2022-08-02 | 南昌大学 | 一种基于深度学习的电网危害鸟种目标检测方法 |
CN115001629A (zh) * | 2022-04-29 | 2022-09-02 | 清华大学 | 信道量化反馈方法、装置、电子设备及存储介质 |
CN115081516A (zh) * | 2022-04-28 | 2022-09-20 | 中国科学院重庆绿色智能技术研究院 | 一种基于生物连接组时变卷积网络的物联网流量预测方法 |
-
2022
- 2022-11-21 CN CN202211451728.7A patent/CN115512717A/zh active Pending
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011127546A1 (pt) * | 2010-04-15 | 2011-10-20 | Asel-Tech Tecnologia E Automação Ltda. | Sistema integrado com a tecnologia acústica, balanço de massa e rede neural para detecção, localização e quantificação de vazamentos em dutos |
WO2013040667A1 (pt) * | 2011-09-19 | 2013-03-28 | Universidade Estadual De Campinas . Unicamp | Sistema e método de detecção de vazamento de gás, método de determinação da magnitude e da localização de vazamento de gás por meio de redes neurais e o uso em tubulação rígida e/ou flexível |
CN105627107A (zh) * | 2016-01-13 | 2016-06-01 | 重庆邮电大学 | 流体管道单一传感器模态声发射时频定位方法 |
CN106287240A (zh) * | 2016-09-05 | 2017-01-04 | 中国石油大学(华东) | 一种基于声发射的管道泄漏检测装置及单传感器定位方法 |
CN106704835A (zh) * | 2016-12-30 | 2017-05-24 | 东北石油大学 | 一种管道泄漏检测单点定位方法 |
CN107228282A (zh) * | 2017-07-06 | 2017-10-03 | 东北石油大学 | 一种天然气管道泄漏定位方法和装置 |
CN110185938A (zh) * | 2019-05-06 | 2019-08-30 | 武汉理工大学 | 一种分布式声波管道在线监测系统 |
CN110685857A (zh) * | 2019-10-16 | 2020-01-14 | 湘潭大学 | 一种基于集成学习的山地风电机组行为预测模型 |
CN110912598A (zh) * | 2019-11-22 | 2020-03-24 | 中原工学院 | 基于长短时注意力机制的大规模mimo系统csi反馈方法 |
CN111626153A (zh) * | 2020-05-13 | 2020-09-04 | 电子科技大学 | 一种基于集成学习的局放故障状态识别方法 |
CN111629006A (zh) * | 2020-05-29 | 2020-09-04 | 重庆理工大学 | 融合深度神经网络和层级注意力机制的恶意流量更新方法 |
WO2022064151A1 (fr) * | 2020-09-25 | 2022-03-31 | Veolia Environnement | Procédé de caractérisation de fuite |
CN112926627A (zh) * | 2021-01-28 | 2021-06-08 | 电子科技大学 | 一种基于电容型设备缺陷数据的设备缺陷时间预测方法 |
CN113066544A (zh) * | 2021-04-22 | 2021-07-02 | 重庆师范大学 | 基于CAA-Net与LightGBM的FVEP特征点检测方法 |
CN114254767A (zh) * | 2021-12-22 | 2022-03-29 | 武汉理工大学 | 基于Stacking集成学习的气象水文特征预测方法及系统 |
CN114484731A (zh) * | 2021-12-27 | 2022-05-13 | 浙江英集动力科技有限公司 | 一种基于stacking融合算法的中央空调故障诊断方法及装置 |
CN114548269A (zh) * | 2022-02-22 | 2022-05-27 | 南京工程学院 | 基于Focal-EIOU的YOLOv4目标检测方法 |
CN115081516A (zh) * | 2022-04-28 | 2022-09-20 | 中国科学院重庆绿色智能技术研究院 | 一种基于生物连接组时变卷积网络的物联网流量预测方法 |
CN115001629A (zh) * | 2022-04-29 | 2022-09-02 | 清华大学 | 信道量化反馈方法、装置、电子设备及存储介质 |
CN114842208A (zh) * | 2022-06-08 | 2022-08-02 | 南昌大学 | 一种基于深度学习的电网危害鸟种目标检测方法 |
Non-Patent Citations (2)
Title |
---|
利节等: "输气管道微泄漏检测的深度神经网络模型研究", 《重庆科技学院学报(自然科学版)》 * |
王俊岭等: "基于神经网络的管网漏失定位实例研究", 《水利水电技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172085A (zh) * | 2023-04-17 | 2023-12-05 | 北京市水科学技术研究院 | 一种pccp断丝预测方法、装置、计算机设备及介质 |
CN117172085B (zh) * | 2023-04-17 | 2024-04-26 | 北京市水科学技术研究院 | 一种pccp断丝预测方法、装置、计算机设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Novel leakage detection and water loss management of urban water supply network using multiscale neural networks | |
Kang et al. | Novel leakage detection by ensemble CNN-SVM and graph-based localization in water distribution systems | |
Yang et al. | Novel leakage detection by ensemble 1DCNN-VAPSO-SVM in oil and gas pipeline systems | |
Kopbayev et al. | Gas leakage detection using spatial and temporal neural network model | |
Sinha et al. | Probabilistic neural network for reliability assessment of oil and gas pipelines | |
Song et al. | Remaining useful life prediction of turbofan engine using hybrid model based on autoencoder and bidirectional long short-term memory | |
CN105546352A (zh) | 基于声音信号的天然气管道微泄漏检测方法 | |
Zhou et al. | A pipeline leak detection and localization approach based on ensemble TL1DCNN | |
Zhang et al. | Real-time pipeline leak detection and localization using an attention-based LSTM approach | |
Shravani et al. | A machine learning approach to water leak localization | |
Wang et al. | Pipeline leak detection method based on acoustic-pressure information fusion | |
CN115512717A (zh) | 一种基于集成学习的二阶段单传感器管道泄漏定位方法 | |
Selvaggio et al. | Application of long short-term memory recurrent neural networks for localisation of leak source using 3D computational fluid dynamics | |
CN116086790A (zh) | 氢燃料电池高压阀的性能检测方法及其系统 | |
Garðarsson et al. | Graph-based learning for leak detection and localisation in water distribution networks | |
Yu et al. | A prediction model for remaining useful life of turbofan engines by fusing broad learning system and temporal convolutional network | |
CN114444663A (zh) | 一种基于时间卷积网络的供水管网泄漏检测与定位方法 | |
CN117072891B (zh) | 一种无异常样本下的输氢管网实时智能泄漏监测定位方法 | |
Fan et al. | Two-level diagnosis of heating pipe network leakage based on deep belief network | |
Shi et al. | Internal leakage rate prediction and failure diagnosis of buried pipeline ball valve based on valve cavity pressure detection | |
Qin et al. | Internal leakage rate prediction and unilateral and bilateral internal leakage identification of ball valves in the gas pipeline based on pressure detection | |
Shravani et al. | Cloud-based water leakage detection and localization | |
Lyu et al. | Health state inversion of Jack-up structure based on feature learning of damage information | |
Ribeiro Machado da Silva et al. | Convolutional Neural Networks Applied to Flexible Pipes for Fatigue Calculations | |
Wan et al. | Prediction method of large-diameter ball valve internai leakage rate based on CNN-GA-DBN |
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 |