CN115935241B - 一种多参数相互融合的清管器实时定位方法及装置 - Google Patents
一种多参数相互融合的清管器实时定位方法及装置 Download PDFInfo
- Publication number
- CN115935241B CN115935241B CN202310024305.5A CN202310024305A CN115935241B CN 115935241 B CN115935241 B CN 115935241B CN 202310024305 A CN202310024305 A CN 202310024305A CN 115935241 B CN115935241 B CN 115935241B
- Authority
- CN
- China
- Prior art keywords
- negative pressure
- pressure wave
- upstream
- pipeline
- downstream
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 76
- 230000004907 flux Effects 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims description 42
- 238000001514 detection method Methods 0.000 claims description 30
- 230000007547 defect Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 13
- 125000004122 cyclic group Chemical group 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 2
- 238000012935 Averaging Methods 0.000 claims 1
- 238000012549 training Methods 0.000 description 22
- 239000011159 matrix material Substances 0.000 description 15
- 238000012360 testing method Methods 0.000 description 15
- 239000000523 sample Substances 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 239000007789 gas Substances 0.000 description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000003345 natural gas Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000003209 petroleum derivative Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000003317 industrial substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Examining Or Testing Airtightness (AREA)
Abstract
本申请公开一种多参数相互融合的清管器实时定位方法及装置，所述方法包括：采集管道首、末段的负压波信号以及管道漏磁图像；对管道漏磁图像进行检测，判定管道是否存在泄漏；若所述管道无泄漏，则对负压波信号去噪；对去噪后的负压波信号进行拐点特征识别，提取上下游负压波到达时间差；采集清管器在运行过程中距离上游压力传感器的距离；采集上下游压力传感器接收到负压波信号的时间和上下游压力传感器之间的距离；根据采集信息，计算出多个负压波波速；对多个负压波波速进行修正得到修正负压波波速；根据修正负压波波速和负压波到达时间差计算得清管器位置。采用前述方法，可对清管器的位置进行实时定位，从而提升了清管器运行的安全程度。
Description
技术领域
本申请涉及油气储运领域，尤其涉及一种多参数相互融合的清管器实时定位方法及装置。
背景技术
石油和天然气作为重要的能源物资，影响着国民经济与各行各业的发展，与人民的生活息息相关，管道作为石油和天然气输送的主要方式，其相比于道路运输具有安全、经济、便捷等特点。在管道运输的过程中，清管作业是油气长输管道投产前和运行中的一项重要且必不可少的工作，清管的作用包括增加流量，提高生产效率，减少内部腐蚀，保障安全生产，降低维护费用，实现在线检测，延长管道寿命等。
管道通过指示仪是油气管道清管器安全运行最有效的监测技术，清管器携带的电子发射机在管道内运行，并不间断、规律的发出电磁信号，信号穿过管壁传出，发射出来的电磁信号通过通过指示仪探头接收，通过指示仪主机处理后发出峰鸣和毫安表指针信号指示；通过指示仪通过发射机与通过指示仪之间的信号传递，可以判断管道清管器是否通过固定检测点。
在现有的清管器定位的方案中，发明人发现至少存在以下问题：在管道通过指示仪的使用过程中，通过接收电磁信号来判断清管器是否通过指示仪，但是无法对清管器的位置进行实时的定位，无法达到国家应急体系对油气管道安全运输的要求。
发明内容
本申请提供了一种多参数相互融合的清管器实时定位方法及装置，以解决现有技术中在无法对清管器的位置进行实时的定位，导致无法达到国家应急体系对油气管道安全运输的要求的问题。
第一方面，本申请实施例提供一种多参数相互融合的清管器实时定位方法，包括：
采集管道首、末段的负压波信号以及管道漏磁图像；
基于漏磁缺陷检测网络对所述管道漏磁图像进行检测，判定所述管道是否存在泄漏；
若所述管道无泄漏，则基于双向长短期记忆神经网络对所述负压波信号去噪；
基于一维卷积神经网络串联循环神经网络对去噪后的负压波信号进行拐点特征识别，提取上下游负压波到达时间差；
采集清管器在运行过程中距离上游压力传感器的距离；
采集上下游压力传感器接收到负压波信号的时间和上下游压力传感器之间的距离；
根据清管器在运行过程中距离上游压力传感器不同的距离、上下游压力传感器接收到负压波信号的时间和上下游压力传感器之间的距离，计算出多个负压波波速；
对多个负压波波速进行平均值计算得到修正负压波波速；
将所述修正负压波波速和上下游负压波到达时间差代入负压波定位公式得到清管器位置。
在一个具体的可实施方案中，将所述管道漏磁图像输入至所述漏磁缺陷检测网络，经过卷积运算之后，获取管道漏磁缺陷图像；
根据管道漏磁缺陷图像判定所述管道是否存在泄漏。
在一个具体的可实施方案中，将所述负压波信号输入至所述双向长短期记忆神经网络得到噪声轮廓信号；
将所述负压波信号减去噪声轮廓信号得到去噪后的负压波信号。
在一个具体的可实施方案中，将所述去噪后的负压波信号输入至一维卷积神经网络串联循环神经网络；
所述一维卷积神经网络学习所述去噪后的负压波信号的拐点特征；
所述循环神经网络提取所述去噪后的负压波信号的拐点信息以及上下文关联信息；
所述循环神经网络根据所述拐点信息以及上下文关联信息对去噪后的负压波信号进行分类；
提取上下游负压波到达的时间差。
在一个具体的可实施方案中，在所述清管器运行过程中，当所述清管器在运行过程中，记录5组不同的位置为、、、、；分别记录所述清管器运行至、、、、各点时所述上下游压力传感器接收到所述负压波信号的时间为、、、、与、、、、，所述上下游压力传感器之间的距离为L；当所述清管器运行到点时，所述上游压力传感器接收到所述负压波信号的时间为，所述下游压力传感器接收到所述负压波信号的时间为，则负压波波速为，将、、、L代入波速修正公式中，所述波速修正公式为：；其中 为清管器运行至 计算得出的负压波波速，其中 为清管器运行至 计算得出的负压波波速，其中 为清管器运行至 计算得出的负压波波速，其中 为清管器运行至 计算得出的负压波波速，其中 为清管器运行至 计算得出的负压波波速
所述修正负压波波速为。
在一个具体的可实施方案中，所述修正负压波波速为、所述上下游负压波信号到达时间差为，所述清管器位置为，所述负压波定位公式为。
第二方面，本申请还提供了一种多参数相互融合的清管器实时定位装置，包括：
基础信息采集模块，用于采集管道首、末段的负压波信号以及管道漏磁图像；
管道漏磁判断模块，用于基于漏磁缺陷检测网络对所述管道漏磁图像进行检测，判定所述管道是否存在泄漏；
负压波信号去噪模块，用于若所述管道无泄漏，则基于双向长短期记忆神经网络对所述负压波信号去噪；
负压波时间差计算模块，用于基于一维卷积神经网络串联循环神经网络对去噪后的负压波信号进行拐点特征识别，提取上下游负压波到达时间差；
上游距离采集模块，用于采集清管器在运行过程中距离上游压力传感器的距离；
时间距离采集模块，用于采集上下游压力传感器接收到负压波信号的时间和上下游压力传感器之间的距离；
负压波波速计算模块，用于根据清管器在运行过程中距离上游压力传感器不同的距离、上下游压力传感器接收到负压波信号的时间和上下游压力传感器之间的距离，计算出多个负压波波速；
修正负压波计算模块，用于对多个负压波波速进行平均值计算得到修正负压波波速；
清管器位置计算模块，用于将所述修正负压波波速和上下游负压波到达时间差代入负压波定位公式得到清管器位置。
第三方面，本申请还提供了一种计算机设备，包括：存储器和处理器，所述存储器上存储有能够被处理器加载并执行如上述一种多参数相互融合的清管器实时定位方法的计算机程序。
第四方面，本申请还提供了一种计算机可读存储介质，采用如下技术方案：储存有能够被处理器加载并执行上述任一种多参数相互融合的清管器实时定位方法的计算机程序。
本申请实施例提供的方法、装置、设备及存储介质，通过漏磁缺陷检测网络，使得系统可以快速、精准的对管道完整性进行检测，保证了管道的完整；所述双向长短期记忆神经网络通过构造负压波含躁信号训练模型，能够精准预测噪声轮廓信号，达到消除噪声的目的；所述一维卷积神经网络串联循环神经网络的模型对比传统负压波时间差提取方法具有拐点分类准确的特点，保障时间差提取精确。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请提供的一种多参数相互融合的清管器实时定位方法的流程图；
图2是本申请实施例提供的负压波信号去噪的流程图；
图3是本申请实施例提供的清管器实时定位图；
图4是本申请提供的一种多参数相互融合的清管器实时定位装置的流程图。
附图标记：401、基础信息采集模块；402、管道漏磁判断模块；403、负压波信号去噪模块；404、负压波时间差计算模块；405、上游距离采集模块；406、时间距离采集模块；407、负压波波速计算模块；408、修正负压波计算模块；409、清管器位置计算模块。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
本申请提供了一种多参数相互融合的清管器实时定位方法及装置，以解决现有技术中在无法对清管器的位置进行实时的定位，导致无法达到国家应急体系对油气管道安全运输的要求的问题。
参照图1，示出了一种多参数相互融合的清管器实时定位方法，所述方法包括以下步骤：
S101，采集管道首、末段的负压波信号以及管道漏磁图像。
其中，所述管道为可以运输石油、天然气、工业流体等业态物质的运输工具，包括直线管道、弯曲管道，作为当前端的服务端在所述管道的两端安装有压力传感器，并通过数据采集设备实时采集所述管道首、末两端的负压波信号，如FBG传感器，本发明实施例不做具体限定。
值得一提的是，在清管器运行之前，先使用漏磁检测器对所述管道进行漏磁检测，生成所述管道漏磁图像，具体所述漏磁检测器型号本发明实施例不做具体限定。
S102，根据所述管道漏磁图像判断管道是否存在泄漏。
其中，为了判定所述管道是否存在泄漏，需要对所述管道的漏磁图像使用漏磁缺陷检测网络（FDDNet）进行检测，所述漏磁缺陷检测网络是在YOLOv5（一种单阶段目标检测算法）的基础上进行修改的，在所述YOLOv5的主干网络中增加了SPD-Conv模块，所述SPD-Conv主要由Space-to-depth(SPD)层与non-strided convolution层组成，通过这种下采样方式可解决目标细粒度信息大量缺失的问题，最后在检测头中增加目标检测头，可使得网络更加关注目标的检测，提高检测效果，同时为了提高网络的检测速度，在主干网络中引入了轻量级网络G-GhostNet。
可选的，将所述管道漏磁图像输入进漏磁缺陷检测网络中进行所述管道缺陷检测，共使用24633张所述管道漏磁图像，其中22170张图像作为训练集，2463张图像作为验证集，漏磁缺陷检测网络的参数设置如下：优化器选择的是随机梯度下降法(SGD)，冲量为0.9，初始学习率为1e-2，权值衰减设置为5e-4,学习率下降方式选择cos，所述主干网络的具体参数如下表：
其中Operator表示的是运算过程中的关键步骤；Block表示传统的残差网络，Input表示输入图像的尺寸，Output表示输出图像的尺寸，concat是通道数的合并，也就是说描述图像本身的特征数（通道数）增加了cheap是1*1的卷积，block是传统的残差模块，所述SPD-Conv模型包括Space-to-depth层与non-strided convolution层；所述Space-to-depth层用于对所述第一特征图进行下采样，所述non-strided convolution层用于改变所述第一特征图的通道数，使输出通道数与输入SPD-Conv前的通道数一致在所述主干网络特征提取后，经过检测头就可以将检测的结果标注在图像上；
所述漏磁缺陷检测网络通过下采样方式可解决小目标细粒度信息大量缺失的问题，最后在检测头中增加小目标检测头，可使得网络更加关注小目标的检测，提高检测效果，从而判定所述管道是否发生泄漏，检测若无问题，则所述负压波信号全部是由清管器运行产生。
S103，若所述管道无泄漏，则基于双向长短期记忆神经网络对所述负压波信号去噪。
其中，所述负压波信号传播速度很快，即使是很小的时间误差，也会造成很大的定位误差，因此，精确地测量传感器检测到所述负压波信号到达的时刻才是有效进行清管器定位的关键，在工业生产环境中噪声会对所述负压波信号到达时间造成不利影响，因此首先要进行信号处理，将所述负压波信号进行去噪操作。
具体的去噪操作可以被执行为：为了提高对所述负压波信号的去噪精度，采用一种基于Bi-LSTM（双向长短期记忆神经网络）的深度学习算法，将所述负压波信号输入到所述双向长短期记忆神经网络中得到噪声轮廓信号，用所述负压波信号减去所述噪声轮廓信号得到去噪后的负压波信号；
其中的，所述双向长短期记忆神经网络是已经训练好的，在工业生产环境中可以直接使用，如图2所示，其训练过程如下：
构建若干无干扰的负压波纯净信号和噪声轮廓信号，并相加得到负压波含噪信号，定义双向长短期记忆神经网络的输入和输出，其中输入为所述负压波含噪信号，输出为所述噪声轮廓信号，利用所述负压波含噪信号和所述噪声轮廓信号对所述双向长短期记忆神经网络进行训练。
具体的，以所述负压波信号时间序列的幅值作为特征参数，并构建所述无干扰的负压波纯净信号和所述噪声轮廓信号，将二者相加得到所述负压波含噪信号，所述无干扰的负压波纯净信号的长度为330000，幅值在-1000到1000之间；将所述噪声轮廓信号与所述无干扰的负压波纯净信号的和作为所述负压波含噪信号，得到的含噪信号和噪声轮廓信号按照7:3的比例划分为训练集和测试集备用，则构造出的训练集长度为231000，测试集长度为99000；
其中的，以n＝50为例，对测试集的所述负压波含噪信号进行标准化处理，将所述负压波含噪信号按长度为固定值50划分为4800个，将输入数据变换为50×4800的矩阵作为训练集的输入XTrain，按列依次送入网络，输入矩阵如下：
XTrain=
式中，矩阵每一列表示一个输入信号，表示第4800个样本中的第1个数值，是原数据列中第223951个点的值；
其中的，将构造好的含噪数据同样进行标准化处理后按照训练集的划分方式进行划分，作为网络的输出YTrain，输出矩阵如下：
YTrain=
式中，矩阵每一列表示一个输出信号，输入与输出为对应关系，XTrain与YTrain的矩阵按列成对应的输入和输出的关系；
本实施例中，所述双向长短期记忆神经网络的网络参数组合为：内部隐藏层为1000，设置最大迭代次数为250，初始学习率为0.005，学习率下降因子为0.5，梯度阈值为1，并选用求解器算法adam更新权重值；
本实施例中所述双向长短期记忆神经网络对输入和输出数据之间的对应关系进行学习，并采用损失函数(loss)和相对均方根误差(RMSE)用于判断训练模型真实值与预测值的差距，以所述差距为依据进行网络模型的参数优化；
当训练次数达到60次左右，训练集和验证集的相对均方根误差和损失函数稳定在一个极小值且在250次训练完成后损失函数值趋近于0，最终该网络模型训练成功。
至此，构建出了本发明实施例中的噪声样本库和无干扰的负压波纯净信号样本库，并且成功地搭建出了本发明所需要的网络模型框架；
将训练后得到的模型对测试集信号进行预测来验证网络拟合效果，达到满意的效果后对实测所述负压波信号进行预测，得到实际信号中的所述噪声轮廓信号；
基于样本分段长度n将测试集中的所述负压波含噪信号进行数据段划分，划分后测试集的一个数据段样本,分别为划分一个数据段样本中第1个、第2个、第n个数据点；
将测试集样本数据送入所述双向长短期记忆神经网络的前向LSTM层和后向LSTM层中得到对应的输出YPred。其中，对应输入样本的输出为，，，为输出中第1个、第2个、第n个数据点，输出结果的生成过程如下：
T时刻在两层中的隐藏状态和。公式表达：
其中为前向信息提取函数，和均为权重矩阵，为偏置项；为后项信息提取函数，和均为权重矩阵，为偏置项；
将和进行拼接得到在当前时刻t的输出，公式如下：
将t时刻的输出作为所述双向长短期记忆神经网络的预测输出；对测试集中的样本进行循环预测后得到的矩阵将其按列连接后再转置为与p相同的数据类型YPred1，再对其进行反标准化处理得到YPred2；将测试集XTest与预测出的噪声轮廓YPred2相减得到重构的有用信号；
将实测的所述负压波含噪信号按照上述步骤进行处理后送入训练成型的网络进行预测得到实测的所述噪声轮廓信号；
将预测的所述噪声轮廓信号进行反标准化处理，用实测的所述负压波含噪信号减去所述噪声轮廓信号得到重构的有用信号，以此达到去噪的目的；
其中的，本实施例在网络训练之前还应该包括对训练集，测试集中的数据p进行标准化处理后得到P1，标准化公式如下：
P1=
式中，表示训练集，测试集数据中的元素，表示训练集，训练集数据中负压波含噪信号的幅值最小值，表示训练集，测试集数据中负压波含噪信号的幅值最大值，P1表示标准化处理后的训练集，测试集数据；
若负压波含噪数据输入双向长短期记忆神经网络之前进行了标准化处理，则得到每个数据段对应的输出结果Y之后进行拼接以及反标准化处理，所述反标准化公式如下：
YPred2=+
式中，YPred1代表预测的噪声轮廓信号，YPred2代表反标准化后的噪声轮廓信号，代表测试集中负压波含噪信号的幅值最大值，代表测试集中负压波含噪信号的幅值最小值。
S104，对去噪后的负压波信号进行拐点特征识别，提取上下游负压波到达时间差。
其中，将所述去噪后的负压波信号作为所述一维卷积神经网络（CNN）串联循环神经网络（RNN）的输入，紧接着使用了3个卷积层用以提取所述去噪后的负压波信号的局部特征，每层特征图的个数分别是24，48和96；第一层使用大小为1×15的卷积核，后2层使用1×7大小的卷积核，这样选取卷积层的方式有助于前面提取较长时间片段的特征，也能够在有效学习特征的同时降低模型的参数，在卷积层后面跟的是最大池化层，池化的大小为3，步长为2，在卷积层之后通过最大池化层对所述去噪后的负压波信号进行数据压缩，有助于后续循环神经网络的处理；
所述去噪后的负压波信号作为一种时间序列，内部存在一些与时序相关的特征，仅仅使用卷积神经网络难以提取到相关的时序信息，而在深度学习网络模型中，需要用到序列前后的关联信息进行判断，本实施例采用一种长短时记忆神经网络（LSTM）提取所述去噪后的负压波信号中的时序特征；
本实施例使用5层LSTM结构，每一层有20个单元，在训练时LSTM展开20个时间步，输入LSTM结构的共有96个特征图，设输入的每个特征图的时间长度为N，沿着时间维度将其划分为20组，每组有96个时间长度为N/20的特征图，同一组的特征图都是由同一段时间长度的负压波信号经过不同的卷积核操作得到，因此同一组的特征图在时间维度上是一致的，每组依次输入到LSTM当中进行处理，LSTM根据每组特征对最终结果的影响程度，选择是否将当前的特征输入到下一个时间步当中，对于每个时间步要同时考虑传入的特征和上一个时间步传递下来的内容，从而得到当前时间步的计算结果。最后将LSTM的输出经过批标准化（Batch Normalization）以及非线性激活（Relu）等操作后输出到全连接层，通过softmax函数得到各个类的概率，最终得到所述去噪后的负压波信号的结果，从而提取到所述去噪后的负压波信号特征的拐点信息，最后计算出所述上下游负压波到达时间差。
S105，采集波速修正公式中的信息并对计算出的负压波波速进行修正操作。
其中，在所述管道中分别采集清管器距上游压力传感器的距离、上下游压力传感器接收到负压波信号的时间、上下游压力传感器之间的距离，以求平均值的方式修正负压波波速。
例如，本发明实施例中选取所述清管器距所述上游压力传感器的距离为点，取5组不同位置计为、、、、，分别记录所述清管器运行至、、、、各点时所述上下游压力传感器接收到负压波信号的时间可以得到5组时间,当所述清管器运行到点时，所述上游压力传感器接收到负压波信号的时间为，所述下游压力传感器接收到负压波信号的时间为，如图3所示，所述上下游压力传感器之间的距离为L，将、L代入波速修正公式中得到，所述波速修正公式为：
将五次所得…相加除以五得到所述修正后的负压波波速。
S106、将所述修正后的负压波波速、所述上下游负压波到达时间差代入负压波定位公式中得到清管器位置。
本发明实施例中将所述修正后的负压波波速、所述上下游负压波信号到达时间差代入到所述负压波定位公式中，可以得到所述清管器实时位置，所述负压波定位公式为：
；
在本发明实施例中所述漏磁缺陷检测网络，具有检测精度高，检测速度快的优点，所述双向长短期记忆神经网络通过构造负压波含噪信号训练模型，能够精准预测噪声信号轮廓，达到消除噪声的目的，所述一维卷积神经网络串联循环神经网络对比传统负压波时间差提取方法，具有拐点分类准确特点，保障时间差提取精准，所述负压波波速修正公式误差较小，该方法可以从根本上确保清管器实时定位方法的精度，具有重要的理论与实践指导价值，同时也可以满足不同管道运行工况下的有效检测，是一种全新思路的清管器实时在线定位方法。
基于上述方法，本申请实施例还公开一种虚拟电厂调控装置。
如图4所示，该装置包括以下模块：
基础信息采集模块401，用于采集管道首、末段的负压波信号以及管道漏磁图像；
管道漏磁判断模块402，用于基于漏磁缺陷检测网络对所述管道漏磁图像进行检测，判定所述管道是否存在泄漏；
负压波信号去噪模块403，用于若所述管道无泄漏，则基于双向长短期记忆神经网络对所述负压波信号去噪；
负压波时间差计算模块404，用于基于一维卷积神经网络串联循环神经网络对去噪后的负压波信号进行拐点特征识别，提取上下游负压波到达时间差；
上游距离采集模块405，用于采集清管器在运行过程中距离上游压力传感器的距离；
时间距离采集模块406，用于采集上下游压力传感器接收到负压波信号的时间和上下游压力传感器之间的距离；
负压波波速计算模块407，用于根据清管器在运行过程中距离上游压力传感器不同的距离、上下游压力传感器接收到负压波信号的时间和上下游压力传感器之间的距离，计算出多个负压波波速；
修正负压波计算模块408，用于对多个负压波波速进行平均值计算得到修正负压波波速；
清管器位置计算模块409，用于将所述修正负压波波速和上下游负压波到达时间差代入负压波定位公式得到清管器位置。
在一个实施例中，管道漏磁判断模块402，还用于将所述管道漏磁图像输入至所述漏磁缺陷检测网络，经过卷积运算之后，获取管道漏磁缺陷图像；根据管道漏磁缺陷图像判定所述管道是否存在泄漏。
在一个实施例中，负压波信号去噪模块403，还用于将所述负压波信号输入至所述双向长短期记忆神经网络得到噪声轮廓信号；将所述负压波信号减去噪声轮廓信号得到去噪后的负压波信号。
在一个实施例中，负压波信号去噪模块403，还用于将所述去噪后的负压波信号输入至一维卷积神经网络串联循环神经网络；所述一维卷积神经网络学习所述去噪后的负压波信号的拐点特征；所述循环神经网络提取所述去噪后的负压波信号的拐点信息；所述循环神经网络根据所述拐点信息对去噪后的负压波信号进行分类；筛选出包含至少两个拐点信息对应的负压波信号；计算相邻拐点之间的时间值并将所述时间值设置为上下游负压波到达的时间差。
在一个实施例中，修正负压波计算模块408，还用于在所述清管器运行过程中，当所述清管器在运行过程中，记录5组不同的位置为、、、、；分别记录所述清管器运行至、、、、各点时所述上下游压力传感器接收到所述负压波信号的时间为、、、、与、、、、，所述上下游压力传感器之间的距离为L；当所述清管器运行到点时，所述上游压力传感器接收到所述负压波信号的时间为，所述下游压力传感器接收到所述负压波信号的时间为，则负压波波速为，将、、、L代入波速修正公式中，所述波速修正公式为：；其中 为清管器运行至 计算得出的负压波波速，其中 为清管器运行至 计算得出的负压波波速，其中 为清管器运行至 计算得出的负压波波速，其中 为清管器运行至 计算得出的负压波波速，其中 为清管器运行至 计算得出的负压波波速；所述修正负压波波速为。
在一个实施例中，修正负压波计算模块408，还用于所述修正负压波波速为、所述上下游负压波信号到达时间差为，所述清管器位置为，所述负压波定位公式为。
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
以上结合具体实施方式和范例性实例对本申请进行了详细说明，不过这些说明并不能理解为对本申请的限制。本领域技术人员理解，在不偏离本申请精神和范围的情况下，可以对本申请技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本申请的范围内。本申请的保护范围以所附权利要求为准。
Claims (9)
1.一种多参数相互融合的清管器实时定位方法，其特征在于，所述一种多参数相互融合的清管器实时定位方法包括：
采集管道首、末段的负压波信号以及管道漏磁图像；
基于漏磁缺陷检测网络对所述管道漏磁图像进行检测，判定所述管道是否存在泄漏；
若所述管道无泄漏，则基于双向长短期记忆神经网络对所述负压波信号去噪；
基于一维卷积神经网络串联循环神经网络对去噪后的负压波信号进行拐点特征识别，提取上下游负压波到达时间差；
采集清管器在运行过程中距离上游压力传感器的距离；
采集上下游压力传感器接收到负压波信号的时间和上下游压力传感器之间的距离；
根据清管器在运行过程中距离上游压力传感器不同的距离、上下游压力传感器接收到负压波信号的时间和上下游压力传感器之间的距离，计算出多个负压波波速；
对多个负压波波速进行平均值计算得到修正负压波波速；
将所述修正负压波波速和上下游负压波到达时间差代入负压波定位公式得到清管器位置。
2.根据权利要求1所述的方法，其特征在于，所述基于漏磁缺陷检测网络对所述管道漏磁图像进行检测，判定所述管道是否存在泄漏包括：
将所述管道漏磁图像输入至所述漏磁缺陷检测网络，经过卷积运算之后，获取管道漏磁缺陷图像；
根据管道漏磁缺陷图像判定所述管道是否存在泄漏。
3.根据权利要求1所述的方法，其特征在于，所述基于双向长短期记忆神经网络对所述负压波信号去噪包括：
将所述负压波信号输入至所述双向长短期记忆神经网络得到噪声轮廓信号；
将所述负压波信号减去噪声轮廓信号得到去噪后的负压波信号。
4.根据权利要求3所述的方法，其特征在于，所述基于一维卷积神经网络串联循环神经网络对去噪后的负压波信号进行拐点特征识别，提取上下游负压波到达时间差包括：
将所述去噪后的负压波信号输入至一维卷积神经网络串联循环神经网络；
所述一维卷积神经网络学习所述去噪后的负压波信号的拐点特征；
所述循环神经网络提取所述去噪后的负压波信号的拐点信息；
所述循环神经网络根据所述拐点信息对去噪后的负压波信号进行分类；
筛选出包含至少两个拐点信息对应的负压波信号；
计算相邻拐点之间的时间值并将所述时间值设置为上下游负压波到达的时间差。
5.根据权利要求1所述的方法，其特征在于，所述对多个负压波波速进行平均值计算得到修正负压波波速包括：
在所述清管器运行过程中，当所述清管器在运行过程中，记录5组不同的位置为、、、、；分别记录所述清管器运行至、、、、各点时所述上下游压力传感器接收到所述负压波信号的时间为、、、、与、、、、，所述上下游压力传感器之间的距离为L；当所述清管器运行到点时，所述上游压力传感器接收到所述负压波信号的时间为，所述下游压力传感器接收到所述负压波信号的时间为，则负压波波速为，将、、、L代入波速修正公式中，所述波速修正公式为：；其中 为清管器运行至 计算得出的负压波波速，其中 为清管器运行至 计算得出的负压波波速，其中 为清管器运行至 计算得出的负压波波速，其中 为清管器运行至 计算得出的负压波波速，其中 为清管器运行至 计算得出的负压波波速；
所述修正负压波波速为。
6.根据权利要求5所述的方法，其特征在于，所述将所述修正负压波波速和上下游负压波道道时间差代入负压波定位公式得到清管器位置包括：
所述修正负压波波速为、所述上下游负压波信号到达时间差为，所述清管器位置为，所述负压波定位公式为。
7.一种多参数相互融合的清管器实时定位装置，其特征在于，所述装置包括：
基础信息采集模块(401)，用于采集管道首、末段的负压波信号以及管道漏磁图像；
管道漏磁判断模块(402)，用于基于漏磁缺陷检测网络对所述管道漏磁图像进行检测，判定所述管道是否存在泄漏；
负压波信号去噪模块(403)，用于若所述管道无泄漏，则基于双向长短期记忆神经网络对所述负压波信号去噪；
负压波时间差计算模块(404)，用于基于一维卷积神经网络串联循环神经网络对去噪后的负压波信号进行拐点特征识别，提取上下游负压波到达时间差；
上游距离采集模块(405)，用于采集清管器在运行过程中距离上游压力传感器的距离；
时间距离采集模块(406)，用于采集上下游压力传感器接收到负压波信号的时间和上下游压力传感器之间的距离；
负压波波速计算模块(407)，用于根据清管器在运行过程中距离上游压力传感器不同的距离、上下游压力传感器接收到负压波信号的时间和上下游压力传感器之间的距离，计算出多个负压波波速；
修正负压波计算模块(408)，用于对多个负压波波速进行平均值计算得到修正负压波波速；
清管器位置计算模块(409)，用于将所述修正负压波波速和上下游负压波到达时间差代入负压波定位公式得到清管器位置。
8.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如权利要求1至6中任一种方法的计算机程序。
9.一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行如权利要求1至6中任一种方法的计算机程序。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310024305.5A CN115935241B (zh) | 2023-01-09 | 2023-01-09 | 一种多参数相互融合的清管器实时定位方法及装置 |
| GBGB2406377.8A GB202406377D0 (en) | 2023-01-09 | 2023-10-11 | Method and apparatus for positioning pipeline pig in real time based on fusion of multi-sensor parameters |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310024305.5A CN115935241B (zh) | 2023-01-09 | 2023-01-09 | 一种多参数相互融合的清管器实时定位方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115935241A CN115935241A (zh) | 2023-04-07 |
| CN115935241B true CN115935241B (zh) | 2023-05-12 |
Family
ID=85827090
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310024305.5A Active CN115935241B (zh) | 2023-01-09 | 2023-01-09 | 一种多参数相互融合的清管器实时定位方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115935241B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108488638A (zh) * | 2018-03-28 | 2018-09-04 | 东北大学 | 基于声波负压波混合监测的管道泄漏监测系统及方法 |
| CN111539393A (zh) * | 2020-07-08 | 2020-08-14 | 浙江浙能天然气运行有限公司 | 基于emd分解与lstm的油气管道第三方施工预警方法 |
| CN111734961A (zh) * | 2020-06-24 | 2020-10-02 | 东北石油大学 | 一种天然气管道泄漏检测方法 |
| CN112664842A (zh) * | 2021-01-08 | 2021-04-16 | 沈阳农业大学 | 一种用于输水管线泄漏定位的装置 |
-
2023
- 2023-01-09 CN CN202310024305.5A patent/CN115935241B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108488638A (zh) * | 2018-03-28 | 2018-09-04 | 东北大学 | 基于声波负压波混合监测的管道泄漏监测系统及方法 |
| CN111734961A (zh) * | 2020-06-24 | 2020-10-02 | 东北石油大学 | 一种天然气管道泄漏检测方法 |
| CN111539393A (zh) * | 2020-07-08 | 2020-08-14 | 浙江浙能天然气运行有限公司 | 基于emd分解与lstm的油气管道第三方施工预警方法 |
| CN112664842A (zh) * | 2021-01-08 | 2021-04-16 | 沈阳农业大学 | 一种用于输水管线泄漏定位的装置 |
Non-Patent Citations (1)
| Title |
|---|
| 一维卷积长短期记忆神经网络的管道泄漏检测方法;聂维 等;《中国农村水利水电》;第147-157页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115935241A (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xie et al. | A review on pipeline integrity management utilizing in-line inspection data | |
| CN109783906B (zh) | 一种管道内检测漏磁数据智能分析系统及方法 | |
| CN111094956B (zh) | 用神经网络对热成像图像进行处理以鉴定保温层下腐蚀(cui) | |
| CN106950276B (zh) | 一种基于卷积神经网络的管道缺陷深度的反演方法 | |
| CN114352947B (zh) | 一种燃气管道泄漏检测方法、系统、装置及存储介质 | |
| CN109492708B (zh) | 一种基于ls-knn的管道漏磁内检测缺失数据插补方法 | |
| RU2591584C1 (ru) | Способ оценки геометрических размеров дефектов стенки трубной секции и сварных швов по данным магнитного внутритрубного дефектоскопа с помощью универсальной нейросетевой модели, подходящей для дефектоскопов с различными диаметрами и магнитными системами | |
| CN112949817A (zh) | 基于时间卷积神经网络的给水管泄漏边缘设备检测方法 | |
| CN111365623B (zh) | 一种基于线性拟合的负压波拐点识别方法 | |
| CN115546223A (zh) | 一种列车车下设备紧固螺栓的缺失检测方法和系统 | |
| CN111695465A (zh) | 基于压力波模式识别的管网故障诊断与定位方法及系统 | |
| CN113343402B (zh) | 基于多层卷积稀疏编码的管道腐蚀等级评估方法 | |
| Ling et al. | Data modeling techniques for pipeline integrity assessment: A state-of-the-art survey | |
| Chen et al. | A cascaded deep learning approach for detecting pipeline defects via pretrained YOLOv5 and ViT models based on MFL data | |
| CN115935241B (zh) | 一种多参数相互融合的清管器实时定位方法及装置 | |
| CN115063337A (zh) | 埋地管道智能维修决策方法及装置 | |
| CN109632942B (zh) | 一种基于集成学习的管道缺陷尺寸的反演方法 | |
| CN111815561A (zh) | 一种基于深度时空特征的管道缺陷及管道组件的检测方法 | |
| Ferreira et al. | Corrosion-like defect severity estimation in pipelines using convolutional neural networks | |
| KR101131996B1 (ko) | 증기발생기 전열관 외경축 균열에 대한 모터구동 회전 탐촉자 와전류 탐상검사방법 | |
| CN117009801A (zh) | 一种流量预测模型训练方法、检测方法、系统及存储介质 | |
| Udpa et al. | Automated analysis of eddy current signals in steam generator tube inspection | |
| Zhang et al. | Diagnosis and recognition of pipeline damage defects based on improved convolutional neural network | |
| Yuksel et al. | Defect detection and quantification from magnetic flux leakage signals based on deep learning | |
| Aldosari et al. | Optimal Artificial Neural Network Model For Prediction of Oil and Gas Pipelines Defect Length |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |