CN115962428A - 一种燃气管网泄漏实时在线智能可解释性监测溯源方法 - Google Patents

Abstract

本发明涉及一种基于AM‑LSTM模型的燃气管网泄漏实时在线智能可解释性监测溯源方法。基于管道泄漏模拟实验，建立燃气管网运行压力数据集，应用self‑AM多层感知网络对各传感器采集的序列进行可解释性特征筛选，应用LSTM网络层进行时序特征学习，应用Softmax激活函数监测泄漏类别，同时利用self‑AM多层感知网络得到的可解释性权重进行泄漏溯源，迭代更新模型参数使损失函数最小化，得到最优模型，输出泄漏类别和位置。与现有的基于深度学习的智能检测与定位模型相比，本发明提高了检测准确度，同时得到专业知识可解释的中间变量，提高了模型检测结果的可解释性，增强智能检测模型的受信任程度。

Description

一种燃气管网泄漏实时在线智能可解释性监测溯源方法

技术领域

本发明涉及燃气管网泄漏实时在线智能监测溯源技术，属于燃气管网泄漏智能监测方法领域，具体地说是一种基于AM-LSTM模型的燃气管网泄漏实时在线智能可解释性监测溯源方法。

背景技术

城镇燃气输配管网结构复杂，作业环境内人员密集，燃气管道发生泄漏后容易形成可燃蒸气云，一旦被点燃发生燃气燃爆事故，将造成大量人员伤亡、财产损失及环境破坏。因此，燃气管网泄漏实时在线智能监测溯源技术对于开展管道泄漏事故应急决策至关重要。在现有的管道泄漏检测和定位方法中，基于软件的方法可以充分利用多个管道位置的传感器采集的压力、流量和温度等过程监测时间序列数据，是最具成本效益的方法。目前燃气管网系统管道干路与支路普遍装备压力监测传感器以进行管道内气体压力监测，但是传统的基于压力数据的管道泄漏溯源方法需要依靠模型特征假定，对具有高度非线性特征的燃气管网泄漏警报的误报率、漏报率高。机器学习技术可挖掘复杂数据之间的非线性关系，机器学习技术特别是深度学习技术已经在管道泄漏检测任务中表现出良好的检测效率和准确性。其中，长短时记忆神经网络(Long short-term memory，LSTM)善于处理具有时间依赖特征的序列数据，适用于基于过程压力监测数据的管道泄漏实时智能检测任务。但是深度学习模型作为“黑箱”模型，不能运用流体力学专业领域知识对数据分析及处理过程计算的中间变量提供解释，因此，深度学习模型所输出的结果的可信任程度没有判断依据，无法解释智能监测模型输出的泄漏检测和泄漏位置溯源信息的推理过程，降低了决策人员对深度学习模型的信任程度。

注意力机制(Attention Mechanism，AM)是一种从海量信息中筛选出重要信息的学习机制，可以通过给相应的特征分配大量权重来突出那些对深度学习模型的输出有显著影响的特征，同时抑制那些影响非常有限的特征。其中，自注意力机制(self-AttentionMechanism，self-AM)被广泛证明可从不同维度提取有用特征，同时提升深度神经网络的学习性能。

self-AM是通过网络自主学习产生权重系数的一个多层感知网络，计算过程可以概括为三个步骤。第一步是计算相关性r_i，它表示数据源中的第i个特征k_i对目标中的任务q的重要性，如下所示：

r_i＝Dense(q,k_i) (1)；

第二步，利用Softmax激活函数得到注意权重系数w_i并归一化，如下所示：

其中l表示源的长度。

第三步，将权重系数相加得到注意权重a:

鉴于燃气管网泄漏的危害与现有监测方式的缺陷，亟需发明一种燃气管网泄漏实时在线智能可解释性监测溯源方法，实现对管道泄漏智能监测与泄漏位置溯源结果的可解释性，为管网内燃气输送提供安全保障。

发明内容

本发明提供一种燃气管网泄漏实时在线智能可解释性监测溯源方法，用以解决现有技术中的缺陷。

本发明通过以下技术方案予以实现：一种燃气管网泄漏实时在线智能可解释性监测溯源方法，具体包括以下步骤：

步骤S1、数据集构建：基于管道泄漏模拟实验，建立燃气管网运行压力数据集；

步骤S2、可解释性特征筛选：应用self-AM多层感知网络筛选各传感器采集的序列；

步骤S3、时序特征学习：应用LSTM网络层进行时序特征学习；

步骤S4、泄漏监测与溯源：应用Softmax激活函数实时监测泄漏类别，同时利用self-AM多层感知网络得到的可解释性权重进行泄漏溯源；

步骤S5、迭代更新：迭代更新模型参数使损失函数最小化，得到最优模型，输出泄漏类别和位置。

如上所述的一种燃气管网泄漏实时在线智能可解释性监测溯源方法，步骤S1所述数据集构建，基于管道燃气管网泄漏模拟实验，建立燃气管网运行压力数据集。

如上所述的一种燃气管网泄漏实时在线智能可解释性监测溯源方法，步骤S2所述可解释性特征筛选，以燃气管网运行压力数据集中的不同压力传感器采集到的序列数据为基础，应用self-AM多层感知网络筛选各传感器采集到的序列；

如上所述的一种燃气管网泄漏实时在线智能可解释性监测溯源方法，步骤S3所述时序特征学习，将经过self-AM多层感知网络筛选后的加权数据输入LSTM网络层进行时序特征学习；

如上所述的一种燃气管网泄漏实时在线智能可解释性监测溯源方法，步骤S4所述泄漏监测与溯源，应用Softmax激活函数根据LSTM网络层学习到的时序特征实时监测泄漏类别，同时根据self-AM多层感知网络得到的可解释性权重进行泄漏溯源；

如上所述的一种燃气管网泄漏实时在线智能可解释性监测溯源方法，步骤S5所述迭代更新，迭代更新模型参数使损失函数最小化，得到最优模型，输出泄漏类别和位置。

本发明的优点是：本发明采用AM对不同传感器采集到的压力数据进行特征筛选，为具有强泄漏特征的数据序列赋予高权重，即得到不同传感器的特征权重，同时利用LSTM开展时序特征学习，检测泄漏类别并开展泄漏溯源，识别出与泄漏位置距离最近的压力传感器；与现有的基于深度学习的智能检测与定位模型相比，本发明通过AM提取重点特征，提高了检测准确度；本发明可以得到专业知识可解释的中间变量(不同传感器的特征权重)，提高了深度学习模型监测结果的可解释性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是基于AM-LSTM模型的燃气管网泄漏实时在线智能可解释性监测溯源方法流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种基于AM-LSTM模型的燃气管网泄漏实时在线智能可解释性监测溯源方法，具体包括以下步骤：

步骤S1、数据集构建：开展管道燃气管网泄漏模拟实验，采集管网不同位置管道压力数据，并根据正常及不同泄漏工况对采集到的时序数据标注标签，应用最大、最小归一化进行数据归一化处理，建立燃气管网运行压力数据集，并将每一种类别样本集随机划分为训练集(60％)、验证集(20％)与测试集(20％)。

步骤S2、可解释性特征筛选：以燃气管网运行压力数据集划分的训练集与验证集为基础，将从第k个压力传感器采集的时序数据X_k＝[x_k,1,x_k,2,…，x_k,t]输入self-AM多层感知网络，得到可解释的第k个压力传感器采集到的压力序列的特征权重a_k，计算过程如下所示：

式中，Softmax是多层感知网络的激活函数，Dense代表全连接网络层，l代表权重序列长度。

步骤S3、时序特征学习：将经过self-AM多层感知网络筛选后的加权数据输入LSTM网络层进行时序特征学习，具体过程如下。

将第k个压力传感器采集到的压力序列的特征权重a_k与第k个压力传感器采集到的压力序列相乘，得到经过特征筛选后的加权序列数据X’_k，如下所示：

X'_k＝(x_k,1,x_k,2,...,x_k,t)'＝(x_k,1,x_k,2,...,x_k,t)a_k (9)

将全部压力传感器的经过特征筛选后的加权序列数据X’_k输入LSTM网络层学习压力信号的时序特征，LSTM网络层中隐含单元计算过程如下所示：

f_t＝σ(W_fx_t+W_fh_t-1+b_f) (10)

i_t＝σ(W_ix_t+W_ih_t-1+b_i) (11)

g_t＝tanh(W_gx_t+W_gh_t-1+b_g) (12)

O_t＝σ(W₀x_t+W₀h_t-1+b₀) (14)

式中，σ、tanh是激活函数，x_t为当前时间步的输入，h_t-1为前一时间步的输出，W_f、W_i、W_g、W_o为权值，b_f、b_i、b_g、b_o为反向传播训练的偏差项。f_t是上一时间步输出的应该被丢弃信息的概率，i_t是通过sigmoid函数进行更新后的概率，g_t是tanh函数为单元格状态生成的新值，C_t是当前时间步更新后的值，O_t是输出门控制当前状态的输出信息，h_t是当前时间的输出信息。

步骤S4、泄漏监测与溯源：根据LSTM网络层学习到的时序特征实时监测泄漏类别，同时根据self-AM多层感知网络得到的可解释性权重进行泄漏溯源，具体过程如下。

汇总样本时间内LSTM网络在每个时刻输出的信息H，再通过Softmax函数得到模型判断的泄漏类别，如下所示：

式中，

是泄漏类别，M代表所有的泄漏类别。

如果

被检测到为泄漏状态，则同时输出泄漏类别

和具有可解释性的中间变量(各压力传感器采集到的压力序列的特征权重a_k)，在管网中距离泄漏位置最近的传感器采集到的信号具有最强的泄漏特征，因此，具有最高特征权重的传感器即具有最强泄漏特征信号，也代表距离泄漏位置最近的传感器，从而实现泄漏位置溯源。

步骤S5、迭代更新：迭代更新模型参数使损失函数最小化。选择多分类交叉熵作为训练阶段的损失函数L，衡量模型判断的泄漏类别与实际类别分布之间的差距。在训练过程中，利用随机梯度下降迭代更新网络参数，使损失函数最小化。计算过程如下所示：

式中，N为输入的训练样本个数，M为正常和泄漏场景类别的数量，y_i,j和

分别为样本的真实标签和模型输出的标签。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种燃气管网泄漏实时在线智能可解释性监测溯源方法，具体包括以下步骤：

步骤S1、数据集构建：基于管道泄漏模拟实验，建立燃气管网运行压力数据集；

步骤S2、可解释性特征筛选：应用self-AM多层感知网络筛选各传感器采集的序列；

步骤S3、时序特征学习：应用LSTM网络层进行时序特征学习；

步骤S4、泄漏监测与溯源：应用Softmax激活函数实时监测泄漏类别，同时利用self-AM多层感知网络得到的可解释性权重进行泄漏溯源；

步骤S5、迭代更新：迭代更新模型参数使损失函数最小化，得到最优模型，输出泄漏类别和位置。

2.根据权利要求1所述的一种燃气管网泄漏实时在线智能可解释性监测溯源方法，其特征在于：步骤S1所述数据集构建，基于管道燃气管网泄漏模拟实验，建立燃气管网运行压力数据集。

3.根据权利要求1所述的一种燃气管网泄漏实时在线智能可解释性监测溯源方法，其特征在于：步骤S2所述可解释性特征筛选，以燃气管网运行压力数据集中的不同压力传感器采集到的序列数据为基础，应用self-AM多层感知网络筛选各传感器采集到的序列。

4.根据权利要求1所述的一种燃气管网泄漏实时在线智能可解释性监测溯源方法，其特征在于：步骤S3所述时序特征学习，将经过self-AM多层感知网络筛选后的加权数据输入LSTM网络层进行时序特征学习。

5.根据权利要求1所述的一种燃气管网泄漏实时在线智能可解释性监测溯源方法，其特征在于：步骤S4所述泄漏监测与溯源，应用Softmax激活函数根据LSTM网络层学习到的时序特征实时监测泄漏类别，同时根据self-AM多层感知网络得到的可解释性权重进行泄漏溯源。

6.根据权利要求1所述的燃气管网泄漏实时在线智能可解释性监测溯源方法，其特征在于：步骤S5所述迭代更新，迭代更新模型参数使损失函数最小化，得到最优模型，输出泄漏类别和位置。

Images