CN116772122A - 一种天然气管道泄漏故障诊断方法、系统、设备及介质 - Google Patents
一种天然气管道泄漏故障诊断方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116772122A CN116772122A CN202310731076.0A CN202310731076A CN116772122A CN 116772122 A CN116772122 A CN 116772122A CN 202310731076 A CN202310731076 A CN 202310731076A CN 116772122 A CN116772122 A CN 116772122A
- Authority
- CN
- China
- Prior art keywords
- cnn
- att
- model
- natural gas
- 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.)
- Pending
Links
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 80
- 238000003745 diagnosis Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000003345 natural gas Substances 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000007246 mechanism Effects 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000011176 pooling Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 230000004913 activation Effects 0.000 claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
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
- F17D5/005—Protection or supervision of installations of gas pipelines, e.g. alarm
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Mechanical Engineering (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Acoustics & Sound (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明提供一种天然气管道泄漏故障诊断方法、系统、设备及介质，所述方法包括：对传感器采集的泄漏声学信号离散化为数字信号，并对其进行归一化处理；构建1D‑CNN‑ATT混合模型；所述模型包括卷积层、非线性激活层、池化层、自注意力机制层、全连接层、分类器；采用归一化后的数字信号样本数据训练所述1D‑CNN‑ATT混合模型，然后将待诊断的数字信号样本数据输入到训练好的1D‑CNN‑ATT混合模型，检测得到诊断结果。本发明具有收敛速度快、参数量小的优点，能够提高模型对小样本数据的检测精度，同时，可以实现管道泄漏的快速检测。
Description
技术领域
本发明属于天然气管道泄漏故障诊断领域，具体涉及一种天然气管道泄漏故障诊断方法、系统、设备及介质。
背景技术
天然气管道因沿线环境复杂存在腐蚀、老化及断裂现象，易造成天然管道泄漏事故。精确识别管道泄漏故障已成为天然气安全领域的研究热点。传统的管道泄漏检测主要通过传感器检测单一泄漏信号变量。然而，造成管道泄漏的内部因素较多，如设备故障、温度、管内压强等，故单一变量的管道泄漏检测方法故障诊断率较低。
近年来，研究人员利用人工智能技术分析和处理泄漏信号，在管道泄漏故障诊断领域取得了良好效果。当前研究人员常采用统计方法分析管道泄漏信号，利用小波方法进行特征提取，通过训练神经网络得到多分类模型。但不可回避的是上述研究方法仍存在以下问题：(1)主要依赖专家经验和管道泄漏研究领域的先验知识；(2)提取到的故障特征多为浅层特征难以精准表征管道泄漏故障，对含有噪声干扰的特征识别率低、泛化性差；(3)信号受物理特性影响大，例如空压机组、管道、阀门及环境噪声都能使信号发生改变，影响网络模型的特征自学习能力。
采用深度学习技术替代上述方法，通过自适应学习样本数据的浅层特征和深层特征，可最大程度弱化人工特征提取、专家经验以及先验知识的影响。当前，基于深度学习理论的天然气管道泄漏检测方法尚处于起步阶段，近几年的文献中缺乏直接利用深度学习技术对一维管道泄漏信号的检测研究。同时，考虑到管道泄漏产生的信号特征往往与环境因素或传感器引起的噪声混合在一起，不利于故障识别。
发明内容
本发明提出一种天然气管道泄漏故障诊断方法、系统、设备及介质，抑制泄漏信号中的噪声和弱化无关信息，提高天然气管道泄漏的识别精度。
本发明的技术方案如下：
一种天然气管道泄漏故障诊断方法，包括：
将传感器采集的泄漏声学信号离散化为数字信号，并对所述数字信号进行归一化处理；
构建1D-CNN-ATT混合模型；所述1D-CNN-ATT混合模型包括卷积层、非线性激活层、池化层、自注意力机制层、全连接层和分类器；
采用归一化后的数字信号样本数据训练所述1D-CNN-ATT混合模型，然后将待诊断的数字信号样本数据输入到训练好的1D-CNN-ATT混合模型检测，得到诊断结果。
进一步的，所述构建1D-CNN-ATT混合模型的步骤为：
以LeNet-5网络模型作为主体框架，以一维泄漏信号为输入样本数据；其次在不同卷积层设置不同的宽卷积核；然后在池化层后引入自注意力机制；最终建立1D-CNN-ATT混合模型。
进一步的，训练所述1D-CNN-ATT混合模型的步骤为：
S1将样本数据划分为训练集和测试集，以数据样本为输入，以1D-CNN-ATT混合模型对故障类别的判定为输出；
S2初始化1D-CNN-ATT网络参数；
S3实现网络模型前向运算；
S4 1D-CNN-ATT混合模型反向传播，更新权值和阈值；
S5若1D-CNN-ATT混合模型训练过程满足损失函数要求，则保存权值、阈值作为测试模型；若不满足则继续训练；
S6将测试集输入测试模型进行天然气管道泄漏故障类型识别训练。
进一步的，所述步骤S3包括：
S31卷积层对输入特征图进行局部特征提取；所述卷积层中卷积核尺寸分别设置为{(1,19)、(1,17)、(1,15)}；
S32池化层对上一层级输出特征向量进行降维处理；
S33引入自注意力机制去除强噪声和无关分量。
进一步的，将数据样本中70％数据用于1D-CNN-ATT混合模型，30％数据用于测试模型；将设置1D-CNN-ATT混合模型训练epoch＝200，设置初始化交叉熵损失函数学习率1e-1。
进一步的，以准确性Acc作为所述1D-CNN-ATT混合模型故障诊断能力的评价指标；
式中，TP表示正确分类的正实例数量；FP表示错误分类的负实例数量；TN表示正确分类的负实例数；FN表示被错误分类的正实例的数量。
本发明还提供一种天然气管道泄漏故障诊断系统，包括：
数据处理模块，用于将传感器采集的泄漏声学信号离散化为数字信号，并对所述数字信号进行归一化处理；
模型构建模块，用于构建1D-CNN-ATT混合模型；所述1D-CNN-ATT混合模型包括卷积层、非线性激活层、池化层、自注意力机制层、全连接层和分类器；
模型训练诊断模块，用于采用归一化后的数字信号样本数据训练所述1D-CNN-ATT混合模型，然后将待诊断的数字信号样本数据输入到训练好的1D-CNN-ATT混合模型检测，得到诊断结果。
本发明还提供一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据上述的天然气管道泄漏故障诊断方法。
本发明还提供一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的天然气管道泄漏故障诊断方法。
本发明的技术效果：
本发明面向天然气管道泄漏声学信号，提出了结合一维卷积神经网络和自注意力机制的天然气管道泄漏故障诊断方法。通过对离散的声学数字信号样本特征提取，可解决传统方法故障特征识别率低的问题。由实验结果和对比实验分析可知，本发明在1D-CNN中引入自注意力机制，在网络训练过程中可有效抵消样本数据中的噪声干扰，进而提升诊断精度。因1D-CNN-ATT网络模型收敛速度快、参数量小，可便于嵌入硬件移动端应用于工业任务。
附图说明
附图大体上通过举例而不是限制的方式示出各种实施例，并且与说明书以及权利要求书一起用于对所发明的实施例进行说明。在适当的时候，在所有附图中使用相同的附图标记指代同一或相似的部分。这样的实施例是例证性的，而并非旨在作为本装置或方法的穷尽或排他实施例。
图1示出了本发明的自注意力机制运算流程示意图；
图2示出了本发明的1D-CNN-ATT网络模型示意图；
图3示出了本发明的20折交叉验证平均准确率示意图。
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。
本发明提供一种天然气管道泄漏故障诊断方法，包括：
对传感器采集的泄漏声学信号离散化为数字信号，并对其进行归一化处理；
构建1D-CNN-ATT混合模型；所述模型包括卷积层、非线性激活层、池化层、自注意力机制层、全连接层、分类器；
采用归一化后的数字信号样本数据训练所述1D-CNN-ATT混合模型，然后将待诊断的数字信号样本数据输入到训练好的1D-CNN-ATT混合模型，检测得到诊断结果。
自注意力机制
自注意力机制是模仿人类视野感知事物重要程度而建立的一种算法。采用全局特征信息建模方法，对特征内部信息进行强弱选择，能够有效捕捉传统网络难以特征提取的复杂信息。其方法步骤如下：(1)将网络中的特征图转换为3个向量分支，分别为Query、Key和Value，我们记为Q、K、V。(2)计算Q和K的相关权重系数。(3)将(2)中的权重矩阵与向量V做乘积运算。自注意力机制运算规则如式(1)所示。
式中：softmax为权重分配函数，为缩放因子。其操作流程如图1所示。
建立结合一维卷积神经网络和自注意力机制的网络模型(1D-CNN-ATT)的步骤；首先以LeNet-5网络模型作为主体框架，一维泄漏信号为输入样本数据；其次在不同卷积层设置不同的宽卷积核，所述卷积层中卷积核尺寸分别设置为{(1,19)、(1,17)、(1,15)}，以提高网络对特征的感知能力；然后，在池化层后引入自注意力机制，对特征向量中的故障信息进行有效捕捉，计算相应的权重系数并与原始特征向量做矩阵运算；最终建立基于一维卷积神经网络“端到端”的天然气管道泄漏故障诊断方法。
故障诊断网络模型具体实现步骤如下：(1)对GPLA-12数据样本进行训练集和测试集划分，以数据样本为输入，以网络对故障类别的判定为输出。(2)1D-CNN-ATT网络参数初始化。(3)实现网络模型前向运算：①卷积层对输入特征图进行局部特征提取；②池化层对上一层级输出特征向量进行降维处理；③引入自注意力机制去除强噪声和无关分量。(4)1D-CNN-ATT网络反向传播，更新权值和阈值。(5)若网络模型训练过程满足损失函数要求，则保存权值、阈值作为测试网络模型；若不满足则继续训练。(6)将测试集输入测试网络模型进行天然气管道泄漏故障类型识别。1D-CNN-ATT网络模型如图2所示。
数据集介绍
A.GPLA-12数据集
本发明所用GPLA-12数据集为公开的天然气管道音频数字信号泄漏数据集。因面向实际天然气管道的公开泄漏数据集较少，此数据集可为天然气领域的学者提供研究基础。该数据集采用多波段声传感器对原始信号进行时间步采样，数据特征关联性较强，有利于深层网络模型挖掘泄漏信号中的故障特征。
B.数据类型
GPLA-12共有12类天然气管道泄漏故障类型，划分依据如下：(1)有无噪声环境；(2)传感器装置；(3)管道气体压强。具体分类见表1所示。
表1 GPLA-12故障类型
实施例1
本发明在Keras2.8.0，CUDA11环境下实现。
A.训练集和测试集
为评估网络模型性能，本发明将GPLA-12数据集随机打乱。70％数据集用于训练网络模型，30％数据集用于测试模型。我们设置网络训练epoch＝200，设置初始化交叉熵损失函数学习率1e-1。
B.评价指标
为充分说明网络模型故障诊断能力，我们将准确性(Acc)作为评价指标。
式中TP表示正确分类的正实例数量；FP表示错误分类的负实例数量；TN表示正确分类的负实例数；FN表示被错误分类的正实例的数量。
C.卷积核大小对模型故障诊断能力的影响
以测试数据精度为评价指标，在不同卷积层使用宽卷积核设计消融实验，评价卷积核大小对模型故障诊断能力的影响。本文所提方法使用了3个卷积层，卷积核大小为{(1,19),(1,17),(1,15)}。将其和卷积核大小{(1,15),(1,15),(1,15)}，{(1,17),(1,17),(1,17)}，{(1,19),(1,19),(1,19)}作对比分析。对每种网络进行5次重复测试并取平均值作为模型测试准确率。
表2不同卷积核的测试结果
| Kernel size | Accuracy(％) |
| (1,15),(1,15),(1,15) | 64.62％ |
| (1,17),(1,17),(1,17) | 68.76％ |
| (1,19),(1,19),(1,19) | 74.36％ |
| (1,19),(1,17),(1,15) | 78.65％ |
卷积核大小对网络模型性能影响如表2所示。实验结果表明，1D-CNN-ATT卷积层设置卷积核大小{(1,15),(1,15),(1,15)}、{(1,17),(1,17),(1,17)}、{(1,19),(1,19),(1,19)}故障识别精度分别为64.62％、68.76％、74.36％，本文所提方法卷积层中采用宽卷积核{(1,19),(1,17),(1,15)}，其故障识别精度为78.65％。由此，在1D-CNN-ATT不同卷积层中设置宽卷积核具有良好的自学习能力。
D.自注意力机制对模型性能的影响
本发明比较了在1D-CNN网络模型中引入自注意力机制的故障诊断能力。
表3自注意力机制的测试精度
在1D-CNN网络基础上引入自注意力机制，实验结果如表3所示。通过对比1D-CNN和1D-CNN-ATT的5折交叉验证故障识别精度，可以发现网络模型中引入自注意力机制故障识别率有显著的提升，对强噪声的去除和弱化无关信息有较好的效果。
将本文方法与深度残差收缩网络作对比分析，在GPLA-12数据集上采用20折交叉验证，图3所示1D-CNN-ATT故障识别精度较高，1D-CNN-ATT采用一维卷积相较于DRSN_CS、DRSN_CW的二维卷积网络模型计算时间更短，参数量更少，故障识别率分别提升18％、12％。
本发明还提供一种天然气管道泄漏故障诊断系统，包括：
数据处理模块，用于将传感器采集的泄漏声学信号离散化为数字信号，并对所述数字信号进行归一化处理；
模型构建模块，用于构建1D-CNN-ATT混合模型；所述1D-CNN-ATT混合模型包括卷积层、非线性激活层、池化层、自注意力机制层、全连接层和分类器；
模型训练诊断模块，用于采用归一化后的数字信号样本数据训练所述1D-CNN-ATT混合模型，然后将待诊断的数字信号样本数据输入到训练好的1D-CNN-ATT混合模型检测，得到诊断结果。
本发明还提供一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据上述的天然气管道泄漏故障诊断方法。
本发明还提供一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的天然气管道泄漏故障诊断方法。
本发明面向天然气管道泄漏声学信号，提出了结合一维卷积神经网络和自注意力机制的天然气管道泄漏故障诊断方法。通过对离散的声学数字信号样本特征提取，可解决传统方法故障特征识别率低的问题。由实验结果和对比实验分析可知，本文方法在1D-CNN中引入自注意力机制，在网络训练过程中可有效抵消样本数据中的噪声干扰，进而提升诊断精度。因1D-CNN-ATT网络模型收敛速度快、参数量小，可便于嵌入硬件移动端应用于工业任务。
以上所述，仅为本发明优选的具体实施方式，但本发明的保护范围不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种天然气管道泄漏故障诊断方法，其特征在于，包括：
将传感器采集的泄漏声学信号离散化为数字信号，并对所述数字信号进行归一化处理；
构建1D-CNN-ATT混合模型；所述1D-CNN-ATT混合模型包括卷积层、非线性激活层、池化层、自注意力机制层、全连接层和分类器；
采用归一化后的数字信号样本数据训练所述1D-CNN-ATT混合模型，然后将待诊断的数字信号样本数据输入到训练好的1D-CNN-ATT混合模型检测，得到诊断结果。
2.根据权利要求1所述的天然气管道泄漏故障诊断方法，其特征在于，所述构建1D-CNN-ATT混合模型的步骤为：
以LeNet-5网络模型作为主体框架，以一维泄漏信号为输入样本数据；其次在不同卷积层设置不同的宽卷积核；然后在池化层后引入自注意力机制；最终建立1D-CNN-ATT混合模型。
3.根据权利要求1所述的天然气管道泄漏故障诊断方法，其特征在于，训练所述1D-CNN-ATT混合模型的步骤为：
S1将样本数据划分为训练集和测试集，以数据样本为输入，以1D-CNN-ATT混合模型对故障类别的判定为输出；
S2初始化1D-CNN-ATT网络参数；
S3实现网络模型前向运算；
S4 1D-CNN-ATT混合模型反向传播，更新权值和阈值；
S5若1D-CNN-ATT混合模型训练过程满足损失函数要求，则保存权值、阈值作为测试模型；若不满足则继续训练；
S6将测试集输入测试模型进行天然气管道泄漏故障类型识别训练。
4.根据权利要求3所述的天然气管道泄漏故障诊断方法，其特征在于，所述步骤S3包括：
S31卷积层对输入特征图进行局部特征提取；所述卷积层中卷积核尺寸分别设置为{(1,19)、(1,17)、(1,15)}；
S32池化层对上一层级输出特征向量进行降维处理；
S33引入自注意力机制去除强噪声和无关分量。
5.根据权利要求3所述的天然气管道泄漏故障诊断方法，其特征在于，
将数据样本中70％数据用于1D-CNN-ATT混合模型，30％数据用于测试模型；将设置1D-CNN-ATT混合模型训练epoch＝200，设置初始化交叉熵损失函数学习率1e-1。
6.根据权利要求1所述的天然气管道泄漏故障诊断方法，其特征在于，
以准确性Acc作为所述1D-CNN-ATT混合模型故障诊断能力的评价指标；
式中，TP表示正确分类的正实例数量；FP表示错误分类的负实例数量；TN表示正确分类的负实例数；FN表示被错误分类的正实例的数量。
7.一种天然气管道泄漏故障诊断系统，其特征在于，包括：
数据处理模块，用于将传感器采集的泄漏声学信号离散化为数字信号，并对所述数字信号进行归一化处理；
模型构建模块，用于构建1D-CNN-ATT混合模型；所述1D-CNN-ATT混合模型包括卷积层、非线性激活层、池化层、自注意力机制层、全连接层和分类器；
模型训练诊断模块，用于采用归一化后的数字信号样本数据训练所述1D-CNN-ATT混合模型，然后将待诊断的数字信号样本数据输入到训练好的1D-CNN-ATT混合模型检测，得到诊断结果。
8.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1-6中所述的天然气管道泄漏故障诊断方法。
9.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6中所述的天然气管道泄漏故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310731076.0A CN116772122A (zh) | 2023-06-20 | 2023-06-20 | 一种天然气管道泄漏故障诊断方法、系统、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310731076.0A CN116772122A (zh) | 2023-06-20 | 2023-06-20 | 一种天然气管道泄漏故障诊断方法、系统、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116772122A true CN116772122A (zh) | 2023-09-19 |
Family
ID=87985436
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310731076.0A Pending CN116772122A (zh) | 2023-06-20 | 2023-06-20 | 一种天然气管道泄漏故障诊断方法、系统、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116772122A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117190078A (zh) * | 2023-11-03 | 2023-12-08 | 山东省计算中心（国家超级计算济南中心） | 一种输氢管网监测数据异常检测方法及系统 |
-
2023
- 2023-06-20 CN CN202310731076.0A patent/CN116772122A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117190078A (zh) * | 2023-11-03 | 2023-12-08 | 山东省计算中心（国家超级计算济南中心） | 一种输氢管网监测数据异常检测方法及系统 |
| CN117190078B (zh) * | 2023-11-03 | 2024-02-09 | 山东省计算中心（国家超级计算济南中心） | 一种输氢管网监测数据异常检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111273623B (zh) | 基于Stacked LSTM的故障诊断方法 | |
| CN110059601A (zh) | 一种多特征提取与融合的智能故障诊断方法 | |
| CN111144548B (zh) | 抽油机井工况的识别方法及装置 | |
| CN111695620A (zh) | 一种电力系统时间序列异常数据检测与修正方法及系统 | |
| CN116772122A (zh) | 一种天然气管道泄漏故障诊断方法、系统、设备及介质 | |
| CN116086790B (zh) | 氢燃料电池高压阀的性能检测方法及其系统 | |
| Zhang et al. | Fault diagnosis of natural gas pipeline leakage based on 1D-CNN and self-attention mechanism | |
| CN108919067A (zh) | 一种用于gis局部放电模式的识别方法 | |
| CN115798516B (zh) | 一种可迁移的端到端声信号诊断方法及系统 | |
| Ye et al. | A deep learning-based method for automatic abnormal data detection: Case study for bridge structural health monitoring | |
| CN116702076A (zh) | 一种基于cnn特征融合的小样本迁移学习故障诊断方法、系统、计算机及存储介质 | |
| CN116758922A (zh) | 一种用于变压器的声纹监测与诊断方法 | |
| Wang et al. | Real-time identification of natural gas pipeline leakage apertures based on lightweight residual convolutional neural network | |
| CN113409213B (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 | |
| CN110110426A (zh) | 一种开关电源滤波电容失效检测方法 | |
| CN116977834B (zh) | 一种开放条件下分布内外图像识别方法 | |
| CN114118162A (zh) | 基于改进深度森林算法的轴承故障检测方法 | |
| CN117037841A (zh) | 基于层级过渡网络的声学信号层级空化强度识别方法 | |
| CN117332352A (zh) | 一种基于BAM-AlexNet的避雷器信号缺陷识别方法 | |
| CN105844051B (zh) | 一种基于负压波信号稀疏表示的油气管道缓慢泄漏的检测方法 | |
| Hao et al. | New fusion features convolutional neural network with high generalization ability on rolling bearing fault diagnosis | |
| CN115659223A (zh) | 基于多算法的滚动轴承故障诊断方法、装置、设备及介质 | |
| Guo | Sensor fault classification for bridge SHM using LSTM-based with 1D-CNN feature extraction | |
| CN114048786A (zh) | 基于特征优化的液压泵泄漏状态识别方法和系统 | |
| Zheng et al. | Circulation pump bearing fault diagnosis research based on BAM-CNN model and CWT processing time-frequency map |
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 |