CN117093899B - 基于相异差和双流扩维图的燃气管网泄漏检测方法及系统 - Google Patents
基于相异差和双流扩维图的燃气管网泄漏检测方法及系统 Download PDFInfo
- Publication number
- CN117093899B CN117093899B CN202311061507.3A CN202311061507A CN117093899B CN 117093899 B CN117093899 B CN 117093899B CN 202311061507 A CN202311061507 A CN 202311061507A CN 117093899 B CN117093899 B CN 117093899B
- Authority
- CN
- China
- Prior art keywords
- layer
- imf
- alpha
- samples
- data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000010586 diagram Methods 0.000 title claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000012163 sequencing technique Methods 0.000 claims abstract description 14
- 238000005520 cutting process Methods 0.000 claims abstract description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 63
- 239000013598 vector Substances 0.000 claims description 51
- 239000011159 matrix material Substances 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 241000764238 Isis Species 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 101100001674 Emericella variicolor andI gene Proteins 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 230000008859 change Effects 0.000 abstract description 3
- 239000007789 gas Substances 0.000 description 31
- 238000013135 deep learning Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 241000283323 Delphinapterus leucas Species 0.000 description 2
- 241000287127 Passeridae Species 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 108010059642 isinglass Proteins 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000008399 tap water Substances 0.000 description 1
- 235000020679 tap water Nutrition 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Mechanical Engineering (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
Abstract
本公开提供了基于相异差和双流扩维图的燃气管网泄漏检测方法及系统,涉及管道信号识别技术领域,包括模糊阶段、优化阶段、裁剪阶段和检测阶段;首先,提出相异差算法,通过分阶段来搜寻最优超参数和特征区分程度高的本征模态函数;然后提出了双流扩维图算法,通过裁剪阶段,使用GAF将一维的多种特征转变为二维的特征图,使不同特征之间的变化趋势关系分布在图片的不同区域,以增加关键特征的区分效果;通过检测阶段,使用交叉排序,融合了两条链路不同尺度的特征图,以增加泄漏检测的准确率。本公开确定最佳超参数,提升特征区分程度,加强关键特征的表现能力,为城镇燃气管网泄漏的检测提出了新的解决方法。
Description
技术领域
本公开涉及管道信号识别技术领域,具体涉及基于相异差和双流扩维图的燃气管网泄漏检测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
管道运输是清洁能源(天然气、石油和自来水)的重要运输方式,城镇输送管网可以经济节能、快速便捷和绿色环保的将清洁能源输送到千家万户。但是因为管道老化、外力破坏和安装缺陷等安全隐患,会造成运输管网的泄漏,严重时会发生爆炸,进而危及人民群众的生命财产安全。一直以来,燃气泄漏是燃气安全领域的重要部分和研究的热点,准确判断泄漏发生对减少经济损失和保证燃气管网正常运行具有重要意义。因在传输过程中泄漏信号受远距离传输和噪声等因素的影响,泄漏检测误报率居高不下,实时全面的准确检测是当前面临的重要挑战。
负压波方法是最常见且最具有广泛适应能力的燃气泄漏检测方式,其关键是识别出管道在不同状态下产生的压力波动信号。但由于管道环境的复杂性,往往会包含诸多背景噪声,因此所采集的信号需要进行信号分析与分解。
现有技术中,专利文件CN202211289943、CN202210841364和CN202210275468已经使用变分模态分解(Variational Mode Decomposition,VMD)进行信号的预处理,对确定VMD的超参数主要通过本征模态函数(Intrinsic Mode Function,IMF)与原始信号的相关系数方法、人工选取经验值方法和中心频率方法。
但是发明人发现,现有技术中还存在以下问题:由于管网所采集的信号受远距离传输和复杂背景噪声的影响,无法准确确定VMD的两个超参数—分解层数K和惩罚因子α的最优值,进而无法确保信号分解的准确性,无法选取特征区分程度高的IMF。
传统机器学习的模型对于复杂的时间序列信号往往难以为继,而大数据时代的深度学习模型对高纬度数据提供了优秀的解决方案。格拉姆角场(Gramian Angular Field,GAF)可以将一维的时间序列扩维至二维的图像数据,进而可引入深度学习网络来进行二维图像数据的学习,可以有效进行管网运行的在线检测以及实时燃气管道的健康评估诊断。现有技术中,专利文件CN202211331412、CN202210244223和CN202210494513已经尝试使用GAF进行故障预警。但是现有技术中的方法未能考虑将深度学习网络结合GAF进行关键特征提取,进而在深度学习网络的表现效果以及提高检测诊断的准确程度上还存在不足。
发明内容
本公开为了解决上述问题,提出了基于相异差和双流扩维图的燃气管网泄漏检测方法及系统,利用相异差(Mutual Difference Distance,MDD)算法和双流扩维图(Dual-flow Expansion Dimensional Maps,DEDM)算法,对三种管道工况压力数据通过设计的模糊阶段、优化阶段、裁剪阶段和检测阶段四个阶段进行分析检测,解决燃气管道检测方法中分解层数K、惩罚因子α和特征区分程度高的IMF难以确定,深度学习网络表现效果不佳的问题。
根据一些实施例,本公开采用如下技术方案:
基于相异差和双流扩维图的燃气管网泄漏检测方法,包括:
获取燃气管网三种管道运行工况下的运行数据,对运行数据进行预处理获得波动信号;随机选取任意两种工况下的波动信号组成数据样本;
针对数据样本,分别通过相异差算法的模糊阶段和优化阶段对所述波动信号进行分解和多层搜寻,确定最优分解层数、特征区分程度高的本征模态函数和最优惩罚因子;
将确定的特征区分程度高的本征模态函数通过双流扩维图算法的主链路和副链路进行不同尺度的数据裁剪,获取两种特征图,然后分别通过两条不同的链路来适应不同尺度的特征图识别,将两条链路的输出特征进行交叉排序,最终获取到三种工况下的识别预测概率,进而得到泄漏检测的结果。
根据一些实施例,本公开采用如下技术方案:
基于相异差和双流扩维图的燃气管网泄漏检测系统,包括:
数据获取模块,获取燃气管网三种管道运行工况下的运行数据,对运行数据进行预处理获得波动信号;随机选取任意两种工况下的波动信号组成数据样本;
数据处理模块,用于针对数据样本,分别通过相异差算法的模糊阶段和优化阶段对所述波动信号进行分解和多层搜寻,确定最优分解层数、特征区分程度高的本征模态函数和最优惩罚因子;
识别模块,用于将确定的特征区分程度高的本征模态函数通过双流扩维图算法的主链路和副链路进行不同尺度的数据裁剪,获取两种特征图,然后分别通过两条不同的链路来适应不同尺度的特征图识别,将两条链路的输出特征进行交叉排序,最终获取到三种工况下的识别预测概率,进而得到泄漏检测的结果。
根据一些实施例,本公开采用如下技术方案:
一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现所述的基于相异差和双流扩维图的燃气管网泄漏检测方法。
根据一些实施例,本公开采用如下技术方案:
一种电子设备,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现所述的基于相异差和双流扩维图的燃气管网泄漏检测方法。
与现有技术相比,本公开的有益效果为:
本公开提供了一种基于相异差和双流扩维图的燃气管网泄漏检测方法,利用两种管道信号识别的算法-相异差(Mutual Difference Distance,MDD)算法和双流扩维图(Dual-flow Expansion Dimensional Maps,DEDM)算法,共同组成了对城镇燃气管网泄漏的检测方法,解决了分解层数、惩罚因子和特征区分程度高的本征模态函数(IntrinsicMode Function,IMF)难以确定,深度学习网络表现效果不佳的问题。
本公开的方法包括四个阶段,模糊阶段、优化阶段、裁剪阶段和检测阶段,在模糊阶段来确定最优分解层数和特征区分程度高的本征模态函数,通过相异差算法在优化阶段确定最优惩罚因子,以提升本征模态函数的特征区分程度,从而提高准确率和增加鲁棒性。再通过双流扩维图算法的裁剪阶段对特征区分程度高的本征模态函数进行数据裁剪,进而得到两种特征图,然后在检测阶段,将得到的两种特征图送入双流扩维图算法的检测阶段,该阶段用来进行不同工况的识别。该算法分别搭建两条不同的链路来适应不同尺度裁剪生成的特征图,两条链路的区别在于使用的卷积层大小和数目的不同。最后,将两条链路的输出特征进行交叉排序,并通过网络层得到最终的预测概率,双流扩维图算法旨在通过数据裁剪和格拉姆角场(Gramian Angular Field,GAF),将一维的特征行向量转变为二维的特征图,使不同特征之间的变化趋势关系分布在图片的不同区域,以突现不同工况特征的差异,增加关键特征的表现能力。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是本公开实施例中一种相异差和双流扩维图对城镇燃气管网泄漏的检测方法的简易流程图;
图2是本公开实施例中一种相异差和双流扩维图对城镇燃气管网泄漏的检测方法的详细方框图;
图3是本公开实施例中相异差算法的流程图;
图4是本公开实施例中准确率变化的曲线图;
图5是本公开实施例中训练集的损失值变化曲线图;
图6是本公开实施例中训练集的混淆矩阵图;
图7是本公开实施例中测试集的混淆矩阵图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例1
本公开的一种实施例中提供了一种基于相异差和双流扩维图的燃气管网泄漏检测方法,包括:
步骤一:获取燃气管网三种管道运行工况下的运行数据,对运行数据进行预处理获得波动信号;随机选取任意两种工况下的波动信号组成数据样本;
步骤二:针对数据样本,分别通过相异差算法的模糊阶段和优化阶段对所述波动信号进行分解和多层搜寻,确定最优分解层数、特征区分程度高的本征模态函数和最优惩罚因子;
步骤三:将确定的特征区分程度高的本征模态函数通过双流扩维图算法的主链路和副链路进行不同尺度的数据裁剪,获取两种特征图,然后分别通过两条不同的链路来适应不同尺度的特征图识别,将两条链路的输出特征进行交叉排序,最终获取到三种工况下的识别预测概率,进而得到泄漏检测的结果。
作为一种实施例,本公开的方法包括四个阶段:模糊阶段、优化阶段、裁剪阶段和检测阶段,如图1所示。
本公开所获取的燃气管网三种管道运行工况下的运行数据来源于城镇燃气管网的多处调压柜所安装的压力传感器的压力数据,其中,燃气管道的正常工况指此段管道未发生泄漏;泄漏工况指此段管道在运行过程中发生一处或多处微小泄漏;而干扰工况指此段管道未发生泄漏但压力存在类似泄漏工况的异常波动。
具体的,本公开的方法包括以下步骤:
步骤1:获取城镇燃气管网的调压柜中管道节点处的负压波信号,负压波信号由压力传感器所采集获取。
步骤2:根据运输管道运行的正常状态、泄漏状态和干扰状态分别制作数据集,包括正常工况、泄漏工况和干扰工况,其中,三种工况的每一个样本均表示为一个行向量,其元素个数为L并且L≥1000。
将数据集中的运行数据去直流化得到数据集的波动信号f,如式(1)所示。其中,fo是各样本的原始值,fm是各样本的平均值。
f=fo-fm (1)
步骤3:随机选取N组样本组成数据样本,每组样本包含n个工况A的样本和n个工况B的样本。其中,N≥2,工况A和工况B为步骤2所述三种工况的任意两种。
步骤4:通过相异差算法的模糊阶段来确定最优分解层数kb和特征区分程度高的IMFb,惩罚因子设置为默认值α=2000,具体步骤如图3所示。
具体的,步骤4-1:选取数据样本的第y组样本,各样本去直流化得到数据样本的第y组样本的波动信号f,如式(1)所示。其中,y∈[1,N]。
步骤4-2:从K=2开始对波动信号f进行分解,当分解层数K=k时,2n个f进行k层分解会得到2×n×k个IMF,即每一个f被分解成k个其中,k=2,3,L,c∈[1,2],i∈[1,n],j∈[1,k]。以工况A中的第3个f举例,该f被分解产生k个IMF,可表示为
步骤4-3:在步骤4-2基础上,计算每个的样本熵进而分别按式(2)、式(3)和式(4)计算IMFj的平均值距离标准差距离和方差距离其中,IMFj指当前分解得到的第j个IMF。
其中,
步骤4-4:当分解层数K=k时,创建大小为(k-1)×k的平均值矩阵Dm、标准差矩阵Ds和方差矩阵Dv;这3个矩阵中的元素分别为和并且初始值为零;第g行指进行g+1层分解产生的g+1个IMF,这些IMF的平均值距离、标准差距离和方差距离分别表示为和其中,g∈[1,k-1],j∈[1,g+1]。以第2行为例,指进行3层分解产生了3个IMF,这些IMF的平均值距离、标准差距离和方差距离分别表示为和其中,j∈[1,3]。按式(5)、式(6)和式(7)计算当前分解层数K=k时,的平均值m1(k)、的平均值m2(k)和的平均值m3(k)。
其中,平均值矩阵、标准差矩阵和方差矩阵分别按照式(8)、式(9)和式(10)进行赋值操作。
步骤4-5:利用干扰程度辅助判别来判断IMF的特征区分程度。创建大小为(k-1)×k的IMF选择矩阵D,D中的元素为Dg,j并且初始值为零;第g行指各波动信号进行g+1层分解产生的g+1个IMF,计算工况A的IMF样本熵计算工况B的IMF样本熵其中,g∈[1,k-1],i∈[1,n],j∈[1,g+1]。通过式(11)计算得到工况A和工况B样本熵的整体差wg,j。若wg,j≥0,则Hg,j为中大于的个数;若wg,j<0,则Hg,j为中大于的个数。其中,Hg,j用来评价g+1层分解产生的g+1个IMF的特征区分程度。当Hg,j≥2时,IMF选择矩阵D中第g行第j列的IMF(即g+1层分解生成的IMFj)的特征区分程度低;反之,Hg,j<2时,IMF选择矩阵D中第g行第j列的IMF(即g+1层分解生成的IMFj)的特征区分程度高。按照式(12)给IMF选择矩阵D赋值。当D中出现元素Dg,j=1时,g+1层分解产生的IMFj的特征区分程度高,即为第y组样本的可能值kp和IMFp;当D中未出现1时,当前所有IMF的特征区分程度低,分解层数增加1,重复步骤4-2到步骤4-5。以K=2时D中未出现1举例,进入步骤4-2继续分解层数K=3(即分解层数增加1),往后以此类推。
其中,
步骤4-6:在步骤4-5的基础上,计算步骤3选取的N组样本各自的可能值kp和IMFp,将共同(或出现次数最多)的可能值kp和IMFp作为模糊阶段确定的最优kb和IMFb。
步骤5:确定出最优kb和IMFb之后,通过相异差算法的优化阶段确定最优惩罚因子αb,采用多层搜寻,每层搜寻跨越不同长度,尾层跨越长度为1,非尾层跨越长度无要求;首层搜寻范围是α∈[100,2×L],下一层的搜寻范围由上一层确定。
具体的,最优惩罚因子使IMFb中不包含其它无用的信号,同时包含的特征区分程度高。具体来说:一个原始信号可以通过VMD分解为多个IMF,分解层数决定着IMF的个数,惩罚因子决定着IMF的带宽。惩罚因子越小,各IMF的带宽越大,过大的带宽会使得IMFb包含其它IMF信号;惩罚因子越大,各IMF的带宽越小,过小的带宽会使得被IMFb中某些信息丢失。
具体的,步骤5-1:选取步骤3中的第y组样本,首层搜寻是在不同的α时,2n个f进行kb层分解,计算2n个IMFb的样本熵并归一化后的值其中,α∈[100,2×L],是工况A的IMFb的样本熵归一化后的结果,是工况B的IMFb的样本熵归一化后的结果。通过式(13)和式(14)计算得到综合指标R(α),选取R(α)中最大的四个值并且R(α)>0时,所对应的αp作为该组样本的可能值。计算步骤3选取的N组样本各自的可能值αp,N组样本共同(或出现次数最多)的αp作为首层结果α1。
步骤5-2:非首层的计算方法以搜寻范围α∈[α2,α3]和跨越长度10举例。该层每次搜寻的α值为搜索次数为次。其中,是向下取整符号。
步骤5-3:选取步骤3中的第y组样本,在不同的α时,2n个f进行kb层分解,计算2n个IMFb的样本熵并归一化后的值其中,α∈[α2,α3]。通过式(13)计算相异差M(α),相异差最大值所对应的α4则为该层搜索得到的结果。
步骤5-4:在步骤5-3基础上,下一层的搜索范围变为[α4-10,α4+10],下一层跨越长度可设为1,即进行尾层搜索。通过式(13)计算相异差M(α),其最大值所对应的α5就是该层搜索得到的结果。又因该层是尾层,α5亦是第y组样本的最佳值。将步骤3选取的N组样本各自确定的最佳值α5取平均,得到的值作为相异差算法的优化阶段确定的最优αb。
本公开中步骤3至步骤5为相异差算法,旨在搜寻最优超参数kb、αb和特征区分程度高的IMFb,以提升IMFb的特征区分程度,从而提高准确率和增加鲁棒性。
步骤6:将步骤2选取的数据集的波动信号利用最优超参数kb和αb进行VMD分解,获取得到特征区分程度高的IMFb之后,通过双流扩维图算法的裁剪阶段对IMFb进行数据裁剪,进而得到两种特征图。
该算法分为主链路和副链路,分别以不同的尺度C1和C2进行数据裁剪,进而计算IMFb的特征,两条链路数据裁剪的区别在于计算特征时以不同数量的元素来计算一个特征,在步骤6中以主链路为例。
进一步的,步骤6-1:将步骤2选取的数据集的波动信号利用最优超参数kb和αb进行VMD分解,获取得到特征区分程度高的IMFb。
步骤6-2:在双流扩维图算法的主链路中,选取T种能区分异常信号的特征,每一个IMFb拆分为X个部分,即各部分均是包含个元素的行向量。主链路进行数据裁剪的尺度为C1,故以每C1个元素来计算各部分的T种特征。即各部分的一种特征为一个行向量,其元素个数为
步骤6-3:将每一个部分计算得到的T种特征依次排列为一个特征行向量,其元素个数为将X个部分的特征行向量通过通道拼接生成一个多通道特征样本,其维度[D1,D2]。其中,D1表示特征样本有X个特征行向量在通道上并行;D2表示每一个特征行向量元素个数为
步骤6-4:将特征样本中的各特征行向量以每B个元素求平均,以缩短特征行向量的长度,使其通过GAF生成所需的图片,进而将每个特征行向量生成的图片通过通道拼接生成一个多通道特征图,其维度[M1,M2,M3]。其中,M1表示一个样本有X张图片在通道上并行;M2表示图片长度的元素个数;M3表示图片宽度的元素个数。以一个特征样本有3个特征行向量、各特征行向量的元素个数为96和每2个元素求平均举例,将各特征行向量以每2个元素取一个平均值,则各特征行向量的元素个数变为48,之后将缩短后的3个特征行向量通过GAF变换得到3张尺寸为48×48的图片,进而将3张图片通过通道拼接生成一个维度为[3,48,48]的特征图。
步骤7:将步骤6得到的两种特征图送入双流扩维图算法的检测阶段,该阶段用来进行不同工况的识别。该算法分别搭建两条不同的链路来适应不同尺度裁剪生成的特征图,两条链路的区别在于使用的卷积层大小和数目的不同。最后,将两条链路的输出特征进行交叉排序,并通过网络层得到最终的预测概率。
步骤7-1:每一条链路使每一个特征图中的X张图片分别经过多个卷积层。其中,每个卷积层之后要经过批归一化层、ReLU激活层和最大池化层。
步骤7-2:两条链路卷积后的结果通过Flatten层进行展平变为一个结果特征,其维度[Z1,Z2]。其中,Z1表示一个结果特征有X个行向量,对应于步骤6-1中每一个IMFb拆分为X个部分;Z2表示行向量的元素个数。以主链路的IMFb划分为3个部分xp1,xp2,xp3和副链路的IMFb划分为2个部分xs1,xs2举例,主链路的结果特征有3个行向量Qp1,Qp2,Qp3,副链路的结果特征有2个行向量Qs1,Qs2。
步骤7-3:将步骤7-2中两条链路分别展平的结果特征通过交叉排序结合在一起。具体交叉排序的步骤为:在主链路的结果特征的各行向量Qp后面依次插入副链路的结果特征的各行向量Qs。以主链路的结果特征有3个行向量Qp1,Qp2,Qp3和副链路有2个行向量Qs1,Qs2举例,交叉排序的结果为Qp1,Qs1,Qp2,Qs2,Qp3。
步骤7-4:将步骤7-3的交叉排序的结果通过串联(Concatenate,Concat)层组合起来,并通过网络层计算最终的预测概率。其中,网络层依次指Linear层、ReLU激活层、Dropout层、Linear层和Softmax层。最后,得到预测概率向量P=[PN,PL,PI]。其中,PN表示该样本是正常工况的概率,PL表示该样本是泄漏工况的概率,PI表示该样本是干扰工况的概率。
实施例2
本公开的一种实施例,当三种工况的每一个样本均表示为一个行向量,其元素个数为L,L此处选择为4800,三种工况下的运行数据组成数据集,将数据集中的运行数据去直流化得到数据集的波动信号f,如式(1)所示。其中,fo是各样本的原始值,fm是各样本的平均值。
f=fo-fm (1)
随机选取5组样本组成数据样本,每组样本包含n=10个正常工况的样本和n=10个泄漏工况的样本时,具体执行步骤为:
步骤1:通过相异差算法的模糊阶段来确定最优分解层数kb和特征区分程度高的IMFb,惩罚因子设置为默认值α=2000。
步骤1-1:选取数据样本的第1组样本,各样本去直流化得到数据样本的第1组样本的波动信号f,如式(1)所示。
步骤1-2:在步骤1-1的基础上,当分解层数K=4时,20个f进行4层分解会得到80个IMF,即每一个f被分解成4个其中,c∈[1,2],i∈[1,10],j∈[1,4]。以正常工况中的第3个f举例,该f分解产生的4个IMF可表示为
步骤1-3:在步骤1-2的基础上,计算每个的样本熵进而分别按式(2)、式(3)和式(4)计算IMFj的平均值距离标准差距离和方差距离其中,IMFj指当前分解得到的第j个IMF。
其中,
步骤1-4:在步骤1-3的基础上,创建大小为3×4的平均值矩阵Dm、标准差矩阵Ds和方差矩阵Dv;这3个矩阵中的元素分别为和并且初始值为零;第g行指进行g+1层分解产生的g+1个IMF,这些IMF的平均值距离、标准差距离和方差距离分别表示为和其中,g∈[1,3],j∈[1,g+1]。以第2行为例,指进行3层分解产生了3个IMF,这些IMF的平均值距离、标准差距离和方差距离分别表示为和其中,j∈[1,3]。按式(5)、式(6)和式(7)计算当前分解层数k=4时,的平均值m1(k)、的平均值m2(k)和的平均值m3(k)。
平均值矩阵、标准差矩阵和方差矩阵分别按照式(8)、式(9)和式(10)进行赋值操作,赋值矩阵的值见表1。其中,中各元素分别代表了平均值矩阵、标准差矩阵和方差矩阵的值。
表1赋值矩阵的值
步骤1-5:在步骤1-4的基础上,干扰程度辅助判别用来判断IMF的特征区分程度。创建大小为3×4的IMF选择矩阵D,D中的元素为Dg,j并且初始值为零;第g行指各波动信号进行g+1层分解产生的g+1个IMF,计算工况A的IMF样本熵计算工况B的IMF样本熵其中,g∈[1,3],i∈[1,10],j∈[1,g+1]。通过式(11)计算得到工况A和工况B样本熵的整体差wg,j。若wg,j≥0,则Hg,j为中大于的个数;若wg,j<0,则Hg,j为中大于的个数。其中,Hg,j用来评价g+1层分解产生的g+1个IMF的特征区分程度。当Hg,j≥2时,IMF选择矩阵D中第g行第j列的IMF(即g+1层分解生成的IMFj)的特征区分程度低;反之,Hg,j<2时,IMF选择矩阵D中第g行第j列的IMF(即g+1层分解生成的IMFj)的特征区分程度高。按照式(12)给IMF选择矩阵D赋值。当D中出现元素Dg,j=1时,g+1层分解产生的IMFj的特征区分程度高,即为第y组样本的可能值kp和IMFp;当D中未出现1时,当前所有IMF的特征区分程度低,分解层数增加1,重复步骤1-2到步骤1-5。以K=2时D中未出现1举例,进入步骤1-2继续分解层数K=3(即分解层数增加1),往后以此类推。
如表2所示,IMF选择矩阵D中出现1,当前4层分解产生的IMF2含有特征区分程度高,即为第1组样本的可能值kp=4和IMFp=IMF2。
其中,
表2IMF选择矩阵D的值
步骤1-6:在步骤1-5的基础上,计算选取的数据样本中5组样本各自的可能值kp和IMFp。如表3所示,将共同(或出现次数最多)的可能值kp和IMFp作为模糊阶段确定的最优kb=4和IMFb=IMF2。
表3数据样本中5组样本各自的可能值kp和IMFp
第1组 | 第2组 | 第3组 | 第4组 | 第5组 | |
kp | 4 | 4 | 4 | 4 | 4 |
IMFp | IMF2 | IMF2 | IMF2 | IMF2 | IMF2 |
步骤2:在步骤1确定的kb=4和IMFb=IMF2基础上,通过相异差算法的优化阶段确定最优惩罚因子αb,采用了3层搜寻,首层、第二层和尾层跨越长度分别为500、20和1个元素。首层搜寻范围是α∈[100,9600],下一层的搜寻范围由上一层确定。
步骤2-1:选取数据样本的第1组样本,首层搜寻是在不同的α时,20个f进行4层分解,计算20个IMF2的样本熵并归一化后的值其中,α∈[100,9600],是正常工况的IMF2的样本熵归一化后的结果,是泄漏工况的IMF2的样本熵归一化后的结果。通过式(13)和式(14)计算得到综合指标R(α),选取R(α)中最大的四个值并且R(α)>0时,所对应的αp作为第1组样本的可能值。计算选取的数据样本中5组样本各自的可能值αp,如表4所示,5组样本共同(或出现次数最多)的αp作为首层结果α1=2600。
表4首层结果α1的范围确定
α | 第1组样本 | 第2组样本 | 第3组样本 | 第4组样本 | 第5组样本 |
100 | √ | ||||
600 | √ | ||||
1100 | √ | √ | |||
1600 | √ | ||||
2100 | √ | √ | √ | ||
2600 | √ | √ | √ | √ | √ |
3100 | √ | √ | |||
3600 | √ |
步骤2-2:非首层的计算方法均相同,在步骤2-1基础上,第二层的搜索范围变为α∈[2100,3100],第二层跨越长度为20。该层每次搜寻的α值为{2100,2120,2140,L,3100},搜索次数为51次。
步骤2-3:选取第1组样本,在不同的α时,20个f进行4层分解,计算20个IMF2的样本熵并归一化后的值其中,α∈[2100,3100]。通过式(13)计算相异差M(α),相异差最大值所对应的α4=2720则为第二层搜索得到的结果。
步骤2-4:在步骤2-3基础上,下一层的搜索范围变为α∈[2700,2740],下一层跨越长度为1,即进行尾层搜索。通过式(13)计算相异差M(α),其最大值所对应的α5=2733就是尾层搜索得到的结果,亦是第1组样本的最佳值。如表5所示,将选取的数据样本中5组样本各自确定的α5取平均,得到的值作为相异差算法的优化阶段确定的最优αb=2836。
表5相异差算法确定VMD超参数αb的结果
相异差算法次数 | kb | IMFb | α |
第1组样本 | 4 | IMF2 | 2733 |
第2组样本 | 4 | IMF2 | 2949 |
第3组样本 | 4 | IMF2 | 3039 |
第4组样本 | 4 | IMF2 | 2601 |
第5组样本 | 4 | IMF2 | 2859 |
均值 | 4 | IMF2 | 2836 |
步骤3:在步骤2的基础上,将数据集的波动信号利用最优超参数kb=4和αb=2836进行VMD分解,获取得到特征区分程度高的IMF2之后,通过双流扩维图算法的裁剪阶段对IMF2进行数据裁剪,进而得到两种特征图。该算法分为主链路和副链路,以不同的尺度C1=100和C2=88进行数据裁剪,进而计算IMF2的特征,两条链路数据裁剪的区别在于计算特征时以不同数量的元素来计算一个特征。
步骤3-1:将数据集中各样本去直流化得到数据集的波动信号f,如式(1)所示。数据集的波动信号利用最优超参数kb=4和αb=2836进行VMD分解,获取得到特征区分程度高的IMF2。
步骤3-2:双流扩维图算法的两条链路均选取6种能区分异常信号的特征(样本熵、近似熵、模糊熵、色散熵、柯尔莫哥洛夫熵和条件熵)。
主链路的每一个IMF2拆分为4个部分,即各部分均是包含1200个元素的行向量;主链路进行数据裁剪的尺度为C1=100,故以每100个元素来计算各部分的6种特征。即各部分的一种特征为一个行向量,其元素个数为12。
副链路的每一个IMF2拆分为3个部分,即各部分均是包含1600个元素的行向量;主链路进行数据裁剪的尺度为C2=88,故以每88个元素来计算各部分的6种特征。即各部分的一种特征为一个行向量,其元素个数为18。
步骤3-3:在步骤3-2的基础上,将主链路的每一个部分计算得到的6种特征依次排列为一个特征行向量,其元素个数为72;将4个部分的特征行向量通过通道拼接生成一个多通道特征样本,其维度[D1,D2]=[4,72]。其中,D1表示特征样本有4个特征行向量在通道上并行;D2表示每一个特征行向量的元素个数。
将副链路的每一个部分计算得到的6种特征依次排列为一个特征行向量,其元素个数为108;将3个部分的特征行向量通过通道拼接生成一个多通道特征样本,其维度[D1,D2]=[3,108]。其中,D1表示特征样本有3个特征行向量在通道上并行;D2表示每一个特征行向量的元素个数。
步骤3-4:在步骤3-3的基础上,缩短特征行向量的长度,使其通过GAF生成所需的图片,进而将每个特征行向量生成的图片通过通道拼接生成一个多通道特征图。
主链路将特征样本中的每个特征行向量以每2个元素求平均,即每个特征样本的维度大小变为[D1,D2]=[4,36];使其通过GAF变为图片,进而将每个特征行向量生成的图片通过通道拼接生成一个多通道特征图,其维度[M1,M2,M3]=[4,36,36]。其中,M1表示一个样本有4张图片并行排列;M2表示图片长度的元素个数;M3表示图片宽度的元素个数。
副链路将特征样本中的每个特征行向量以每3个元素求平均,即每个特征样本的维度大小变为[D1,D2]=[3,36];使其通过GAF变为图片,进而将每个特征行向量生成的图片通过通道拼接生成一个多通道特征图,其维度[M1,M2,M3]=[3,36,36]。其中,M1表示一个样本有3张图片并行排列;M2表示图片长度的元素个数;M3表示图片宽度的元素个数。
步骤4:在步骤3得到的两种特征图送入双流扩维图算法的检测阶段,该阶段用来进行不同工况的识别。该算法分别搭建两条不同的链路来适应不同尺度裁剪生成的特征图,两条链路的区别在于使用的卷积层大小和数目的不同。最后,将两条链路的输出特征进行交叉排序,并通过网络层得到最终的预测概率。
步骤4-1:主链路将每一个特征图中的4张图片均经过3个卷积层。其中,3个卷积层的卷积核个数分别为2、4、8;卷积核大小均为3×3、步长为1;每个卷积层之后要经过批归一化层、ReLU激活层和最大池化层;最大池化层的大小为2×2、步长为1。
副链路将每一个特征图中的3张图片均经过2个卷积层。其中,2个卷积层的卷积核个数分别为1、2;卷积核大小均为6×6、步长为1;每个卷积层之后要经过批归一化层、ReLU激活层和最大池化层;最大池化层的大小为2×2、步长为1。
步骤4-2:主链路卷积后的结果通过Flatten层进行展平变为一个结果特征,其维度[Z1,Z2]=[4,32]。其中,Z1表示一个结果特征有4个行向量Qp1,Qp2,Qp3,Qp4,Z2表示行向量的元素个数。
副链路卷积后的结果通过Flatten层进行展平变为一个结果特征,其维度[Z1,Z2]=[3,50]。其中,Z1表示一个结果特征有3个行向量Qs1,Qs2,Qs3,Z2表示行向量的元素个数。
步骤4-3:将步骤4-2中两条链路分别展平的结果特征通过交叉排序结合在一起,交叉排序的结果为Qp1,Qs1,Qp2,Qs2,Qp3,Qs3,Qp4。
步骤4-4:将步骤4-3的交叉排序的结果通过Concat层组合起来,并通过网络层计算最终的预测概率。其中,网络层依次指Linear层、ReLU激活层、Dropout层、Linear层和Softmax层,Dropout层以65%的概率丢弃神经元。最后,得到预测概率向量P=[PN,PL,PI]。
为了验证相异差算法的优点,与已有的智能优化算法进行对比,如麻雀搜索算法(Sparrow Search Algorithm,SSA)和白鲸优化(Beluga Whale Optimization,BWO)算法。即使用不同算法来确定VMD的超参数,以计算特征区分程度高的IMF的6种熵特征,进而输入支持向量机(Support Vector Machine,SVM)分类。其中,6种熵特征指样本熵、近似熵、模糊熵、色散熵、柯尔莫哥洛夫熵和条件熵。为了验证双流扩维图算法的优点,即主链路和副链路的作用,进行消融实验,分别计算了单独使用这两条链路的准确率。为了进一步验证本公开所提方法的优点,与已有的智能故障诊断方法中的深度学习网络模型进行对比,如VGG19、GoogLeNet和DenseNet。在相同数据集的条件下,9种方法得到的准确率结果如表6所示。如图6和图7所示,分别是本公开训练集和测试集的混淆矩阵图。从表6可知,本公开所提方法对城镇燃气管网泄漏的识别准确率达到最佳,为燃气管网泄漏的检测提出了新的解决方法。
表6相同数据集不同方法的准确率(%)
方法 | 训练集 | 测试集 |
SSA-SVM | 66.00 | 78.72 |
BWO-SVM | 66.58 | 61.70 |
MDD-SVM | 94.33 | 89.36 |
主链路 | 97.71 | 96.23 |
副链路 | 96.45 | 94.13 |
VGG19 | 91.17 | 85.87 |
GoogLeNet | 77.37 | 75.44 |
DenseNet | 90.05 | 86.20 |
本公开 | 98.97 | 97.33 |
实施例3
本公开的一种实施例中提供了一种基于相异差和双流扩维图的燃气管网泄漏检测系统,包括:
数据获取模块,获取燃气管网三种管道运行工况下的运行数据,对运行数据进行预处理获得波动信号;随机选取任意两种工况下的波动信号组成数据样本;
数据处理模块,用于针对数据样本,分别通过相异差算法的模糊阶段和优化阶段对所述波动信号进行分解和多层搜寻,确定最优分解层数、特征区分程度高的本征模态函数和最优惩罚因子;
识别模块,用于将确定的特征区分程度高的本征模态函数通过双流扩维图算法的主链路和副链路进行不同尺度的数据裁剪,获取两种特征图,然后分别通过两条不同的链路来适应不同尺度的特征图识别,将两条链路的输出特征进行交叉排序,最终获取到三种工况下的识别预测概率,进而得到泄漏检测的结果。
实施例4
本公开的一种实施例中提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现所述的基于相异差和双流扩维图的燃气管网泄漏检测方法。
实施例5
本公开的一种实施例中提供了一种电子设备,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现所述的基于相异差和双流扩维图的燃气管网泄漏检测方法。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (5)
1.基于相异差和双流扩维图的燃气管网泄漏检测方法,其特征在于,包括:
获取燃气管网三种管道运行工况下的运行数据,对运行数据进行预处理获得波动信号;随机选取任意两种工况下的波动信号组成数据样本;
针对数据样本,分别通过相异差算法的模糊阶段和优化阶段对所述波动信号进行分解和多层搜寻,确定最优分解层数、特征区分程度高的本征模态函数和最优惩罚因子;
将确定的特征区分程度高的本征模态函数通过双流扩维图算法的主链路和副链路进行不同尺度的数据裁剪,获取两种特征图,然后分别通过两条不同的链路来适应不同尺度的特征图识别,将两条链路的输出特征进行交叉排序,最终获取到三种工况下的识别预测概率,进而得到泄漏检测的结果;
具体的,确定最优分解层数、特征区分程度高的本征模态函数、最优惩罚因子和两种特征图包括以下步骤:
步骤1:获取城镇燃气管网的调压柜中管道节点处的负压波信号,负压波信号由压力传感器所采集获取;
步骤2:根据运输管道运行的正常状态、泄漏状态和干扰状态分别制作数据集,包括正常工况、泄漏工况和干扰工况,其中,三种工况的每一个样本均表示为一个行向量,其元素个数为L并且L≥1000;
将数据集中的运行数据去直流化得到数据集的波动信号f,如式(1)所示,其中,fo是各样本的原始值,fm是各样本的平均值;
f=fo-fm (1)
步骤3:随机选取N组样本组成数据样本,每组样本包含n个工况A的样本和n个工况B的样本,其中,N≥2,工况A和工况B为步骤2所述三种工况的任意两种;
步骤4:通过相异差算法的模糊阶段来确定最优分解层数kb和特征区分程度高的IMFb,惩罚因子设置为默认值α=2000,
具体的,步骤4-1:选取数据样本的第y组样本,各样本去直流化得到数据样本的第y组样本的波动信号f,如式(1)所示,其中,y∈[1,N];
步骤4-2:从K=2开始对波动信号f进行分解,当分解层数K=k时,2n个f进行k层分解会得到2×n×k个IMF,即每一个f被分解成k个其中,k=2,3,......,c∈[1,2],i∈[1,n],j∈[1,k];
步骤4-3:在步骤4-2基础上,计算每个的样本熵进而分别按式(2)、式(3)和式(4)计算IMFj的平均值距离标准差距离和方差距离其中,IMFj指当前分解得到的第j个IMF;
其中,
步骤4-4:当分解层数K=k时,创建大小为(k-1)×k的平均值矩阵Dm、标准差矩阵Ds和方差矩阵Dv;这3个矩阵中的元素分别为和并且初始值为零;第g行指进行g+1层分解产生的g+1个IMF,这些IMF的平均值距离、标准差距离和方差距离分别表示为和其中,g∈[1,k-1],j∈[1,g+1];g=2时,第2行指进行3层分解产生的3个IMF,这些IMF的平均值距离、标准差距离和方差距离分别表示为和其中,j∈[1,3],按式(5)、式(6)和式(7)计算当前分解层数K=k时,的平均值m1(k)、的平均值m2(k)和的平均值m3(k);
其中,平均值矩阵、标准差矩阵和方差矩阵分别按照式(8)、式(9)和式(10)进行赋值操作;
步骤4-5:利用干扰程度辅助判别来判断IMF的特征区分程度,创建大小为(k-1)×k的IMF选择矩阵D,D中的元素为Dg,j并且初始值为零;第g行指各波动信号进行g+1层分解产生的g+1个IMF,计算工况A的IMF样本熵计算工况B的IMF样本熵其中,g∈[1,k-1],i∈[1,n],j∈[1,g+1],通过式(11)计算得到工况A和工况B样本熵的整体差wg,j,若wg,j≥0,则Hg,j为中大于的个数;若wg,j<0,则Hg,j为中大于的个数,其中,Hg,j用来评价g+1层分解产生的g+1个IMF的特征区分程度,当Hg,j≥2时,IMF选择矩阵D中第g行第j列的IMF的特征区分程度低;反之,Hg,j<2时,IMF选择矩阵D中第g行第j列的IMF的特征区分程度高,按照式(12)给IMF选择矩阵D赋值,当D中出现元素Dg,j=1时,g+1层分解产生的IMFj的特征区分程度高,即为第y组样本的可能值kp和IMFp;当D中未出现1时,当前所有IMF的特征区分程度低,分解层数增加1,重复步骤4-2到步骤4-5;K=2时D中未出现1,进入步骤4-2继续分解层数K=3,往后以此类推;
其中,
步骤4-6:在步骤4-5的基础上,计算步骤3选取的N组样本各自的可能值kp和IMFp,将共同或出现次数最多的可能值kp和IMFp作为模糊阶段确定的最优kb和IMFb;
步骤5:确定出最优kb和IMFb之后,通过相异差算法的优化阶段确定最优惩罚因子αb,采用多层搜寻,每层搜寻跨越不同长度,尾层跨越长度为1,非尾层跨越长度无要求;首层搜寻范围是α∈[100,2×L],下一层的搜寻范围由上一层确定;
具体的,步骤5-1:选取步骤3中的第y组样本,首层搜寻是在不同的α时,2n个f进行kb层分解,计算2n个IMFb的样本熵并归一化后的值其中,α∈[100,2×L],是工况A的IMFb的样本熵归一化后的结果,是工况B的IMFb的样本熵归一化后的结果,通过式(13)和式(14)计算得到综合指标R(α),选取R(α)中最大的四个值并且R(α)>0时,所对应的αp作为该组样本的可能值,计算步骤3选取的N组样本各自的可能值αp,N组样本共同或出现次数最多的αp作为首层结果α1;
步骤5-2:非首层的计算方法:搜寻范围α∈[α2,α3]和跨越长度为10时,该层每次搜寻的α值为搜索次数为次,其中,是向下取整符号;
步骤5-3:选取步骤3中的第y组样本,在不同的α时,2n个f进行kb层分解,计算2n个IMFb的样本熵并归一化后的值其中,α∈[α2,α3],通过式(13)计算相异差M(α),相异差最大值所对应的α4则为该层搜索得到的结果;
步骤5-4:在步骤5-3基础上,下一层的搜索范围变为[α4-10,α4+10],下一层跨越长度可设为1,即进行尾层搜索,通过式(13)计算相异差M(α),其最大值所对应的α5就是该层搜索得到的结果,又因该层是尾层,α5亦是第y组样本的最佳值,将步骤3选取的N组样本各自确定的最佳值α5取平均,得到的值作为相异差算法的优化阶段确定的最优αb;
步骤3至步骤5为相异差算法,旨在搜寻最优超参数kb、αb和特征区分程度高的IMFb,以提升IMFb的特征区分程度,从而提高准确率和增加鲁棒性;
步骤6:将步骤2选取的数据集的波动信号利用最优超参数kb和αb进行VMD分解,获取得到特征区分程度高的IMFb之后,通过双流扩维图算法的裁剪阶段对IMFb进行数据裁剪,进而得到两种特征图;
所述双流扩维图算法分为主链路和副链路,分别以不同的尺度C1和C2进行数据裁剪,进而计算IMFb的特征,两条链路数据裁剪的区别在于计算特征时以不同数量的元素来计算一个特征。
2.如权利要求1所述的基于相异差和双流扩维图的燃气管网泄漏检测方法,其特征在于,将两条链路的输出特征进行交叉排序,包括:在主链路的结果特征的各行向量后面依次插入副链路的结果特征的各行向量,最后将交叉排序的结果通过串联层组合起来,并通过网络层计算最终的识别预测概率。
3.基于相异差和双流扩维图的燃气管网泄漏检测系统,其特征在于,具体实现如权利要求1-2任一项所述的基于相异差和双流扩维图的燃气管网泄露检测方法,包括:
数据获取模块,获取燃气管网三种管道运行工况下的运行数据,对运行数据进行预处理获得波动信号;随机选取任意两种工况下的波动信号组成数据样本;
数据处理模块,用于针对数据样本,分别通过相异差算法的模糊阶段和优化阶段对所述波动信号进行分解和多层搜寻,确定最优分解层数、特征区分程度高的本征模态函数和最优惩罚因子;
识别模块,用于将确定的特征区分程度高的本征模态函数通过双流扩维图算法的主链路和副链路进行不同尺度的数据裁剪,获取两种特征图,然后分别通过两条不同的链路来适应不同尺度的特征图识别,将两条链路的输出特征进行交叉排序,最终获取到三种工况下的识别预测概率,进而得到泄漏检测的结果。
4.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现如权利要求1-2任一项所述的基于相异差和双流扩维图的燃气管网泄漏检测方法。
5.一种电子设备,其特征在于,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现如权利要求1-2任一项所述的基于相异差和双流扩维图的燃气管网泄漏检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311061507.3A CN117093899B (zh) | 2023-08-22 | 2023-08-22 | 基于相异差和双流扩维图的燃气管网泄漏检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311061507.3A CN117093899B (zh) | 2023-08-22 | 2023-08-22 | 基于相异差和双流扩维图的燃气管网泄漏检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117093899A CN117093899A (zh) | 2023-11-21 |
CN117093899B true CN117093899B (zh) | 2024-08-02 |
Family
ID=88774590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311061507.3A Active CN117093899B (zh) | 2023-08-22 | 2023-08-22 | 基于相异差和双流扩维图的燃气管网泄漏检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117093899B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116415119A (zh) * | 2023-04-26 | 2023-07-11 | 山东大学 | 基于熵混叠和特征增强的燃气异常信号检测方法及系统 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2983607B1 (fr) * | 2011-12-02 | 2014-01-17 | Morpho | Procede et dispositif de suivi d'un objet dans une sequence d'au moins deux images |
CN103674478B (zh) * | 2013-12-11 | 2016-01-06 | 中国石油大学(华东) | 低含气率的气液两相流流型识别方法 |
US9558453B1 (en) * | 2015-12-21 | 2017-01-31 | International Business Machines Corporation | Forecasting leaks in pipeline network |
CN105423137A (zh) * | 2015-12-28 | 2016-03-23 | 安阳师范学院 | 燃气管网泄漏瞬变压力波检测分析系统及检测分析方法 |
CN109933881A (zh) * | 2019-03-06 | 2019-06-25 | 武汉大学 | 一种基于优化深度信念网络的电力电子电路故障诊断方法 |
CN110118985B (zh) * | 2019-05-31 | 2021-09-03 | 卡斯柯信号有限公司 | Sil4安全级的多传感器信息融合定位系统及方法 |
KR102247100B1 (ko) * | 2019-10-17 | 2021-04-30 | 광운대학교 산학협력단 | 뇌전도의 다변량 다중스케일 퍼지 엔트로피 분석에 기반한 감정 인식 방법 |
CN111059477B (zh) * | 2019-12-23 | 2021-10-01 | 浙江工业大学 | 一种基于双层架构反向寻源化工管道泄漏检测与定位方法 |
CN111664365B (zh) * | 2020-06-07 | 2022-01-28 | 东北石油大学 | 基于改进vmd和1dcnn的油气管道泄漏检测方法 |
CN111734961B (zh) * | 2020-06-24 | 2021-09-17 | 东北石油大学 | 一种天然气管道泄漏检测方法 |
CN114239642B (zh) * | 2021-11-22 | 2024-08-23 | 江苏科技大学 | 一种基于变分模态分解与模糊熵的海杂波去噪方法 |
CN114897023B (zh) * | 2022-05-19 | 2024-03-29 | 西安交通大学 | 一种基于水声目标敏感差异特征提取的水声目标辨识方法 |
CN115076620A (zh) * | 2022-05-23 | 2022-09-20 | 辽宁石油化工大学 | 基于改进upemd和dtwsvm的埋地输油管道泄漏检测方法 |
CN115062670A (zh) * | 2022-07-14 | 2022-09-16 | 东北石油大学 | 基于mpa-vmd去噪的管道泄漏检测方法及系统 |
-
2023
- 2023-08-22 CN CN202311061507.3A patent/CN117093899B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116415119A (zh) * | 2023-04-26 | 2023-07-11 | 山东大学 | 基于熵混叠和特征增强的燃气异常信号检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117093899A (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114970605B (zh) | 一种多模态特征融合神经网络的制冷设备故障诊断方法 | |
CN113869286B (zh) | 一种自适应多任务智能故障诊断系统及故障诊断方法 | |
CN114143210B (zh) | 一种基于深度学习的指挥控制网络关键节点识别方法 | |
CN112147432A (zh) | 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统 | |
CN105242155A (zh) | 一种基于熵权法和灰色关联分析的变压器故障诊断方法 | |
CN111340248A (zh) | 一种基于智能集成算法的变压器故障诊断方法及系统 | |
CN113904786A (zh) | 一种基于线路拓扑分析和潮流特性的虚假数据注入攻击辨识方法 | |
CN111914705A (zh) | 提升电抗器健康状态评估准确率的信号生成方法及装置 | |
CN116718377A (zh) | 基于小波变换和深度残差注意力机制的轴承故障诊断方法 | |
CN111190968A (zh) | 基于知识图谱的数据预处理和内容推荐方法 | |
CN111338950A (zh) | 一种基于谱聚类的软件缺陷特征选择方法 | |
CN113203914A (zh) | 基于dae-cnn的地下电缆早期故障检测和识别方法 | |
CN111582406A (zh) | 一种电力设备状态监测数据聚类方法和系统 | |
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 | |
CN114972194A (zh) | 一种从不一致标签中检测缺陷的方法 | |
CN115358481A (zh) | 一种企业外迁预警识别的方法、系统及装置 | |
CN115510740A (zh) | 一种基于深度学习的航空发动机剩余寿命预测方法 | |
CN117093899B (zh) | 基于相异差和双流扩维图的燃气管网泄漏检测方法及系统 | |
CN114386453A (zh) | 一种三相异步电机故障诊断方法及计算机可读介质 | |
CN114187272A (zh) | 一种基于深度学习的工业零件表面缺陷检测方法 | |
Huang et al. | Interpretable real-time monitoring of pipeline weld crack leakage based on wavelet multi-kernel 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 | |
CN116415119B (zh) | 基于熵混叠和特征增强的燃气异常信号检测方法及系统 | |
CN116044740A (zh) | 基于声信号的泵故障诊断方法 | |
CN113469977B (zh) | 一种基于蒸馏学习机制的瑕疵检测装置、方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |