[發(fā)明專利]一種天然氣管道泄漏檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010588128.X
• 申請(qǐng)日: 2020-06-24
• 公開（公告）號(hào): CN111734961B
• 公開（公告）日: 2021-09-17
• 發(fā)明（設(shè)計(jì)）人: 路敬祎;岳繼康;王冬梅;董宏麗;劉慶強(qiáng);劉遠(yuǎn)紅;劉均;張彥生;宋金波
• 申請(qǐng)（專利權(quán)）人: 東北石油大學(xué)
• 主分類號(hào): F17D5/06
• 分類號(hào): F17D5/06;G06N3/00
• 代理公司: 黑龍江立超同創(chuàng)知識(shí)產(chǎn)權(quán)代理有限責(zé)任公司 23217
• 代理人: 楊立超

一種天然氣管道泄漏檢測(cè)方法，涉及管道泄漏檢測(cè)技術(shù)領(lǐng)域，其解決了管道泄漏檢測(cè)系統(tǒng)誤報(bào)率高的問(wèn)題。所述方法包含以下步驟：利用聲學(xué)傳感器采集聲波信號(hào)；利用海鷗算法優(yōu)化變分模態(tài)分解算法；利用基于優(yōu)化的變分模態(tài)分解閾值去噪方法對(duì)所述的聲波信號(hào)進(jìn)行降噪預(yù)處理，獲取去噪的聲波信號(hào)；分別提取聲波信號(hào)的時(shí)頻特征構(gòu)建高維特征向量矩陣，利用局部線性嵌入算法對(duì)所述的高維特征向量矩陣進(jìn)行降維，提取有利于分類的敏感特征向量；利用海鷗優(yōu)化算法搜索最佳的懲罰因子和核函數(shù)使最小二乘支持向量機(jī)的性能最優(yōu)，將所述的敏感特征向量作為最小二乘支持向量機(jī)的訓(xùn)練樣本，根據(jù)采集的聲波信號(hào)作為測(cè)試樣本，來(lái)檢測(cè)天然氣管道是否發(fā)生泄漏。

技術(shù)領(lǐng)域

本發(fā)明涉及管道泄漏檢測(cè)技術(shù)領(lǐng)域，具體而言，涉及一種天然氣管道泄漏檢測(cè)方法。

背景技術(shù)

管道運(yùn)輸是一種主要的運(yùn)輸方式，具有管理方便、運(yùn)輸成本低、穩(wěn)定、安全等特點(diǎn)，是輸送石油、天然氣等流體資源的必然選擇。隨著天然氣田的不斷開發(fā)和天然氣管網(wǎng)的不斷擴(kuò)大，管道腐蝕、老化、偷氣現(xiàn)象日益嚴(yán)重。這些現(xiàn)象對(duì)輸氣管道的安全運(yùn)行構(gòu)成了潛在的嚴(yán)重威脅。因此，必須采取泄漏控制措施來(lái)檢測(cè)天然氣管道系統(tǒng)中的泄漏。氣體管道泄漏可以通過(guò)多種檢測(cè)方法進(jìn)行評(píng)估，如質(zhì)量平衡、負(fù)壓波、瞬態(tài)模型、分布式光纖、聲波法。聲波法具有靈敏度高、定位精度高、誤報(bào)率低、檢測(cè)時(shí)間短、適應(yīng)性強(qiáng)等優(yōu)點(diǎn)。因此，我們使用這種檢測(cè)方法來(lái)獲取聲波信號(hào)。變分模態(tài)分解算法是2014年Dragomiretskiy等人提出的一種自適應(yīng)信號(hào)分解方法，然而，變分模態(tài)分解算法的參數(shù)的設(shè)置不準(zhǔn)確會(huì)嚴(yán)重影響信號(hào)分解的結(jié)果。聲波法采集的管道泄漏信號(hào)容易受到環(huán)境噪聲影響，常常使得管道泄漏檢測(cè)系統(tǒng)產(chǎn)生誤報(bào)，漏報(bào)等問(wèn)題。特征提取構(gòu)造的特征向量中存在著變化相同或相似的冗余特征，如果直接將高維特征向量作為最小二乘支持向量機(jī)的輸入，會(huì)加大訓(xùn)練難度，導(dǎo)致較高的誤報(bào)率。選取不同的懲罰因子和核函數(shù)會(huì)得到不同的最小二乘支持向量機(jī)，如果以經(jīng)驗(yàn)選取懲罰因子和核函數(shù)，可能會(huì)降低檢測(cè)準(zhǔn)確率。

文獻(xiàn)號(hào)為CN111022941A的現(xiàn)有技術(shù)提供了一種基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的天然氣管道泄漏檢測(cè)方法，其包括以下步驟：步驟1：采集管道泄漏音頻數(shù)據(jù)；步驟2：對(duì)所述音頻數(shù)據(jù)采用改進(jìn)的梅爾頻率倒譜系數(shù)MFCC方法進(jìn)行特征提?。徊襟E3：構(gòu)建一個(gè)基于長(zhǎng)短期記憶LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的天然氣管道泄漏檢測(cè)模型；步驟4：對(duì)所述管道微泄漏檢測(cè)模型進(jìn)行訓(xùn)練及參數(shù)優(yōu)化，并驗(yàn)證模型的魯棒性。該文獻(xiàn)在管道泄漏檢測(cè)模型的參數(shù)優(yōu)化過(guò)程中，基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的天然氣管道泄漏檢測(cè)方法能夠?qū)艿罓顟B(tài)進(jìn)行檢測(cè)，但該現(xiàn)有方法對(duì)變化相同或相似的冗余特征的剔除沒(méi)有考慮，訓(xùn)練難度較大，影響訓(xùn)練時(shí)間。

發(fā)明內(nèi)容

本發(fā)明提供了一種天然氣管道泄漏檢測(cè)方法，以解決現(xiàn)有管道泄漏檢測(cè)系統(tǒng)產(chǎn)生誤報(bào)率高、漏報(bào)等問(wèn)題。

本發(fā)明為解決上述技術(shù)問(wèn)題提供了如下技術(shù)方案：

利用聲學(xué)傳感器采集不同種類的聲波信號(hào)，利用海鷗算法優(yōu)化變分模態(tài)分解算法，使變分模態(tài)分解算法根據(jù)聲波信號(hào)的特點(diǎn)自適應(yīng)的選擇最佳的分解層數(shù)和罰參數(shù)；利用基于優(yōu)化的變分模態(tài)分解閾值去噪方法對(duì)所述的聲波信號(hào)進(jìn)行降噪預(yù)處理，獲取去噪的聲波信號(hào)；提取聲波信號(hào)的時(shí)頻特征構(gòu)建高維特征向量矩陣，通過(guò)局部線性嵌入算法對(duì)所述的高維特征向量矩陣進(jìn)行降維，提取有利于分類的敏感特征向量，降低向量機(jī)的訓(xùn)練難度；將所述降維后的敏感特征向量作為最小二乘支持向量機(jī)的訓(xùn)練樣本，利用海鷗優(yōu)化算法搜索最小二乘支持向量機(jī)的最優(yōu)參數(shù)，使最小二乘向量機(jī)的性能最優(yōu)，根據(jù)采集的聲波信號(hào)作為測(cè)試樣本，來(lái)檢測(cè)天然氣管道是否發(fā)生泄漏。

進(jìn)一步地，利用海鷗算法優(yōu)化變分模態(tài)分解算法，以排列熵的均值與方差的比值作為粒子群算法的適應(yīng)度函數(shù)，搜索最優(yōu)的信號(hào)分解層數(shù)和懲罰參數(shù)。海鷗算法優(yōu)化變分模態(tài)分解算法的步驟如下：

步驟1：輸入聲波信號(hào)，設(shè)置變分模態(tài)分解算法需要優(yōu)化的參數(shù)范圍，初始化海鷗算法各項(xiàng)參數(shù)，包括種群規(guī)模N、最大迭代次數(shù)L以及位置X等。

步驟2：計(jì)算適應(yīng)度值，每個(gè)海鷗的位置作為運(yùn)行一次變分模態(tài)分解算法的參數(shù)，并求得該位置所有本征模態(tài)函數(shù)的適應(yīng)度值。