[發明專利]基于卷積神經網絡的水下管道泄漏聲發射檢測方法

在審

• 申請號: 202110054814.3
• 申請日: 2021-01-15
• 公開（公告）號: CN112762362A
• 公開（公告）日: 2021-05-07
• 發明（設計）人: 董星亮;劉鵬謙;張源;張紅生;顧純巍;夏強;李夢博;徐長航
• 申請（專利權）人: 中國海洋石油集團有限公司;中海石油（中國）有限公司;中國石油大學（華東）
• 主分類號: F17D5/06
• 分類號: F17D5/06
• 代理公司: 北京睿博行遠知識產權代理有限公司 11297
• 代理人: 劉桂榮

1.一種基于卷積神經網絡的水下管道泄漏聲發射檢測方法，其特征在于，包括以下步驟：

1)利用聲發射傳感器采集水下管道在不同工況下的泄漏信號與背景噪聲信號，分別生成泄漏波形信號和背景噪聲泄漏信號；

2)對所述波形泄漏波形信號和所述背景噪聲泄漏波形信號進行預處理：

分別將所述波形泄漏波形信號和所述背景噪聲泄漏波形信號中的N個連續數據點分割為一個樣本，其中N可以表示為N＝A×A，其中A為任意正整數；

所述波形泄漏波形信號和所述背景噪聲泄漏波形信號分別生成M個樣本，將每個樣本轉換成大小為A×A的二維圖像樣本，得到M個二維圖像樣本，并對每個所述二維圖像樣本按照種類添加相應的標簽；

最終得到的數據集X包括：所述泄漏信號處理得到的M個二維圖像樣本以及背景噪聲信號處理得到的M個二維圖像樣本；

3)將步驟2)得到的數據集X按照3:1的比例劃分為訓練集和測試集；

4)通過優化網絡結構和超參數，構建卷積神經網絡水下管道泄漏檢測模型：

卷積神經網絡水下管道泄漏檢測模型包括輸入層、順次連接的多個卷積層、連接于兩兩所述卷積層之間的順次連接的一個最大池化層和一個ReLU激活層、以及連接于最后一個所述卷積層后面的一個全連接層和連接于所述全連接層之后的一個輸出層；

其中，前面的層學習的特征是后面的層的輸入，卷積神經網絡使用隨機梯度下降優化算法來更新權重，卷積神經網絡的超參數指的是用于訓練卷積神經網絡的參數；

5)使用步驟3)得到的所述訓練集，對所述卷積神經網絡水下管道泄漏檢測模型進行訓練，使用所述測試集對訓練后的卷積神經網絡水下管道泄漏檢測模型進行測試，最終得到能夠準確識別管道泄漏的模型。

2.根據權利要求1所述的基于卷積神經網絡的水下管道泄漏聲發射檢測方法，其特征在于，

所述卷積神經網絡水下管道泄漏檢測模型為十層結構，包括順次連接的輸入層、3個卷積層、兩兩所述卷積層之間的順次連接的一個最大池化層和一個ReLU激活層、以及連接于最后一個所述卷積層后面的一個全連接層和連接于所述全連接層之后的一個輸出層。

3.根據權利要求2所述的基于卷積神經網絡的水下管道泄漏聲發射檢測方法，其特征在于，

通過優化網絡結構和超參數，構建卷積神經網絡水下管道泄漏檢測模型中：

所述卷積層為3個，3個所述卷積層順次依次有16、32、64個過濾器，所述過濾器的大小都為3×3；

所述輸出層使用softmax函數計算出輸入樣本屬于泄漏信號或者背景噪聲信號的概率；

所述超參數為初始學習率、訓練的小批量大小和訓練輪次三個超參數。

4.根據權利要求1所述的基于卷積神經網絡的水下管道泄漏聲發射檢測方法，其特征在于，步驟2)中每個樣本轉換成大小為A×A的二維圖像樣本的具體方法為：

對一段長度為N＝A×A的所述波形泄漏波形信號和所述背景噪聲泄漏波形信號，用來轉換為A×A尺寸的二維圖像樣本，轉換中的樣本信號強度處理見式(1)：

其中,i指的是二維圖像樣本的第i行，j指的是二維圖像樣本的第j列，N表示樣本長度，N(i)表示每一個時間點上波形信號的值，Max(N)指的是一段波形信號的最大值，Min(N)指的是一段波形信號的最小值，P(i,j)代表二維圖像樣本中每一點的像素強度，通過運算將樣本信號的值標準化為0-255之間，即二維圖像樣本的像素強度，最終得到大小為A×A的二維圖像樣本。

5.根據權利要求1所述的基于卷積神經網絡的水下管道泄漏聲發射檢測方法，其特征在于，所述步驟2)中：

對每個所述二維圖像樣本按照種類添加相應的標簽，具體為：所述泄漏信號的標簽設為0，所述背景噪聲信號的標簽設為1。