[發(fā)明專利]基于卷積神經(jīng)網(wǎng)絡(luò)的水下管道泄漏聲發(fā)射檢測方法

在審

• 申請?zhí)枺?/td>: 202110054814.3
• 申請日: 2021-01-15
• 公開（公告）號: CN112762362A
• 公開（公告）日: 2021-05-07
• 發(fā)明（設(shè)計(jì)）人: 董星亮;劉鵬謙;張?jiān)?/a>;張紅生;顧純巍;夏強(qiáng);李夢博;徐長航
• 申請（專利權(quán)）人: 中國海洋石油集團(tuán)有限公司;中海石油（中國）有限公司;中國石油大學(xué)（華東）
• 主分類號: F17D5/06
• 分類號: F17D5/06
• 代理公司: 北京睿博行遠(yuǎn)知識(shí)產(chǎn)權(quán)代理有限公司 11297
• 代理人: 劉桂榮

本發(fā)明公開了一種基于卷積神經(jīng)網(wǎng)絡(luò)的水下管道泄漏聲發(fā)射檢測方法，屬于管道泄漏檢測技術(shù)領(lǐng)域，步驟包括：利用聲發(fā)射傳感器采集水下管道的泄漏信號與背景噪聲信號，對采集的聲發(fā)射信號進(jìn)行數(shù)據(jù)預(yù)處理得到數(shù)據(jù)集，將數(shù)據(jù)集劃分為訓(xùn)練集和測試集，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)水下管道泄漏檢測模型并對卷積神經(jīng)網(wǎng)絡(luò)的超參數(shù)進(jìn)行選擇，使用訓(xùn)練集進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)水下管道泄漏檢測模型的訓(xùn)練，使用測試集對訓(xùn)練后的卷積神經(jīng)網(wǎng)絡(luò)水下管道泄漏檢測模型進(jìn)行測試，即可實(shí)現(xiàn)水下管道是否泄漏的判斷。本方法能實(shí)現(xiàn)水下管道泄漏的精確識(shí)別，及時(shí)發(fā)現(xiàn)水下管道的泄漏，為管道的維修提供很大的幫助。

技術(shù)領(lǐng)域

本發(fā)明屬于管道泄漏檢測領(lǐng)域，具體地涉及一種水下管道的泄漏識(shí)別方法，尤其涉及一種基于卷積神經(jīng)網(wǎng)絡(luò)的水下管道泄漏聲發(fā)射檢測方法。

背景技術(shù)

水下管道運(yùn)輸在工業(yè)領(lǐng)域的應(yīng)用十分廣泛，尤其是在石油化工行業(yè)。然而，由于管道的自然老化、長時(shí)間運(yùn)行導(dǎo)致的磨損、地理和氣候變化的影響和人為損壞等原因，管道泄漏成為水下管道安全運(yùn)輸?shù)囊淮笸{。水下管道泄漏不僅會(huì)導(dǎo)致巨大的經(jīng)濟(jì)損失，還會(huì)造成嚴(yán)重的環(huán)境污染和對人類生活的重大影響。綜上，對水下管道泄漏檢測方法的研究就顯得尤為重要。

聲發(fā)射技術(shù)作為最有效的無損檢測技術(shù)之一，具有精度高、速度快、實(shí)施方便等優(yōu)點(diǎn)，比其他無損檢測方法(如示蹤氣體、紅外熱像、超聲波、電磁掃描等)更適合于管道泄漏檢測，為確保管道運(yùn)輸安全提供了有效的技術(shù)手段。聲發(fā)射主要通過檢測高壓流體通過小孔泄漏時(shí)產(chǎn)生的瞬態(tài)彈性波，實(shí)現(xiàn)管道泄漏狀態(tài)檢測。此檢測原理決定了在理論上聲發(fā)射檢測效果與管道輸送介質(zhì)的壓力緊密相關(guān)，與泄漏量則關(guān)系不大，因此可以用于水下管道微孔泄漏的有效檢測。

近年來，基于計(jì)算機(jī)技術(shù)的機(jī)器學(xué)習(xí)方法蓬勃發(fā)展。人們越來越傾向于借助機(jī)器學(xué)習(xí)方法的強(qiáng)大學(xué)習(xí)能力實(shí)現(xiàn)管道泄漏狀態(tài)的檢測。但是，傳統(tǒng)的機(jī)器學(xué)習(xí)方法普遍需要和特征提取方法相結(jié)合，才能對聲發(fā)射信號進(jìn)行有效識(shí)別，這增加了工作量和識(shí)別難度。以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)方法，具有從原始信號中自動(dòng)提取有用特征的能力，在信號識(shí)別方面有很大的優(yōu)勢，但是目前在管道泄漏聲發(fā)射檢測領(lǐng)域的應(yīng)用還不足。因此，將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于水下管道泄漏聲發(fā)射檢測具有很重要的現(xiàn)實(shí)意義。

在過去的幾年中，深度學(xué)習(xí)(特別是卷積神經(jīng)網(wǎng)絡(luò)(CNN))已成為用于許多圖像處理和計(jì)算機(jī)視覺任務(wù)的領(lǐng)先方法。

發(fā)明內(nèi)容

本發(fā)明旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問題之一。為此，本發(fā)明的一個(gè)目的在于提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的水下管道泄漏聲發(fā)射檢測方法，利用卷積神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征提取能力和模式識(shí)別能力實(shí)現(xiàn)水下管道泄漏狀態(tài)的識(shí)別。

為了實(shí)現(xiàn)上述目的，根據(jù)本發(fā)明實(shí)施例提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的水下管道泄漏聲發(fā)射檢測方法，包括以下步驟：

1)利用聲發(fā)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(jìn)行預(yù)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(gè)連續(xù)數(shù)據(jù)點(diǎn)分割為一個(gè)樣本，其中N可以表示為N＝A×A，其中A為任意正整數(shù)；

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(gè)樣本，將每個(gè)樣本轉(zhuǎn)換成大小為A×A的二維圖像樣本，得到M個(gè)二維圖像樣本，并對每個(gè)所述二維圖像樣本按照種類添加相應(yīng)的標(biāo)簽；

最終得到的數(shù)據(jù)集X包括：所述泄漏信號處理得到的M個(gè)二維圖像樣本以及背景噪聲信號處理得到的M個(gè)二維圖像樣本；

3)將步驟2)得到的數(shù)據(jù)集X按照3:1的比例劃分為訓(xùn)練集和測試集；

4)通過優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)和超參數(shù)，構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)水下管道泄漏檢測模型：