[發(fā)明專利]一種天然氣管道泄漏信號(hào)人工智能識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110106410.4
• 申請(qǐng)日: 2021-01-26
• 公開（公告）號(hào): CN112560806B
• 公開（公告）日: 2022-06-21
• 發(fā)明（設(shè)計(jì)）人: 麻宏強(qiáng);丁瑞祥;李語(yǔ)溪;張娜;陳海亮;羅新梅;徐青;李慶華
• 申請(qǐng)（專利權(quán)）人: 華東交通大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06N3/04;G06N3/08;F17D5/06
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種天然氣管道泄漏信號(hào)人工智能識(shí)別方法，采用如下步驟：(1)分布式光纖泄漏預(yù)警數(shù)據(jù)集構(gòu)建，(2)數(shù)據(jù)分割，(3)事件標(biāo)簽定義，(4)小波包去噪，(5)CNN網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)與實(shí)現(xiàn)，(6)CNN網(wǎng)絡(luò)訓(xùn)練；

所述分布式光纖泄漏預(yù)警數(shù)據(jù)集是指集輸管道泄漏監(jiān)測(cè)面臨的外部環(huán)境干擾事件；

所述數(shù)據(jù)分割是指在每個(gè)空間采樣點(diǎn)隨著光脈沖周期觸發(fā)，沿著時(shí)間軸將每個(gè)光脈沖觸發(fā)周期內(nèi)采集的橫向空間信號(hào)進(jìn)行縱向累積，連續(xù)累積N條采集的原始信號(hào)軌跡，構(gòu)建得到一個(gè)空間N維，時(shí)間M維的時(shí)空信號(hào)矩陣；

所述事件標(biāo)簽定義是指將分割得到的短時(shí)事件信號(hào)樣本貼上其真實(shí)標(biāo)簽并添加到數(shù)據(jù)庫(kù)中，且將整個(gè)數(shù)據(jù)集按照7:3的比例劃分為訓(xùn)練集與測(cè)試集；

所述小波包去噪是指在原始短時(shí)信號(hào)中夾雜了各種各樣的噪聲，極大的影響了后期的分類識(shí)別性能，因此對(duì)原始信號(hào)降噪顯得十分必要，實(shí)際一般使用小波分解或小波包分解；

所述CNN網(wǎng)絡(luò)結(jié)構(gòu)是結(jié)合Φ-OTDR一維信號(hào)的結(jié)構(gòu)特點(diǎn)，輸入直接采用一維信號(hào)，中間卷積計(jì)算也為一維卷積，分類器使用全連接網(wǎng)絡(luò)；同時(shí)，基于光纖管道事件數(shù)據(jù)集，使用深度學(xué)習(xí)開源框架tensorflow和python語(yǔ)言，實(shí)現(xiàn)適用于天然氣集輸管道分布式光纖泄漏信號(hào)的監(jiān)測(cè)識(shí)別；

所述CNN網(wǎng)絡(luò)訓(xùn)練是基于上述構(gòu)建的基本CNN網(wǎng)絡(luò)結(jié)構(gòu)和初始設(shè)置參數(shù)進(jìn)行訓(xùn)練，需要通過大量數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練數(shù)據(jù)經(jīng)過網(wǎng)絡(luò)得到預(yù)測(cè)類別標(biāo)簽，與樣本真實(shí)類別標(biāo)簽比較得到損失值，以此計(jì)算梯度來更新網(wǎng)絡(luò)參數(shù)；

所述網(wǎng)絡(luò)參數(shù)包括權(quán)值矩陣與偏置變量，參數(shù)更新后重新輸入數(shù)據(jù)重復(fù)進(jìn)行上述過程得到訓(xùn)練好的CNN模型。

2.根據(jù)權(quán)利要求1所述天然氣管道泄漏信號(hào)人工智能識(shí)別方法，其特征在于，所述分布式光纖泄漏預(yù)警數(shù)據(jù)集為了綜合考量泄漏監(jiān)測(cè)系統(tǒng)的性能，將泄漏相關(guān)事件單獨(dú)檢測(cè)識(shí)別，且現(xiàn)場(chǎng)數(shù)據(jù)采集時(shí)各類事件都是分別采集，無混疊情況，未涉及混合事件信號(hào)識(shí)別。

3.根據(jù)權(quán)利要求1所述天然氣管道泄漏信號(hào)人工智能識(shí)別方法，其特征在于，所述小波分解基于單邊分解的思想，在第一次分解得到信號(hào)的低頻部分和高頻部分后，第二次就只分解低頻部分,而高頻部分棄掉不用，后續(xù)操作依此類推。

4.根據(jù)權(quán)利要求1所述天然氣管道泄漏信號(hào)人工智能識(shí)別方法，其特征在于，所述小波包分解則類似于二叉樹的生長(zhǎng)，每一次都會(huì)同時(shí)分解高低頻部分，相對(duì)來說提供的信息更加豐富，更加適用于高低頻率都有的光纖傳感信號(hào)。