一种基于多尺度深度卷积自编码的输气管道工况判别方法及应用

本发明属于信息技术，涉及管道泄漏检测和声波信号处理，尤其是一种基于多尺度深度卷积自编码的输气管道工况判别方法及应用。

背景技术：

1、管道作为石油、化工等企业生产过程的重要单位，是一种方便、经济的运输方式，由于运输物质风险高、人为破坏、自然环境等因素，存在安全问题，发生泄漏，会对周边环境产生污染，并导致直接的经济和个人的生命危险。因此，对管道进行实时监测，及时检测泄漏尤为重要。

2、声发射检测技术作为一种无损检测手段，检测到的能量来自被检测对象本身，可以使用声发射传感器在管道正常运行时接收沿管壁传播的应力波。由于声发射技术对被测对象的几何形状不敏感，接近要求不高，适于其他方法难以或不能接近环境下的检测，可以实现管道泄漏的早期预警。

3、国内外学者针对声发射(acoustic emission，ae)对管道泄漏检测技术进行了许多研究，包括信号处理和泄漏识别方法。

4、当前，有许多有关时态数据异常检测的方法，其中最常用的是：统计方法、有监督方法及无监督方法等。尽管管道的正常工作资料比较好采集，但要采集某些类型的故障的工作资料却比较困难，因此，有监督的工作很困难，非监督学习的异常检测方法就变成了目前解决管道状态异常的重要方法。编码器是一种功能很强的非监督学习算法，能够有效地对异常信息进行识别。

5、目前，卷积神经网络作为一种深度学习技术，它是自动提取信号特征自动提取方法。是通过直接学习信号和图像等数据，可以实现从具体到抽象层次数据特征的自动提取。在声发射信号的研究中，bara等和islam等都利用cnn自动提取声发射信号时频图的特征，以识别不同缺陷对应的声发射信号。nnasir同样使用cnn用于监测复合材料管损伤过程的三个阶段，提取原始声发射信号的特征。这些基于深度神经网络的声发射识别技术属于由监督学习，需要人工设置训练的声发射标签。但由于设置标签工作量大，在实际工程中难以实现。

技术实现思路

1、本发明的目的在于克服现有技术中的不足之处，提供一种基于多尺度深度卷积自编码的输气管道工况判别方法及应用。

2、本发明解决其技术问题所采用的技术方案是：

3、一种基于多尺度深度卷积自编码的输气管道工况判别方法，包括以下步骤：

4、步骤1，采用声发射传感器获取油气管道在正常工况和泄漏时不同的声发射信号数据；

5、步骤2，采用多尺度深度卷积层进行特征提取，从特征信息的观点分析出发，不同维度的特征的提取方式由一个不同的尺度下的卷积核而决定；利用多个卷积核心在各个规模上的结合，对其进行特征的卷积和操作；

6、步骤3，利用多尺度一维深度卷积结合自编码对泄漏工况进行分类识别。

7、进一步地，步骤2的具体方法为：

8、(1)采用多尺度深度卷积层进行特征提取，其中，多尺度深度卷积层定义为

9、

10、式中，代表以卷积核尺度h的第i个输出特征，i代表输出特征；x是输入信号；wih代表以卷积核尺度h的第i个卷积核，i代表第i个卷积核；bi为偏置，i代表第i个特征；f为激活函数；

11、(2)采用relu函数进行归一化或剪裁，relu函数的输出进行规范化处理，将其缩放到[0,1]之间；relu函数的公式为：

12、

13、式中，代表第l阶段，第k个神经元；代表第l层第k个神经元的输出，l代表第l层，k代表第k个神经元；

14、(3)在卷积后面采用池化层阻止过度拟合，最大的池化方程为：

15、

16、式中,代表池化处理后第l阶段第k个神经元中的第j个数值；代表第l阶段，第k个神经元中的第t个激活值；r表示池化区域的宽度；

17、(4)采用全连接层根据特征抽取到的信号进行归类，然后利用softmax激活函数将变量映射到之间，softmax激活函数为：

18、

19、式中，m＝1,2,…,m，代表分为了m个类别，pm被分为第m类的概率，am为待激活的神经元，j代表神经元。

20、进一步地，步骤3的具体方法为：自编码器是指机器通过无监督的方式自动学习一组数据中的一些有效特征；网络参数优化目标表示为：

21、

22、式中x为原始数据，f,g为网络参数；

23、使用的损失函数为均方根损失，具体为：

24、

25、其中yi为参考标签值，y′i为模型的预测值；

26、编码网络学习原始数据x的有效特征生成变量y，解码网络通过变量y重构生成在学习期间，自动编码机不再需要采样标记，其设计本质也是在将样本的有效输入作为神经网络的有效输入和有效输出，并期望通过最小化重建误差来学习样本的有效特征；输气管道泄漏检测模型的预训练可分为内部和外部两个主要阶段，分别定义为自编码器模型的预训练阶段和分类器的预训练阶段；

27、预训练阶段通过向原始数据中添加白噪声，得到含白噪数据；解码器输出的重构使输出结果尽可能大地的与实际输入数据接近，即为最小化均方误差损失；

28、在管道上采用阀门开关模拟泄漏，收集资料；在被测量管线的首端和末端设置了两个声发射传感器ae传感器，当管道运行时，两端声发射传感器接收声发射信号，通过打开阀门开关的大小模拟泄漏等级，声发射信号经过数据采集器传到cp端，反复多次实验；

29、其中泄漏类型分为渗漏、泄漏和重漏，数据集共包含3种非正常信号和一种正常信号；泄漏等级划分依据：用小纸条测试不动，用肥皂水检查不产生气泡的情况是无泄漏；用小纸条检查轻轻拂动，用试纸检测缓慢变色为渗漏；用小纸条检查飞散，用肥皂水会出现成串的气泡，用试纸检测产生快速变色情况为泄漏；泄漏的气体产生了噪音的情况为重漏；

30、手动模拟泄漏，对声发射传感器中所能够采集的不同泄漏信号将其分别地进行手动截取，再进行数据增强，共分析后得到信号相关信息数据，将能采集并得到信息的全部数据随机划分为训练集和测试集，70％以上数据被划分为训练集，剩余数据则被划分为测试集，进行分类识别。

31、进一步地，所述声发射传感器为ae传感器。

32、进一步地，所述白噪声为10db。

33、如上所述的方法在输气管道工况判别方面中的应用。

34、本发明取得的优点和积极效果为：

35、1、本发明方法能够提高对管道的泄漏检测能力，准确判断管道的工况并进行分类。

36、2、本发明方法利用多个小规模的卷积核，对多个小样本进行精细程度的识别。当卷积核比例尺更小时，则可得到更精细，且对高频特征更为敏感；而卷积核子具有更大的感知野且对低频特性的提取能力更强。在此基础上，结合多个不同尺寸的卷积核，构建多个尺寸的卷积核，实现了多个尺寸的卷积操作，从而可以有效地解决单个尺寸的卷积核被忽视的问题，从而实现了多个尺寸的信号特征的精细刻画，使得多个尺寸的信号特征更加完整地表达出来。

37、3、针对输气管道不同泄漏信号难以判别的问题，本发明方法提出了一种多尺度一维深度卷积自编码的输气管道泄漏判别方法。利用多尺度的一维深度卷积和自适应编码器来对信号特征进行无监督学习训练,提取数据特征信息，通过多尺度的卷积层和池化层对数据特征信息进行学习,最后，输出管道泄漏判别结果。实验结果表明，该方法能够精确判断不同类型的管道泄漏，准确率达到97.13％。通过与其他方法进行对比验证了该方法在泄漏诊断方面的优越性。

38、4、本发明方法通过声发射传感器采集不同等级的泄漏信号，采用多尺度一维深度卷积层进行特征提取，利用自编码网络对泄漏工况进行分类识别。本发明采用cnn结合自编码器网络进行泄漏工况判别，在网络结构上，删除了传统cnn网络中的池层，完全保留了原始一维声发射信号的信息，进一步提高了模型的鲁棒性和泛化性，在每个卷积层后加入批归一化层，以加快网络训练的速度。