一种基于BiLSTM的管道泄漏检测与定位方法与流程

本发明涉及管道泄漏检测，具体是一种基于bilstm的管道泄漏检测与定位方法。

背景技术：

1、管道运输已成为输送石油、天然气、水等流体工业产品的重要手段之一。然而，管道泄漏会造成巨大的财产损失和环境危害，特别是当运输的产品具有易燃、有毒或腐蚀性时。为了保证管网的安全，对泄漏检测和定位方法进行了全面的研究。在各种方法中，连续压力监测是检测沿管道安装的传感器所获得的管道压力状态的最直接的方法之一。当发生破裂或破裂时，一个突然的负压波(npw)从泄漏点向每一侧传播，通过捕获突然的压降，可以检测到泄漏事件。作为无线传感器网络(wireless sensor networks wsn)的一个重要应用，通常部署多个压力传感器，从而通过分析负压力波到达时间差，给定npw的速度和管道长度，可以得到泄漏位置。基于负压波(negative pressure wave npw)的流体管道泄漏检测和定位方法通过捕获压力变化趋势来检测泄漏，并通过计算上下游传感器之间npw的到达时间差(time difference ofarrival tdoa)来定位泄漏。

2、然而，在实际情况下，由于类似的压力变化瞬变，在正常工况下，如泵、阀门操作等，下的压力变化可能被误认为为泄漏。此外，对于泄漏定位，传统的tdoa方法假设npw的传播速度为一个常数，这与实际情况不一致，这限制了其在许多实际情况下的精度。

3、为此，本发明提供了一种基于bilstm的管道泄漏检测与定位方法，以解决上述问题。

技术实现思路

1、针对现有技术的不足，本发明提供了一种基于bilstm的管道泄漏检测与定位方法，解决了上述问题。

2、为实现以上目的，本发明通过以下技术方案予以实现：一种基于bilstm的管道泄漏检测与定位方法，包括以下步骤：

3、步骤一：收集来自不同传感器的压力波信号，进行预处理并将其分类为“泄漏”或“无泄漏”波；

4、步骤二：当步骤一中报告“无泄漏”时，通过计算来自不同传感器的压力扰动的时间延迟，在线估计npw速度；

5、步骤三：当步骤一中报告“泄漏”时，使用tdoa方法以新更新的npw速度进行泄漏定位。

6、优选的，所述步骤一具体包括：数据预处理、特征提取、bilstm分类器训练和结果池化和决策。

7、优选的，所述数据预处理的具体方法为对来自n个传感器pr＝[pr1，····，prn]的原始压力序列进行插值和低通滤波，插值后的采样周期是0.1s，采用最大重叠离散小波变换对信号进行滤波，使用多诺霍和约翰斯通的的通用阈值和水平相关阈值，其中小波函数被选择为“db10”和小波变换的水平是4，然后对过滤后的数据pf进行切片，并准备进行特征提取。

8、优选的，所述特征提取的具体方法为利用滑动窗口选择一段压力波，并计算其与典型特征的相似性，将计算出的相似度作为特征，从传感器j的第i部分信号中提取的特征表示为fi＝[fi1，fi2，fi3]，对应传感器的特征序列写为f＝[ft1,…,ft1,…,ft1]t。

9、优选的，所述特征提取包括典型特征描述和通过动态时间翘曲进行相似性计算，所述典型特征描述包括以下步骤：

10、步骤s1：构造相似矩阵w，假设一个特征的长度为t，有r个泄漏，q个泵和u个阀的压力模式分别表示为pleak，ppump和pvalve，将它们串联形成矩阵p＝[pleakt,ppumpt,pvalvet]t，其中p的维数为n×t,n＝r+q+u，应用高斯模型检索n×n相似矩阵w＝[ωij]，其中元素表示为：

11、

12、步骤s2：选择典型特征，泄漏特征被选为矩阵p的第i行pi：

13、

14、式(2)中的第一个累加项表示第i个泄漏部分与包括自身在内的其他泄漏部分的相似度，第二个累加项表示第i个泄漏部分与非泄漏部分的相似度。

15、优选的，所述特征提取中通过动态时间翘曲进行相似性计算方法为：采用动态时间翘曲算法计算相似性，基于翘曲信号的相似度计算定义为动态时间翘曲距离的高斯函数：

16、

17、其中，fi为第i压力段pi与其典型特征ps的相似度。

18、优选的，所述bilstm分类器训练具体方法为：

19、从标记的特征序列f和对应的标签y中选择训练集，特征序列f和对应的标签y为：

20、

21、其中，y中的元素yi表示对应特征所属的类标签。

22、优选的，所述步骤三中泄漏定位模型为：

23、

24、其中，x表示泄漏点与传感器1之间的距离，d表示两传感器之间的距离，表示负压力波达到两个传感器之间的时间差，表示负压力波的传播速度。

25、优选的，所述步骤二中npw速度采用加权计算，在有多个传感器的情况下，通过传感器i和传感器j的tdoa可以得到多个npw速度vij，则加权计算公式为：

26、

27、

28、其中，dij为传感器i和传感器j之间的距离，dij为泄露源与传感器对中心中间的距离；

29、所述步骤三中获得两个传感器之间的npw速度和tdoa后，通过定位模型计算泄漏位置，在多传感器场景中，多个tdoa，δt＝[δti2,δtij,δt12,δt1j]用来计算泄漏位置，采用加权方案来获得最终的泄漏位置，公式为：

30、

31、

32、其中，np为传感器对的个数，xi为第i对计算的泄漏位置，αi为泄漏定位结果xi赋予的权重，di为第i对两个传感器节点之间的距离，xleak为加权泄漏定位结果。

33、优选的，所述步骤三中泄漏定位过程步骤包括：

34、步骤a：在对第i个压力段进行分类时，从第一阶段得到分类结果yi；

35、步骤b：计算n个压力传感器对中每对传感器之间到达时间差δt；

36、步骤c：如果yi表示其中一个无泄漏类，首先根据δt计算每个传感器对的负压力波传播速度vij，其中i和j表示两个不同的传感器；然后获得加权和vij以更新当前速度vc，更新公式为公式(7)和公式(8)；

37、步骤d：如果yi表示泄漏，则采用加权tdoa方法，利用更新后的npw速度vc，通过公式(6)和公式(9)计算泄漏位置。

38、有益效果

39、本发明提供了一种基于bilstm的管道泄漏检测与定位方法。与现有技术相比具备以下有益效果：

40、本发明提出了一种基于深度学习的管道泄漏检测和干扰辅助定位方法，与传统的只关注泄漏压力瞬变检测的方法不同，提出了一种基于bilstm深度学习的压力序列分类方案，不仅可以识别泄漏，还可以识别典型的周期性无泄漏压力扰动，同时提出了一种不利用经验常数作为npw速度来计算泄漏位置，而是利用扰动辅助定位的方法，利用非泄漏扰动来在线更新npw速度，所提出的方法是数据驱动的，即只需要压力信号，该方法具有较高的检测精度，罕见误报，显著降低了泄漏定位误差。