技术新讯 > 气体液体的贮存或分配装置的制造及其应用技术 > 多管道泄漏的检测方法及装置  >  正文

多管道泄漏的检测方法及装置

  • 国知局
  • 2024-07-30 11:53:02

本发明涉及一种管道检测,特别是涉及一种多管道泄漏的检测方法及装置。

背景技术:

1、石油是我国的重要工业资源。在进行石油运输时,运输管道是否泄漏对周围环境以及运输效率起着重要作用,因此,为了确保石油管道运输的安全性以及石油运输量的准确性,要对石油运输管道是否泄漏进行实时检测。

2、目前,现有管道泄漏检测通常是针对一根管道进行泄漏检测,即基于一根管道的前端数据以及末端数据进行检测判断,从而确定是否存在泄漏。但是,实际应用中,管道是多分支的,若针对一根管道安装一套检测设备来获取前端数据以末端数据,大大浪费设备资源,且无法满足实际应用中的工业操作需求,降低对管道泄漏检测的实用性,因此,亟需一种多管道泄漏的检测方法来解决上述问题。

技术实现思路

1、有鉴于此,本发明提供一种多管道泄漏的检测方法及装置,主要目的在于解决现有多管道泄漏的检测有效性低的问题。

2、依据本发明一个方面,提供了一种多管道泄漏的检测方法,包括:

3、获取多管道上安装的管道声波采集设备组所采集的至少两组管道声波数据,所述管道声波采集设备组为多前端单末端采集设备组或单前端多末端采集设备组,所述管道声波数据包括所述多前端单末端采集设备组采集的或所述单前端多末端采集设备组采集的;

4、对所述管道声波数据进行非泄漏筛选,确定所述管道声波数据中存在泄漏风险的异常声波数据所对应的目标采集设备对;

5、利用所述目标采集设备对对应的已完成模型训练的管道检测模型对所述管道声波数据进行检测分类,确定管道分支泄漏检测结果,所述管道检测模型为基于不同末端采集设备与不同管道分支所对应的泄漏样本数据进行训练得到的。

6、进一步地,所述多前端单末端采集设备组中包括分别安装在多个前端分支管道上的多个前端声波检测器以及安装在一个末端分支管道上的至少两个末端声波检测器,所述单前端多末端采集设备组包括安装在一个前端分支管道上的一个前端声波检测器以及分别安装在多个末端分支管道上的多个末端声波检测器。

7、进一步地,所述对所述管道声波数据进行非泄漏筛选,确定所述管道声波数据中存在泄漏风险的异常声波数据所对应的目标采集设备对包括:

8、若所述管道声波数据为多前端单末端采集设备组采集的,则解析所述管道声波数据中的多个前端声波数据,并基于所述前端声波数据之间的多个对比差值与所述管道声波数据中的单一末端声波数据对多个前端分支管道进行筛选,确定目标前端分支管道;

9、基于所述目标前端分支管道的前端声波检测器与末端分支管道上的末端声波检测器确定目标采集设备对。

10、进一步地,所述对所述管道声波数据进行非泄漏筛选,确定所述管道声波数据中存在泄漏风险的异常声波数据所对应的目标采集设备对包括:

11、若所述管道声波数据为单前端多末端采集设备组采集的,则解析所述管道声波数据中的多个末端声波数据,并基于所述末端声波数据之间的多个对比差值与所述管道声波数据中的单一前端声波数据对多个末端分支管道进行筛选,确定目标末端分支管道;

12、基于所述目标末端分支管道的末端声波检测器与前端分支管道上的前端声波检测器确定目标采集设备对。

13、进一步地,所述利用所述目标采集设备对对应的已完成模型训练的管道检测模型对所述管道声波数据进行检测分类,确定管道分支泄漏检测结果之前,所述方法还包括:

14、构建与不同采集设备组类型对应的深度信念网络模型,并获取与不同管道分支对应的泄漏样本数据;

15、基于所述泄漏样本数据对所述深度信念网络模型进行模型训练,得到所述管道检测模型,并按照所述采集设备组类型将所述管道检测模型与不同采集设备对进行绑定。

16、进一步地,所述方法还包括:

17、基于所述多前端单末端采集设备组以及单前端多末端采集设备组中的分支个数对所述深度信念网络模型中的能量函数进行约束,并按照所述分子个数配置所述能量函数与所述联合概率分布之间对应关系,以基于约束并配置所述能量函数以及所述联合概率分布的所述深度信念网络模型进行模型训练。

18、依据本发明另一个方面,提供了一种多管道泄漏的检测装置,包括:

19、获取模块,用于获取多管道上安装的管道声波采集设备组所采集的至少两组管道声波数据,所述管道声波采集设备组为多前端单末端采集设备组或单前端多末端采集设备组,所述管道声波数据包括所述多前端单末端采集设备组采集的或所述单前端多末端采集设备组采集的;

20、第一确定模块,用于对所述管道声波数据进行非泄漏筛选,确定所述管道声波数据中存在泄漏风险的异常声波数据所对应的目标采集设备对;

21、第二确定模块,用于利用所述目标采集设备对对应的已完成模型训练的管道检测模型对所述管道声波数据进行检测分类,确定管道分支泄漏检测结果,所述管道检测模型为基于不同末端采集设备与不同管道分支所对应的泄漏样本数据进行训练得到的。

22、进一步地,所述多前端单末端采集设备组中包括分别安装在多个前端分支管道上的多个前端声波检测器以及安装在一个末端分支管道上的至少两个末端声波检测器,所述单前端多末端采集设备组包括安装在一个前端分支管道上的一个前端声波检测器以及分别安装在多个末端分支管道上的多个末端声波检测器。

23、进一步地,所述第一确定模块,具体用于若所述管道声波数据为多前端单末端采集设备组采集的,则解析所述管道声波数据中的多个前端声波数据,并基于所述前端声波数据之间的多个对比差值与所述管道声波数据中的单一末端声波数据对多个前端分支管道进行筛选,确定目标前端分支管道;基于所述目标前端分支管道的前端声波检测器与末端分支管道上的末端声波检测器确定目标采集设备对。

24、进一步地,所述第一确定模块,具体用于若所述管道声波数据为单前端多末端采集设备组采集的,则解析所述管道声波数据中的多个末端声波数据,并基于所述末端声波数据之间的多个对比差值与所述管道声波数据中的单一前端声波数据对多个末端分支管道进行筛选,确定目标末端分支管道;基于所述目标末端分支管道的末端声波检测器与前端分支管道上的前端声波检测器确定目标采集设备对。

25、进一步地,所述装置还包括:

26、构建模块,用于构建与不同采集设备组类型对应的深度信念网络模型,并获取与不同管道分支对应的泄漏样本数据;

27、训练模块,用于基于所述泄漏样本数据对所述深度信念网络模型进行模型训练,得到所述管道检测模型,并按照所述采集设备组类型将所述管道检测模型与不同采集设备对进行绑定。

28、进一步地,所述装置还包括:

29、基于所述多前端单末端采集设备组以及单前端多末端采集设备组中的分支个数对所述深度信念网络模型中的能量函数进行约束,并按照所述分子个数配置所述能量函数与所述联合概率分布之间对应关系,以基于约束并配置所述能量函数以及所述联合概率分布的所述深度信念网络模型进行模型训练。

30、根据本发明的又一方面,提供了一种存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上述多管道泄漏的检测方法对应的操作。

31、根据本发明的再一方面,提供了一种终端,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;

32、所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述多管道泄漏的检测方法对应的操作。

33、借由上述技术方案,本发明实施例提供的技术方案至少具有下列优点:

34、本发明提供了一种多管道泄漏的检测方法及装置,与现有技术相比,本发明实施例通过获取多管道上安装的管道声波采集设备组所采集的至少两组管道声波数据,所述管道声波采集设备组为多前端单末端采集设备组或单前端多末端采集设备组,所述管道声波数据包括所述多前端单末端采集设备组采集的或所述单前端多末端采集设备组采集的;对所述管道声波数据进行非泄漏筛选,确定所述管道声波数据中存在泄漏风险的异常声波数据所对应的目标采集设备对;利用所述目标采集设备对对应的已完成模型训练的管道检测模型对所述管道声波数据进行检测分类,确定管道分支泄漏检测结果,所述管道检测模型为基于不同末端采集设备与不同管道分支所对应的泄漏样本数据进行训练得到的,实现对多分支管道泄漏的检测目的,并通过人工智能模型对声波进行检测分类,满足工业生产中的检测需求,从而提高对多分支管道泄漏检测的有效性以及准确性。

35、上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。

本文地址:https://www.jishuxx.com/zhuanli/20240730/158113.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。