一种油气管道泄露波识别与监测系统

本发明涉及管道泄漏监测领域，特别涉及一种油气管道泄露波识别与监测系统。

背景技术：

1、管道运输作为石油天然气输配的主要方式，具有成本低、安全性好、运输快捷等优点。随着工业和居民对天然气需求的增长，管网建设越来越长。但随着管道服役时间的增加，管道会出现老化和腐蚀现象。此外，油气管道还会遭受第三方破坏或自然灾害。这些情况可能导致管道泄漏，从而造成经济损失、严重的人类和环境影响。近年来，各种用于管道泄漏检测的方法得到广泛研究，然而，负压波法很难检测慢泄漏和小泄漏引起的变化。光纤检测方法需要添加适当的隔音材料，价格昂贵且有一定的局限性。

2、声波不易衰减，因此传播距离极长；不易被空气等介质吸收；具有极强的穿透性；波长长，相对其他声波信号传播范围更广；便于被捕捉，声波法更加适合于长距离油汽管道的检测。分布反馈式光纤激光器（dfb）作为一种线型腔光纤激光器，具有单频单模、低噪声、窄线宽、尺寸小等特点，适用于探测应变、加速度和振动等物理量的传感，因此dfb非常适合用于捕捉声波振动信号，然而由于dfb灵敏度非常高，且勘探对象复杂，环境多变。因此，急需更有效的识别算法对管道的泄漏信号进行有效的判别，从而更加准确的识别出管道是否存在泄漏。

3、近年来，随着人工智能技术的兴起与发展，机器学习、深度学习等在油气管道泄漏识别领域得到广泛应用。神经网络具有大规模并行处理，分布式存储，弹性拓扑，高度冗余和非线性运算等特点更加适用于管道所处的复杂环境。然而，网络层络层数的不断加深从而获得更高的识别精度一直是制约卷积神经网络应用的关键问题。大多数神经网络分类算法对关键特征的信息不具有高灵敏度，并且容易受到非关键特征信息的干扰，导致分类结果不准确。因此急需构建更加有效的神经网络模型以期达到对油气管道泄露波的高灵敏识别与监测。

技术实现思路

1、针对现有管道泄漏监测系统中算法复杂度高、识别率低等问题，本发明提出了一种油气管道泄露波识别与监测系统。

2、本发明是通过如下技术方案实现的：

3、一种油气管道泄露波识别与监测系统，包括用于产生泵浦光的激光源，激光源连接波分复用器，激光源通过波分复用器分光后，泵浦光传递到传感器，传感器为分布反馈光纤激光振动传感器，分布反馈光纤激光振动传感器在接收到泵浦光后产生信号光，并携带由管道泄漏引起的声波信号返回到波分复用器的com端，所述波分复用器依次连接光隔离器、迈克尔逊干涉仪，声波信号通过波分复用器的信号端输出，经过光隔离器后进入迈克尔逊干涉仪发生干涉；经干涉信号经光电探测器探测后由光信号转换为电信号，所述光电探测器依次连接相位生成载波解调系统和计算机，电信号通过相位生成载波解调系统进行相位解调，从计算机端得到输入模型的原始信号；

4、其中，多通道卷积神经网络-mcnn与局部特征提取块-lflbs和分层融合块结合的网络模型mcnn-lflbs网络模型，该网络模型包括mcnn、若干个lflb块组成的lflbs以及全连接层。

5、进一步的，mcnn是由三路卷积核尺寸不同的一维卷积并行构成，除卷积核尺寸外，均含有一个批量归一化层-bn，一个激活函数层与平均池化层；lflbs共由五个lflb块组成，其中前四个lflb的结构是由卷积层、批量归一化层、激活函数层以及平均池化层构成，而最后一层lflb使用的是全局平均池化；最后一层全连接层，由一层dropout以及softmax构成；整体网络结构主要分为输入层、卷积层、池化层、输出层四部分。

6、进一步的，mcnn其中一个通道的卷积计算为：

7、；

8、其中，数据在卷积运算前的维度为1×l，l=5000；k1表示三个通道中其中一条通道卷积核的尺寸，其它两个通道的尺寸分别为k2，k3；x(l-k1+1)×k1表示维度为(l- k1+1)×k1的矩阵；因为卷积核的尺度为k1，卷积核每次移动步长为1，共移动(l- k1+1)次，所以输入数据在卷积运算时维度为(l-k1+1)×k1；wk1×1表示维度为k1×1的权重矩阵，b(l- k1+1) ×1表示维度为(l-k1+1)×1的偏执矩阵；c1(l-k1+1)×1表示输入的数据在卷积核为k1的通道通过卷积运算得到的输出矩阵，其维度为(l-k1+1)×1；tanh表示非线性激活函relu；a1(l-k1+1)×1是c1(l-k1+1)×1被激活函数激活后的输出矩阵，其维度为(l-k1+1)×1。

9、由于卷积核的尺度不同，通过卷积运算创建的一维特征的长度也不同；为了组合特征，使用平均池化在并行的卷积层上进行操作，以达到特征融合的目的；假设，平均池化层的尺度为 s，平均池化运算如下：

10、；

11、其他两个通道的最终输出的结果重复上述步骤；

12、其中，a1(l-k1+1)×1是被激活函数激活后的输出矩阵，avg是平均池化函数，p1[(l-k1+1)/s]×1是对a1(l-k1+1)×1平均池化后的输出矩阵，其维度为[(l-k1+1)/s]×1；p2[(l-k2+1)/s]×1是对a2(l-k2+1)×1平均池化后的输出矩阵，其维度为[(l-k2+1)/s]×1；p3[(l-k3+1)/s]×1是对a3(l-k3+1)×1平均池化后的输出矩阵，其维度为[(l-k3+1)/s]×1；

13、因此，mcnn部分最终输出的结果为：

14、；

15、其中，fn表示将三个通道的特征矩阵合并后的矩阵，n={[(l-k1+1)/s]+ [( l-k2+1)/ s]+ [( l-k3+1)/ s]}×1表示其维度，⊕表示矩阵连接运算符。

16、进一步的，fn作为lflbs部分的输入，该部分卷积计算如下：

17、；

18、其中，f(n-t+1)×t表示在卷积运算时输入的维度为 (n-t+1)×t，wt×1表示维度为t×1的权重矩阵，b(n-t+1)×1 维度为(n-t+1)×1的偏执矩阵，y(n-t+1)×1表示为卷积运算的输出矩阵，其维度为(n-t+1)×1；

19、每个 lflb 中添加 l2 正则化，它作用于损失函数以避免过拟合，l2正则化的定义如下：

20、；

21、λ是正则化强度即正则化参数，是一个非负的超参数；||wt×1||2表示权重矩阵的frobenius 范数的平方，将矩阵中每个元素的绝对值平方，然后将它们相加，再取平方根；λ||wt×1||2表示l2正则化值；loss*表示原始损失函数，loss表示经过权重衰减后的损失函数。

22、进一步的，第三部分全连接层是对lflbs部分获得的特征进行分类和输出，这部分由三层全连接层组成，在最后一个全连接层中，采用softmax函数输出样本在三种不同事件类型之间的概率分布。

23、与现有技术相比，本发明的有益之处为：

24、（1）本发明的核心在于mcnn-lflbs网络模型的创新设计，该算法在深度学习和信号处理领域中展示了前所未有的效果。此外，mcnn-lflbs结合了多个一维卷积神经网络-1dcnn的优势，形成了一个多维度、多功能的多通道卷积神经网络-mcnn。这种独特的架构设计使得算法在处理复杂信号时，能够同时关注信号的短期和长期特征，从而实现更加全面和深入的数据分析。在传统的深度学习模型中，小尺寸卷积核的使用往往限定于捕捉高频信号特征，而忽视了低频信号的重要性。mcnn通过融合不同尺寸的卷积核，有效弥补了这一缺陷，从而在信号的高频和低频特征之间实现了更好的平衡和整合。

25、（2）mcnn-lflbs网络模型的另一大创新在于引入了局部特征提取块lflbs的概念，这些lflbs块专注于信号的局部相关性学习，并且能够提取和理解层级间的相关性。这种结构的设计不仅有效降低了数据处理过程中的信息冗余，而且能够更准确地捕捉并呈现信号中隐藏的关键特征。在实际应用中，特别是在管道泄漏识别这一高要求的场景下，lflbs的引入极大地提升了识别的准确性和效率。

26、（3）从技术角度来看，mcnn-lflbs网络模型中算法的轻量化设计是其另一大亮点。在保持高性能的同时，该算法显著减少了所需的网络参数数量，这意味着更短的训练时间和更快的推理速度。这种高效的运算性能使得mcnn-lflbs网络模型算法不仅适合于高性能计算平台，也能在资源受限的环境中发挥作用，极大地扩展了其应用范围。总而言之，本发明的mcnn-lflbs网络模型识别算法不仅在技术层面上展现了显著的创新性和先进性，而且在实际应用中也表现出了极高的价值。它不仅为天然气管道检测等关键领域提供了一种新的、高效的技术手段，同时也为深度学习和信号处理的相关研究领域带来了新的思路和方法。通过这一创新的算法，能够更有效地保障能源的安全传输，为这些领域的未来发展奠定坚实的基础。