基于机器学习的埋地式燃气管线泄漏判断方法技术

本发明专利技术公开了基于机器学习的埋地式燃气管线泄漏判断方法，先利用带标签的样本数据进行机器学习，得到分类模型参数与分类模型；再基于该分类模型对待预测窨井进行特征提取和预测分析，分析该待预测窨内的甲烷气体浓度超限的原因，进一步的准确判别出燃气管线是否泄漏。本发明专利技术方法相对于传统的人工判断方法以及及相关性算法具有更高的准确率，且随着监测曲线样本库的扩大，能更有效地捕捉复杂情况下埋地式燃气管线的泄漏信息。

Leakage Judgment Method of Buried Gas Pipeline Based on Machine Learning

【技术实现步骤摘要】
基于机器学习的埋地式燃气管线泄漏判断方法
本专利技术涉及埋地式燃气管线监测
，尤其是基于机器学习的埋地式燃气管线泄漏判断方法。
技术介绍
天然气作为易燃易爆气体，一旦发生泄漏，且泄漏到燃气管网的相邻地下空间的浓度达到爆炸点时，在点火源存在的条件下，极有可能酿成严重的火灾爆炸事故。因此，及时准确地发现埋地式燃气管线的泄漏，能够避免发生爆燃、爆炸等次生衍生灾害的发生，对保障人民生命财产安全具有重要意义。目前，普遍采用的燃气泄漏测量方法包括：在线监测燃气窨井的方法和人工地面沿线巡检的方法。其中，传统的人工地面沿线巡检的方法对工作技能要求较高，不能实时发现细微燃气管道泄漏，并且易受人生理因素的制约和劳动经验的影响，因此巡检容易出现漏洞，存在巡检效果并不理想，效率低下等问题。现有的在线监测燃气窨井的方法中监测指标单一，有很大局限性，只能适用于简单环境，其效果受限于监测设备技术，因为在窨井内的可燃气体一方面来源于井内有机物腐烂产生导致的沼气堆积，另一方面来源于燃气管线泄漏，但两种气体的主要成份均为甲烷，单靠甲烷监测设备无法直接甄别燃气管线是否泄漏，乙烷监测设备可以甄别燃气泄漏，但其成本较高，不利于推广应用。也有很多学者针对上述问题做了相关研究，并且在不同程度上解决了一些问题，但是也存在难以满足监测实时性要求和监测设备成本的问题。经检索，中国专利公开号为CN205350863U公开了一种燃气管网泄漏在线监测系统、监测装置和移动式监测装置，该专利利用甲烷分析仪检测甲烷浓度从而实现燃气泄漏的监测，但该专利并不能判断浓度超限报警是沼气引发还是燃气泄漏引发。经检索，中国专利公开号为CN104776319A公开了一种多路空气采样型窨井内燃气在线监测方法和系统，该专利通过甲烷气体检测仪和乙烷气体检测仪两种气体检测仪的配合使用，能够发现燃气管线的微量泄漏，但该专利中的乙烷气体检测技术的成本往往远高于甲烷的检测，不利于推广应用。经检索，中国专利公开号为CN109215295A公开了一种燃气泄漏的判断方法、装置及电子设备，该专利通过进行多次的相关性判断从而实现燃气泄漏的监测，但该专利仅适用于长期微小泄漏的判断，不适用于外力破坏燃气管线造成窨井内浓度急剧上升的情况。
技术实现思路
为了克服上述现有技术中的缺陷，本专利技术提供基于机器学习的埋地式燃气管线泄漏判断方法，先利用带标签的样本数据进行机器学习，得到分类模型参数与分类模型；再基于该分类模型对待预测窨井进行特征提取和预测分析，分析该待预测窨内的甲烷气体浓度超限的原因，进一步的准确判别出燃气管线是否泄漏。为实现上述目的，本专利技术采用以下技术方案，包括：基于机器学习的埋地式燃气管线泄漏判断方法，包括：机器学习部分和预测分析部分；先进行机器学习得到分类模型；再利用该分类模型对待预测窨井即甲烷气体浓度超限的窨井进行预测分析，预测出该窨井内的甲烷气体浓度超限的原因；其中，所述机器学习部分，包括以下具体步骤：S101，收集各个监测点即甲烷气体浓度超限的窨井的样本数据；所述样本数据包括：该窨井的监测数据、监测曲线、标签；所述标签是指该窨井内的甲烷气体浓度值超限的原因，包括燃气管线泄漏和沼气堆积；S102，根据每个监测点的监测数据和监测曲线分别计算出每个监测点的特征参数；S103，将每个监测点的特征参数和该监测点的标签作为机器学习的样本，进行分类模型的训练，得到训练完成后的分类模型；所述分类模型的输入为特征参数，输出为标签即甲烷气体浓度值超限的原因；所述预测分析部分，包括以下具体步骤：S201，获取待预测窨井的监测数据和监测曲线；S202，根据该待预测窨井的监测数据和监测曲线计算出该待预测窨井的特征参数；S203，将该待预测窨井的特征参数输入到训练完成后的分类模型中，输出该待预测窨井的预测结果，即该待预测窨井的甲烷气体浓度值超限的原因。步骤S101和步骤S102中，所述监测数据根据监测该窨井的传感器所采集的数据信息得到，是一组时序数据；若在时间周期T内，传感器的采样间隔为T/N，传感器共进行了N次采样，其中，第i次采样所对应的采样时间点为ti，第i次采样即采样时间点ti所采集到的该窨井内的甲烷气体浓度值xi(ti)，i＝1,2,3,…,N；则所述监测数据包括：经N次采样所采集到该窨井内的N个的甲烷气体浓度值xi(ti)，i＝1,2,3,…,N，且此N个的甲烷气体浓度值xi(ti)按照采样时间顺序排列；所述监测曲线是根据所述监测数据拟合生成连续曲线，所述监测曲线是指该窨井内的甲烷气体浓度x与时间t之间的关系曲线，0≤t≤T。步骤S102和步骤S202中，所述特征参数包括：最大值Xmax，是指监测数据中最大值，即所采集到的N个甲烷气体浓度值xi(ti)，i＝1,2,3,…,N中的最大值；最小值Xmin，是指监测数据中的最小值，即所采集到的N个甲烷气体浓度值xi(ti)，i＝1,2,3,…,N中的最小值；平均值X，是指监测数据的平均值，即所采集到的N个甲烷气体浓度值xi(ti)，i＝1,2,3,…,N的平均值，峰值Xp，在监测数据中找出绝对值较大的10个数值，分别为Xj，j＝1,2,3,4,…10，并将此绝对值较大的10个数值的绝对值的平均值作为峰值Xp，即变化率Δ，用于反映监测数据的变化率，标准差σ，用于反映监测数据的离散程度，峭度K，用于反映监测数据分布特性，均方根Xrms，波形因子SW，峰值因子Cp，Cp＝Xp/Xrms；脉冲因子Cf，裕度因子Ce，是峰值Xp与方根幅值XF的比值，即Ce＝Xp/XF；其中，XF表示方根幅值，其中，x(t)表示所述监测曲线；波峰时间tmax，是指振动信号即监测曲线中的最大的波峰值所对应的时间；波谷时间tmin，是指振动信号即监测曲线中的最小的波谷值所对应的时间。步骤S102和步骤S202中，在计算特征数据之前，先对监测数据进行异常值处理和滤波处理，并利用经异常值处理和滤波处理后的监测数据重新拟合生成监测曲线；在计算特征数据时，是利用该经异常值处理和滤波处理后的监测数据，以及该重新拟合生成的监测曲线进行计算；所述滤波处理是指用于平滑数据的均值滤波处理。步骤S103中，所述分类模型的训练方式，具体如下所示：将各个监测点的特征参数进行归一化处理，并将各个监测点的归一化处理后的特征参数以及对应的标签分别作为机器学习的样本，采用交叉验证的方式将样本分为测试集和训练集，先利用所述训练集对分类模型进行训练，再利用测试集对训练后的分类模型进行测试，判断测试结果即分类准确率是否满足要求，所述要求为分类准确率达到90％；当测试结果不满足要求时，即分类准确率未达到90％，则继续采用交叉验证的方式将样本分为新的测试集和新的训练集，依次类推，利用新的测试集和新的训练集对分类模型继续进行训练和测试，即重新执行步骤S103；当测试结果满足要求时，即分类准确率达到90％，结束步骤S103,即表示分类模型已训练完成。步骤S101中，该窨井的标签即该窨井内的甲烷气体浓度超限的原因是由燃气集团去现场核实后判断出来的结果。步骤S202中，对该待预测窨井的特征参数也进行归一化处理；且在步骤S203中，将该待预测窨井的归一化处理后的特征参数输入到训练完成后的分类模型中。本专利技术的优点在于：(1)本专利技术方法本文档来自技高网...

【技术保护点】
1.基于机器学习的埋地式燃气管线泄漏判断方法，其特征在于，包括：机器学习部分和预测分析部分；先进行机器学习得到分类模型；再利用该分类模型对待预测窨井即甲烷气体浓度超限的窨井进行预测分析，预测出该窨井内的甲烷气体浓度超限的原因；其中，所述机器学习部分，包括以下具体步骤：S101，收集各个监测点即甲烷气体浓度超限的窨井的样本数据；所述样本数据包括：该窨井的监测数据、监测曲线、标签；所述标签是指该窨井内的甲烷气体浓度值超限的原因，包括燃气管线泄漏和沼气堆积；S102，根据每个监测点的监测数据和监测曲线分别计算出每个监测点的特征参数；S103，将每个监测点的特征参数和该监测点的标签作为机器学习的样本，进行分类模型的训练，得到训练完成后的分类模型；所述分类模型的输入为特征参数，输出为标签即甲烷气体浓度值超限的原因；所述预测分析部分，包括以下具体步骤：S201，获取待预测窨井的监测数据和监测曲线；S202，根据该待预测窨井的监测数据和监测曲线计算出该待预测窨井的特征参数；S203，将该待预测窨井的特征参数输入到训练完成后的分类模型中，输出该待预测窨井的预测结果，即该待预测窨井的甲烷气体浓度值超限的原因。...

【技术特征摘要】
1.基于机器学习的埋地式燃气管线泄漏判断方法，其特征在于，包括：机器学习部分和预测分析部分；先进行机器学习得到分类模型；再利用该分类模型对待预测窨井即甲烷气体浓度超限的窨井进行预测分析，预测出该窨井内的甲烷气体浓度超限的原因；其中，所述机器学习部分，包括以下具体步骤：S101，收集各个监测点即甲烷气体浓度超限的窨井的样本数据；所述样本数据包括：该窨井的监测数据、监测曲线、标签；所述标签是指该窨井内的甲烷气体浓度值超限的原因，包括燃气管线泄漏和沼气堆积；S102，根据每个监测点的监测数据和监测曲线分别计算出每个监测点的特征参数；S103，将每个监测点的特征参数和该监测点的标签作为机器学习的样本，进行分类模型的训练，得到训练完成后的分类模型；所述分类模型的输入为特征参数，输出为标签即甲烷气体浓度值超限的原因；所述预测分析部分，包括以下具体步骤：S201，获取待预测窨井的监测数据和监测曲线；S202，根据该待预测窨井的监测数据和监测曲线计算出该待预测窨井的特征参数；S203，将该待预测窨井的特征参数输入到训练完成后的分类模型中，输出该待预测窨井的预测结果，即该待预测窨井的甲烷气体浓度值超限的原因。2.根据权利要求1所述的基于机器学习的埋地式燃气管线泄漏判断方法，其特征在于，步骤S101和步骤S102中，所述监测数据根据监测该窨井的传感器所采集的数据信息得到，是一组时序数据；若在时间周期T内，传感器的采样间隔为T/N，传感器共进行了N次采样，其中，第i次采样所对应的采样时间点为ti，第i次采样即采样时间点ti所采集到的该窨井内的甲烷气体浓度值xi(ti)，i＝1,2,3,…,N；则所述监测数据包括：经N次采样所采集到该窨井内的N个的甲烷气体浓度值xi(ti)，i＝1,2,3,…,N，且此N个的甲烷气体浓度值xi(ti)按照采样时间顺序排列；所述监测曲线是根据所述监测数据拟合生成连续曲线，所述监测曲线是指该窨井内的甲烷气体浓度x与时间t之间的关系曲线，0≤t≤T。3.根据权利要求2所述的基于机器学习的埋地式燃气管线泄漏判断方法，其特征在于，步骤S102和步骤S202中，所述特征参数包括：最大值Xmax，是指监测数据中最大值，即所采集到的N个甲烷气体浓度值xi(ti)，i＝1,2,3,…,N中的最大值；最小值Xmin，是指监测数据中的最小值，即所采集到的N个甲烷气体浓度值xi(ti)，i＝1,2,3,…,N中的最小值；平均值是指监测数据的平均值，即所采集到的N个甲烷气体浓度值xi(ti)，i＝1,...

【专利技术属性】
技术研发人员：谭琼，袁宏永，李子浩，付明，李树林，刘贺子，苏国锋，王鹏，侯龙飞，朱友平，
申请(专利权)人：清华大学合肥公共安全研究院，合肥市城市生命线工程安全运行监测中心，合肥泽众城市智能科技有限公司，
类型：发明
国别省市：安徽,34