一种基于LSTM循环神经网络的天然气管道泄漏检测方法技术

本发明专利技术提供一种基于LSTM循环神经网络的天然气管道泄漏检测方法,包括以下步骤：步骤1：采集管道泄漏音频数据；步骤2：对所述音频数据采用改进的梅尔频率倒谱系数MFCC方法进行特征提取；步骤3：构建一个基于长短期记忆LSTM循环神经网络的天然气管道泄漏检测模型；步骤4：对所述管道微泄漏检测模型进行训练及参数优化，并验证模型的鲁棒性。与现有技术相比，本发明专利技术提供的技术方案，具有的技术效果或优点是：在管道泄漏检测模型的参数优化过程中，基于LSTM循环神经网络的天然气管道泄漏检测方法能够对管道状态进行检测，提高管道泄漏检测的准确性，提供充足的反应时间，降低了安全事故发生的可能性，具有一定的理论研究价值和广阔的应用前景。

A leakage detection method of natural gas pipeline based on LSTM circulation neural network

【技术实现步骤摘要】
一种基于LSTM循环神经网络的天然气管道泄漏检测方法
本专利技术涉及管线密封性检测检测领域，具体涉及一种基于LSTM循环神经网络的天然气管道泄漏检测方法。
技术介绍
天然气是一种安全、清洁和高效的绿色能源，因此天然气及相关行业作为环境保护和经济可持续发展的最佳选择。天然气能源采用长距离管道运输方式，该方式通过管道连接各地区，构成一个复杂、大型的管道运输网系统。管道运输具有成本低、安全性高、节约资源等特点，但并不意味的没有风险。因此，管道运输的安全性是确保输气管道设施的一项重要的考核指标。天然气管道承载的繁重的运输任务，但是存在如下问题：在管道建设中，管道质量、焊接工艺和施工损伤的缺陷；随着管道使用年限越长，管道的本身受到外界自然因素和人为因素的影响，会出现腐蚀现象。存在上述问题，管道会发生泄漏。由于天然气属于易燃易爆的气体，一旦有管道泄漏发生，直接或间接的影响人们的生活和环境污染，更严重的会造成人员伤亡等。如何搭建高效、稳定的管道泄漏检测模型，通过采集的信号进行实时检测管道状况，从而使管道运输网系统能够快速、可靠地检测是否发生泄漏的方法是管道泄漏检测的一个研究热点。现有的研究多是利用负压波法，通过压力信号的变化和泄漏点产生的负压波形成的时间差，从而实现泄漏检测，该方法针对于小泄漏检测识别率低，效果达不到预期效果。在面对管道运输网系统复杂性、稳定性等问题时，无法高效、准确的实时检测管道发生泄漏的情况，还需要进一步深入的研究。
技术实现思路
为了实现上述目的，本专利技术采用的技术方案是：基于LSTM循环神经网络的天然气管道泄漏检测方法，包括以下步骤：步骤1：采集管道泄漏音频数据；步骤2:对所述音频数据采用改进MFCC方法进行特征提取；步骤3:构建一个基于LSTM循环神经网络的天然气管道泄漏检测模型；步骤4:对所述管道微泄漏检测模型进行训练及参数优化，并验证模型的鲁棒性。进一步的，步骤1中采集的管道泄漏音频数据，每段音频的固定时长为1s。进一步的，步骤2中对音频数据采用改进的梅尔频率倒谱系数方法进行特征提取，包括以下步骤:步骤2.1：对天然气管道音频信号进行(LMD)分解得到若干PF分量，选择出最优的PF分量；步骤2.2：对PF分量执行分帧后，每帧数据乘以汉明窗，再通过快速傅里叶变换得到各帧的频谱数据；步骤2.3：采用Mel刻度滤波器组过滤方法对频谱数据进行平滑处理，消除谐波；步骤2.4：执行log函数运算并输出对数能量，得到Fbank特征，所述MFCCT特征大小为98×22；步骤2.5：执行离散余弦变换(DCT)函数运算并输出对数能量，得到LMFCC和ΔLMFCC，所述LMFCC特征大小为98×12和ΔLMFCC特征大小为98×12。进一步的，步骤2包括，音频数据采用了Fbank特征、LMFCC特征和ΔLMFCC进行模型的验证。进一步的，步骤4包括，生成一个基于LSTM循环神经网络的天然气管道泄漏检测模型，所述天然气管道泄漏检测模型包括输入门It、遗忘门ft、输出门Ot：It＝σ(XtWxi+Ht-1Whi+bi)Ft＝σ(Xtwxf+Ht-1Whf+bf)Ot＝σ(Xtwxo+Ht-1Wh0+bo)式中，t是时间步长；Xt为输入，wxi、wxf、wxo、Whi、Whf、Wh0分别为网络权值，bi、bf、bo分别为偏置；Ht-1为上一时间步隐藏状态；σ为激活函数。所述天然气管道泄漏检测模型中候选记忆细胞的数学模型为：式中，wxc、Whc为网络权值，bc为偏置。所述天然气管道泄漏检测模型中记忆细胞的数学模型为：式中，Ct-1为上一个时刻的记忆细胞。隐藏状态Ht输出：Ht＝Otσ(Ct)Ct为t时刻的记忆细胞；构建n×k的矩阵：获取Ht特征向量识别出管道泄漏的类型的概率Yi：Yi＝σ(∑(Ttwt+bt))式中，wt为网络权值，bt为偏置；LSTM网络模型的输出，n为时序长度，k为LSTM隐含层输出识别结果。本专利技术的有益效果是：与现有技术相比，本申请提供的技术方案，具有的技术效果或优点是：在管道泄漏检测模型的参数优化过程中，基于LSTM循环神经网络的天然气管道泄漏检测方法能够对管道状态进行检测，提高管道泄漏检测的准确性，提供充足的反应时间，降低了安全事故发生的可能性，具有一定的理论研究价值和广阔的应用前景。附图说明图1本专利技术一实施例管道泄漏音频数据的信号图；图2本专利技术一实施例的一种改进MFCC的管道数据特征提取方法；图3本专利技术一实施例的管道音频数据的特征图；图4本专利技术一实施例的LSTM循环神经网络模型的流程图；图5本专利技术一实施例的LSTM循环神经网络模型识别效果图；图6本专利技术一实施例的一种天然气管道泄漏检测方法的流程图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。下面对本专利技术中英文缩写的含义进行说明：LSTM：长短时记忆网络，能够有效解决音频信号在CNN神经网络的稳定性差和波动大的问题，而且也能解决RNN无法处理长距离的依赖问题。MFCC：梅尔频率倒谱系数。LMD:局域均值分解。Fbank:滤波器组。DCT:执行离散余弦变换。LMFCC:改进MFCC。ΔLMFCC:改进的MFCC一阶差分。PF分量:生产函数(ProductionFunction)分量。Mel刻度滤波器组：梅尔频率滤波器组。下面结合附图及具体实施例对本专利技术的应用原理作进一步描述。下面对本专利技术的图6实施方式进行说明：一种基于LSTM循环神经网络的天然气管道泄漏检测方法,包括以下步骤：步骤1：采集的管道泄漏音频数据；步骤2：音频数据采用改进MFCC方法进行特征提取；步骤3：设计一种基于LSTM循环神经网络的天然气管道泄漏检测模型；步骤4：对管道微泄漏检测模型进行训练及参数优化，验证模型的鲁棒性。下面对本专利技术的图1实施方式进行说明：本专利技术采集的音频数据.wav文件，采集的每段音频数据的时长，经过处理后每段音频数据时长相同为1s。采集的音频数据构成为音频数据集，数据集分为三大类，分别为正常型、干扰无泄漏型和泄漏型，如表1。通过scipy库读取.wav文件进行预处理，得到信号矩阵signal(1,22050)和频率为22050HZ。表1管道检测数据集管道数据类型数据量(段)正常型341干扰无泄漏型288泄漏型249<本文档来自技高网...

【技术保护点】
1.一种基于LSTM循环神经网络的天然气管道泄漏检测方法,包括以下步骤：/n步骤1：采集管道泄漏音频数据；/n步骤2:对所述音频数据采用改进的梅尔频率倒谱系数方法进行特征提取；/n步骤3:构建一个基于LSTM循环神经网络的天然气管道泄漏检测模型；/n步骤4:对所述管道微泄漏检测模型进行训练及参数优化，并验证模型的鲁棒性。/n

【技术特征摘要】
1.一种基于LSTM循环神经网络的天然气管道泄漏检测方法,包括以下步骤：
步骤1：采集管道泄漏音频数据；
步骤2:对所述音频数据采用改进的梅尔频率倒谱系数方法进行特征提取；
步骤3:构建一个基于LSTM循环神经网络的天然气管道泄漏检测模型；
步骤4:对所述管道微泄漏检测模型进行训练及参数优化，并验证模型的鲁棒性。


2.根据权利要求1所述的一种基于LSTM循环神经网络的天然气管道泄漏检测方法，其特征在于，步骤1中采集的管道泄漏音频数据，每段音频的固定时长为1s。


3.根据权利要求1所述的一种基于LSTM循环神经网络的天然气管道泄漏检测方法，其特征在于，步骤2中对音频数据采用改进的梅尔频率倒谱系数方法进行特征提取，包括以下步骤：
步骤2.1：对天然气管道音频信号进行局域均值分解分解得到若干PF分量，选择出最优的PF分量；
步骤2.2：对PF分量执行分帧后，每帧数据乘以汉明窗，再通过快速傅里叶变换得到各帧的频谱数据；
步骤2.3：采用Mel刻度滤波器组过滤方法对频谱数据进行平滑处理，消除谐波；
步骤2.4：执行log函数运算并输出对数能量，得到Fbank特征，所述Fbank特征大小为98×22；
步骤2.5：执行离散余弦变换函数运算并输出对数能量，得到LMFCC和ΔLMFCC，所述LMFCC特征大小为98×12，ΔLMFCC特征大小为98×12。


4.根据权利要求1所述的一种基于LSTM循环...

【专利技术属性】
技术研发人员：葛继科，刘灿，陈国荣，利节，陈祖琴，陈栋，钟红月，代雪玲，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：重庆;50