油气集输管道基线检测方法技术

一种油气集输管道基线检测方法，其在被监测油气集输管道上设置多个检测点，并在各个检测点设置传感器组，包括温度计、压力计和超声波流量计，以通过所述各个检测点的传感器组采集所述被监测油气集输管道的多个检测点的多组传感器数据，进而使用基于深度学习的智能基线检测模型对所采集的多组传感器数据进行数据处理和分析，以利用所述智能极限检测模型的深度神经网络模型来拟合各个参数项之间的复杂非线性关联，通过这样的方式，将多项参数视为有机的整体且将所述被监测油气集输管道视为整体来进行基线偏差检测，以提高基线偏差的智能性和精准度。智能性和精准度。智能性和精准度。

【技术实现步骤摘要】
油气集输管道基线检测方法


[0001]本申请涉及智能化检测
，并且更具体地，涉及一种油气集输管道基线检测方法。

技术介绍

[0002]在油气集输管道的正常使用过程中，由于外部因素或内部因素的影响（包括但不限于管道材质、施工质量、设备老化、腐蚀磨损、环境因素等），会导致管道部分或者全部参数波动超过预定规则，这种现象称为油气集输管道的基线偏差。
[0003]油气集输管道基线检测是确保油气管道的安全运行的关键任务，在传统的油气集输管道基线检测中，往往将各项参数视为独立的监测项，但是各个参数项之间存在复杂的非线性关联，如果忽略各个参数项之间的关联，会导致基线偏差检测的精准度下降，出现漏报或者错报的情况。
[0004]因此，期待一种优化的油气集输管道基线检测方案。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种油气集输管道基线检测方法，其在被监测油气集输管道上设置多个检测点，并在各个检测点设置传感器组（包括温度计、压力计和超声波流量计），以通过所述各个检测点的传感器组采集所述被监测油气集输管道的多个检测点的多组传感器数据（包括温度值、压力值和流量值），进而使用基于深度学习的智能基线检测模型对所采集的多组传感器数据进行数据处理和分析，以利用所述智能极限检测模型的深度神经网络模型来拟合各个参数项之间的复杂非线性关联，通过这样的方式，将多项参数视为有机的整体且将所述被监测油气集输管道视为整体来进行基线偏差检测，以提高基线偏差的智能性和精准度。
[0006]第一方面，提供了一种油气集输管道基线检测方法，其包括：获取由部署于被监测油气集输管道的多个检测点的传感器组采集的多组传感器数据，其中，多组所述传感器数据包括温度值、压力值和流量值；将所述多组传感器数据中温度值、压力值和流量值分别按照检测点样本维度排列为温度输入向量、压力输入向量和流量值输入向量；对所述温度输入向量和所述压力输入向量进行按位置点乘以得到温度
‑
压力协同输入向量；将所述温度
‑
压力协同输入向量通过包含第一卷积层和第二卷积层的序列编码器以得到温度
‑
压力协同特征向量；将所述流量值输入向量通过所述包含第一卷积层和第二卷积层的序列编码器以得到流量特征向量；使用高斯密度图来融合所述温度
‑
压力协同特征向量和所述流量特征向量以得到高斯融合密度图；对所述高斯融合密度图进行高斯离散化以得到分类特征矩阵；对所述分类特征矩阵进行类概率密度区分度强化以得到优化分类特征矩阵；以及将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否存在基线偏差。
[0007]在上述油气集输管道基线检测方法中，所述第一卷积层和所述第二卷积层分别使
用具有不同尺度的一维卷积核。
[0008]在上述油气集输管道基线检测方法中，将所述温度
‑
压力协同输入向量通过包含第一卷积层和第二卷积层的序列编码器以得到温度
‑
压力协同特征向量，包括：使用所述序列编码器的第一卷积层对所述温度
‑
压力协同输入向量进行卷积处理、池化处理和非线性激活处理以由所述第一卷积层输出为第一尺度温度
‑
压力特征向量，其中，所述第一卷积层具有第一尺度的一维卷积核；使用所述序列编码器的第二卷积层对所述温度
‑
压力协同输入向量进行卷积处理、池化处理和非线性激活处理以由所述第二卷积层输出为第二尺度温度
‑
压力特征向量，其中，所述第二卷积层具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度；以及，将所述第一尺度温度
‑
压力特征向量和所述第二尺度温度
‑
压力特征向量进行级联以得到所述温度
‑
压力协同特征向量。
[0009]在上述油气集输管道基线检测方法中，将所述第一尺度温度
‑
压力特征向量和所述第二尺度温度
‑
压力特征向量进行级联以得到所述温度
‑
压力协同特征向量，包括：以如下级联公式将所述第一尺度温度
‑
压力特征向量和所述第二尺度温度
‑
压力特征向量进行级联以得到所述温度
‑
压力协同特征向量；其中，所述级联公式为：，其中，，表示所述第一尺度温度
‑
压力特征向量和所述第二尺度温度
‑
压力特征向量，表示级联函数，表示所述温度
‑
压力协同特征向量。在上述油气集输管道基线检测方法中，使用高斯密度图来融合所述温度
‑
压力协同特征向量和所述流量特征向量以得到高斯融合密度图，包括：使用高斯密度图以如下高斯公式融合所述温度
‑
压力协同特征向量和所述流量特征向量以得到高斯融合密度图；其中，所述高斯公式为：，其中，表示所述温度
‑
压力协同特征向量和所述流量特征向量之间的按位置均值向量，且的每个位置的值表示所述温度
‑
压力协同特征向量和所述流量特征向量中各个位置的特征值之间的方差，表示高斯融合密度图。
[0010]在上述油气集输管道基线检测方法中，对所述分类特征矩阵进行类概率密度区分度强化以得到优化分类特征矩阵，包括：以如下优化公式对所述分类特征矩阵进行类概率密度区分度强化以得到优化分类特征矩阵；其中，所述优化公式为：，其中，和是所述分类特征矩阵中各个位置的特征值集合的均值和标准差，是所述分类特征矩阵的第位置的特征值，且是所述优化分类特征矩阵的第位置的特征值。
[0011]在上述油气集输管道基线检测方法中，将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否存在基线偏差，包括：将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
[0012]与现有技术相比，本申请提供的油气集输管道基线检测方法，其在被监测油气集输管道上设置多个检测点，并在各个检测点设置传感器组（包括温度计、压力计和超声波流
量计），以通过所述各个检测点的传感器组采集所述被监测油气集输管道的多个检测点的多组传感器数据（包括温度值、压力值和流量值），进而使用基于深度学习的智能基线检测模型对所采集的多组传感器数据进行数据处理和分析，以利用所述智能极限检测模型的深度神经网络模型来拟合各个参数项之间的复杂非线性关联，通过这样的方式，将多项参数视为有机的整体且将所述被监测油气集输管道视为整体来进行基线偏差检测，以提高基线偏差的智能性和精准度。
附图说明
[0013]为了更清楚地说明本申请实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种油气集输管道基线检测方法，其特征在于，包括：获取由部署于被监测油气集输管道的多个检测点的传感器组采集的多组传感器数据，其中，多组所述传感器数据包括温度值、压力值和流量值；将所述多组传感器数据中温度值、压力值和流量值分别按照检测点样本维度排列为温度输入向量、压力输入向量和流量值输入向量；对所述温度输入向量和所述压力输入向量进行按位置点乘以得到温度
‑
压力协同输入向量；将所述温度
‑
压力协同输入向量通过包含第一卷积层和第二卷积层的序列编码器以得到温度
‑
压力协同特征向量；将所述流量值输入向量通过所述包含第一卷积层和第二卷积层的序列编码器以得到流量特征向量；使用高斯密度图来融合所述温度
‑
压力协同特征向量和所述流量特征向量以得到高斯融合密度图；对所述高斯融合密度图进行高斯离散化以得到分类特征矩阵；对所述分类特征矩阵进行类概率密度区分度强化以得到优化分类特征矩阵；以及将所述优化分类特征矩阵通过分类器以得到分类结果，所述分类结果用于表示是否存在基线偏差。2.根据权利要求1所述的油气集输管道基线检测方法，其特征在于，所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。3.根据权利要求2所述的油气集输管道基线检测方法，其特征在于，将所述温度
‑
压力协同输入向量通过包含第一卷积层和第二卷积层的序列编码器以得到温度
‑
压力协同特征向量，包括：使用所述序列编码器的第一卷积层对所述温度
‑
压力协同输入向量进行卷积处理、池化处理和非线性激活处理以由所述第一卷积层输出为第一尺度温度
‑
压力特征向量，其中，所述第一卷积层具有第一尺度的一维卷积核；使用所述序列编码器的第二卷积层对所述温度
‑
压力协同输入向量进行卷积处理、池化处理和非线性激活处理以由所述第二卷积层输出为第二尺度温度
‑
压力特征向量，其中，所述第二卷积层具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度；以及将所述第一尺度温度
‑
压力特征向量和所述第二尺度温度
‑
压力特征向量进行级联以得到所述温度
‑
压力协同特征向量。4.根据...

【专利技术属性】
技术研发人员：王东，蒋力，宋俊岩，马建华，
申请(专利权)人：克拉玛依市百事达技术开发有限公司，
类型：发明
国别省市：