一种天然气管道泄漏故障诊断方法、系统、设备及介质技术方案

本发明专利技术提供一种天然气管道泄漏故障诊断方法、系统、设备及介质，所述方法包括：对传感器采集的泄漏声学信号离散化为数字信号，并对其进行归一化处理；构建1D

【技术实现步骤摘要】
一种天然气管道泄漏故障诊断方法、系统、设备及介质


[0001]本专利技术属于天然气管道泄漏故障诊断领域，具体涉及一种天然气管道泄漏故障诊断方法、系统、设备及介质。

技术介绍

[0002]天然气管道因沿线环境复杂存在腐蚀、老化及断裂现象，易造成天然管道泄漏事故。精确识别管道泄漏故障已成为天然气安全领域的研究热点。传统的管道泄漏检测主要通过传感器检测单一泄漏信号变量。然而，造成管道泄漏的内部因素较多，如设备故障、温度、管内压强等，故单一变量的管道泄漏检测方法故障诊断率较低。
[0003]近年来，研究人员利用人工智能技术分析和处理泄漏信号，在管道泄漏故障诊断领域取得了良好效果。当前研究人员常采用统计方法分析管道泄漏信号，利用小波方法进行特征提取，通过训练神经网络得到多分类模型。但不可回避的是上述研究方法仍存在以下问题：(1)主要依赖专家经验和管道泄漏研究领域的先验知识；(2)提取到的故障特征多为浅层特征难以精准表征管道泄漏故障，对含有噪声干扰的特征识别率低、泛化性差；(3)信号受物理特性影响大，例如空压机组、管道、阀门及环境噪声都能使信号发生改变，影响网络模型的特征自学习能力。
[0004]采用深度学习技术替代上述方法，通过自适应学习样本数据的浅层特征和深层特征，可最大程度弱化人工特征提取、专家经验以及先验知识的影响。当前，基于深度学习理论的天然气管道泄漏检测方法尚处于起步阶段，近几年的文献中缺乏直接利用深度学习技术对一维管道泄漏信号的检测研究。同时，考虑到管道泄漏产生的信号特征往往与环境因素或传感器引起的噪声混合在一起，不利于故障识别。

技术实现思路

[0005]本专利技术提出一种天然气管道泄漏故障诊断方法、系统、设备及介质，抑制泄漏信号中的噪声和弱化无关信息，提高天然气管道泄漏的识别精度。
[0006]本专利技术的技术方案如下：
[0007]一种天然气管道泄漏故障诊断方法，包括：
[0008]将传感器采集的泄漏声学信号离散化为数字信号，并对所述数字信号进行归一化处理；
[0009]构建1D
‑
CNN
‑
ATT混合模型；所述1D
‑
CNN
‑
ATT混合模型包括卷积层、非线性激活层、池化层、自注意力机制层、全连接层和分类器；
[0010]采用归一化后的数字信号样本数据训练所述1D
‑
CNN
‑
ATT混合模型，然后将待诊断的数字信号样本数据输入到训练好的1D
‑
CNN
‑
ATT混合模型检测，得到诊断结果。
[0011]进一步的，所述构建1D
‑
CNN
‑
ATT混合模型的步骤为：
[0012]以LeNet
‑
5网络模型作为主体框架，以一维泄漏信号为输入样本数据；其次在不同卷积层设置不同的宽卷积核；然后在池化层后引入自注意力机制；最终建立1D
‑
CNN
‑
ATT混
合模型。
[0013]进一步的，训练所述1D
‑
CNN
‑
ATT混合模型的步骤为：
[0014]S1将样本数据划分为训练集和测试集，以数据样本为输入，以1D
‑
CNN
‑
ATT混合模型对故障类别的判定为输出；
[0015]S2初始化1D
‑
CNN
‑
ATT网络参数；
[0016]S3实现网络模型前向运算；
[0017]S4 1D
‑
CNN
‑
ATT混合模型反向传播，更新权值和阈值；
[0018]S5若1D
‑
CNN
‑
ATT混合模型训练过程满足损失函数要求，则保存权值、阈值作为测试模型；若不满足则继续训练；
[0019]S6将测试集输入测试模型进行天然气管道泄漏故障类型识别训练。
[0020]进一步的，所述步骤S3包括：
[0021]S31卷积层对输入特征图进行局部特征提取；所述卷积层中卷积核尺寸分别设置为{(1,19)、(1,17)、(1,15)}；
[0022]S32池化层对上一层级输出特征向量进行降维处理；
[0023]S33引入自注意力机制去除强噪声和无关分量。
[0024]进一步的，将数据样本中70％数据用于1D
‑
CNN
‑
ATT混合模型，30％数据用于测试模型；将设置1D
‑
CNN
‑
ATT混合模型训练epoch＝200，设置初始化交叉熵损失函数学习率1e
‑
1。
[0025]进一步的，以准确性Acc作为所述1D
‑
CNN
‑
ATT混合模型故障诊断能力的评价指标；
[0026][0027]式中，TP表示正确分类的正实例数量；FP表示错误分类的负实例数量；TN表示正确分类的负实例数；FN表示被错误分类的正实例的数量。
[0028]本专利技术还提供一种天然气管道泄漏故障诊断系统，包括：
[0029]数据处理模块，用于将传感器采集的泄漏声学信号离散化为数字信号，并对所述数字信号进行归一化处理；
[0030]模型构建模块，用于构建1D
‑
CNN
‑
ATT混合模型；所述1D
‑
CNN
‑
ATT混合模型包括卷积层、非线性激活层、池化层、自注意力机制层、全连接层和分类器；
[0031]模型训练诊断模块，用于采用归一化后的数字信号样本数据训练所述1D
‑
CNN
‑
ATT混合模型，然后将待诊断的数字信号样本数据输入到训练好的1D
‑
CNN
‑
ATT混合模型检测，得到诊断结果。
[0032]本专利技术还提供一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据上述的天然气管道泄漏故障诊断方法。
[0033]本专利技术还提供一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的天然气管道泄漏故障诊断方法。
[0034]本专利技术的技术效果：
[0035]本专利技术面向天然气管道泄漏声学信号，提出了结合一维卷积神经网络和自注意力机制的天然气管道泄漏故障诊断方法。通过对离散的声学数字信号样本特征提取，可解决
传统方法故障特征识别率低的问题。由实验结果和对比实验分析可知，本专利技术在1D
‑
CNN中引入自注意力机制，在网络训练过程中可有效抵消样本数据中的噪声干扰，进而提升诊断精度。因1D
‑
CNN
‑
ATT网络模型收敛速度快、参数量小，可便于嵌入硬件本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种天然气管道泄漏故障诊断方法，其特征在于，包括：将传感器采集的泄漏声学信号离散化为数字信号，并对所述数字信号进行归一化处理；构建1D
‑
CNN
‑
ATT混合模型；所述1D
‑
CNN
‑
ATT混合模型包括卷积层、非线性激活层、池化层、自注意力机制层、全连接层和分类器；采用归一化后的数字信号样本数据训练所述1D
‑
CNN
‑
ATT混合模型，然后将待诊断的数字信号样本数据输入到训练好的1D
‑
CNN
‑
ATT混合模型检测，得到诊断结果。2.根据权利要求1所述的天然气管道泄漏故障诊断方法，其特征在于，所述构建1D
‑
CNN
‑
ATT混合模型的步骤为：以LeNet
‑
5网络模型作为主体框架，以一维泄漏信号为输入样本数据；其次在不同卷积层设置不同的宽卷积核；然后在池化层后引入自注意力机制；最终建立1D
‑
CNN
‑
ATT混合模型。3.根据权利要求1所述的天然气管道泄漏故障诊断方法，其特征在于，训练所述1D
‑
CNN
‑
ATT混合模型的步骤为：S1将样本数据划分为训练集和测试集，以数据样本为输入，以1D
‑
CNN
‑
ATT混合模型对故障类别的判定为输出；S2初始化1D
‑
CNN
‑
ATT网络参数；S3实现网络模型前向运算；S4 1D
‑
CNN
‑
ATT混合模型反向传播，更新权值和阈值；S5若1D
‑
CNN
‑
ATT混合模型训练过程满足损失函数要求，则保存权值、阈值作为测试模型；若不满足则继续训练；S6将测试集输入测试模型进行天然气管道泄漏故障类型识别训练。4.根据权利要求3所述的天然气管道泄漏故障诊断方法，其特征在于，所述步骤S3包括：S31卷积层对输入特征图进行局部特征提取；...

【专利技术属性】
技术研发人员：朱鑫，张煜，余超堃，周家辉，姚立忠，罗海军，郭盼，
申请(专利权)人：重庆师范大学，
类型：发明
国别省市：