一种油气管道安全监测方法、系统、装置及存储介质制造方法及图纸

本发明专利技术公开了一种油气管道安全监测方法、系统、装置及存储介质，属于油气管道安全监测领域。其中方法包括：获取通过分布式光纤传感器采集到的振动数据，对所述振动数据进行预处理，获得时空振动数据；采用基于经验阈值、贝叶斯假设检验和K

【技术实现步骤摘要】
一种油气管道安全监测方法、系统、装置及存储介质


[0001]本专利技术涉及油气管道安全监测领域，尤其涉及一种油气管道安全监测方法、系统、装置及存储介质。

技术介绍

[0002]在管道监测领域，对服役管道进行实时监测，既能了解管道的结构健康状态，及时发现管道问题，进行维护或更换管道，从而减少经济损失和环境污染，又能通过信号提早发现管道泄漏或者被人为入侵的行为，做出相应的维护措施。目前常用的方法主要为应力波法、压力波等，一方面，此类方法检测到的信号存在延迟，同时对于事故发生的位置定位差，精度低；另一方面此类方法仅能对管道发生泄漏时进行检测，很难对发生的入侵行为进行识别，既无法实现即对泄漏进行识别，又对入侵行为进行识别。

技术实现思路

[0003]为至少一定程度上解决现有技术中存在的技术问题之一，本专利技术的目的在于提供一种油气管道安全监测方法、系统、装置及存储介质。
[0004]本专利技术所采用的技术方案是：
[0005]一种油气管道安全监测方法，包括以下步骤：
[0006]获取通过分布式光纤传感器采集到的振动数据，对所述振动数据进行预处理，获得时空振动数据；
[0007]采用基于经验阈值、贝叶斯假设检验和K
‑
means均值的联合定位算法，对所述时空振动数据进行异常数据的定位，获得异常的位置序列；
[0008]将异常的位置序列输入预设的分类模型中进行特征提取，根据提取的特征获取异常的类型。
[0009]进一步地，所述对所述振动数据进行预处理，包括：
[0010]对所述振动数据进行数据清洗以及数据降噪处理；
[0011]其中，采用基于小波分解和EMD的联合降噪方法实现数据的降噪。
[0012]进一步地，所述对所述振动数据进行数据降噪处理，包括：
[0013]使用EMD分解振动数据中的振动信号，得到若干个IMF分量{IMF1,IMF2,
…
,IMF
n
}；
[0014]根据PCC相关系数法计算每一个IMF分量与原始信号的相关系数R和相关指数P；
[0015]根据相关系数R和相关指数P筛选出有效的IMF分量；
[0016]对剩余的IMF分量使用小波去噪方法进行处理；
[0017]将去噪后的IMF分量进行重构，获得时空振动数据。
[0018]进一步地，所述对剩余的IMF分量使用小波去噪方法进行处理，包括：
[0019]设计一个自适应的启发式阈值，与原来的启发式阈值相比，根据分解的尺度来动态的适应信号特点，公式如下：
[0020][0021]其中，j为分解尺度，即小波分解的层数，分解的层数由自适应最优分解层选取方法确定；λ
m
为Stein无偏似然阈值；N为预设层小波分解后的小波系数个数，P为该层所有小波系数的平方和。
[0022]进一步地，所述采用基于经验阈值、贝叶斯假设检验和K
‑
means均值的联合定位算法，对所述时空振动数据进行异常数据的定位，获得异常的位置序列，包括：
[0023]A1、设置一个基于经验的阈值T，该经验是根据分布式光纤传感器在正常工作环境下的数据来决定；规定当某一个位置点i的数据超过该阈值T时，把点i上的时间序列进行标记，进而得到可能出现异常的位置序列{X
i
,X
j
,
…
,X
k
}；其中的i、j、k都是可能出现异常的位置点编号；
[0024]A2、设立均值与方差的原假设与备择假设，根据历史数据来获得历史数据的超参数，再输入实时的时空振动数据；当实时的数据出现异常时，备择假设的概率就会大于原假设，由此来检验当前数据是否出现异常，检查出来的序列作为异常的位置序列{X
i
',X
j
',
…
,X
k
'}；
[0025]A3、引入K
‑
means聚类算法，将异常的位置序列{X
i
',X
j
',
…
,X
k
'}划分到几个组中，每个组为一个簇类，达到簇类内相似、簇类间相异的结果；最终通过聚类得到出现异常的位置点。
[0026]进一步地，所述设立均值μ的原假设与备择假设，包括：
[0027]原假设H0:备择假设H1:其中是μ的估计值；ε是均值的浮动值；
[0028]假设的概率如下：
[0029][0030][0031]其中g(μ)为后验概率分布，下面将对g(μ)和估计值进行求解；
[0032]后验概率分布经过验证可得：
[0033]σ2～IGa(υ
n
/2,υ
n
ρ
n2
/2)
[0034]μ|σ2～N(τ
n
,σ2/δ
n
)
[0035]其中方差σ2的独立后验分布为倒伽马分布，均值μ的后验独立分布是服从自由度为υ
n
，位置参数为τ
n
，尺度参数为的t分布；式中的四个超参数的估计值由下求得：
[0036][0037]其中为方差样本集的均值，为方差样本集的修正方差，为均值样本集{μ
i
}的均值，为均值样本集{μ
i
}的方差，由此便能得到υ
n
,ρ
n
,τ
n
,δ
n
的估计值；
[0038]在获取均值μ和方差σ2的后验概率分布后，通过取后验分布的中位数、众位数或者期望作为均值μ和方差σ2估计值，根据倒伽马与t分布的众数与期望公式得到均值μ和方差σ2估计值：
[0039][0040]其中与μ
M
为众数估计值，与μ
E
为期望估计值。
[0041]进一步地，所述分类模型为1D CNN
‑
SVM与SVM分类器结合的分类模型，该分类模型通过以下方式构建获得：
[0042]基于LeNet
‑
5模型先构建一维卷积神经网络作为基准网络，网络的整体结构依次包括：输入层、卷积层C1、最大池化层P1、卷积层C2、最大池化层P2、卷积层C3、平均池化层P3、Dropout层、全连接层FC1以及输出层；对基准网络进行训练，获得CNN模型；
[0043]在得到CNN模型后，去掉CNN模型中的全连接层，将1
‑
D CNN作为一个单纯的特征提取器；得到1
‑
D CNN特征后，以SVM作为分类选择器，实现对分类模型的优化。
[0044]本专利技术所采用的另一技术方案是：
[0045]一种油气管道安全监测系统，包括：
[0046]数据处理模块，用于获取通过分布式光纤传感器采集到的振动数据，对所述振动数据进行预处理，获得时空振动数据；...

【技术保护点】

【技术特征摘要】
1.一种油气管道安全监测方法，其特征在于，包括以下步骤：获取通过分布式光纤传感器采集到的振动数据，对所述振动数据进行预处理，获得时空振动数据；采用基于经验阈值、贝叶斯假设检验和K
‑
means均值的联合定位算法，对所述时空振动数据进行异常数据的定位，获得异常的位置序列；将异常的位置序列输入预设的分类模型中进行特征提取，根据提取的特征获取异常的类型。2.根据权利要求1所述的一种油气管道安全监测方法，其特征在于，所述对所述振动数据进行预处理，包括：对所述振动数据进行数据清洗以及数据降噪处理；其中，采用基于小波分解和EMD的联合降噪方法实现数据的降噪。3.根据权利要求2所述的一种油气管道安全监测方法，其特征在于，所述对所述振动数据进行数据降噪处理，包括：使用EMD分解振动数据中的振动信号，得到若干个IMF分量{IMF1,IMF2,
…
,IMF
n
}；根据PCC相关系数法计算每一个IMF分量与原始信号的相关系数R和相关指数P；根据相关系数R和相关指数P筛选出有效的IMF分量；对剩余的IMF分量使用小波去噪方法进行处理；将去噪后的IMF分量进行重构，获得时空振动数据。4.根据权利要求3所述的一种油气管道安全监测方法，其特征在于，在对剩余的IMF分量使用小波去噪方法进行处理的步骤中，设计一个自适应的启发式阈值，公式如下：其中，j为分解尺度，即小波分解的层数，分解的层数由自适应最优分解层选取方法确定；λ
m
为Stein无偏似然阈值；N为预设层小波分解后的小波系数个数，P为该层所有小波系数的平方和。5.根据权利要求1所述的一种油气管道安全监测方法，其特征在于，所述采用基于经验阈值、贝叶斯假设检验和K
‑
means均值的联合定位算法，对所述时空振动数据进行异常数据的定位，获得异常的位置序列，包括：A1、设置一个基于经验的阈值T；规定当某一个位置点i的数据超过该阈值T时，把点i上的时间序列进行标记，进而得到可能出现异常的位置序列{X
i
,X
j
,
…
,X
k
}；其中i、j、k都是可能出现异常的位置点编号；A2、设立均值与方差的原假设与备择假设，根据历史数据来获得历史数据的超参数，再输入实时的时空振动数据；当实时的数据出现异常时，备择假设的概率就会大于原假设，由此来检验当前数据是否出现异常，检查出来的序列作为异常的位置序列{X
i
',X
j
',
…
,X
k
'}；A3、引入K
‑
means聚类算法，将异常的位置序列{X
i
',X
j
',
…
,X
k
'}划分到几个组中，每个组为一个簇类，达到簇类内相似、簇类间相异的结果；最终通过聚类得到出现异常的位置
点。6.根据权利要求5所述的一种油气管道安全监测方法，其特征在于，所述设立均值μ的原假设与...

【专利技术属性】
技术研发人员：游东东，唐俊雄，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：