一种基于多模态数据的油气管道泄漏信号检测方法及系统技术方案

本发明专利技术公开了一种基于多模态数据的油气管道泄漏信号检测方法及系统，包括：采集负压波信号

【技术实现步骤摘要】
一种基于多模态数据的油气管道泄漏信号检测方法及系统


[0001]本专利技术属于深度学习领域，特别是涉及一种基于多模态数据的油气管道泄漏信号检测方法及系统
。

技术介绍

[0002]在能源的各种运输方式中，管道运输由于其运输安全性较高的同时还能达到运输成本低
、
不受季节变化的影响，因此成为能源运输的主流方式
。
特别是随着对石油
、
天然气的需求量增加，油气管道的数量也在不断增加
。
但是随着时间的推移，管道会出现腐蚀及老化的现象，在受到外界干扰的情况下也会产生不同程度的损坏
。
一旦发生管道泄漏，不仅会影响油气的运输，甚至会造成严重的环境污染进而影响人们的生活
。
因此，油气管道泄漏信号的检测对经济以及环境至关重要，也是管道完整性的关键
。
[0003]近几年来，深度学习具有很高的热度，在目标检测
、
图像分类
、
时序信号分析等方面得到了广泛的应用
。Zahoor
等人提出了一种脆弱性指数和一维卷积神经网络流体管道泄漏检测和尺寸识别技术
。Kim
等人提出了一种进行各种流动模拟选择最敏感的变量，在适当范围改变变量从而生成数据集，使用深度神经网络方法对数据进行训练的方法进行泄漏大小和位置的检测
。An
等人提出了一种主动声脉冲压缩技术，将匹配后的滤波信号归一化后输入到一维卷积神经网络中，对管道泄漏进行分类
。<br/>但是，大多数的管道泄漏信号检测往往选取单一的传感器信号，无法采集到全面的信息
。

技术实现思路

[0004]本专利技术的目的是提供一种基于多模态数据的油气管道泄漏信号检测方法及系统，能够解决单一模态信号信息不全面的问题
,
能够通过密集
、
交织的方式对多源特征进行交互跨层融合，充分利用不同模态不同层次信号间的互补能力，进而提高管道泄漏信号的检测精度
,
以解决上述现有技术存在的问题
。
[0005]为实现上述目的，本专利技术提供了一种基于多模态数据的油气管道泄漏信号检测方法，包括：
[0006]采集负压波信号
、
声波信号
、
流量信号并分别转换为图片，对所述图片进行多层特征提取，获得负压波初始特征
、
声波初始特征
、
流量初始特征；
[0007]对所述负压波初始特征
、
所述声波初始特征
、
所述流量初始特征进行特征交互，获得各层的融合特征；
[0008]基于各层的融合特征获得高层聚合特征与低层聚合特征；
[0009]基于所述高层聚合特征与所述低层聚合特征获得中间层聚合特征；
[0010]基于所述中间层聚合特征检测多传感器信号下的油气管道泄漏信号
。
[0011]可选的，对所述图片进行多层特征提取，分别获得五层的负压波初始特征
、
声波初始特征
、
流量初始特征
。
[0012]可选的，获得各层的融合特征的过程包括：对所述负压波初始特征
、
所述声波初始
特征
、
所述流量初始特征的相同层基于关键特征进行逐层跨模态特征交互，获得各层的融合特征
。
[0013]可选的，逐层跨模态特征交互的过程包括：
[0014]基于所述负压波初始特征
、
所述声波初始特征
、
所述流量初始特征，采用逐元素相乘，获得声波初始融合特征
、
全局初始融合特征
、
流量初始融合特征；
[0015]基于所述全局初始融合特征获得初始融合系数；
[0016]基于初始融合系数对所述声波初始融合特征
、
所述全局初始融合特征处理获得声波初始加权特征
、
流量初始加权特征；
[0017]对所述声波初始加权特征
、
流量初始加权特征
、
全局初始融合特征进行特征提取，获得显著特征；
[0018]基于所述显著特征
、
所述声波初始加权特征
、
所述流量初始加权特征获得单层的融合特征
。
[0019]可选的，通过将负压波初始特征分别与声波初始特征
、
流量初始特征进行逐元素相乘获得所述声波初始融合特征
、
所述流量初始融合特征；
[0020]将所述负压波初始特征与所述声波初始特征
、
所述流量初始特征逐元素相乘得到全局初始融合特征
。
[0021]可选的，获得高层聚合特征的过程包括：
[0022]将第四层融合特征
、
第五层融合特征级联后，经过卷积
、
池化
、
批量归一化
、ReLU、
残差操作获得第五聚合特征；
[0023]将第五聚合特征与第四层融合特征级联后，经过卷积
、
池化
、
批量归一化
、ReLU、
残差操作得到高层聚合特征
。
[0024]可选的，获得低层聚合特征的过程包括：
[0025]将第一层融合特征与第二层融合特征级联后，经过卷积
、
池化
、
批量归一化
、ReLU、
残差操作获得第一聚合特征；
[0026]将第一聚合特征与第二融合特征级联后，经过卷积
、
池化
、
批量归一化
、ReLU、
残差操作获得低层聚合特征
。
[0027]可选的，获得中间层聚合特征的过程包括：
[0028]对高层聚合特征与低层聚合特征在中间层即第三层进行级联实现跨层级的信息传递，经过卷积
、
池化
、
批量归一化
、ReLU、
残差操作进一步提取和增强特征得到中间层聚合特征
。
[0029]本专利技术还提供一种基于多模态数据的油气管道泄漏信号检测系统，包括：信号预处理模块
、
初始特征提取模块
、
多模态共识交互模块
、
对称特征聚合模块
、
分类模块；
[0030]所述信号预处理模块用于将采集的负压波信号
、
声波信号
、
流量信号分别转换为图片；
[0031]所述初始特征提取模块用于对所述图片进行多层特征提取；
[0032]所述多模态共识交互模块用于根据多层特征提取的结果获得各层的融合特征；所述多模态共识交互模块包括一个并行注意力模块，用于从像素和全局两个维度进行注意力的分配；
[0033]所本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多模态数据的油气管道泄漏信号检测方法，其特征在于，包括以下步骤：采集负压波信号
、
声波信号
、
流量信号并分别转换为图片，对所述图片进行多层特征提取，获得负压波初始特征
、
声波初始特征
、
流量初始特征；基于所述负压波初始特征
、
所述声波初始特征
、
所述流量初始特征，采用特征交互获得各层的融合特征；基于各层的融合特征获得高层聚合特征与低层聚合特征；基于所述高层聚合特征与所述低层聚合特征获得中间层聚合特征；基于所述中间层聚合特征检测多传感器信号下的油气管道泄漏信号
。2.
根据权利要求1所述的基于多模态数据的油气管道泄漏信号检测方法，其特征在于，对所述图片进行多层特征提取，分别获得五层的负压波初始特征
、
声波初始特征
、
流量初始特征
。3.
根据权利要求1所述的基于多模态数据的油气管道泄漏信号检测方法，其特征在于，获得各层的融合特征的过程包括：对所述负压波初始特征
、
所述声波初始特征
、
所述流量初始特征的相同层基于关键特征进行逐层跨模态特征交互，获得各层的融合特征
。4.
根据权利要求3所述的基于多模态数据的油气管道泄漏信号检测方法，其特征在于，逐层跨模态特征交互的过程包括：基于所述负压波初始特征
、
所述声波初始特征
、
所述流量初始特征，采用逐元素相乘，获得声波初始融合特征
、
全局初始融合特征
、
流量初始融合特征；基于所述全局初始融合特征获得初始融合系数；基于初始融合系数对所述声波初始融合特征
、
所述全局初始融合特征处理获得声波初始加权特征
、
流量初始加权特征；对所述声波初始加权特征
、
流量初始加权特征
、
全局初始融合特征进行特征提取，获得显著特征；基于所述显著特征
、
所述声波初始加权特征
、
所述流量初始加权特征获得单层的融合特征
。5.
根据权利要求4所述的基于多模态数据的油气管道泄漏信号检测方法，其特征在于，通过将负压波初始特征分别与声波初始特征
、
流量初始特征进行逐元素相乘获得所述声波初始融合特征
、
所述流量初始融合特征；将所述负压波初始特征与所述声波初始特征
、
所述流量初始特征逐元素相乘得到全局初始融合特征
。6.
根...

【专利技术属性】
技术研发人员：刘伟，叶晓慧，闫文迪，毕洪波，刘海旭，孙雨，
申请(专利权)人：东北石油大学三亚海洋油气研究院，
类型：发明
国别省市：