[发明专利]基于改进VMD和1DCNN的油气管道泄漏检测方法

说明书

本发明涉及的是基于改进VMD和1DCNN的油气管道泄漏检测方法，它包括:一、利用声波传感器采集在正常、泄漏两种工况下天然气管道中的声波信号；二、初始化变分模态分解算法VMD的参数，确定VMD模态数K；三、利用VMD算法对声波信号进行自适应分解，选取其中方差最大的IMF作为有效本征模态函数；四、通过优化网络结构和超参数构建一维卷积神经网络1DCNN管道泄漏检测模型；五、将训练样本输入到1DCNN管道泄漏检测模型中进行训练，使用测试样本测试模型泛化性能，最终获取分类结果检测管道是否发生泄漏。本发明有效解决了VMD方法在分解实际信号时分解数K依赖经验选取的问题，可以准确地发现管道发生泄漏并及时报警。

技术领域

本发明涉及的是信号处理和管道泄漏检测技术领域，具体涉及基于改进 VMD和1DCNN的油气管道泄漏检测方法。

背景技术

随着石油天然气工业的快速发展，管道运输被广泛应用。然而，受到自然 腐蚀、老化，地质灾害和人为破坏等因素的影响，管道泄漏的发生不可避免。 管道泄漏不仅会严重污染环境，还会浪费大量资源，对经济造成损失，甚至会 威胁到生命安全，因此能够发现泄漏，从而采取采用合适的管道泄漏检测技术 对管道进行监测，预防泄漏和及时的发现泄漏，能够有效减少环境的污染和经 济的损失。

声波检测法具有灵敏度高、误报率低、定位精度高、适应性好，安装和维 护费用较低、可以实时检测等优点，是管道泄漏检测的主要检测方法之一。在 声波法泄漏检测过程中，信号的处理和特征提取是对管道进行准确识别的关键。 VMD算法是Dragomiretskiy等人于2014年提出的一种信号自适应分解方法，作 为一种改进经验模式分解方法，具有坚实的数学理论基础，噪声鲁棒性和信号 分离性能也得到了极大提高。VMD参数中模态个数K决定了变分模态分解的分 解层数，对分解结果影响很大，K的取值不准确会导致得到的本征模态函数分 量中包含的噪声较多，目前K值的选取一般依据经验或者试探等方法来确定，无法准确确定模态个数，导致信号分析的效果不好。

随着深度学习近年来的快速发展，开始有学者将深度学习算法用于管道泄 漏检测，而一维卷积神经网络区别于传统卷积神经网络，通过使用一维卷积可 以提取一维信号的特征，且一维卷积和一维池化方法可以更好地识别管道泄漏 与正常信号的特征，利用一维卷积神经网络对管道进行泄漏检测具有很重要的 现实意义。

发明内容

本发明的目的是提供基于改进VMD和1DCNN的油气管道泄漏检测方法， 这种基于改进VMD和1DCNN的油气管道泄漏检测方法用来解决无法准确判断 管道是否发生泄漏的问题。

本发明解决其技术问题所采用的技术方案是：这种基于改进VMD和 1DCNN的油气管道泄漏检测方法包括以下步骤：

步骤一、利用声波传感器采集在正常、泄漏两种工况下天然气管道中的声 波信号；

步骤二、初始化变分模态分解算法VMD的参数，确定VMD模态数K，由 2到N从低到高依次选取K值，N＞2，选择相关系数值最大的模态分量计算其 方差值，并绘制方差的变化曲线，若在当前曲线方差没有峰值且单调递增，则 继续计算K为N+1时，相关系数最大IMF的方差值，并重复以上步骤，根据方 差最大原则，选取方差值最大时候的当前K值作为最佳K值；

步骤三、利用VMD算法对步骤一采集的声波信号进行自适应分解，获取若 干从低频到高频分布的本征模态函数IMF，并计算VMD分解后各个IMFS的方 差值，选取其中方差最大的IMF作为有效本征模态函数；

步骤四、通过优化网络结构和超参数构建一维卷积神经网络1DCNN管道泄 漏检测模型；

步骤五、将步骤三预处理后的声波信号构建训练样本和测试样本，训练样 本输入到步骤四构建的一维卷积神经网络1DCNN管道泄漏检测模型中进行训 练，使用测试样本测试模型泛化性能，最终获取分类结果检测管道是否发生泄 漏。

上述方案中步骤四的具体方法为：