[发明专利]基于振动和温度双参量的油气管道泄漏检测方法

说明书

本发明公开了一种基于振动和温度双参量的油气管道泄漏检测方法，该方法同时基于油气管道的振动数据和温度数据，在时域和频域两方面，从数据中提取有效的特征值，并利用机器学习方法，从中选择合适的分类器模型，根据所提取的特征值对油气管道泄漏状态做识别，有效地降低了油气管道泄漏监测的漏报率和误报率。

技术领域

本发明涉及分布式光纤传感技术领域，尤其涉及一种基于振动和温度双参量的油气管道泄漏检测方法。

背景技术

油气管道往往具有距离长，铺设地点和环境十分复杂的特点，管道会经过山川、河流、湖泊等多种地形和区域。在这样复杂的环境中，油气管道经过长期运行，会受到多种多样的外界影响，如外界局部腐蚀、第三方施工破坏、自然灾害等，极有可能出现泄漏问题。油气管道一旦出现泄漏，造成的后果十分严重。首先，油气管道泄漏会造成油气资源的损失，其次，若油气管道在乡村或城郊附近发生泄漏，也可能会造成人员伤亡事故。而处理这些工业污染、伤亡事故需要大量的人力和财力资源，这在一定程度上更加深了管道泄漏的危害程度。

目前，用于对油气管道泄漏进行检测的技术主要为分布式光纤温度传感技术和分布式光纤振动传感技术两种。它们分别通过测量由于管道泄漏引起的布设在管道周围光纤的温度或振动情况，实现对管道泄漏的测量。尽管分布式光纤传感技术在此类监测领域已开展一定的工程应用，但目前该方法主要存在两个问题：第一个问题是误报率或漏报率较高。当利用分布式光纤温度传感技术进行检测时，由于传感信号较为微弱，当泄漏量较小，引起泄漏管道附近温度变化较小时，难以及时发现事故，出现漏报；另一方面，当利用分布式光纤振动传感技术进行检测时，又会因为信号对外界微小振动十分敏感，使得当管道附近存在较强的振动干扰时，极易引起误报。第二个问题是泄漏事件识别准确性有待提高。外界的多种因素均会引起光纤传感系统信号的变化，目前常规光纤传感系统只能准确得到相应光信号的具体变化，难以实现对油气管道泄漏的准确检测。

发明内容

针对以上问题，本发明提出一种基于振动和温度双参量的油气管道泄漏检测方法，从而减小油气管道泄漏监测的误报率和漏报率，提高识别准确度。

为实现本发明的目的，通过同时获取温度数据和振动数据，并从中分别提取温度数据特征、振动数据特征，再将特征联合，利用机器学习方法对分类器模型做训练，最后利用训练好的分类器模型做事件识别，实施对油气管道的泄漏监测，提供一种基于振动和温度双参量的油气管道泄漏检测方法，包括如下步骤：

S10，在油气管道周围布设光纤，采用光纤中的瑞利散射光获得多个振动信息，采用光纤中的布里渊散射光同时获得同一状态下多个温度信息，并获取油气管道当前的管道状态，从而得到油气管道的样本振动信息、样本温度信息和样本状态；所述管道状态包括泄漏状态和未泄漏状态；

S20，获取样本温度信息的多个描述特征，将样本温度信息的各个描述特征组成样本温度特征向量；

S30，获取样本振动信息的多个描述特征，将样本振动信息的各个描述特征组成样本振动特征向量；

S40，将样本温度特征向量和样本振动特征向量组合成样本特征向量，根据样本状态确定样本特征向量的样本标签；

S50，返回执行步骤S10至S40，直至获得的样本特征向量超过数量阈值，将所有样本特征向量和各个样本特征向量对应的样本标签划分为训练数据集和测试数据集；其中，所述训练数据集包括多个样本特征向量和各个样本特征向量对应的样本标签；所述测试数据集包括多个样本特征向量和各个样本特征向量对应的样本标签；

S60，采用训练数据集训练初始分类器，得到初始检测模型，将测试数据集的各个样本特征向量分别输入初始检测模型，得到测试数据集中各个样本特征向量的测试结果，比较测试数据集中各个样本特征向量的测试结果与样本标签，得到测试准确率，若测试准确率大于或者等于准确率阈值，将初始检测模型确定为泄漏检测模型；