[发明专利]一种天然气管道泄漏信号人工智能识别方法

权利要求书

1.一种天然气管道泄漏信号人工智能识别方法，采用如下步骤：(1)分布式光纤泄漏预警数据集构建，(2)数据分割，(3)事件标签定义，(4)小波包去噪，(5)CNN网络结构设计与实现，(6)CNN网络训练；

所述分布式光纤泄漏预警数据集是指集输管道泄漏监测面临的外部环境干扰事件；

所述数据分割是指在每个空间采样点随着光脉冲周期触发，沿着时间轴将每个光脉冲触发周期内采集的横向空间信号进行纵向累积，连续累积N条采集的原始信号轨迹，构建得到一个空间N维，时间M维的时空信号矩阵；

所述事件标签定义是指将分割得到的短时事件信号样本贴上其真实标签并添加到数据库中，且将整个数据集按照7:3的比例划分为训练集与测试集；

所述小波包去噪是指在原始短时信号中夹杂了各种各样的噪声，极大的影响了后期的分类识别性能，因此对原始信号降噪显得十分必要，实际一般使用小波分解或小波包分解；

所述CNN网络结构是结合Φ-OTDR一维信号的结构特点，输入直接采用一维信号，中间卷积计算也为一维卷积，分类器使用全连接网络；同时，基于光纤管道事件数据集，使用深度学习开源框架tensorflow和python语言，实现适用于天然气集输管道分布式光纤泄漏信号的监测识别；

所述CNN网络训练是基于上述构建的基本CNN网络结构和初始设置参数进行训练，需要通过大量数据进行网络训练，训练数据经过网络得到预测类别标签，与样本真实类别标签比较得到损失值，以此计算梯度来更新网络参数；

所述网络参数包括权值矩阵与偏置变量，参数更新后重新输入数据重复进行上述过程得到训练好的CNN模型。

2.根据权利要求1所述天然气管道泄漏信号人工智能识别方法，其特征在于，所述分布式光纤泄漏预警数据集为了综合考量泄漏监测系统的性能，将泄漏相关事件单独检测识别，且现场数据采集时各类事件都是分别采集，无混叠情况，未涉及混合事件信号识别。

3.根据权利要求1所述天然气管道泄漏信号人工智能识别方法，其特征在于，所述小波分解基于单边分解的思想，在第一次分解得到信号的低频部分和高频部分后，第二次就只分解低频部分,而高频部分弃掉不用，后续操作依此类推。

4.根据权利要求1所述天然气管道泄漏信号人工智能识别方法，其特征在于，所述小波包分解则类似于二叉树的生长，每一次都会同时分解高低频部分，相对来说提供的信息更加丰富，更加适用于高低频率都有的光纤传感信号。