[发明专利]一种天然气管道泄漏信号人工智能识别方法

说明书

本发明公开了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。涉及高含硫天然气管道泄漏预警系统领域。该天然气管道泄漏信号人工智能识别方法以创新的分布式光纤传感技术为核心，基于CNN进行深度学习。本发明提供的天然气管道泄漏信号人工智能识别方法可对传感信号进行清洗、特征提取、特征选择、模型训练、判别分析等操作，较好地完成了信号的分析处理，在天然气管道泄漏光纤传感信号识别中发挥了重要作用。

技术领域

本发明属于高含硫天然气管道泄漏预警系统领域，具体涉及以创新的分布式光纤传感技术为核心，基于 CNN进行深度学习的一种天然气管道泄漏信号人工智能识别方法。

背景技术

在分布式光纤天然气管道泄漏传感信号的分析处理中，由于长距离、全天候、复杂环境等因素，导致后期收集到的数据庞大、复杂多样、信号人工难以辨别等问题，这使得机器学习成为了分布式光纤天然气管道泄漏传感信号处理的一项必需技术。

近十年来，机器学习在分布式光纤天然气管道泄漏传感信号分析处理中发挥了重要作用，其数据预处理、特征提取、模式识别的流程式处理方法也趋于成熟；但应用机器学习算法需要人工提取信号的可分辨性特征，这往往需要大量的人力物力，然而系统采集到的泄漏信号会随着应用场景、地点的变化而变化，这导致特征工程需要重新更新，泛化性极低。随着深度学习的流行，研究者利用卷积神经网络(Convolutional NeuralNetworks,CNN)集特征提取与识别分类于一体的特点，通过对天然气管道泄漏传感信号进行清洗、特征提取、特征选择、模型训练、判别分析等操作，避免了大量的重复劳动，目前己取得了初步的成果。

发明内容

本发明的目的在于针对现有技术中存在的问题，提供一种天然气管道泄漏信号人工智能识别方法，该方法可通过深度学习有效地对天然气管道泄漏传感信号进行清洗、特征提取、特征选择、模型训练、判别分析等操作，可较好地完成信号分析处理。

本发明的技术方案是：

一种基于 CNN进行深度学习的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 结构和初始设置参数。

具体的，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；

具体的，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；