[发明专利]基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法

说明书

本发明属于管道状态监测领域，公开了一种基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法，包括采集信号，建立数据库；信号处理；搭建AlexNet网络，进行训练和测试；优化AlexNet网络，进行识别等步骤。本发明提供的基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法，可靠性高，实现了全面的长输油气管线泄漏隐患及危险辨识，而且识别率高，此外，还实现了软硬件结合，可不受电流影响对光纤链路上的所有点进行检测。本发明适用于长输油气管线沿线施工扰动及泄漏的识别。

技术领域

本发明属于管道状态监测领域，涉及油气管线沿线施工扰动及泄漏地识别，具体地说是一种基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法。

背景技术

近年来，我国管道运输建设速度突飞猛进，由此暴露出远远落后于管道运输发展的安全预警技术，二者发展的不同步导致近年来管道运输事故频发，给人民生命财产安全带来了重大损失。

目前应用在泄漏检测领域的方法主要包括人工神经网络、支持向量机等等，下面介绍几种被常应用于长输管线信号识别的传统算法：（1）基于BP神经网络的管道泄漏声信号识别方法：BP神经网络是人工神经网络的一种，是一种基于误差反向传播训练的神经网络，优势是在隐含层和节点数足够多的情况下能够逼近任意的映射关系。算法本质是梯度下降法，算法收敛速度慢、相对低效，需要大量特征值选取提升识别率，对于案例选型的要求很高，对样本的依赖性大，必须选择足够典型的样本进行学习，否则会影响预测能力，导致应用与训练的误差。（2）基于小波能量和小波信息熵的管道异常震动时间识别方法：对采集到的声信号进行小波变换，应用小波能量谱进求解不同尺度上的信号能量，将这些能量值按顺序排列形成特征向量进行分析，识别出信号的特征频带进行特征提取，从频率域和能量域对信号特征进行分析，不能刻画时间域上的信号特性，不适用于非平稳信号的分解，对于信噪比低的强噪音背景下的信号、有用信号与噪声频带有重合的信号识别相对难度较大。（3）应用支持向量机（SVM）的光纤预警信号识别分类方法；建立决策树，通过特征值选取创建多维度中的平滑曲面将样本数据进行两类划分，在二分类领域中优势明显，但是在多分类领域中的表现较为逊色。（4）基于径向基（RBF）网络的信号识别方法：径向基神经网络起源于数值分析中的多变量差值的径向基函数算法，是一种前向无反馈神经网络，逼近精度高，但是网络复杂度高、结构庞大、运算量大。

综上所述，在管道泄漏检测过程中，采用神经网络进行识别，对样本选取的典型性、样本数量、特征值的选取要求较高，会存在训练样本少则预测效果差，训练样本过多则容易发生过拟合，算法收敛速度慢等缺点。此外，从信号覆盖范围的角度来看，现有技术对泄漏信号识别的关注的较高，但对全面的人为入侵、挖掘事件等扰动信号的关注较少，保障管线安全运输需要做到“事前预防、及时感知、快速解决”等方面，需要把目光放宽，把握危险预警和泄漏识别，真正做到“预”和“报”。

发明内容

本发明的目的，是要提供一种基于AlexNet网络的长输油气管道沿线施工扰动及泄漏识别方法，以解决传统识别方法需要进行特征值选取的步骤，避免了特征值选取不当导致的识别率下降的问题，并且对扰动信号进行事件的细化分为人工挖掘和机器挖掘，结合泄漏信号，实现全面的长输油气管线泄漏隐患及危险辨识。

本发明为实现上述目的，所采用的技术方法如下：

一种基于AlexNet网络的长输油气管线沿线施工扰动及泄漏识别方法，包括以下步骤：

S1、采集长输油气管线沿线人工挖掘时的施工扰动信号、机器挖掘时的施工扰动信号、管道泄漏信号、环境背景噪音信号和土壤振动信号，建立现场信号数据库，并通过分析相关特点搭建实验室模拟场，模拟油气管道在不同工况下的状态，采集实验室模拟场的实验数据，建立实验室信号数据库；

S2、将现场信号数据库和实验室信号数据库中的信号进行信号处理，得到时域图和频域图；