[發明專利]基于AlexNet網絡的長輸油氣管線沿線施工擾動及泄漏識別方法在審
| 申請號： | 202110201069.0 | 申請日： | 2021-02-23 |
| 公開（公告）號： | CN112801033A | 公開（公告）日： | 2021-05-14 |
| 發明（設計）人： | 嚴瑞錦;李俊;阮詩怡;劉瑩瑩;田彪;張紫琦;駱宏杰;曹豫其;劉楚琪;秦小川;裴文博;張訢煒 | 申請（專利權）人： | 西安科技大學 |
| 主分類號： | G06K9/00 | 分類號： | G06K9/00;G06K9/62;G06N3/04;G06N3/08;G06F17/14 |
| 代理公司： | 石家莊科誠專利事務所(普通合伙) 13113 | 代理人： | 左燕生;蘇興娟 |
| 地址： | 710000 *** | 國省代碼： | 陜西;61 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 alexnet 網絡 輸油 管線 沿線 施工 擾動 泄漏 識別 方法 | ||
1.一種基于AlexNet網絡的長輸油氣管線沿線施工擾動及泄漏識別方法，其特征在于，包括以下步驟：
S1、采集長輸油氣管線沿線人工挖掘時的施工擾動信號、機器挖掘時的施工擾動信號、管道泄漏信號、環境背景噪音信號和土壤振動信號，建立現場信號數據庫，并通過分析相關特點搭建實驗室模擬場，模擬油氣管道在不同工況下的狀態，采集實驗室模擬場的實驗數據，建立實驗室信號數據庫；
S2、將現場信號數據庫和實驗室信號數據庫中的信號進行信號處理，得到時域圖和頻域圖；
S3、搭建AlexNet網絡，將步驟S2得到的時域圖和頻域圖進行劃分，劃分為訓練集和測試集，使用訓練集訓練AlexNet網絡，使用測試集測試AlexNet網絡的識別率，得到每一類工況的識別率，保存識別結果；
S4、根據AlexNet網絡的識別率的測試結果，調整AlexNet網絡的參數，優化AlexNet網絡，再利用優化后的AlexNet網絡進行長輸油氣管線沿線施工擾動及泄漏的識別，并將結果上傳至上位機進行進行保存和圖像顯示。
2.根據權利要求1所述的基于AlexNet網絡的長輸油氣管線沿線施工擾動及泄漏識別方法，其特征在于，步驟S1中信號采集采用基于Φ-OTDR技術的傳感方法進行采集，油氣運輸管道同溝敷設傳感光纜，油氣運輸管道受到外力時，施加的外力與土壤進行接觸會產生振動信號，該振動信號沿土壤傳播，被分布式微振動光纖傳感器采集，再通過中繼放大器放大，傳輸至傳感光纜，傳感光纜受到外界信號擾動，并通過引導光纜傳輸至光線振動信號檢測裝置：
S11、改變泄漏點直徑、氣液流量、泄漏點周向位置，采集此時的土壤振動信號，并分析上述瞬態操作導致的流量、壓力變化規律與泄漏造成的不同；利用風壓機對管道內空氣進行壓縮，采集此時的土壤振動信號，并持續采集管道后續破裂泄漏的信號；在具有背景噪聲的環境中，進行距管道不同距離實驗模擬，模擬采掘、過車操作下對管道的影響，采集此時的土壤振動信號；
S12、根據上述采集的信號搭建實驗室模擬場。
3.根據權利要求1或2所述的基于AlexNet網絡的長輸油氣管線沿線施工擾動及泄漏識別方法，其特征在于，步驟S2中的信號處理為：
S21、分幀處理：將現場信號數據庫和實驗室信號數據庫中的信號進行分幀處理，得到時域信號；
S22、快速傅里葉變換：將時域信號通過快速傅里葉變換轉化為頻域信號；
S23、濾波器濾波：使用濾波器對頻域信號進行濾波，濾波器是由高阻濾波器和低阻濾波器組成的通過SVM的識別方法進行性能優化的帶通濾波器；
S24、將時域信號繪制成時域圖，將濾波后的頻域信號繪制成頻域圖，均進行壓縮處理，作為AlexNet網絡的輸入。
4.根據權利要求1所述的基于AlexNet網絡的長輸油氣管線沿線施工擾動及泄漏識別方法，其特征在于，步驟S3中AlexNet網絡共有八層，其具體結構為：
第一層為卷積層，將步驟S2中的時域圖和頻域圖作為輸入，采用ReLU為激活函數，核數為96，內核尺寸為11*11,步幅為4*4，輸出矩陣大小為55*55*96，經重疊池化歸一輸出兩組27*27*96的矩陣；
第二層為卷積層，以第一層的輸出作為輸入，核數為256，內核尺寸為5*5，步幅為1*1，輸出矩陣大小為27*27*256，經重疊池化歸一輸出兩組13*13*256的矩陣；
第三層為卷積層，以第二層的輸出作為輸入，核數為384，內核尺寸為3*3，步幅為1*1，輸出矩陣大小為13*13*384；
第四層為卷積層，以第三層的輸出作為輸入，核數為384，內核尺寸為3*3，步幅為1*1，輸出矩陣大小為13*13*384的矩陣；
第五層為卷積層，以第四層的輸出作為輸入，核數為256，內核尺寸為3*3，步幅為1*1，輸出矩陣大小為13*13*256，經重疊池化歸一輸出兩組6*6*256的矩陣；
第六層為全連接層，以第五層的輸出作為輸入，濾波器尺寸為6*6*256，每個濾波器對輸入數據進行卷積運算生成一個運算結果，通過一個神經元輸出這個運算結果；濾波器數量為4096個，通過ReLU激活函數以及dropout運算輸出4096個數據；
第七層為全連接層，以第六層的輸出作為輸入，第六層輸出的4096個數據與第七層的4096個神經元進行全連接，然后經由ReLU和Dropout進行處理后生成4096個數據；
第八層為全連接層，以第七層的輸出作為輸入，第七層輸入的4096個數據與第八層的1000個神經元進行全連接，經過訓練后輸出被訓練的數值。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于西安科技大學，未經西安科技大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.17sss.com.cn/pat/books/202110201069.0/1.html，轉載請聲明來源鉆瓜專利網。
