本發明屬于管道狀態監測領域，公開了一種基于AlexNet網絡的長輸油氣管線沿線施工擾動及泄漏識別方法，包括采集信號，建立數據庫；信號處理；搭建AlexNet網絡，進行訓練和測試；優化AlexNet網絡，進行識別等步驟。本發明提供的基于AlexNet網絡的長輸油氣管線沿線施工擾動及泄漏識別方法，可靠性高，實現了全面的長輸油氣管線泄漏隱患及危險辨識，而且識別率高，此外，還實現了軟硬件結合，可不受電流影響對光纖鏈路上的所有點進行檢測。本發明適用于長輸油氣管線沿線施工擾動及泄漏的識別。

技術領域

本發明屬于管道狀態監測領域，涉及油氣管線沿線施工擾動及泄漏地識別，具體地說是一種基于AlexNet網絡的長輸油氣管線沿線施工擾動及泄漏識別方法。

背景技術

近年來，我國管道運輸建設速度突飛猛進，由此暴露出遠遠落后于管道運輸發展的安全預警技術，二者發展的不同步導致近年來管道運輸事故頻發，給人民生命財產安全帶來了重大損失。

目前應用在泄漏檢測領域的方法主要包括人工神經網絡、支持向量機等等，下面介紹幾種被常應用于長輸管線信號識別的傳統算法：（1）基于BP神經網絡的管道泄漏聲信號識別方法：BP神經網絡是人工神經網絡的一種，是一種基于誤差反向傳播訓練的神經網絡，優勢是在隱含層和節點數足夠多的情況下能夠逼近任意的映射關系。算法本質是梯度下降法，算法收斂速度慢、相對低效，需要大量特征值選取提升識別率，對于案例選型的要求很高，對樣本的依賴性大，必須選擇足夠典型的樣本進行學習，否則會影響預測能力，導致應用與訓練的誤差。（2）基于小波能量和小波信息熵的管道異常震動時間識別方法：對采集到的聲信號進行小波變換，應用小波能量譜進求解不同尺度上的信號能量，將這些能量值按順序排列形成特征向量進行分析，識別出信號的特征頻帶進行特征提取，從頻率域和能量域對信號特征進行分析，不能刻畫時間域上的信號特性，不適用于非平穩信號的分解，對于信噪比低的強噪音背景下的信號、有用信號與噪聲頻帶有重合的信號識別相對難度較大。（3）應用支持向量機（SVM）的光纖預警信號識別分類方法；建立決策樹，通過特征值選取創建多維度中的平滑曲面將樣本數據進行兩類劃分，在二分類領域中優勢明顯，但是在多分類領域中的表現較為遜色。（4）基于徑向基（RBF）網絡的信號識別方法：徑向基神經網絡起源于數值分析中的多變量差值的徑向基函數算法，是一種前向無反饋神經網絡，逼近精度高，但是網絡復雜度高、結構龐大、運算量大。

綜上所述，在管道泄漏檢測過程中，采用神經網絡進行識別，對樣本選取的典型性、樣本數量、特征值的選取要求較高，會存在訓練樣本少則預測效果差，訓練樣本過多則容易發生過擬合，算法收斂速度慢等缺點。此外，從信號覆蓋范圍的角度來看，現有技術對泄漏信號識別的關注的較高，但對全面的人為入侵、挖掘事件等擾動信號的關注較少，保障管線安全運輸需要做到“事前預防、及時感知、快速解決”等方面，需要把目光放寬，把握危險預警和泄漏識別，真正做到“預”和“報”。

發明內容

本發明的目的，是要提供一種基于AlexNet網絡的長輸油氣管道沿線施工擾動及泄漏識別方法，以解決傳統識別方法需要進行特征值選取的步驟，避免了特征值選取不當導致的識別率下降的問題，并且對擾動信號進行事件的細化分為人工挖掘和機器挖掘，結合泄漏信號，實現全面的長輸油氣管線泄漏隱患及危險辨識。

本發明為實現上述目的，所采用的技術方法如下：

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，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；