[发明专利]基于卷积神经网络的水下管道泄漏声发射检测方法

说明书

本发明公开了一种基于卷积神经网络的水下管道泄漏声发射检测方法，属于管道泄漏检测技术领域，步骤包括：利用声发射传感器采集水下管道的泄漏信号与背景噪声信号，对采集的声发射信号进行数据预处理得到数据集，将数据集划分为训练集和测试集，构建卷积神经网络水下管道泄漏检测模型并对卷积神经网络的超参数进行选择，使用训练集进行卷积神经网络水下管道泄漏检测模型的训练，使用测试集对训练后的卷积神经网络水下管道泄漏检测模型进行测试，即可实现水下管道是否泄漏的判断。本方法能实现水下管道泄漏的精确识别，及时发现水下管道的泄漏，为管道的维修提供很大的帮助。

技术领域

本发明属于管道泄漏检测领域，具体地涉及一种水下管道的泄漏识别方法，尤其涉及一种基于卷积神经网络的水下管道泄漏声发射检测方法。

背景技术

水下管道运输在工业领域的应用十分广泛，尤其是在石油化工行业。然而，由于管道的自然老化、长时间运行导致的磨损、地理和气候变化的影响和人为损坏等原因，管道泄漏成为水下管道安全运输的一大威胁。水下管道泄漏不仅会导致巨大的经济损失，还会造成严重的环境污染和对人类生活的重大影响。综上，对水下管道泄漏检测方法的研究就显得尤为重要。

声发射技术作为最有效的无损检测技术之一，具有精度高、速度快、实施方便等优点，比其他无损检测方法(如示踪气体、红外热像、超声波、电磁扫描等)更适合于管道泄漏检测，为确保管道运输安全提供了有效的技术手段。声发射主要通过检测高压流体通过小孔泄漏时产生的瞬态弹性波，实现管道泄漏状态检测。此检测原理决定了在理论上声发射检测效果与管道输送介质的压力紧密相关，与泄漏量则关系不大，因此可以用于水下管道微孔泄漏的有效检测。

近年来，基于计算机技术的机器学习方法蓬勃发展。人们越来越倾向于借助机器学习方法的强大学习能力实现管道泄漏状态的检测。但是，传统的机器学习方法普遍需要和特征提取方法相结合，才能对声发射信号进行有效识别，这增加了工作量和识别难度。以卷积神经网络为代表的深度学习方法，具有从原始信号中自动提取有用特征的能力，在信号识别方面有很大的优势，但是目前在管道泄漏声发射检测领域的应用还不足。因此，将卷积神经网络应用于水下管道泄漏声发射检测具有很重要的现实意义。

在过去的几年中，深度学习(特别是卷积神经网络(CNN))已成为用于许多图像处理和计算机视觉任务的领先方法。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明的一个目的在于提出一种基于卷积神经网络的水下管道泄漏声发射检测方法，利用卷积神经网络强大的特征提取能力和模式识别能力实现水下管道泄漏状态的识别。

为了实现上述目的，根据本发明实施例提出了一种基于卷积神经网络的水下管道泄漏声发射检测方法，包括以下步骤：

1)利用声发射传感器采集水下管道在不同工况下的泄漏信号与背景噪声信号，分别生成泄漏波形信号和背景噪声泄漏信号；

2)对所述波形泄漏波形信号和所述背景噪声泄漏波形信号进行预处理：

分别将所述波形泄漏波形信号和所述背景噪声泄漏波形信号中的N个连续数据点分割为一个样本，其中N可以表示为N＝A×A，其中A为任意正整数；

所述波形泄漏波形信号和所述背景噪声泄漏波形信号分别生成M个样本，将每个样本转换成大小为A×A的二维图像样本，得到M个二维图像样本，并对每个所述二维图像样本按照种类添加相应的标签；

最终得到的数据集X包括：所述泄漏信号处理得到的M个二维图像样本以及背景噪声信号处理得到的M个二维图像样本；

3)将步骤2)得到的数据集X按照3:1的比例划分为训练集和测试集；

4)通过优化网络结构和超参数，构建卷积神经网络水下管道泄漏检测模型：