[发明专利]结合深度学习和多次测量技术的管道泄漏监测及定位方法

权利要求书

1.结合深度学习和多次测量技术的管道泄漏监测及定位方法，其特征在于，包括以下步骤：

S1、采集待测管道的原始数据；

S2、利用小波变换技术对采集到的原始数据进行分解与重构，获得原始数据对应的低频信号和高频信号；

S3、基于原始数据的低频信号，通过管道物理参数预测模型预测下一时刻的管道物理参数；

S4、对比管道物理参数预测模型预测得到的管道物理参数与对应时刻及位置的实测管道物理参数，确定当前管道工作状态；

S5、基于原始数据的高频信号，提取修正的物理参数变化时间；

S6、基于原始数据的高频信号及修正的物理参数变化时间，确定管道内压力波的传播速度；

S7、当管道工作状态为异常时，结合管道内压力波的传播速度，对异常位置进行定位，实现管道泄漏监测及定位；

所述步骤S2具体为：

使用有限长的快速衰减的母小波的振荡来表示原始数据，通过对母小波的缩放和平移实现对原始数据的分解与重构，获得原始数据对应的低频信号和高频信号；

所述母小波ψ(t)需要满足的条件为：

在对原始数据进行分解和重构时，母小波的缩放与平移过程表达式为：

式中，ψ_s,u(t)为缩放和平移过程中的母小波，t为时间，u为缩放控制参数，s为平移控制参数。

2.根据权利要求1所述的结合深度学习和多次测量技术的管道泄漏监测及定位方法，其特征在于，所述步骤S1中通过安装在待测管道上游和下游的阀室或场站内的管道参数传感器采集待测管道的原始数据；

所述管道参数传感器包括流量传感器、压力传感器和温度传感器。

3.根据权利要求1所述的结合深度学习和多次测量技术的管道泄漏监测及定位方法，其特征在于，所述步骤S3中的管道物理参数预测模型为基于人工智能构建实现提取管道物理参数功能的深度学习模型；

所述深度学习模型包括多层传感器、卷积神经网络、长期短期记忆网络和混合神经网络；

所述待测管道的上游和下游均对应有若干个管道物理参数预测模型，每个所述管道物理参数预测模型基于输入的原始数据的低频信号中对应位置的管道物理参数，对下一时刻的该位置的管道物理参数进行预测。

4.根据权利要求2所述的结合深度学习和多次测量技术的管道泄漏监测及定位方法，其特征在于，所述步骤S4中的管道工作状态包括正常状态、人工操作状态和异常状态；所述异常状态包括管道泄漏和管道盗窃。

5.根据权利要求1所述的结合深度学习和多次测量技术的管道泄漏监测及定位方法，其特征在于，所述步骤S5具体为：

S51、基于原始数据的高频信号，确定每个物理参数变化时的若干个时间测量值；

S52、对同一物理参数变化时的时间测量值进行统计分析，提取对应的物理参数变化时间。

6.根据权利要求1所述的结合深度学习和多次测量技术的管道泄漏监测及定位方法，其特征在于，所述步骤S6具体为：

确定压力传感器获得的原始数据对应的高频信号中的压力信号，提取压力信号突变时的时间信息，即压力信号参数对应的变化时间，确定管道内压力波的传播速度；

所述传播速度v的计算公式为：

式中，L管道中上游传感器和下游传感器之间的管道长度，t_up为压力波通过上游传感器位置的时间，t_down为压力波通过下游传感器位置的时间。

7.根据权利要求6所述的结合深度学习和多次测量技术的管道泄漏监测及定位方法，其特征在于，所述步骤S7具体为：

S71、通过多次测量技术获取管道异常时产生的负压波通过管道上游传感器和下游传感器位置的时间；

S72、基于压力波的传播速度，根据负压波通过管道上游传感器和下游传感器位置的时间确定管道异常位置，实现管道泄漏监测及定位。

8.根据权利要求7所述的结合深度学习和多次测量技术的管道泄漏监测及定位方法，其特征在于，所述步骤S71具体为：

A1、利用小波变换技术中的母小波对管道异常产生的负压波信号进行分解，并重构出对应的高频信号；

A2、基于负压波对应的高频信号，确定负压波的变化时间，即通过管道上游传感器和下游传感器位置的时间；

所述步骤S72中，管道异常位置的定位公式为：

式中，X为管道异常位置与上游传感器位置之间的距离，t'_up为负压波通过上游传感器位置的时间，t'_down为负压波通过下游传感器位置的时间。