[发明专利]基于卷积神经网络的输气管线阀门内漏识别装置及方法

权利要求书

1.一种基于卷积神经网络的输气管线阀门内漏识别装置的工作方法，其特征在于，包括以下步骤：

步骤1、基于卷积神经网络来建立输气管线阀门的内漏识别模型；

步骤1.1、采集多工况、多类型阀门内漏信号和非泄漏噪声信号，提取多工况、多类型阀门内漏信号和非泄漏噪声信号的功率谱密度图，建立输气管线阀门内漏识别样本数据库，将样本数据库作为卷积神经网络算法的输入；

步骤1.2、基于独立同分布原则将样本数据库划分为训练集、验证集和测试集；

步骤1.3、对训练集样本进行乱序处理；通过训练集样本来训练内漏识别模型中卷积神经网络算法的模型参数；通过验证集来优化内漏识别模型中卷积神经网络算法的超参数，超参数包括学习速率和批大小，将验证集输入到内漏识别模型中，验证构建的内漏识别模型，并调整内漏识别模型的学习速率和批大小直至内漏识别模型中卷积神经网络算法在验证集上的泛化性能不再提升为止；步骤1.3中卷积神经网络算法包括AlexNet算法、VggNet16算法、GoogLeNet算法和ResNet18算法；AlexNet算法的模型深度为8，参数量为61百万，输入图像尺寸为227像素×227像素；VggNet16算法的模型深度为16，参数量为138百万，输入图像尺寸为224像素×224像素；GoogLeNet算法的模型深度为22，参数量为27百万，输入图像尺寸为224像素×224像素；ResNet18算法的模型深度为18，参数量为11.7百万，输入图像尺寸为224像素×224像素；

步骤1.4、通过测试集来评估内漏识别模型中卷积神经网络算法的泛化性能，若满足要求，则内漏识别模型建立完毕；若不满足要求，则修改内漏识别模型结构或者增加样本数据集的样本量和样本类型，重复执行步骤1.1至步骤1.4，直到满足要求；

步骤2、将基于卷积神经网络的输气管线阀门内漏识别模型编写入阀门内漏检测装置中，依托阀门内漏检测装置在输气站场进行阀门内漏检测；

步骤2.1、通过传感器(1)感测阀门内漏信号或非泄漏噪声信号；

步骤2.2、基于前置信号放大器(2)对阀门内漏信号或非泄漏噪声信号进行放大处理；

步骤2.3、对进行放大处理后的信号进行A/D转换，然后将转换后的数据输送到数据采集器(3)；

步骤2.4、将数据采集器(3)的输出信号发送至计算机(4)的诊断软件和计算机系统中；步骤2.4中诊断软件为基于Labview和matlab编写的软件；诊断软件的工作流程为：Labview提取多工况、多类型阀门内漏信号和非泄漏噪声信号的功率谱密度图，显示内漏信号和非泄漏噪声信号的波形，然后进行信号特征提取，再调用matlab并将功率谱密度图输入到内漏识别模型中；最后输出内漏识别模型的诊断结果，生成诊断报表并显示在Labview的人机交互界面上；诊断软件对内漏识别模型的数据和卷积神经网络算法的超参数进行更新，并保存诊断记录；

步骤2.5、提取步骤2.4输出信号的特征，并输入到构建的内漏识别模型中，得到内漏诊断结果；

一种基于卷积神经网络的输气管线阀门内漏识别装置，包括阀门内漏检测装置；阀门内漏检测装置由传感器(1)、前置信号放大器(2)和数据采集器(3)组成，传感器(1)接入前置信号放大器(2)，前置信号放大器(2)接入数据采集器(3)，数据采集器(3)接入计算机(4)；计算机(4)装有计算机系统和诊断软件；

传感器(1)安装在紧靠待测阀门的下游管道上，传感器(1)与管道之间涂抹有耦合剂，传感器(1)还通过磁力夹具固定；

传感器(1)为窄带谐振式声发射传感器，谐振式声发射传感器谐振频率为22KHz～220KHz，工作温度为-20℃～80℃，峰值灵敏度大于-65dB；传感器(1)的采样频率为200KHz；前置信号放大器(2)为40dB放大器，频带范围为20KHz～2.5MHz，信号增益变动在1dB以内；数据采集器(3)的最大采样率为1MSPs，采用USB口供电，输入通道数为8；

数据采集器(3)的输入通道数为2，数据采集器(3)的单通道采样频率为200KHz；

待测阀门为输气站场关断类阀门，输气站场关断类阀门包括球阀、旋塞阀、闸阀、截止阀和蝶阀。