[发明专利]基于BP网络用于光纤管道泄漏监测装置的管道安全识别方法

摘要

本发明涉及一种基于BP网络用于光纤管道泄漏监测装置的管道安全识别方法，属于管道监测技术。该过程包括：利用至少双通道的同步数据采集卡采集干涉型分布式光纤管道泄漏监测装置中两路干涉光经光电转换后输出的电压信号。利用小波包分解计算得到检测信号的特征向量。每种侵入事件选择若干采集样本，对BP神经网络进行训练和测试。该模型训练完成之后，系统即可实时采集检测信号，提取信号特征，输入到已训练好的模型在线识别管道沿线发生的异常事件类型，并对异常事件进行定位。本发明的优点主要在于该方法简单易用，系统占用资源小，实时性好，可用多种形式实现。

主权项

1.一种基于BP网络用于光纤管道泄漏监测装置的管道安全识别方法，所述的光纤管道泄漏监测装置为：干涉型分布式光纤管道泄漏监测装置，该装置包括分布式光纤微振动传感器、引导光纤及微振动检测器，微振动检测器由半导体激光二极管光源、光隔离器、两个光电检测器和两个信号调理模块构成，其中两个信号调理模块分别对两个光电检测器检测信号进行信号处理，其作用包括：信号放大、滤波，以上述装置基于BP神经网络识别管道安全的方法，其特征在于包括以下过程：建立危害管道安全事件类型的BP神经网络模式库1)振动信号特征向量提取过程利用通道数大于2的同步数据采集卡，采集光纤管道泄漏监测装置输出的0V～+10V电压信号，将该电压信号经模数转化后的时间序列输入计算机，并对该时间序列进行小波包分解，计算电压信号中部分频率区间上的能量，作为振动信号的特征向量，该振动信号的特征向量提取具体过程包括如下步骤：(1)设振动信号的采样频率为2f，对信号进行j层小波包分解，则形成2j个等宽频带，每个频带区间频宽为f/2j，经小波包分解后，得到j层小波包系数Cj，k m，k＝0，1……2j-1，式中m为小波包空间位置标识，若j层中第k个节点小波包系数长度为n，则m＝0，1……n-1，(2)设j层节点k对应的小波包分解得到的信号频带能量为Tj，k，则有$T_{j,k}=\underset{m}{\Sigma }{\left|C_{j,k}^m\right|}^2---\left(1\right)$ (3)对能量Tj，k进行归一化处理，令$T=\underset{k=0}{\overset{2^j-1}{\Sigma }}{T}_{j,k},(k=\mathrm{0,1},...,2^j-1)---\left(2\right)$ 则有${T_{j,k}}^{\prime }=\frac{T_{j,k}}{\underset{n}{\Sigma }{T}_{j,k}}---\left(3\right)$ 式(3)中T′j，k为对Tj，k归一化处理后的结果，$\left(4\right),T^{\prime }=[{T_1}^{\prime },{T_2}^{\prime },...,{T_n}^{\prime }]---\left(4\right)$ 式(4)中T′即为振动信号的归一化特征向量，该特征向量将作为后续BP神经网络的输入，2)以事件的特征向量为BP神经网络的输入，训练及测试BP神经网络以建立事件模式库所述的危害管道安全事件包括管道开孔泄漏和在管道及光纤上方挖掘破坏等，对包括管道泄漏在内的每种危害管道安全事件选择20个左右采集到0V～+10V的电压信号样本，按照上述特征提取流程提取其特征向量，将提取的信号特征向量作为BP神经网络的输入，对应事件类型作为输出对BP神经网络进行训练，具体训练过程包括：(1)BP神经网络的网络权值和阈值初始值设定：为了避免初始值过大而引起的网络饱和，同时兼顾网络的收敛速度和样本的复杂性，本发明所采用的BP神经网络的权值和阈值项均预先置为均匀分布的较小随机数值，取为-0.5～0.5，(2)BP神经网络的网络拓扑结构选择：本发明中BP神经网络采用三层结构，即输入层、单隐层和输出层，输入层节点数由信号特征向量中元素个数确定，输出层节点数与事件类型个数一致，即系统判断事件类型总数为i，而系统判断事件j(1≤j≤i)发生时，BP神经网络输出的1×i形式的行向量[a0a1...ai ]中仅aj＝1，其他元素均为0，若无异常事件发生系统输出行向量中各元素皆为0，单隐层内节点数应在保证系统逼近精度且情况下尽量少，以提高网络收敛速度，(3)对训练好的BP神经网络进行测试：每种异常事件选取10～20个测试样本，对已训练完毕的BP神经网络进行测试，将采集到的异常事件信号的特征向量输入已训练好的BP神经网络，将BP神经网络经过计算得出的输出与实际的异常事件类型进行对比，并将系统误判事件个数与测试样本总数相除得到系统误判率，若测试结果的误判率小于或等于设计要求的误判率，说明建立的BP神经网络模型满足设计要求，可以用于实际的管道沿线安全监测；若误判率大于设计要求，调整模型参数，重复上述步骤，重新训练和测试BP神经网络模型，直到BP神经网络误判率满足系统设计要求，将完成训练的BP神经网络用于实时监控危害管道安全事件BP神经网络经测试表明满足设计要求后，监控系统即可实时采集预警系统两路光电转换输出的电压信号，提取其中一路振动信号的特征向量，输入BP神经网络实现在线识别油气管道沿线所发生异常事件类型，一旦判断管道沿线发生BP神经网络模式库中存在的异常事件，系统对异常事件进行定位，预警系统发现异常事件后，通过测量两路电信号的时间差来对事发点进行定位，定位原理如式(5)所示$X=\frac{L-v(\mathrm{\Delta t}-\frac{L}{v})}{2}---\left(5\right)$ 式(5)中，X为异常事件事发点沿埋设光缆距光缆首端的距离；L为埋设光缆全长；Δt为两路电信号时差；v为光波在光纤中的传播速度。