基于相异差和双流扩维图的燃气管网泄漏检测方法及系统

本公开涉及管道信号识别，具体涉及基于相异差和双流扩维图的燃气管网泄漏检测方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

2、管道运输是清洁能源(天然气、石油和自来水)的重要运输方式，城镇输送管网可以经济节能、快速便捷和绿色环保的将清洁能源输送到千家万户。但是因为管道老化、外力破坏和安装缺陷等安全隐患，会造成运输管网的泄漏，严重时会发生爆炸，进而危及人民群众的生命财产安全。一直以来，燃气泄漏是燃气安全领域的重要部分和研究的热点，准确判断泄漏发生对减少经济损失和保证燃气管网正常运行具有重要意义。因在传输过程中泄漏信号受远距离传输和噪声等因素的影响，泄漏检测误报率居高不下，实时全面的准确检测是当前面临的重要挑战。

3、负压波方法是最常见且最具有广泛适应能力的燃气泄漏检测方式，其关键是识别出管道在不同状态下产生的压力波动信号。但由于管道环境的复杂性，往往会包含诸多背景噪声，因此所采集的信号需要进行信号分析与分解。

4、现有技术中，专利文件cn202211289943、cn202210841364和cn202210275468已经使用变分模态分解(variational mode decomposition,vmd)进行信号的预处理，对确定vmd的超参数主要通过本征模态函数(intrinsic mode function,imf)与原始信号的相关系数方法、人工选取经验值方法和中心频率方法。

5、但是发明人发现，现有技术中还存在以下问题：由于管网所采集的信号受远距离传输和复杂背景噪声的影响，无法准确确定vmd的两个超参数—分解层数k和惩罚因子α的最优值，进而无法确保信号分解的准确性，无法选取特征区分程度高的imf。

6、传统机器学习的模型对于复杂的时间序列信号往往难以为继，而大数据时代的深度学习模型对高纬度数据提供了优秀的解决方案。格拉姆角场(gramian angular field,gaf)可以将一维的时间序列扩维至二维的图像数据，进而可引入深度学习网络来进行二维图像数据的学习，可以有效进行管网运行的在线检测以及实时燃气管道的健康评估诊断。现有技术中，专利文件cn202211331412、cn202210244223和cn202210494513已经尝试使用gaf进行故障预警。但是现有技术中的方法未能考虑将深度学习网络结合gaf进行关键特征提取，进而在深度学习网络的表现效果以及提高检测诊断的准确程度上还存在不足。

技术实现思路

1、本公开为了解决上述问题，提出了基于相异差和双流扩维图的燃气管网泄漏检测方法及系统，利用相异差(mutual difference distance,mdd)算法和双流扩维图(dual-flow expansion dimensional maps,dedm)算法，对三种管道工况压力数据通过设计的模糊阶段、优化阶段、裁剪阶段和检测阶段四个阶段进行分析检测，解决燃气管道检测方法中分解层数k、惩罚因子α和特征区分程度高的imf难以确定，深度学习网络表现效果不佳的问题。

2、根据一些实施例，本公开采用如下技术方案：

3、基于相异差和双流扩维图的燃气管网泄漏检测方法，包括：

4、获取燃气管网三种管道运行工况下的运行数据，对运行数据进行预处理获得波动信号；随机选取任意两种工况下的波动信号组成数据样本；

5、针对数据样本，分别通过相异差算法的模糊阶段和优化阶段对所述波动信号进行分解和多层搜寻，确定最优分解层数、特征区分程度高的本征模态函数和最优惩罚因子；

6、将确定的特征区分程度高的本征模态函数通过双流扩维图算法的主链路和副链路进行不同尺度的数据裁剪，获取两种特征图，然后分别通过两条不同的链路来适应不同尺度的特征图识别，将两条链路的输出特征进行交叉排序，最终获取到三种工况下的识别预测概率，进而得到泄漏检测的结果。

7、根据一些实施例，本公开采用如下技术方案：

8、基于相异差和双流扩维图的燃气管网泄漏检测系统，包括：

9、数据获取模块，获取燃气管网三种管道运行工况下的运行数据，对运行数据进行预处理获得波动信号；随机选取任意两种工况下的波动信号组成数据样本；

10、数据处理模块，用于针对数据样本，分别通过相异差算法的模糊阶段和优化阶段对所述波动信号进行分解和多层搜寻，确定最优分解层数、特征区分程度高的本征模态函数和最优惩罚因子；

11、识别模块，用于将确定的特征区分程度高的本征模态函数通过双流扩维图算法的主链路和副链路进行不同尺度的数据裁剪，获取两种特征图，然后分别通过两条不同的链路来适应不同尺度的特征图识别，将两条链路的输出特征进行交叉排序，最终获取到三种工况下的识别预测概率，进而得到泄漏检测的结果。

12、根据一些实施例，本公开采用如下技术方案：

13、一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现所述的基于相异差和双流扩维图的燃气管网泄漏检测方法。

14、根据一些实施例，本公开采用如下技术方案：

15、一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现所述的基于相异差和双流扩维图的燃气管网泄漏检测方法。

16、与现有技术相比，本公开的有益效果为：

17、本公开提供了一种基于相异差和双流扩维图的燃气管网泄漏检测方法，利用两种管道信号识别的算法-相异差(mutual difference distance,mdd)算法和双流扩维图(dual-flow expansion dimensional maps,dedm)算法，共同组成了对城镇燃气管网泄漏的检测方法，解决了分解层数、惩罚因子和特征区分程度高的本征模态函数(intrinsicmode function,imf)难以确定，深度学习网络表现效果不佳的问题。

18、本公开的方法包括四个阶段，模糊阶段、优化阶段、裁剪阶段和检测阶段，在模糊阶段来确定最优分解层数和特征区分程度高的本征模态函数，通过相异差算法在优化阶段确定最优惩罚因子，以提升本征模态函数的特征区分程度，从而提高准确率和增加鲁棒性。再通过双流扩维图算法的裁剪阶段对特征区分程度高的本征模态函数进行数据裁剪，进而得到两种特征图，然后在检测阶段，将得到的两种特征图送入双流扩维图算法的检测阶段，该阶段用来进行不同工况的识别。该算法分别搭建两条不同的链路来适应不同尺度裁剪生成的特征图，两条链路的区别在于使用的卷积层大小和数目的不同。最后，将两条链路的输出特征进行交叉排序，并通过网络层得到最终的预测概率，双流扩维图算法旨在通过数据裁剪和格拉姆角场(gramian angular field,gaf)，将一维的特征行向量转变为二维的特征图，使不同特征之间的变化趋势关系分布在图片的不同区域，以突现不同工况特征的差异，增加关键特征的表现能力。