一种基于机器学习的天然气管道泄漏检测方法

技术领域

本发明涉及管道泄漏检测技术领域，尤其涉及一种基于机器学习的天然气管道泄漏检测方法。

背景技术

天然气泄漏检测是保证城市供气网络安全高效运行的关键，随着工业化和现代化的快速发展，天然气作为一种清洁、高效的能源，在全球范围内的使用越来越广泛，然而，天然气的传输和分配主要依赖于庞大的管道网络，因此，天然气泄漏不仅会造成资源的浪费，还可能引发环境污染和安全事故，最终造成重大损失；所以，天然气管道网络的泄漏检测是一个多学科、多层次、多方面的复杂问题，开发和应用高效、准确的泄漏检测技术和方法是当前行业的一个重要课题。

在现有技术中，泄漏检测方法主要包括声学检测、热成像、气味检测等，这些方法虽然在一定程度上能够实现泄漏的定位和识别，但都存在准确性低、反应速度慢、操作复杂等缺点，在实时检测中效率较低；基于大数据分析的泄漏预测模型可以实时监控管道网络的状态，提前发现可能存在的泄漏风险，专利CN110440144B公开了一种基于压力信号幅值衰减的定位方法，提供了处理复杂数据和检测非显著模式的能力，能够准确地对泄漏和非泄漏工况进行分类，但由于缺少标记数据以及数据不平衡限制了这些前沿技术在天然气管道工程领域的应用，导致数据集存在严重的数据不平衡问题。

发明内容

本发明的目的在于，提供一种基于机器学习的天然气管道泄漏检测方法，解决以上技术问题；

一种基于机器学习的天然气管道泄漏检测方法，包括，

步骤S1，获取天然气管道网络的参数配置，所述参数配置包括所述天然气管道网络的节点的三维坐标；

步骤S2，依据所述天然气管道网络的节点进行建模，以计算泄漏状态和非泄漏状态下天然气的压力数据和温度数据；

步骤S3，依据所述压力数据和所述温度数据建立一自编码器神经网络模型并训练，得到训练后自编码器神经网络模型，对所述训练后自编码器神经网络模型进行性能测试，得到测试后自编码器神经网络模型；

步骤S4，在所述天然气管道网络的节点上部署智能监测装置，并对所述测试后自编码器神经网络模型进行现场测试，得到一气体泄漏检测模型，以检测天然气管道是否泄漏，如果是，则发出警报，如果否，则通过扩充数据集进行模型迭代。

优选地，步骤S1中所述参数配置还包括所述天然气管道的内径、摩擦系数、进口位置、出口位置、阀门位置以及调压器位置。

优选地，所述天然气管道的内径大于等于50mm，所述天然气管道的长度小于等于100km，所述天然气管道网络的节点的数目小于等于20个。

优选地，步骤S2包括，

步骤S21，依据所述天然气管道网络构建一天然气管道模型，以模拟管道空气流动；

步骤S22，通过有向图对所述天然气管道网络进行编码，得到一天然气网络模型，以模拟所述天然气管道网络；

步骤S23，构建一天然气网络计算模型，以计算泄漏状态和非泄漏状态下天然气的所述压力数据和所述温度数据。

优选地，步骤S21中所述管道空气流动的计算式为

其中，p(x,t)表示耦合压力，q(x,t)表示质量通量，x表示沿水平方向的空间坐标，t表示描述动态或时变现象的方程的时间变量，g表示标准重力加速度且g＝9.80665m/s

优选地，步骤S22中所述天然气网络模型的计算式为

其中，i表示所述天然气管道网络的节点的编号(i＝0,1,2,3,……)，j表示所述天然气管道的管段编号(j＝0,1,2,3,……)，ε表示管道，N表示节点。

优选地，步骤S23中所述天然气网络计算模型的计算式为

其中，E(θ)表示参数质量矩阵，A和B分别表示与参数无关的线性向量场分量，C表示线性输出函数，F

优选地，所述压力数据的范围是0.5Bar～5Bar，所述温度数据的范围是-10℃～50℃。

优选地，步骤S4中所述智能监测装置将监测到的数据传输到智能终端，所述智能终端的存储容量至少为1TB，所述智能终端的数据处理速度至少为每秒1000条。

优选地，步骤S4中所述智能监测装置包括压力传感器、温度传感器以及流量传感器。

本发明的有益效果是：由于采用以上技术方案，能全面获取标记数据，解决数据不平衡的问题，实时定位泄漏的位置，效率高，定位准确。

附图说明

图1是本发明基于机器学习的天然气管道泄漏检测方法的步骤图；

图2是本发明步骤S2的示意图；

图3是本发明的泄漏检测全生命周期流程示意图；

图4是本发明的天然气管网结构示意图；

图5是本发明的天然气网络计算模型示意图；

图6是本发明的自动编码器神经网络结构示意图；

图7是本发明天然气管网的传感器分布及泄漏定位示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

一种基于机器学习的天然气管道泄漏检测方法，如图1至图7所示，包括，

步骤S1，获取天然气管道网络的参数配置，参数配置包括天然气管道网络的节点的三维坐标；

步骤S2，依据天然气管道网络的节点进行建模，以计算泄漏状态和非泄漏状态下天然气的压力数据和温度数据；

步骤S3，依据压力数据和温度数据建立一自编码器神经网络模型并训练，得到训练后自编码器神经网络模型，对训练后自编码器神经网络模型进行性能测试，得到测试后自编码器神经网络模型；

步骤S4，在天然气管道网络的节点上部署智能监测装置，并对测试后自编码器神经网络模型进行现场测试，得到一气体泄漏检测模型，以检测天然气管道是否泄漏，如果是，则发出警报，如果否，则通过扩充数据集进行模型迭代。

在现有技术中，随着传感器技术、数据分析和机器学习算法的进步，泄漏检测领域也出现了一系列创新方法，利用物联网(IoT)技术可以实现远程监控，大大提高了检测的效率和准确性，其中，任何泄漏检测系统的设计和评估都需要包含来自真实生产环境下的测量数据集，但燃气公司很少愿意分享他们的私人数据，特别是那些包含泄漏或其他故障标记的数据；此外，训练一个高性能的机器学习模型，还需要获取包括泄漏和非泄漏工况下的平衡数据集，而真实的天然气管道网络在大多数时间内都处于正常使用工况，事故泄漏工况下的样本十分稀缺，进而导致数据集的数据不平衡，因此，如何更好获取标记数据并改善数据不平衡，以实现更高的检测准确性和实时效率，是当前和未来需要解决的关键问题。

具体地，本发明提供一种基于机器学习的天然气管道泄漏检测方法，主要用于天然气泄漏检测，其中，天然气管道网络为城市内中低压天然气管道网络，克服了传统泄漏检测技术中标记数据获取困难和数据不平衡的局限性，集成了模拟数据和真实数据训练的机器学习模型，可实时识别泄漏位置，提高了复杂管网泄漏检测的准确性和效率。

进一步具体地，模型智能监测装置在实际部署后，会持续的监测未标记数据的异常情况，从预测的异常数据中，手动检查并进行标记，添加到数据集中，以迭代改进模型，实现主动学习。

在一种较优的实施例中，步骤S1中参数配置还包括天然气管道的内径、摩擦系数、进口位置、出口位置、阀门位置以及调压器位置。

具体地，获取真实的管道网络的参数配置，包括管线节点的三维坐标、管道内径、摩擦系数、天然气管道进出口、阀门以及调压器在管网中的分布，实现了管网结构数字化，提高了管网规划、设计和维护的效率和准确性，有助于优化管网运行和管理。

在一种较优的实施例中，天然气管道的内径大于等于50mm，天然气管道的长度小于等于100km，天然气管道网络的节点的数目小于等于20个。

具体地，在城市中低压天然气管道网络中，管道内径不小于50mm，管道长度不超过100km，管道网络由多种管材和接头组成，管段的长度和直径受相关国家标准或行业标准的约束，使得管道的安全性增强，在低压天然气管道网络中，管道内径不小于50mm，可以承受更高的压力，减少了管道爆炸的风险，同时，管道长度不超过100km，较短的管道更容易进行维护和管理，避免增加检查和维护工作量。

进一步具体地，较大的管道内径可以增加管道的供气能力，保证城市中低压天然气的供应充足，长管道发生泄漏或其他安全事故的概率可能更高，短管道可以降低整体系统的风险，且较短的管道可以提供更好的灵活性，便于未来扩展或重组管网，以适应城市发展和变化。

更进一步具体地，采用符合国家标准或行业标准的管材和接头，可以提高管道的耐久性，延长管道的使用寿命，这样可以减少管道维修和更换的频率，降低了维护成本，可以根据实际需要进行灵活的布局和调整，提高了管道网络的适应性和可扩展性。

在一种较优的实施例中，如图2所示，步骤S2包括，

步骤S21，依据天然气管道网络构建一天然气管道模型，以模拟管道空气流动；

步骤S22，通过有向图对天然气管道网络进行编码，得到一天然气网络模型，以模拟天然气管道网络；

步骤S23，构建一天然气网络计算模型，以计算泄漏状态和非泄漏状态下天然气的压力数据和温度数据。

具体地，为了解决带标记数据获取困难的问题，采用数值仿真技术生成模拟数据集，采用有向图对天然气网络中不同节点之间的空间关系进行建模，在计算模型中配置模拟工况，生成泄漏与非泄漏工况下的天然气的压力和温度数据。

进一步具体地，由于天然气网络中的节点和管道分布广泛且复杂，实际采集和标记数据非常困难，通过有向图建模和配置模拟工况，可以生成大量的模拟数据，弥补实际数据的不足，从而解决数据获取困难的问题；有向图可以清晰地表示天然气网络中不同节点之间的空间关系，帮助理解系统的结构和运行情况，有助于更好地分析和预测泄漏事件的发生；通过配置模拟工况，可以生成不同工况下的天然气压力和温度数据，用于训练机器学习模型，提高泄漏检测的准确性。

更进一步具体地，步骤S2还包括压力驱动需求模型，该模型描述了节点处气体压力与节点处用气速率之间的关系，基于历史数据获取网络上各个节点的用气需求的高斯分布模型，当获取历史数据存在困难时，可以采用均匀分布初始化各节点的基本需求量，并使用随机高斯分布来生成每个节点的实际需求，有助于更好的模拟真实环境下的天然气管网。

在一种较优的实施例中，步骤S21中管道空气流动的计算式为

其中，p(x,t)表示耦合压力，q(x,t)表示质量通量，x表示沿水平方向的空间坐标，t表示描述动态或时变现象的方程的时间变量，g表示标准重力加速度且g＝9.80665m/s

具体地，如图4所示，天然气管网具有50个管段，即P1至P50，2个进气源，即InletP＝5kPa，以及多个管道连接点，即100至137，管道是天然气输送网络的主要组成单元，由于管道的长度远大于其直径，因此可以选取空间一维模型，用等温欧拉方程模拟连接两个节点长度为L的管道中的气体流动，上式决定了耦合压力p(x,t)和质量通量q(x,t)的演化，忽略温度和压力对管壁的影响，假设管道的物理尺寸为管径d以及导出的截面积

进一步具体地，耦合的偏微分方程也可以被表征为一个非线性的、二维的、一阶双曲的守恒系统，耦合压力满足连续性，质量通量满足动量守恒。

在一种较优的实施例中，步骤S22中天然气网络模型的计算式为

其中，i表示天然气管道网络的节点的编号(i＝0,1,2,3,……)，j表示天然气管道的管段编号(j＝0,1,2,3,……)，ε表示管道，N表示节点。

具体地，使用有限有向图对气体管道网络进行编码，该有向图是由有限集合g＝(N,ε)组成的元组，其中，g表示有限集合，ε表示管道段，N表示连接管道的节点，关联矩阵A∈{-1,0,1}

在一种较优的实施例中，如图5所示，初始状态的p

其中，E(θ)表示参数质量矩阵，A和B分别表示与参数无关的线性向量场分量，C表示线性输出函数，F

具体地，经过空间离散化和降阶简化，可以得到一个计算微元，其表示一个输入输出数量相同的局部系统，由一个常微分方程、一个输出函数和一个初值组成，离散化和降阶简化可以减少计算的复杂性，使得系统的模拟和分析更加高效；通过调整离散化的时间步长和降阶简化的程度，可以在精确性和计算效率之间进行权衡，以满足具体应用的需求；离散化和降阶简化可以将复杂的系统分解为多个微元模型，从而实现系统的模块化和可扩展性；离散化和降阶简化可以将系统的行为可视化，并且更容易理解系统的动态特性和稳定性。

在一种较优的实施例中，压力数据的范围是0.5Bar～5Bar，温度数据的范围是-10℃～50℃。

具体地，采用数值仿真技术生成带标记数据，约束条件为每个仿真周期不超过24小时，生成的数据包括压力范围在0.5Bar～5Bar，温度范围在-10℃～50℃的泄漏与非泄漏工况数据。

进一步具体地，通过数值仿真技术生成数据，可以精确控制数据的范围和分布，确保生成的数据符合预设的约束条件；数值仿真技术可以生成大量的数据，提供了更多样化的数据，丰富了数据集的内容。

更进一步具体地，数值仿真技术可以基于物理模型和实验数据进行仿真计算，生成的数据具有较高的可靠性，可以用于验证和评估算法、模型或系统的性能和准确性。

在一种较优的实施例中，步骤S4中智能监测装置将监测到的数据传输到智能终端，智能终端的存储容量至少为1TB，智能终端的数据处理速度至少为每秒1000条。

具体地，智能终端使用基于4G或更高标准的物联网技术，实时收集传感器数据，系统满足至少1TB的存储和每秒至少1000条数据的处理能力，泄漏检测系统应用于神经网络的输出的异常检测算法，约束为实时响应时间不超过5秒，生成的警报具有至少95％的准确性和不超过5％的误报率，响应速度快，检测结果精确。

更进一步具体地，能实现实时监测和控制，智能终端能够实时接收传感器数据，并通过物联网技术进行处理，使得操作人员可以实时监测检测系统。

在一种较优的实施例中，步骤S4中智能监测装置包括压力传感器、温度传感器以及流量传感器。

具体地，如图7所示，传感器主要分布在管网的关键节点和进气源附近，通过合理的设置传感器在网络中的安装位置，模型可以有效地识别泄漏事件，并较为准确地标记出泄漏点在网络中的区域。

在第一实施例中，如图3所示，是本发明泄漏检测全生命周期流程示意图，包括：

搭建一数据平台，获取天然气管网的参数配置，将管网节点和进出口单元的分布数据化，然后利用仿真技术创建数据集，通过有向图建模，生成温度、压力数据；

在模型算法模块，建立自编码器神经网络模型，对模型进行训练和评估，计算自编码器神经网络模型对正常不泄漏情况下数据集的重构误差RE

若性能不达标，则继续通过预处理后数据进行评估，若性能达标，则发布模型；

在数据采集模块，进行智能终端部署和传感器部署，进行数据采集和通信，通过本地分析或在线分析，将通过性能测试的模型进行现场测试，进行模型微调后进行验收判断，条件为

现场测试关注于F1评分，当测试指标超过验收标准th

在数据监控模块，以弹窗或短信的方式进行警告，模型可以主动学习，由行业专家或算法工程师从预测的异常数据中，手动检查并对这些样本进行标记，将这些新的标记数据添加到数据集，用更多的真实标记数据迭代地改进模型，实现模型迭代。

具体地，为了解决数据不平衡的问题，采用自编码器神经网络模型，在预处理后的数据上训练自编码神经网络，以识别相应的气体泄漏模式，并在计算机模拟环境中使用生成的仿真数据进行初步测试，得到测试后自编码器神经网络模型，保证了模型性能的可靠性和稳定性，帮助模型更好地区分不同的气体泄漏模式，从而提高模型的分类性能；通过减少输入数据的维度来降低模型的复杂度，从而减少过拟合的风险。

进一步具体地，如图6所示，自编码器神经网络包括一个输入层、三个隐藏层和一个输出层，输入层接收来自各种智能终端的数据，即输入x1…xi，隐藏层用于特征抽取和编码，输出层用于重建输入信号并进行泄漏检测，即输出y1…yi；其中第一层和最后一层包含11个神经元，分别对应11个监测点，第二层和第三层将来自11个节点的输入数据编码到一个低维空间，第四层和第五层将来自这个低维空间的数据解码回11个节点，该模型的隐含层包含3个神经元，自编码器神经网络具有从正常样本数据集中检测异常样本的能力，因此只需使用无泄漏工况下的样本进行模型训练，采用自动编码器神经网络对正常无泄漏数据进行重建，通过最小化重建误差得到异常检测模型，当监测区域内存在泄漏事件时，模型会输出较大的重建误差(相比于无泄漏工况)，通过设定合适的阈值可以有效检出区域内泄漏事件。

更进一步具体地，从无泄漏数据集中随机抽取5000个样本，其中80％用于模型的训练，20％用于模型测试和验证，使得训练模型时能有足够的数据来学习模型的参数，并且在测试和验证阶段使用独立的数据来评估模型的性能，能避免模型在训练集上过拟合。

再进一步具体地，神经网络层数不超过5层，且自编码器神经网络的训练周期在50个迭代周期以内，所有训练样本均来源于无泄漏数据集，在训练开始前，对训练集进行标准化处理。

综上，本申请提供一种基于机器学习的天然气管道泄漏检测方法，主要用于天然气泄漏检测，采用数值仿真计算生成泄漏与非泄漏工况下的天然气的压力、温度、流量数据，考虑了管网中实际用气需求波动、数据噪声、泄漏程度，以及空间和时间分布特性，以更准确、全面地获取标记数据；采用自编码器神经网络用于检测不平衡数据中的泄漏工况，只需使用正常使用条件下的数据即可进行训练，有效地解决了数据不平衡问题，从而提高了泄漏检测的准确性；当传感器监测区域内的管道发生泄漏时，具有更高的检测准确性和实时效率，可以使用物联网技术轻松部署到天然气管网中，为城市天然气管网泄漏检测提供了一种鲁棒、准确、经济的解决方案。

以上所述仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。