一种基于LSTM循环神经网络的天然气管道泄漏检测方法
技术领域
本发明涉及管线密封性检测检测领域，具体涉及一种基于LSTM循环神经网络的天然气管道泄漏检测方法。
背景技术
天然气是一种安全、清洁和高效的绿色能源，因此天然气及相关行业作为环境保护和经济可持续发展的最佳选择。天然气能源采用长距离管道运输方式，该方式通过管道连接各地区，构成一个复杂、大型的管道运输网系统。管道运输具有成本低、安全性高、节约资源等特点，但并不意味的没有风险。因此，管道运输的安全性是确保输气管道设施的一项重要的考核指标。
天然气管道承载的繁重的运输任务，但是存在如下问题：在管道建设中，管道质量、焊接工艺和施工损伤的缺陷；随着管道使用年限越长，管道的本身受到外界自然因素和人为因素的影响，会出现腐蚀现象。存在上述问题，管道会发生泄漏。由于天然气属于易燃易爆的气体，一旦有管道泄漏发生，直接或间接的影响人们的生活和环境污染，更严重的会造成人员伤亡等。
如何搭建高效、稳定的管道泄漏检测模型，通过采集的信号进行实时检测管道状况，从而使管道运输网系统能够快速、可靠地检测是否发生泄漏的方法是管道泄漏检测的一个研究热点。现有的研究多是利用负压波法，通过压力信号的变化和泄漏点产生的负压波形成的时间差，从而实现泄漏检测，该方法针对于小泄漏检测识别率低，效果达不到预期效果。在面对管道运输网系统复杂性、稳定性等问题时，无法高效、准确的实时检测管道发生泄漏的情况，还需要进一步深入的研究。
发明内容
为了实现上述目的，本发明采用的技术方案是：基于LSTM循环神经网络的天然气管道泄漏检测方法，包括以下步骤：
步骤1：采集管道泄漏音频数据；
步骤2:对所述音频数据采用改进MFCC方法进行特征提取；
步骤3:构建一个基于LSTM循环神经网络的天然气管道泄漏检测模型；
步骤4:对所述管道微泄漏检测模型进行训练及参数优化，并验证模型的鲁棒性。
进一步的，步骤1中采集的管道泄漏音频数据，每段音频的固定时长为1s。
进一步的，步骤2中对音频数据采用改进的梅尔频率倒谱系数方法进行特征提取，包括以下步骤:
步骤2.1：对天然气管道音频信号进行(LMD)分解得到若干PF分量，选择出最优的PF分量；
步骤2.2：对PF分量执行分帧后，每帧数据乘以汉明窗，再通过快速傅里叶变换得到各帧的频谱数据；
步骤2.3：采用Mel刻度滤波器组过滤方法对频谱数据进行平滑处理，消除谐波；
步骤2.4：执行log函数运算并输出对数能量，得到Fbank特征，所述MFCCT特征大小为98×22；
步骤2.5：执行离散余弦变换(DCT)函数运算并输出对数能量，得到LMFCC和ΔLMFCC，所述LMFCC特征大小为98×12和ΔLMFCC特征大小为98×12。
进一步的，步骤2包括，音频数据采用了Fbank特征、LMFCC特征和ΔLMFCC进行模型的验证。
进一步的，步骤4包括，生成一个基于LSTM循环神经网络的天然气管道泄漏检测模型，所述天然气管道泄漏检测模型包括输入门It、遗忘门ft、输出门Ot：
It＝σ(XtWxi+Ht-1Whi+bi)
Ft＝σ(Xtwxf+Ht-1Whf+bf)
Ot＝σ(Xtwxo+Ht-1Wh0+bo)
式中，t是时间步长；Xt为输入，wxi、wxf、wxo、Whi、Whf、Wh0分别为网络权值，bi、bf、bo分别为偏置；Ht-1为上一时间步隐藏状态；σ为激活函数。
所述天然气管道泄漏检测模型中候选记忆细胞的数学模型为：
式中，wxc、Whc为网络权值，bc为偏置。
所述天然气管道泄漏检测模型中记忆细胞的数学模型为：
式中，Ct-1为上一个时刻的记忆细胞。
隐藏状态Ht输出：
Ht＝Otσ(Ct)Ct为t时刻的记忆细胞；
构建n×k的矩阵：
获取Ht特征向量识别出管道泄漏的类型的概率Yi：
Yi＝σ(∑(Ttwt+bt))
式中，wt为网络权值，bt为偏置；
LSTM网络模型的输出，n为时序长度，k为LSTM隐含层输出识别结果。
本发明的有益效果是：与现有技术相比，本申请提供的技术方案，具有的技术效果或优点是：在管道泄漏检测模型的参数优化过程中，基于LSTM循环神经网络的天然气管道泄漏检测方法能够对管道状态进行检测，提高管道泄漏检测的准确性，提供充足的反应时间，降低了安全事故发生的可能性，具有一定的理论研究价值和广阔的应用前景。
附图说明
图1本发明一实施例管道泄漏音频数据的信号图；
图2本发明一实施例的一种改进MFCC的管道数据特征提取方法；
图3本发明一实施例的管道音频数据的特征图；
图4本发明一实施例的LSTM循环神经网络模型的流程图；
图5本发明一实施例的LSTM循环神经网络模型识别效果图；
图6本发明一实施例的一种天然气管道泄漏检测方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面对本发明中英文缩写的含义进行说明：
LSTM：长短时记忆网络，能够有效解决音频信号在CNN神经网络的稳定性差和波动大的问题，而且也能解决RNN无法处理长距离的依赖问题。
MFCC：梅尔频率倒谱系数。
LMD:局域均值分解。
Fbank:滤波器组。
DCT:执行离散余弦变换。
LMFCC:改进MFCC。
ΔLMFCC:改进的MFCC一阶差分。
PF分量:生产函数(ProductionFunction)分量。
Mel刻度滤波器组：梅尔频率滤波器组。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
下面对本发明的图6实施方式进行说明：
一种基于LSTM循环神经网络的天然气管道泄漏检测方法,包括以下步骤：
步骤1：采集的管道泄漏音频数据；
步骤2：音频数据采用改进MFCC方法进行特征提取；
步骤3：设计一种基于LSTM循环神经网络的天然气管道泄漏检测模型；
步骤4：对管道微泄漏检测模型进行训练及参数优化，验证模型的鲁棒性。
下面对本发明的图1实施方式进行说明：
本发明采集的音频数据.wav文件，采集的每段音频数据的时长，经过处理后每段音频数据时长相同为1s。采集的音频数据构成为音频数据集，数据集分为三大类，分别为正常型、干扰无泄漏型和泄漏型，如表1。通过scipy库读取.wav文件进行预处理，得到信号矩阵signal(1,22050)和频率为22050HZ。
表1管道检测数据集
下面对本发明的图2和图3实施方式进行说明：
本发明提出一种改进MFCC方法进行特征提取，有效、合理的获取更有价值的特征值，从而提升了检测管道泄漏的准确性。
语音信号signal通过高通滤波器进行LMD分解、选择PF分量、加窗、FFT、能量谱、Mel刻度滤波器组过滤、能量值取对数等步骤，得出特征Fbank(98，24),其中，滤波器系数取值为0.97、信号帧0.025ms、帧移0.01m、NFFT为512、梅尔频率滤波器组22个，得到Fbank特征(98,22)。在通过DCT变换，得到LMFCC(98,12)和ΔLMFCC(98,12)。
下面对本发明的图4和图5实施方式进行说明：
本发明基于深度学习的算法研究，可以降低外界因素的干扰，同时提高检测管道泄漏的准确性。
LSTM模型的结构，由于本发明是多分类问题，因此输出层采用sigmoid分类器，结果直接识别出管道泄漏的概率。其LSTM的框架结构如表2：
表2 LSTM的框架结构图
LSTM模型有三个门，分别为输入门It、遗忘门Ft、输出门Ot，其数学模型如下：
It＝σ(Xtwxi+Ht-1Whi+bi)
Ft＝σ(XtWxf+Ht-1Whf+bf)
Ot＝σ(Xtwxo+Ht-1Wh0+bo)
式中，t是时间步长；Xt为输入；wxi、wxf、wxo、Whi、Whf、Wh0为网络权值；bi、bf、bo为偏置；Ht-1为上一时间步隐藏状态；σ为sigmoid函数函数。
对模型参数进行初始化，设置隐藏单元的个数为49，批大小为32，并采用梯度下降法进行wxi、wxf、wxo、Whi、Whf、Wh0进行更新。
LSTM计算候选记忆细胞
式中,wxc为网络权值，bc为偏置；σ选择tanh函数。
记忆细胞Ct跟上一时间步记忆细胞和当前时间步候选记忆细胞结合得到的信息，并通过输入门it和遗忘门ft来控制信息的流动，其记忆细胞的数学模型为：
输出门来控制从记忆细胞到隐藏状态Ht，其隐藏状态输出的模型：
Ht＝Otσ(Ct)
式中,σ选择tanh函数。
LSTM网络模型的输出，时序长度为n，LSTM隐含层输出为k，因此得到n×k的矩阵：
Ht特征向量识别出管道泄漏的类型的概率fmax：
fmax＝σ(∑(Ttwt+bt))
式中，wt为网络权值，bt为偏置；
式中,σ选择softmax函数。
通过对模型建立，对管道微泄漏检测模型进行训练及参数优化，学习率为0.001，误差为1e-6，迭代次数为200，截取长度为49，以交叉熵计算误差，并采用Adam优化算法更新设计的管道泄漏模型的参数。验证模型的鲁棒性。通过多次实验验证，实验效果能达到98％，如表3：
表3管道泄漏检测效果
本发明提出一种基于LSTM的管道泄漏检测方法，从而提高了管道微泄漏事故判定的准确率，降低了大型安全事故的发生，提高天然气管道事故抢险效率。
以上所述的具体实施仅为本发明的一种基于LSTM循环神经网络的天然气管道泄漏检测方法，并不用于限制本发明的专利范围，凡是利用本发明思想和原则及附图内容所作的等效结构或等效流程变换，均应包括在本发明的专利保护范围内。
