一种高压管道气体泄露自动检测装置和检测方法
技术领域
本发明涉及管道检测技术领域，具体为一种高压管道气体泄露自动检测装置和检测方法。
背景技术
我国是现今世界上13个缺水国家之一，污水处理厂的升级改造必须依靠科技进步，自始至终都要有新技术、高科技的保证和支持。在污水处理厂的污水处理过程中，存在大量的高压输气管道。由于老化、腐蚀、密封性差等原因，这些输气管道经常会出现气体泄漏，这会严重影响到正常的污水处理进程，造成人力和资金的损失。当管道发生气体泄漏时，由于管道内外压强相差较大，喷出的气流会引起输气管道的振动和产生较强的空气振动，进而引发蜂鸣声。
在高压管道气体泄漏自动检测技术中，以往的检测技术可以分为三类：第一类，通过检测高压管道周围的声音信号实现气体泄漏的自动检测；第二类，通过检测高压管道的振动或者温度变化实现气体泄漏的自动检测；第三类，通过物理或化学反应检测高压管道周围气体的类型实现气体泄漏的自动检测。污水处理厂的高压气体一般是指空气，所以无法使用第三类方法进行检测，而第一类方法易受到干扰且探测距离有限，所以一般选取第二类方法。在专利(申请号201110272386.8)中，其沿管道纵向按一定间隔排布光纤传感器，通过光纤传感器感应管道振动后，利用沿管道并行排布的通信光纤将振动信号传回控制中心。该方法虽然可以检测管道的振动信号，但是该方法将三个维度的振动信号压缩为一个维度，不能全面的反映管道的振动信号，且没有利用其它类型的信号。在专利(申请号201710790647.2)中，其沿管道周围横向环绕感应环，感应环通过连接带与管道下方的弹性板相连，弹性板上敷设有感应光纤，通过感应光纤检测管道振动，进而检测管道泄漏。在专利(申请号201711424985.0)中，其沿热力管道周围纵向并行排布感应光纤，通过感应光纤感受热力管道的温变和噪声扰动，进而检测管道泄漏。以上两种方法虽然可以检测管道的振动信号，但是它们是一种间接的检测方式，且同样将三个维度的振动信号压缩为一个维度，不能全面准确的反映管道的振动信号，且没有利用其它类型的信号。因此，为了全面准确的检测管道的三维振动信号，并通过融合多种不同类型的信号，实现更高精度的气体泄漏自动检测。本专利通过检测管道的三维振动信号和管道内部的声音信号，利用人工智能检测技术融合多种不同类型的信号，实现了更高精度的气体泄漏自动检测。
发明内容
本发明的目的在于提供一种高压管道气体泄露自动检测装置，包括外套环，所述外套环上设有将外套环紧固在高压管道上的螺钉固定器，所述外套环外缘处设置有镜面反射器，且外套环外侧设有套在高压管道外侧的外壳，所述外壳一端设有外壳支架，所述外壳支架一端设有支撑于水平面的外壳基座，所述外壳内顶部、左侧壁和内底部上均设有干涉测距仪，所述高压管道内部设有声音接收器，且声音接收器通过管道支架固定于高压管道内壁上。
优选的，所述外套环、螺钉固定器和镜面反射器均为刚体。
优选的，所述声音接收器位于高压管道中心位置处，沿管道位置与外部的外套环平齐。
优选的，所述声音接收器和干涉测距仪均通过信号连接于处理器。
本发明还提供了一种高压管道气体泄露自动检测装置的检测方法，具体步骤如下：
S1：首先以固定时长为窗口在来自两个不同位置检测器的八个时域信号上分别截取一段时域信号；
S2：然后针对这八个时域信号分别进行信号变换得到其时频图，该时频图是深度为八的输入图片；
S3：将该时频图送入卷积神经网络，通过特征提取最终得到一个特征矢量；
S4：将此特征矢量送入长短期记忆神经网络，经过长短期记忆神经网络得到其分类结果和拟合结果；
S5：最后以此固定时长的窗口和间隔滑动窗口，重复以上的步骤检测每个窗口的分类结果和拟合结果。
优选的，所述信号变换器是一种能够提取时域信号短时频谱的数学变换，将输入时域信号变换为一一对应的时频图；
所述输入时域信号是来自两个不同位置检测器的八组时域信号，每个检测器包含三组振动信号和一组声音信号。
优选的，所述时频图是针对多组时域信号进行信号变换所产生的时频图。
优选的，所述卷积神经网络是一个包含数个卷积层、池化层和dropout层的神经网络，该网络需要事先使用历史数据进行训练。
优选的，所述特征矢量时频图经过卷积神经网络所生成的一维特征矢量。
优选的，所述长短期记忆神经网络用于对前一步所提取的特征矢量进行分类和拟合，该网络需要事先使用历史数据进行训练。
与现有技术相比，本发明的有益效果是：本发明利用外套环和三组测距器实现了对管道三维振动信号的实时检测，并结合管道内部的实时声音信号，利用人工智能方法实现了高精度的高压管道气体泄漏自动检测和定位。因此本发明解决了无法采集管道的三维振动信号和融合不同类型信号进行高精度气体泄漏自动检测的问题。提高了高压管道气体泄漏自动检测的精度，扩展了高压管道气体泄漏自动检测装置的应用范围。
附图说明
图1为本发明声音接收器安装示意图；
图2为本发明整体安装示意图之一；
图3为本发明整体安装示意图之二；
图4为本发明整体安装示意图之三；
图5为本发明整体安装示意图之四；
图6为本发明检测方法流程图。
图中：1高压管道、2外套环、3螺钉固定器、4镜面反射器、5干涉测距仪、6外壳、7外壳支架、8外壳基座、9处理器、10管内支架、11声音接收器。
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，以下结合具体实施例，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。
实施例1
一种高压管道气体泄露自动检测装置，该装置包括外套环2、螺钉固定器3、镜面反射器4、干涉测距仪5、外壳6、外壳支架7、外壳基座8、处理器9、管内支架10和声音接收器11；
所述外套环2是一种钢制可拆的套环，其并不与管道1直接接触，而是通过螺钉固定器3与高压管道1固定在一起，其上固定有镜面反射器4；
所述螺钉固定器3是一种钢制螺钉，其均匀的分布于外套环2上，通过控制每个螺钉进入外套环2的深度，可以使外套环2固定于管道1上；
所述镜面反射器4是一种钢制正方体，其固定于外套环2的正上方，其表面覆盖有反射镜，可以用于与干涉测距仪5配合，实现精确的相对距离测定；
所述干涉测距仪5是一种激光干涉测距仪，其具有三组，分别固定于外壳6内部，具体位置为相对于镜面反射器4的三维坐标轴上；
所述外壳6是一种钢制外壳，外壳用于固定三组干涉测距仪5；
所述外壳支架7是一种钢制柱体，外壳支架7用于将外壳6和外壳基座8连接在一起；
所述外壳基座8是一种钢制外壳基座，外壳基座8与外壳支架7链接在一起，用于固定外壳6；
所述管内支架10是一种钢制十字架，用于将声音接收器11固定于高压管道1内部；
所述声音接收器11固定于管道1内部正中心的位置，用于监听高压管道1内部的声音信号，其纵向位置与外部的外套环2平齐；
所述处理器9负责收集来自三组干涉测距仪5和一组声音接收器11的连续信号，并结合其它位置的检测器传来的四组检测信号，通过人工智能方法处理这八组信号以得到实时的检测结果；
工作过程为：当高压管道1发生气体泄漏时，高压管道1发生高频振动，并发出蜂鸣声，振动信号和蜂鸣声沿着管道1向两侧传输；振动信号传输至检测器位置时，振动信号通过螺钉固定器3传输至外套环2，外套环2再传输至镜面反射器4，同时三组干涉测距仪5实时的将振动信号记录下来，并传输至处理器9；同时蜂鸣声也沿着高压管道1内部向两侧传输，声音信号传输至检测器位置时，被声音接收器11接收并实时的传输至处理器9；处理器9实时的分析来自两个不同位置检测器的振动信号和声音信号，通过人工智能方法得到气体泄漏与否及具体的泄漏位置，最终泄漏位置只会位于以上两个不同位置检测器之间。
还包含一种基于三维振动和声音的高压管道气体泄露自动检测方法。该方法包括输入时域信号、短时FFT变换、时频图、卷积神经网络、特征矢量、LSTM神经网络、分类结果和拟合结果；
所述的输入时域信号是来自不同位置检测器的八组时域信号，每个检测器包含三组振动信号和一组声音信号；
所述的短时FFT变换是一种加窗平移的傅里叶变换；
所述的时频图是针对输入时域信号进行短时FFT变换所产生的深度为八的时频图；
所述的卷积神经网络是一个包含5个卷积层、5个池化层和1个dropout层的神经网络；
所述的特征矢量是深度为八的时频图经过卷积神经网络所生成的一维特征矢量；
所述LSTM神经网络用于对前一步所提取的特征矢量进行分类和拟合，该网络需要事先使用历史数据进行训练；
所述的分类结果是最终对泄漏与否的判断结果，所述的拟合结果是对最终泄漏位置的估计结果；
信号处理流程为：首先以固定时长为窗口在来自于两个位置的检测装置的八个输入时域信号上分别截取一段时域信号，然后针对这八个时域信号分别进行FFT变换得到深度为八的时频图；将该时频图送入卷积神经网络，通过特征提取最终得到一个特征矢量；将此特征矢量送入LSTM神经网络，经过LSTM神经网络得到其分类结果和拟合结果；最后以此固定时长的窗口和间隔滑动窗口，重复以上的步骤检测每个窗口的分类结果和拟合结果。
工作原理：短时傅里叶变换就是把整个时域过程分解成无数个等长的小过程，每个小过程近似平稳，再进行傅里叶变换，就知道在哪个时间点上出现了什么频率，然后将每个时间点上得到的频率分布曲线列为纵坐标，将时间点列为横坐标，便可以得到一幅时频图。分割时域的过程其实就是在加窗，且窗的长度要适度，窗太宽太窄都有问题。窗太窄，窗内的信号太短，会导致频率分析不够精准，频率分辨率差。窗太宽，时域上又不够精细，时间分辨率低。
递归神经网络(RNN)是一种功能强大的神经网络类型，属于目前最有前途的算法之一，它是唯一具有内部存储器的算法。与许多其他的深度学习算法一样，RNN也相对较旧。LSTM网络是对RNN网络的延伸，其扩展了RNN网络的记忆功能，它非常适合从有很长时间滞后的重要经历中学习。LSTM网路能够将输入信息包含在其存储器中，这很像计算机的内存，其可以从内存中读取、写入和删除信息。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
