基于CNN的供热管道泄漏识别方法研究 马广兴.pdf

该【基于CNN的供热管道泄漏识别方法研究 马广兴 】是由【学习的一点】上传分享，文档一共【10】页，该文档可以免费在线阅读，需要了解更多关于【基于CNN的供热管道泄漏识别方法研究 马广兴 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。电子测量技术
ElectronicMeasurementTechnology
ISSN1002-7300,CN11-2175/TN
《电子测量技术》网络首发论文
题目:基于CNN的供热管道泄漏识别方法研究
作者:马广兴,曲波,常琛,卞浩然
网络首发日期:2022-07-26
引用格式:马广兴,曲波,常琛,
[J/OL].电子测量技术.
.
网络首发:在编辑部工作流程中,稿件从录用到出版要经历录用定稿、排版定稿、整期汇编定稿等阶
段。录用定稿指内容已经确定,且通过同行评议、主编终审同意刊用的稿件。排版定稿指录用定稿按照期
刊特定版式(包括网络呈现版式)排版后的稿件,可暂不确定出版年、卷、期和页码。整期汇编定稿指出
版年、卷、期、页码均已确定的印刷或数字出版的整期汇编稿件。录用定稿网络首发稿件内容必须符合《出
版管理条例》和《期刊出版管理规定》的有关规定;学术研究成果具有创新性、科学性和先进性,符合编
辑部对刊文的录用要求,不存在学术不端行为及其他侵权行为;稿件内容应基本符合国家有关书刊编辑、
出版的技术标准,正确使用和统一规范语言文字、符号、数字、外文字母、法定计量单位及地图标注等。
为确保录用定稿网络首发的严肃性,录用定稿一经发布,不得修改论文题目、作者、机构名称和学术内容,
只可基于编辑规范进行少量文字的修改。
出版确认:纸质期刊编辑部通过与《中国学术期刊(光盘版)》电子杂志社有限公司签约,在《中台上创办与纸质期刊内容一致的网络版,以单篇或整期出版形式,在印刷
出版之前刊发论文的录用定稿、排版定稿、整期汇编定稿。因为《中国学术期刊(网络版)》是国家新闻出
版广电总局批准的网络连续型出版物(ISSN2096-4188,CN11-6037/Z),所以签约期刊的网络版上网络首
发论文视为正式出版。
网络首发时间:2022-07-2614:48:30
网络首发地址:.
基于CNN的供热管道泄漏识别方法研究
马广兴1,2,曲波1,常琛1,卞浩然1
(,内蒙古呼和浩特010050;)
()
摘要:为了快速识别出供热管道泄漏故障,以管道泄漏时产生的负压波特征,研究提出了利用卷积神经网络(CNN)识
别压力数据的管道漏损诊断方法。通过搭建供热管道实验平台,采集了正常、泄漏、调阀三种工况下的压力数据作为卷积
神经网络的训练集和测试集。对原始数据进行小波降噪处理,应用硬阈值的处理方法有效消除了噪声信号,同时在调阀工
况中出现了强化特征,增强了卷积神经网络的分类能力。针对一维数据特征采用改进的AlexNet卷积网络模型对采集的数
据进行学习及识别。结果发现,在对实验室数据测试中,%。在对实际管网的验证中,
三个热力站的泄漏数据均被正确识别,表明CNN模型具备良好的故障诊断能力。
关键词:泄漏检测;小波去噪;卷积神经网络;负压波
中图法分类号:TU995;文献标志码:A国家标准学科分类代码:
ResearchonleakageidentificationmethodofheatingpipelinebasedonCNN
MaGuangxing1,2,QuBo1,ChangChen1,BianHaoran1
(,InnerMongoliaUniversityofTechnology,Hohhot010050,China)
(
HohhotMetroIndustrialCo.,Ltd)
Abstract:Inordertoquicklyidentifytheleakagefaultofheatingpipeline,amethodofpipelineleakagediagnosisusing
convolutionalneuralnetwork(CNN)toidentifythepressuredatawasproposedforthenegativepressurewavecharacteristicsof
,thepressuredataundernormal,leakageandregulating

wavelet,,theenhancement
featureappearsinthevalvecondition,

%,theleakage
dataofthethreethermalstationswerecorrectlyidentified,indicatingthattheCNNmodelhasgoodfaultdiagnosisability.
Keywords:leakdetection;Waveletdenoising;CNN;negativepressurewave
技术的使用规模。
0引言基于软件的方法是利用采集的数据进行的数据分
析,其中极具代表性的有负压波检测法和神经网络法
[10]
随着供热管道规模的扩大和使用年限的增加不可避。负压波检测法具有成本低、灵敏度高、定位精度准
免的会发生泄漏问题,管道腐蚀和机械冲击是造成泄漏等特点,但其不足在于经常受到调节工况的干扰而引起
[11]
的重要原因[1,2]。为了检测出管道泄漏问题,众多管道误报。而神经网络的方法因其强大数据学习能力具备
泄漏检测技术被开发使用,其中利用人工智能技术提高一定的自适应性,因此近年来备受学者的青睐。在泄漏
泄漏故障检测效率受到广泛关注。诊断方面通过神经网络结合不同类型的信号进行识别被
现阶段用于实际的管道泄漏检测技术可分为两类:证明是有效的。早期BP神经网络方法通过结合空间结
基于硬件的方法和基于软件的方法。基于硬件检测的方构的管网泄漏工况水力计算模型,可以判断出泄漏管段
[12]
法如光纤检测法[3]、声学检测法[4-6]、红外线成像法[7,。然而Bp神经网络中存在收敛慢,易出现局部极值
8]、漏磁检测法[9]等在使用过程中成熟稳定,但该类的问题,尽管可以通过优化算法提高识别能力。但Bp
方法投入成本较高或人工依赖性强,限制了这类神经网络方法由于管网空间拓扑结构复杂且神经网络训

练的目标管网固定,对于变化的管网系统预测的泛化能
阀门调节工况

力有待提升。深度学习算法是神经网络发展的又一里程泄漏工况

碑,随着算法模型功能性的增强,各类方法被不断尝

试。以物理原理为指导训练的LSTM模型在测试中表现

出了优异的精度,但是基于特定的物理过程训练的模型压力(MPa)

[13]
无法适应管网中复杂的流态变化。
[14]
%的准确率,
学习参数较多,不易于扩展到不同的管网。
01020304050607080
经网络的方法将声信号图像分类,诊断结果表明卷积网时间(s)
络模型对低泄漏的诊断有效[15],但是声信号与压力信号图2调阀与泄漏工况压降曲线对比图
相比更容易受到外界干扰。总体而言,神经网络在信号
mv0
的分类识别上表现出了良好的诊断能力,选择合适的神pv0(1)
2m
经网络和信号种类对管道的故障诊断有重要影响。
综上所述,本文提出了一种基于一维卷积神经网络式中:
的供热管道泄漏诊断模型,用于识别管道泄漏时的负压v-为负压波波速,m/s;
为管道泄漏前的流速,m/s;
波,进而判断管道是否发生泄漏,降低误报率。v0
m-为泄漏率;
p-为泄漏点处的压力变化,Pa。
1理论研究0
。在阀
供热管道突然发生泄漏时,泄漏处管道内外会产生门关小的过程中,阀门的流阻系数会随之增加,阀后
压差,由于液体流动的连续性,管道中介质的流动速度压力相应减小,见公式(2)。而阀门在开度减小的过
不会发生瞬时改变,但在泄漏点介质会从管道上、下游程中,流场变得复杂,会伴随着出现涡流,导致冲击
向泄漏点补充,并在该位置上产生瞬间的压降,此后产与振动。
生的压降以声速向管道上、下游扩散,这种扩散被称为
11062KQ
负压波。利用负压波到达上下游的时间差最终可判断泄(2)
p2
漏位置,负压波检测原理见图1。2A
式中:
p为阀门的压降,MPa
为流体密度,kg/m3;
K为流阻系数;
,㎡;
事实上在管网系统中不只是泄漏会产生瞬态负压Q为流量,kg/s。
波,如阀门突然调节也会产生负压波,因此容易导致所以阀门影响下的压降与管道泄漏的负压波引起的
负压波法在模式识别上的误报,如图2。对比起始压力压降在作用机理上不同,决定压力下降幅度的影响参数
和结束压力相近的两种工况,调阀与泄漏情况下的压也不相同。同时,两者在压降的过程中具有各自的流场
力下降曲线在斜率变化上出现不同特征,但人工很难特征,压力在下降过程中会表现出不同的时间压力轨
判断。传统的方法需根据流量、压力两个参数共同判迹。
定是否为泄漏,
[16]
报警。造成两种工况下的压降曲线差异的主要原因研究将采集的压力信号将载入卷积网络作为输入信
是两者的作用机理和影响参数均不相同。管道泄漏引息,带有噪声的信号会出现的不规则震荡会干扰神经网
起的压降是管内外压差和液体连续性共同作用的结络的分类,因此需要进行小波的去噪处理。
果。其压降与管道流速、负压波传递的波速及泄漏率小波分析是一种时域和频域的分析方法。母小波经
的关系,见公式(1)。在某一系统中,流量一定即管过平移和伸缩操作后产生的函数簇即小波基函数与原信
内流速一定,负压波的传递速度在固定的管道中可视号的卷积运算可以得到小波系数,数学表达式为:
为固定值,决定管道压降的变量取决于泄漏量。
卷积层的提取数据特征的作用方式是通过卷积运
1tn
()
WTmnxttx(,)()d3算,使相同的卷积核根据固定的步长遍历数据。卷积核
m
m每遍历一个位置就和前一层中的神经元执行卷积运算,
式中m为尺度因子,其作用是对母小波函数做伸缩;n它是将矩阵中相同位置的元素直接相乘,然后求和的过
是平移因子反映平移的参数。(x)为母小波。程。在一维卷积神经网络中按照这个运算逻辑将卷积核
如果在每个可能的尺度下计算小波系数,计算量非矩阵根据步幅值继续向右滑动,直到覆盖整个输入矩
常大,须对小波进行离散化处理。离散小波变换的过程阵,如图4。
需要对参数m和n离散化,在实际应用中将m和n取
幂级数进行离散化,常通过取m=2j、n=2jk(j、k∈
Z)来对尺度因子和偏移因子进行二进离散,其数学表
示如下:
j

2j
Cfttkdtjk,2()2(4)最后,得到卷积后的特征矩阵。在卷积层,输入由

小波去噪是对原始信号的多层分解与重构,在每一一组卷积核卷积得到新的特征映射经过激活函数处理传
层上找到相应的高频和低频的小波系数。高频系数通常递至下一层,这个过程被描述为
代表着含有噪声的成分,低频系数则代表接近真实信号
Xn=f(W*X+nn-1nB)(5)
的成分。通过对小波系数设定阈值实现对高频信号过滤
并保留低频信号,最终重构出去噪后的信号。所以在对其中Xn-1是上层数据经卷积层映射出的新矩阵。
小波去噪的过程中,选择合适的阈值是关键。本文采用
Wn表示卷积核的权矩阵,Bn是该层的偏置矩阵,*表
的是硬阈值处理方法,该方法去除冗余信息方面具有很示离散卷积运算。(fx)是激活函数,采用Relu函
强的过滤能力可以有效降低噪声干扰,同时硬阈值去噪数。
的方法在处理不同工况的信号时可以获取更大差异的输池化层实现的功能则是对输入数据的降维和抽象,
入信号,这有助于提高卷积神经网络的分类能力。通过在空间范围内做维度约减,使模型可以抽取更广范
,同时减少计算量和参数个数。池化采样主要
卷积神经网络(CNN)是一种包含卷积运算的深层分为两种方法:平均池化采样和最大池化采样。本文采
前馈神经网络。传统的神经网络每个神经元权重连接上用的是最大池化。池化过程如图5。
层的所有神经元,所以会出现大量权重值,增加整个网
络的数据量和复杂程度。CNN则具有两个重要特征则是
“局部感知”和“权值共享”,可有效提取数据的特征
同时降低权值数量。完整的卷积网络通常包括卷积层、
池化层、全连接层和输出层。
卷积神经网络的运行流程就是在卷积层进行特征提
取,池化层进行进一步特征概括,最终通过全连接层进
行分类的过程,流程见图3。根据数据的特征不同,卷
积网络需要构建不同深度的网络结构,越复杂的数据越图5池化过程图
最终卷积层和池化层提取的所有特征,在全连接层
需要丰富的网络堆叠方式来提取数据的多层特征。
中以非线性地拟合输入数据用于分类。
2实验研究

研究搭建了供热管网实验台,通过实验模拟管道泄
漏和调节工况,并利用实验采集的数据检验卷积神经网
络诊断的有效性,实验现场图见图6。管段基本特性见
表1,实验设备及参数见表2。管道为长度104m,管径
图3卷积神经网络结构图
为De50。实验管段通过设置水龙头来模拟泄漏点泄漏
工况。泄漏点后端设置高精度压力传感器,电磁流量计
位于泄漏点前端。测点布置见表3。所有设备采集的信2900r/min;配电功率:
号传输至电控柜内的采集模块,经PLC处理最终传输至

上位机,实验系统原理图见图7。由于供水温度不影响
表3测点分布表
负压波的压力变化特征,故实验台采用冷水运行。
测点分布表
测点名称布置位置
泄漏点15m
泄漏点28m
泄漏点311m

本研究通过采集实验室的实验数据,对卷积网络模
型诊断效果进行测试,卷积神经网络的诊断流程见图
8。本次实验共采集数据1500组数据,其中正常工况数
图6实验现场图
据500组,泄漏工况数据500组,调阀工况数据500
组。选取各工况下的400组数据,作为训练集,100组
数据作为测试集。数据采集的长度为1500,采样频率
为50ms。%-%,涵盖了低
泄漏量到高泄漏量,可有效验证神经网络模型在各个泄
漏区间的有效性。调阀数据采用手动调节球阀来采集,
采集过程中阀门相对开度随机起始状态,通过对阀门不
同调节量的操作获取不同程度的调节工况数据。
图7实验原理图
表1管道基本特性表
管道管道
管道特性管内流量负压波波速
长度直径
³/
表2实验设备及参数表
序号设备名称设备参数
1数据采集卡采集速率40kHz
高精度压力量程:0-1MPa;响应时
2
传感器间:100ms
仪表精度:%;量程:
3电磁流量计图8诊断流程图
0-40m³/h采集的数据输入至卷积网络模型前,需经过小波去
流量:³/h;扬程:噪的处理。研究发现原始数据直接输入到卷积网络中难
;转速:以进行分类,识别率较低。这是由于噪声干扰及管道中
4循环水泵
2900r/min;配电功率:微小的压力波动会产生大量的无效特征信息,导致卷积
。所以进行小波去噪是信号识别的关
流量:³/h;扬程:键环节。而后将处理后的信息载入卷积网络模型进行训
5补水泵练,对各类工况进行分类识别。
;转速:
(见图5),分解层数较低时,数据
本文使用的CNN模型是改进后的AlexNet模型。噪点不能有效去除;而分解到10层时数据已经趋于一
AlexNet模型一定程度上解决了模型较深产生的梯度弥条直线,丢失了细微的压力波动特征,所以小波层数的
散的问题,缓减了过拟合现象,增加了模型的泛化能选取原则是寻找噪点去除较好且能反应原信号的分解层
力。但传统的AlexNet模型主要的目标对象是图片,针数,最终采用coif2小波6层分解处理信号。
对管道压力的一维数据,本研究对AlexNet模型做了如
下改进:
(1)卷积核采用了一维卷积核,第一卷积层中原正常工况下小波1层分解
卷积核11×11调整为1×7的结构。不仅是在维度上做
了调整,同时减少了卷积核的宽度,通过小卷积核的滤正常工况下小波3层分解
波可以提取更精细的特征。原结构中通道个数过于庞
正常工况下小波6层分解
大,与处理图片不同,在一维数组中并不需要采用过多
的通道来提取数据特征,对各层的通道数做了缩减,以正常工况下小波10层分解
减少模型不必要的运算。0102030405060
(2)删除了LRN层,因为LRN层的参数需要经过时间(s)
交叉验证,对模型的改善在实践中效果也非常有限,同图9小波去噪分解层数对比图
时还会增加训练时间。
(3)根据数据的复杂程度在全连接层上降低了神经小波去噪的信号剔除掉了大量无用数据特征。从
经元个数,第一个全连接层由原结构的4096个神经单图10、图11中可以看出,正常工况与泄漏工况处理后
元调整至1000个,减少了大量的冗余权值。的曲线基本贴合原信号的曲线。处理后的信号无效噪点
(4)采用Adam进行权值参数优化,该算法采用学被很好的抑制,同时能很好的反映出原信号的主要波动
习率自适应的原则,较学习率固定的随机梯度下降算法,特征。

可以基于训练数据迭代更新神经网络权重,加快神经网原始信号
小波去噪后信号
络的收敛速度且超参数的更新不受梯度伸缩变换的影
响。
对模型调节一般通过加层来弥补性能。
数调节的过程中发现,加深网络结构对结果的影响不压力(MPa)

大,所以针对处理一维数据的AlexNet模型改进措施主010203040506070
时间(s)
要是削减不必要的网络结构,使整个神经网络更为简洁图10正常工况信号去噪前后对比图

高效。改进的AlexNet参数详见表4。原始信号
表4AlexNet模型参数设置表小波去噪后信号
层名称核尺输入输出步长神经网络节点
卷积层1寸*7通道1通道8长3点点数—
池化层11*32—
卷积层11*58161—压力(MPa)
池化层21*32—
卷积层2*16323—010203040506070
13时间(s)
卷积层31*33241—
卷积层41*3641281—图11泄漏工况信号去噪前后对比图
全连接51000
全连接层3500处理后的阀门调节信号与正常、泄漏工况不同,压
全连接层33
力曲线在起始的正常工况段和下降后的稳定段有良好的
层3
3结果与分析贴合度,但在下降段出现了一段不属于原有信号的震
荡。这是由于硬阈值处理的信号在阈值处会出现不连
,进而引起的“伪吉布斯点”,见图12。而这一特
本文选用的coif2小波对数据进行降噪,处理结果点在正常工况和泄漏工况均不会出现。正常工况的压力
如图9。小波分解层数越高,压力信号曲线越平滑,但曲线基本是在一条直线上的缓慢起伏波动。而泄漏工况
分解层数的增加也会将有用信息过滤,所以选择的小波的压力下降段是连续稳定的变化,不存在剧烈的变动,
层数应综合考虑信号的原始信息和去噪程度。通过对压在阈值选取合适的情况下这两种工况的低频小波系数可
以被很好的保留。而阀门调节的信号变化趋势是起始段图14阀门不同调节开度下负压波变化曲线
陡降然后出现一段剧烈变化段之后再缓慢下降至平稳
段,处于剧烈变化的这段曲线经小波去噪后会被解读为
起伏震荡的特征,
处理后引起的过度解析。虽然这是一种偏离正常信号的本文通过采用AlexNet卷积神经网络改进模型用于
处理结果,但在卷积神经网络中可以作为一种强化特管道运行的压力工况进行分类。超参数是影响模型泛化
征,对调阀工况进行分类,这也是本研究选取硬阈值作性能的主要因素之一。通过反复试验,优化了两个超参
为处理方法的重要原因之一。数:学习率和批尺寸。学习率用于控制模型的梯度下降
原始信号率,批尺寸大小用于调整模型的优化程度和速度。多次

试验表明采用批尺寸参数大的准确率要略高于批尺寸小
的,且在训练集和测试集上批尺寸越大损失函数的波动
幅度越小。最终,模型的批量大小和学习率分别设置为
压力(。测试集在不同学习率和批尺寸情况下的
、表6。
010203040506070
时间(s)表5批尺寸大小的确定
图12调阀工况信号去噪前后对比图
批尺寸8163264
%%%%
为了进一步验证通过硬阈值制造的“伪吉布斯”点

来作为强化特征的适用性,对不同泄漏工况和不同调阀
幅度的压力曲线进行对比分析。泄漏工况压力曲线平缓
下降,类似于抛物线的下降轨迹直至稳定后基本成直线表6学习率的确定
状态。随着泄漏量增加,曲线下降幅度随之下降,
下降的斜率也随之增加,%%%%
征未在这类工况里出现,见图13。调阀工况下,
开度的调节影响了压力曲线的下降幅度,但无论是在哪
个调节幅度下,压力曲线都会在斜率剧变处出现震荡,为了观察模型的性能,需要分析损失函数和准确率
如图14。随迭代次数的变化情况,见图15、图16。训练次数在
200时,训练集与测试集的准确率就开始趋于平稳。模

型训练集的损失函数波动较小,最终平稳收敛。模型在
,但在测试集中,损失函数出现了
,这与测试集样本容量有关,但模型的
%以上,具备较强的诊断能
压力(Mpa)。
%
%
%
%

训练集损失函数
020406080100

时间(s)


调阀工况1

调阀工况3
调阀工况4




压力(Mpa)


02004006008001000120014001600


020406080100
时间(s)图15损失函数图


为了检验CNN识别的准确性,选择呼和浩特某供热

训练集准确率单位一次供热管网的历史泄漏数据作为测试对象。2020
测试集准确率
,此次事故中泄漏点
,各站点分布图见图18。




02004006008001000120014001600
迭代次数
图16模型识别准确率图
对模型的单次诊断进行进一步分析,取模型在测试图18供热一次管网平面图
集上最优的参数为最终结果,得到的诊断结果正确率为
%。图17为模型诊断的混淆矩阵图,横坐标代表真泄漏事故发生时,29#、30#、31#站,出现明显的
实值,纵代表预测值,主对角线的数值代表模型预测的压力下降曲线,见图19。图中压力下降段为管网受泄
正确值。可以看出正常工况下的识别率可达100%,其漏影响下的管道压力变化,管道经抢修后,曲线出现陡
中1次调阀工况被诊断为泄漏工况,2次泄漏工况被诊
峭的上升趋势,并恢复到泄漏前的管网压力状态。由于
断为调阀工况。
工业管道的压力表精度有限,采样间隔较长,现场采样
时间为每秒一次,因此曲线出现了一定程度的锯齿,但
整体变化趋势与实验室一致。因此将抢修前的泄漏数据
载入到CNN模型进行验证,测试结果表明三组数据均被
识别为泄漏工况,证明模型具有一定的泛化能力,可以
诊断出实际管网的泄漏工况。
图17混淆矩阵图
29#站压力曲线图
这说明模型对正常工况识别的误报概率很低,而对30#站压力曲线图
31#站压力曲线图
于泄漏和调阀仍然存在一定程度的分类混淆,整体分类
结果可以满足预期。
最终通过10次重复实验来进一步验证模型的鲁棒
性。实验结果见表7,其中模型的最低识别率为98%出压力(MPa)
现2次;%出现5次,为诊断结果中出现
频率最高的;%,出现了
1次;%。最终模型在测试
0200400600800
%,具有较强的分类能时间(min)
力。图19一次供热管网泄漏工况下管道压力图
表7识别准确率
对调阀工况及正常工况进行进一步的识别验证,供
平均识别
识别结果单次识别率热管网对这两类的采样结果见图20。对这两类工况进
率
行了五次独立试验,其中随机选取五组正常工况下数据
识别准确率98%%%%
%载入至CNN模型;调阀工况的数据通过调节电磁阀获
出现结果次数2521
得,采集过程中选取不同起始开度调整至标准开度的数
据,并将其载入CNN模型。
度。在调阀工况下,采用硬阈值的方法处理,可以获得
强化特征用于提高卷积神经网络对这类信号的诊断能

,降低误报率。
(2)针对一维数据对AlexNet模型结构进行改进,

,建立了泄漏故
,该模型对各类工况的平均识别率为

0200400600800100012001400
%,%,可以