CN115823508B

CN115823508B - 一种空天地一体化管网安全监测方法及系统

Info

Publication number: CN115823508B
Application number: CN202211651585.4A
Authority: CN
Inventors: 郎宪明; 袁理; 张周华; 柳强; 曹江涛; 钱建华
Original assignee: Liaoning Shihua University
Current assignee: Liaoning Shihua University
Priority date: 2022-12-21
Filing date: 2022-12-21
Publication date: 2025-05-30
Anticipated expiration: 2042-12-21
Also published as: CN115823508A

Abstract

本发明属于管道泄漏检测技术领域，特别涉及一种空天地一体化管网安全监测方法及系统，所述方法包括以下步骤：S1、获取待检测区域的管道网络红外热成像数据、管网管道裂缝分布数据以及实时的管道首末站压力数据，进行空天地一体化多源数据采集；S2、基于获取的数据建立管网风险评估预警模型，基于所述管网风险评估预警模型进行数值模拟计算，划定风险点以及风险区域，确定泄漏点。本发明采用“空天地”联合监测方法，搭建了管网泄漏实时监测系统，监测精度较高，其中红外热成像仪的测量精度为毫米级，无人机裂缝监测精度为厘米级，分布式光纤压力传感器的监测精度为微米级。

Description

一种空天地一体化管网安全监测方法及系统

技术领域

本发明属于管道泄漏检测技术领域，特别涉及一种空天地一体化管网安全监测方法及系统。

背景技术

目前管道运输是原油的主要输送方式，随着管道建设的增多，尤其是管道的增长，在原油的输送过程中，管道的泄漏事故已经成为一个严峻的社会问题。管道的泄漏主要包括管道自然老化或意外破损以及人为破坏，管道的泄漏不但会污染环境，还会给人们带来生命和财产的损失。管道缺陷具有难预测性、突发性与破坏性大等特征，尤其是城市附近的管道若发生泄漏事故，将会对多数人的生命安全造成威胁，并且资源损失严重。因此，如何防止管道泄漏已经成为技术难题。

现存在各种各样的防泄漏检测装置，但是现有的检测装置，手段比较单一，该单一的检测手段很难精准发现泄漏点，特别是有检测元器件损坏时更难发现泄漏点，给人工排查带来了很大的困难。

发明内容

鉴于现有技术的上述缺点、不足，本发明提供一种空天地一体化管网安全监测方法及系统。本发明解决了目前管网隐含缺陷没有行之有效的实时监测技术，缺少普适性的泄漏判据，无法及时发现管网泄漏危险区域的技术问题。本发明能够实现多源数据融合监测分析，对管道缺陷进行实时监控、超前预警。

为了达到上述目的，本发明采用的主要技术方案包括：

第一方面，本发明实施例提供一种空天地一体化管网安全监测方法，所述方法包括以下步骤：

S1、获取待检测区域的管道网络红外热成像数据、管网管道裂缝分布数据以及实时的管道首末站压力数据，进行空天地一体化多源数据采集；

S2、基于获取的空天地一体化多源数据建立管网风险评估预警模型，基于所述管网风险评估预警模型进行数值模拟计算，划定风险点以及风险区域，确定泄漏点。

进一步地，所述步骤S1中，获取待检测区域的管道网络红外热成像数据的具体步骤为：

1)对待检测区域的红外热成像仪进行数据采集，得到管网泄漏图像分布数据；

2)采用基于双自编码器和变换网络的异常检测方法判断管网是否出现泄漏；

3)当管道上发生泄漏时，红外热成像仪能够依据温度异常情况将图像进行呈现，同时经过红外热成像仪处理器将检测到的信息传输给监测终端的中心处理器进行处理。

进一步地，所述步骤S1中，获取管网管道裂缝分布数据的具体步骤为：

1)无人机摄影获取管网的数字正射影像图；

2)利用裂缝识别算法提取单张影像管道裂缝信息，获得单张裂缝影像长度和宽度；

3)完成多张影像图边缘的裂缝拼接，获取整体管网裂缝长、宽、空间位置信息；

4)对获取的管道裂缝长、宽、空间位置信息进行多维度分析，计算裂缝发展的速率及分布特征，建立裂缝发展与管道服役强度的映射关系，并依据管道裂缝信息与管道服役年限的映射关系对管网管道安全状态进行评估。

进一步地，所述步骤S1中，获取实时的管道首末站压力数据的具体步骤为：

1)在管道首末站分别放入压力传感器，实时监测并获取管道首末站压力变化信息；

2)利用获取的管道首末站压力变化信息，构建基于残差降噪自编码器的负压波信号去噪模型；

3)对获取的去噪后的压力数据进行泄漏定位分析，利用负压波定位公式计算管道泄漏点；

4)泄漏源处置过程中，根据泄漏情况的大小，采取不同的应对措施。

进一步地，所述步骤S2中，建立管网风险评估预警模型的具体步骤为：

1)根据获取的管网管道裂缝分布数据，划分出疑似泄漏区域和正常区域；

2)根据获取的管道网络红外热成像数据，划分出疑似泄漏区域和正常区域；

3)对疑似泄漏管道的首末站压力数据提取，进行泄漏检测，得出疑似泄漏点位置。

进一步地，所述步骤S2中，基于所述管网风险评估预警模型进行数值模拟计算的具体步骤为：

1)采用基于双自编码器和变换网络的异常检测方法判断管网是否出现泄漏；

3)对获取的去噪后的压力数据进行泄漏定位分析，利用负压波定位公式计算管道泄漏点。

第二方面，本发明实施例提供一种空天地一体化管网安全监测系统，包括输油管道，以及依次安装在所述输油管道首末站上的多个压力传感器，无人机摄影机器，还包括用于对所述输油管道温度异常情况进行检测的红外热成像仪，所述红外热成像仪安置在所述输油管道的一侧，并且安置的相对位置位于相邻的在线监测点之间，所述压力传感器、所述无人机摄影机器以及所述红外热成像仪的检测信息均能够通过数据处理中心进行处理分析，并且输出检测结果，从而判断所述输油管道上的泄漏点所在位置以及潜在风险点。

本发明的有益效果是：本发明提供一种空天地一体化管网安全监测方法及系统，采用“空天地”联合监测方法，搭建了管网泄漏实时监测系统，监测精度较高。其中红外热成像仪的测量精度为毫米级，无人机裂缝监测精度为厘米级，分布式光纤压力传感器的监测精度为微米级。

本发明实现了管网缺陷的监测时间协同，在不同阶段使用不同技术手段，实现全过程连续观测，管网液体泄漏采用DATN-ND方法进行识别筛查，无人机采集管网影像，进而使用裂缝识别算法(FDDNet)识别管道裂缝，分布式光纤压力传感器实时监控管道首末站压力数据精准定位泄漏点，做到了监测方法与管网正常运行相适应；实现了管道泄漏监测点线面结合、表里兼顾的空间协同测量，将分布式光纤压力传感器监测的线状测量结果、无人机面状测量相结合，做到了以分布式光纤检测管道内部运行工况与多种管道表面缺陷检测相结合；实现了管网缺陷检测的参数协同，通过获取管道泄漏液体分布数据，裂缝分布数据以及管道内部压力变化数据，实现了管道缺陷的智能分析，基于管道缺陷机理，利用层次分析法建立泄漏液体分布、裂缝分布、以及压力数据等多源监测数据预测管道缺陷的权重信息，能够高效准确的评估管网安全状态，能够对管道缺陷风险的实时预警。

本发明划分了预警管控区，有效的监测出泄漏源的位置，保障了管网的运行安全。

附图说明

图1是本发明一种空天地一体化管网安全监测方法的流程图；

图2是本发明一种空天地一体化管网安全监测系统结构图；

图3是本发明中液体泄漏识别流程图；

图4是本发明中裂缝识别流程图；

图5是本发明中负压波信号去噪流程图。

具体实施方式

为了更好的解释本发明，以便于理解，下面结合附图，通过具体实施方式，对本发明作详细描述。

实施例1：

如图1所示，本发明提供一种空天地一体化管网安全监测方法。该方法包括以下步骤：

S2、基于获取的空天地一体化多源数据建立管网风险评估预警模型，基于管网风险评估预警模型进行数值模拟计算，划定风险点以及风险区域，确定泄漏点。

本发明有机的融合了红外热成像监测管网液体泄漏分布、无人机航空摄影测量管道裂缝发展，管道首末站分布式光纤压力传感器检测管道内部压力变化，实现多源数据融合检测分析。解决了目前管网隐含缺陷没有行之有效的实时监测技术，缺少普适性的泄漏判据，无法及时发现管网泄漏危险区域的技术问题。

具体地，当输油管道上有原油泄漏，红外热成像仪能够根据温度异常状况将图像进行呈现同时经过红外热成像仪处理器将检测到的信息传输给监测终端的中心处理器进行处理，采用基于双自编码器和变换网络的异常检测(DATN-ND)方法。如图3所示，DATN-ND的模型由两个并行的自编码器和一个变换网络组成。首先，所提的变换网络通过输入样本编码后的隐层特征表示(称为瓶颈特征)生成带有异常数据信息的瓶颈特征，称为伪异常瓶颈特征，从而在训练集中增加异常数据信息；其次，双自编码器将带有异常数据信息的瓶颈特征尽可能重构为正常数据而非重构其本身，进而使异常数据取得与正常数据差别较大的重构误差。

基于双自编码器和变换网络的异常检测方法训练阶段和测试阶段的算法实现过程如算下所示，DATN-ND训练步骤：

输入：训练集

输出：编码器f_E(·)和解码器f_D(·)；

初始化：编码器f_E(·)，解码器f_D(·)和变换网络f_T(·)参数集θ_E，θ_D，θ_T。

for i＝1to N do：

通过式子1：z＝f_E(x)得到训练样本x_i经过编码后得到瓶颈特征z；

通过式子2：z_t＝f_T(x)得到z经过变换网络变换后的瓶颈特征z_t；

通过式子3：得到z和z_t经过解码后的和

通过上述式子1：z＝f_E(x)计算得到和经过再次编码的瓶颈特征和

通过式子4：随机更新编码器，解码器和网络参数集θ_E，θ_D，θ_T。

算法4基于DATN-ND的异常检测：

输入测试样本x_test、编码器f_E(·)、解码器f_D(·)和阈值。

输出x_test的异常得分S(x_test)及其类别。

利用式子5：得到测试样本x_test和重构样本

利用式子6：计算测试样本的异常得分S(x_test)，如果S(x_test)≥σ，得出异常数据为x_test。

具体地，当无人机摄像机拍摄到的管网数字正射影像图，将图像数据传输给监测终端的中心处理器进行处理，采用裂缝识别算法(FDDNet)识别管道裂缝分布并对其进行标记，如图4所示，裂缝缺陷检测网络是在YOLOv5(一种单阶段目标检测算法)的基础上进行修改的，在YOLOv5的主干网络中增加了SPD-Conv模块，SPD-Conv主要由Space-to-depth(SPD)层与non-strided convolution层组成，通过这种下采样方式可解决目标细粒度信息大量缺失的问题，最后在检测头中增加目标检测头，可使得网络更加关注目标的检测，提高检测效果，同时为了提高网络的检测速度，在主干网络中引入了轻量级网络G-GhostNet。

本实施例中，工业生产环境是电脑CPU为i5-12500H，GPU为RTX3060，内存为6G，使用的语言为python3.7，深度学习的框架为pytorch1.8，将管道图像输入进裂缝缺陷检测网络中进行管道裂缝检测，共使用24633张管道裂缝图像，其中22170张图像作为训练集，2463张图像作为验证集，裂缝缺陷检测网络的参数设置如下：优化器选择的是随机梯度下降法(SGD)，冲量为0.9，初始学习率为1e-2，权值衰减设置为5e-4，学习率下降方式选择cos，主干网络的具体参数如下表：

Operator	Input	Output	SPD-Conv
				Conv 3×3	640²×3	320²×3	√
Conv 3×3	320²×3	160²×128	√
				Block	160²×128	160²×128
Block×3Cheap	160²×128	160²×128
				Concat	160²×128	160²×128
Conv 3×3	160²×128	80²×256	√
				Block	80²×256	80²×256
Block×6Cheap	80²×256	80²×256
				Concat	80²×256	80²×256
Conv 3×3	80²×256	40²×512	√
				Block	40²×512	40²×512
Block×9Cheap	40²×512	40²×512
				Concat	40²×512	40²×512
Conv 3×3	40²×512	20²×1024	√
				Block	20²×1024	20²×1024
Block×3Cheap	20²×1024	20²×1024
				Concat	20²×1024	20²×1024
SPPF	20²×1024	20²×1024

上表中，Block表示传统的残差网络，Input表示输入图像的尺寸，Output表示输出图像的尺寸，在主干网络特征提取后，经过检测头就可以将检测的结果标注在图像上。

裂缝缺陷检测网络通过下采样方式可解决小目标细粒度信息大量缺失的问题，最后在检测头中增加小目标检测头，可使得网络更加关注小目标的检测，提高检测效果，从而判定管道是否发生泄露。

若管道存在泄漏可能性，则基于降噪自动编码器对压力传感器检测到的负压波信号去噪，并使用负压波定位公式对泄漏点定位。

本发明实施例中，因为负压波信号传播速度很快，即使是很小的时间误差，也会造成很大的定位误差，因此，精确地测量传感器检测到负压波信号到达首末站的时间差才是有效进行泄漏定位的关键，在工业生产环境中噪声会对负压波信号到达时间造成不利影响，因此首先要进行信号处理，将负压波信号进行去噪。

本发明实施例中，为了提高对负压波信号的去噪精度，采用一种基于残差降噪自动编码器的深度学习算法，如图5所示，将负压波信号输入到降噪自动编码器得到去噪后的负压波信号；通过批标准化(Batch Normalization)确定首末站传感器接收到负压波信号的时间差，通过定位公式对管道泄漏具体位置进行定位检测。

生成仿真信号或者较为理想的实验环境采集到低噪声信号，利用这些信号构建深度学习算法的训练集和测试集。

具体地，本发明实施例以负压波信号时间序列的幅值作为特征参数，并构建无干扰的负压波纯净信号和噪声轮廓信号，将二者相加得到负压波含噪信号，无干扰的负压波纯净信号的长度为330000，幅值在-1000到1000之间；将噪声轮廓信号与无干扰的负压波纯净信号的和作为负压波含噪信号，得到的含噪信号和噪声轮廓信号按照7:3的比例划分为训练集和测试集备用，则构造出的训练集长度为231000，测试集长度为99000。

确定自动编码器的网络层数，并利用训练数据逐层训练。

首先经过第1个反卷积运算后输出的C个通道特征图的计算为：

z₁＝w'₀⊙z₀+b'₀

其中，b'₀和w'₀分别为反卷积中的偏差和反卷积核，⊙为反卷积运算，z₀是第5个卷积重建后的特征向量。z₁是经过全局平均池化层得到长度为C的特征向量V，特征向量V具体表示为：

其中，H，W分别表示输入信号的高度和宽度。

然后经过2个全连接层并直接与卷积层传过来的残差块进行相加操作，输出表示为：

其中，分别表示第1个全连接层和第2个全连接层的权重值，σ表示用sigmoid激活函数进行激活操作，e₄是经过第4个卷积层之后传出来的残差块。

再使用ReLU激活函数激活：

V'₁＝ReLU(V₁)

最后经过1个反卷积和ReLU表示为：

z'₀＝ReLU(w'₁⊙V₁'+b'₁)

其中，b'₁和w'₁分别为注意力解码器中第2个反卷积层的偏差和反卷积核，z'₀为注意力解码器中第2个反卷积残差块的输入。经过注意力解码过程，得到去噪后的负压波信号。

参照图2，得到去噪后的负压波信号之后，将残差降噪自编码器的输出经过批标准化(Batch Normalization)从而提取到去噪后的负压波信号特征的拐点信息，计算出上下游负压波到达时间差，最后通过负压波定位公式计算出准确的泄漏点位置L₁，负压波定位公式为：

其中，L是管道首末站的总长，Δt为负压波传播到首站和末站的时间差，v是负压波的波速，t₁为负压波传到首站的时长，t₂为到达末站的时长。

在本发明实施例中的DATN-ND网络和FDDNet网络，具有检测精度高，检测速度快的优点，残差降噪自编码器构造负压波含噪信号训练模型，能够精准预测噪声信号轮廓，达到消除噪声的目的，保障时间差提取精准，负压波波速修正公式误差较小，该方法可以从根本上确保管道泄漏实时定位方法的精度，具有重要的理论与实践指导价值，同时也可以满足不同管道运行工况下的有效检测，是一种全新思路的管道泄漏实时在线定位方法。

实施例2：

如图2所示，本发明提供的一种空天地一体化管网安全监测系统。该系统包括输油管道1以及依次安装在输油管道1上的压力传感器2，无人机摄影机器3，还包括用于对输油管道1温度异常情况进行检测的红外热成像仪4，红外热成像仪4安置在输油管道1的一侧并且其安置的相对位置位于相邻的在线监测点之间，压力传感器2、无人机摄影机器3以及红外热成像仪4的检测信息能够通过数据处理中心进行处理分析(根据常规软件系统进行处理)后输出检测结果，从而判断管道上的泄漏点所在位置L₁以及潜在风险点。

以上仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims

1.一种空天地一体化管网安全监测方法，其特征在于，所述方法包括以下步骤：

S2、基于获取的空天地一体化多源数据建立管网风险评估预警模型，基于所述管网风险评估预警模型进行数值模拟计算，划定风险点以及风险区域，确定泄漏点；

所述步骤S1中，获取待检测区域的管道网络红外热成像数据的具体步骤为：

3)当管道上发生泄漏时，红外热成像仪能够依据温度异常情况将图像进行呈现，同时经过红外热成像仪处理器将检测到的信息传输给监测终端的中心处理器进行处理；

所述步骤S1中，获取管网管道裂缝分布数据的具体步骤为：

1)无人机摄影获取管网的数字正射影像图；

4)对获取的管道裂缝长、宽、空间位置信息进行多维度分析，计算裂缝发展的速率及分布特征，建立裂缝发展与管道服役强度的映射关系，并依据管道裂缝信息与管道服役年限的映射关系对管网管道安全状态进行评估；

所述步骤S1中，获取实时的管道首末站压力数据的具体步骤为：

2.根据权利要求1所述的一种空天地一体化管网安全监测方法，其特征在于，所述步骤S2中，建立管网风险评估预警模型的具体步骤为：

3.根据权利要求1所述的一种空天地一体化管网安全监测方法，其特征在于，所述步骤S2中，基于所述管网风险评估预警模型进行数值模拟计算的具体步骤为：

4.一种空天地一体化管网安全监测系统，根据权利要求1所述的一种空天地一体化管网安全监测方法进行监测，其特征在于：包括：输油管道，以及依次安装在所述输油管道首末站上的多个压力传感器，无人机摄影机器，还包括用于对所述输油管道温度异常情况进行检测的红外热成像仪，所述红外热成像仪安置在所述输油管道的一侧，并且安置的相对位置位于相邻的在线监测点之间，所述压力传感器、所述无人机摄影机器以及所述红外热成像仪的检测信息均能够通过数据处理中心进行处理分析，并且输出检测结果，从而判断所述输油管道上的泄漏点所在位置以及潜在风险点。