本發(fā)明涉及海上平臺管道泄漏檢測領(lǐng)域，具體為一種ovmd結(jié)合gbdt算法的管道泄漏識別方法。
背景技術(shù)：
1、隨著海洋油氣平臺管道系統(tǒng)使用年限的增加，其安全問題日益突出。在復(fù)雜的海洋環(huán)境下，無論是天然氣輸送管道還是原油處理設(shè)施，都會因各種振動(dòng)源產(chǎn)生振動(dòng)。這種長期積累的振動(dòng)效應(yīng)可能導(dǎo)致管道結(jié)構(gòu)疲勞甚至破損。如果未能及時(shí)發(fā)現(xiàn)和預(yù)防，一旦發(fā)生泄漏事故，將對海洋油氣平臺帶來重大安全威脅，甚至可能引發(fā)爆炸等災(zāi)難性后果，造成難以估量的經(jīng)濟(jì)損失和社會影響。因此，海上油氣管道的泄漏防護(hù)已成為行業(yè)關(guān)注的焦點(diǎn)問題之一。然而，傳統(tǒng)的理論分析手段在很多實(shí)際情況下實(shí)施難度較大，難以充分確保設(shè)備的安全可靠性。為此，業(yè)界逐漸引入并廣泛應(yīng)用聲發(fā)射技術(shù)進(jìn)行實(shí)時(shí)監(jiān)測和診斷。聲發(fā)射檢測技術(shù)是一種動(dòng)態(tài)、實(shí)時(shí)且無損的評估方法，通過捕捉材料內(nèi)部結(jié)構(gòu)在應(yīng)力作用或環(huán)境變化時(shí)自發(fā)產(chǎn)生的聲波信號，精準(zhǔn)探測整體結(jié)構(gòu)的健康狀況，并能實(shí)現(xiàn)對潛在損傷的早期預(yù)警。這種技術(shù)無需借助外部激發(fā)源，具有高缺陷識別能力、全面評估性能和廣泛的應(yīng)用適應(yīng)性等特點(diǎn)。
2、為了使用聲發(fā)射技術(shù)進(jìn)行管道泄漏識別，首先要采集到管道的泄漏信號。但是由于實(shí)際原因，高質(zhì)量的管道泄漏信號的采集難度較大。另外，由于海上平臺管道所處的工作環(huán)境極為復(fù)雜，且受到強(qiáng)烈的噪聲干擾，如管線振動(dòng)強(qiáng)度較大而產(chǎn)生的機(jī)械振動(dòng)噪聲，海洋環(huán)境下存在的海浪噪聲與風(fēng)噪聲等。這些干擾進(jìn)一步加大了采集高質(zhì)量聲信號的難度。
3、對于采集到的聲發(fā)射信號，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)是進(jìn)行信號識別的方法之一。但是傳統(tǒng)的方法在強(qiáng)噪聲干擾條件下存在識別準(zhǔn)確率不高，魯棒性較低的問題。另外，傳統(tǒng)的機(jī)器學(xué)習(xí)方法由于需要擴(kuò)展信號的信息維度以得到比較高的準(zhǔn)確率，這加大了處理過程的復(fù)雜程度。
4、有鑒于此，實(shí)有必要提供一種新的技術(shù)方案以解決上述問題，對此本發(fā)明對傳統(tǒng)的變分模態(tài)分解(variational?mode?decomposition,vmd)進(jìn)行改進(jìn)，提出了一種最優(yōu)變分模態(tài)分解(optimal?variational?mode?decomposition,?ovmd)結(jié)合梯度提升樹（gradientboosting?decision?tree,?gbdt）算法的管道泄漏識別方法。
技術(shù)實(shí)現(xiàn)思路
1、本發(fā)明要解決的技術(shù)問題在于，提出了一種將實(shí)際背景噪聲注入實(shí)驗(yàn)室泄漏信號中的方式以解決高質(zhì)量的聲發(fā)射信號獲取困難的問題，并提出一種新方法解決現(xiàn)有方法識別準(zhǔn)確率不足、魯棒性較低、實(shí)現(xiàn)過程較復(fù)雜的問題。
2、為實(shí)現(xiàn)以上目的，本發(fā)明通過以下技術(shù)方案予以實(shí)現(xiàn)：一種最優(yōu)變分模態(tài)分解（ovmd）結(jié)合梯度提升樹（gbdt）算法的管道泄漏識別方法（ovmd-gbdt），包括以下步驟：
3、s1、搭建管道泄漏模型，在被測管道上設(shè)置聲發(fā)射傳感器，采集多組管道泄漏信號；
4、s2、在海上平臺選取至少兩處管道設(shè)置所述聲發(fā)射傳感器，采集實(shí)際背景噪聲信號；
5、s3、將所述實(shí)際背景噪聲信號注入所述管道泄漏信號，構(gòu)建原始樣本數(shù)據(jù)集；
6、s4、對步驟s3中構(gòu)建的所述原始樣本數(shù)據(jù)集使用ovmd方法進(jìn)行分解，得到多個(gè)信號分量函數(shù)，所述ovmd方法包括：引入皮爾遜相關(guān)系數(shù)選擇最優(yōu)的模態(tài)數(shù)，使用孔雀優(yōu)化算法對懲罰因子與保真度系數(shù)進(jìn)行尋優(yōu)；
7、s5、對步驟s4中得到的所述信號分量函數(shù)提取特征指標(biāo)，形成特征向量集；
8、s6、使用gbdt算法對上述提取的所述特征向量集進(jìn)行分類識別，形成混淆矩陣和精準(zhǔn)率-召回率曲線。
9、優(yōu)選的，所述s1步驟中的所述管道泄漏模型包括：管道、壓力裝置和所述聲發(fā)射傳感器，所述聲發(fā)射傳感器連接前置放大器，所述前置放大器連接聲發(fā)射檢測裝置，所述聲發(fā)射檢測裝置連接工控機(jī)。
10、優(yōu)選的，所述s1步驟中所述管道泄漏模型包括兩個(gè)區(qū)域，一是實(shí)驗(yàn)區(qū)段，所述實(shí)驗(yàn)區(qū)段內(nèi)均勻分布多個(gè)控制閥門，用于模擬和控制泄漏狀況；二是緩沖區(qū)段，通過柔性橡膠管道與壓力裝置相連，所述壓力裝置采用電動(dòng)壓力自控試壓泵。
11、優(yōu)選的，所述s2步驟中所述實(shí)際背景噪聲信號的采集安裝的所述聲發(fā)射傳感器與所述步驟s1中一致，采樣模式為長期定時(shí)采樣模式。
12、優(yōu)選的，所述s3步驟中，首先將步驟s1中的所述管道泄漏信號按照采樣點(diǎn)的長度進(jìn)行均勻分割，從而得到多個(gè)泄漏信號樣本，然后將s2中采集的所述實(shí)際背景噪聲信號同樣劃分為與所述管道泄漏信號數(shù)量相同的采樣點(diǎn)段落，構(gòu)建與所述泄漏信號樣本數(shù)量相同的噪聲信號樣本，最終，通過將所述噪聲信號樣本注入所述泄漏信號樣本中，形成包含所述泄漏信號樣本和所述噪聲信號樣本的所述原始樣本數(shù)據(jù)集。
13、優(yōu)選的，所述s4步驟中引入皮爾遜相關(guān)系數(shù)選擇最優(yōu)的模態(tài)數(shù)，按照如下模型進(jìn)行模態(tài)選擇：
14、；
15、其中，是皮爾遜相關(guān)系數(shù)函數(shù)，其計(jì)算公式如下：
16、；是原始信號；是vmd分解得到的第個(gè)模態(tài)分量；是分解后的殘差信號；是第個(gè)模態(tài)分量與原始信號的相關(guān)系數(shù)；是殘差信號與原始信號的相關(guān)系數(shù)；是殘差相關(guān)系數(shù)衰減因子。根據(jù)該模型設(shè)定，可以自動(dòng)選擇最優(yōu)的模態(tài)數(shù)，其具體過程如下：
17、（1）設(shè)定初始模態(tài)數(shù)，對待分析信號進(jìn)行初步vmd分解；
18、（2）針對當(dāng)前模態(tài)數(shù)，計(jì)算各個(gè)模態(tài)分量與原始信號之間的皮爾遜相關(guān)系數(shù)，并進(jìn)一步求出殘差信號與原始信號的相關(guān)系數(shù)；
19、（3）若殘差信號的相關(guān)性大于所有模態(tài)分量中最小的相關(guān)系數(shù)即，說明仍存在欠分解現(xiàn)象，則需將k加1，并且返回第二步繼續(xù)迭代；
20、（4）若滿足，且時(shí)，當(dāng)前模態(tài)數(shù)為合理上限，可作為最優(yōu)值保存。
21、（5）滿足停止條件后，輸出當(dāng)前作為最終估算的最優(yōu)模態(tài)數(shù)，并終止程序。
22、優(yōu)選的，所述s4步驟中引入孔雀優(yōu)化算法對懲罰因子與保真度系數(shù)進(jìn)行尋優(yōu)，包括：根據(jù)s4步驟中得到的所述最優(yōu)模態(tài)數(shù)生成多個(gè)候選參數(shù)組合,并將其作為個(gè)體進(jìn)行vmd分解，計(jì)算對應(yīng)殘差信號并得到評價(jià)指標(biāo)，選擇適應(yīng)度最優(yōu)的位置，之后依托孔雀優(yōu)化策略生成新位置并再次進(jìn)行殘差計(jì)算與指標(biāo)評估。
23、優(yōu)選的，所述s5步驟中，提取信號分量函數(shù)的特征指標(biāo)為將所述s4步驟中得到的所述信號分量函數(shù)的特征指標(biāo)提取時(shí)域特征和頻域特征，構(gòu)建所述原始樣本數(shù)據(jù)集的特征向量集；其中，時(shí)域特征包括：均值、標(biāo)準(zhǔn)差、最小值、最大值、均方根值、偏度、峰度、峰值、裕度、脈沖指標(biāo)；頻域特征包括頻譜均值、頻譜標(biāo)準(zhǔn)差、頻譜能量、頻譜中心、頻譜平坦度、頻譜滾降點(diǎn)、頻譜偏度、頻率峰度、頻譜下降、頻譜變異系數(shù)。
24、優(yōu)選的，所述s6步驟中使用gbdt方法進(jìn)行分類，將所述特征向量集的70%作為訓(xùn)練集，30%作為測試集，形成混淆矩陣和精準(zhǔn)率-召回率曲線作為識別結(jié)果。
25、本發(fā)明提供的最優(yōu)變分模態(tài)分解（ovmd）結(jié)合梯度提升樹（gbdt）算法的管道泄漏識別方法（ovmd-gbdt）。具備以下有益效果：
26、1、本發(fā)明在一定程度上解決了高質(zhì)量管道泄漏信號采集困難的問題。通過在實(shí)驗(yàn)室受控環(huán)境下構(gòu)建管道泄漏模型，采集多種泄漏工況下的管道泄漏信號，之后采集海上平臺實(shí)際背景噪聲信號，將實(shí)際背景噪聲信號注入實(shí)驗(yàn)室采集的泄漏信號中以模擬管道在真實(shí)環(huán)境下的泄漏信號，構(gòu)建了貼近真實(shí)工作條件的數(shù)據(jù)集，解決了高質(zhì)量泄漏信號采集困難的問題。
27、2、本發(fā)明提出了一種改進(jìn)的vmd方法，即ovmd方法，解決了傳統(tǒng)vmd方法對模態(tài)數(shù)量、懲罰因子與保真度系數(shù)非常敏感的問題。通過引入皮爾遜相關(guān)系數(shù)對模態(tài)數(shù)進(jìn)行估算，能夠方便的選取出作為最終估算的最優(yōu)模態(tài)數(shù)。引入孔雀優(yōu)化算法對懲罰因子與保真度系數(shù)進(jìn)行優(yōu)化以提高信號分解的精度與特征提取的效果，盡量減小了殘差信號。
28、3、本發(fā)明解決了傳統(tǒng)vmd方法得到多個(gè)信號分量函數(shù)后，會因?yàn)樾畔⑿蛄羞^多而降低識別效率的問題。本發(fā)明通過從信號分量函數(shù)中提取特征指標(biāo)的方法進(jìn)行識別以提高識別效率。具體來說，提取的特征指標(biāo)分為時(shí)域和頻域兩個(gè)部分，時(shí)域特征包括均值、標(biāo)準(zhǔn)差、最大值、最小值、均方根值、偏度、峰度、峰值、裕度、脈沖指標(biāo)。頻域特征包括頻譜均值、頻譜標(biāo)準(zhǔn)差、頻譜能量、頻譜中心、頻譜平坦度、頻譜滾降點(diǎn)、頻譜偏度、頻率峰度、頻譜下降、頻譜變異系數(shù)。通過選取信號中的這些特征值，減少了信息序列，提高了識別效率，解決了傳統(tǒng)vmd方法識別效率較低的問題。
29、4、本發(fā)明解決了在低信噪比的情況下傳統(tǒng)機(jī)器學(xué)習(xí)方法識別準(zhǔn)確率較低的問題。本發(fā)明在把實(shí)際背景噪聲注入管道泄漏信號的基礎(chǔ)上制造了噪聲干擾，采用改進(jìn)的vmd方法對注入后的信號進(jìn)行分解并提取特征，最后采用gbdt方法對融合后的信號進(jìn)行了分類識別，實(shí)現(xiàn)了較高的識別準(zhǔn)確率。