本發(fā)明屬于管道泄漏檢測(cè)，具體涉及一種三階段多傳感器瓦斯抽采管道泄漏定位方法。

背景技術(shù)：

1、隨著礦井瓦斯抽采系統(tǒng)的發(fā)展，瓦斯抽采管網(wǎng)布局越來(lái)越復(fù)雜。目前，一個(gè)礦井有多個(gè)抽采系統(tǒng)和抽采泵站，抽采管線長(zhǎng)度和抽采量不斷增加，管網(wǎng)日益復(fù)雜。這種現(xiàn)狀使得管理抽采系統(tǒng)變得困難。

2、抽采管路所處位置礦山壓力變化或煤礦井下煤巖層不定期的來(lái)壓致使抽采管路被拉伸、擠壓以及橫向剪切形成漏氣通道，導(dǎo)致抽采管路泄漏，瓦斯直接排入巷道常引發(fā)安全事故。不僅造成資源的浪費(fèi)，而且會(huì)向環(huán)境中釋放污染。煤礦通常會(huì)在抽采管道上安裝許多具有數(shù)據(jù)傳輸功能的多參數(shù)測(cè)定裝置，對(duì)管網(wǎng)的運(yùn)行參數(shù)進(jìn)行實(shí)時(shí)檢測(cè)，并利用調(diào)控裝置對(duì)其抽采參數(shù)進(jìn)行智能化調(diào)節(jié)。并設(shè)定閾值來(lái)對(duì)管網(wǎng)的泄漏情況進(jìn)行簡(jiǎn)單識(shí)別，但這樣無(wú)法對(duì)泄漏點(diǎn)進(jìn)行定位。因此，及時(shí)準(zhǔn)確地檢測(cè)管道泄漏狀態(tài)，對(duì)于減少經(jīng)濟(jì)損失和保持管道的安全運(yùn)行具有重要意義。

3、目前，管道泄漏檢測(cè)常用的方法有三大類：硬件檢測(cè)法、人工巡檢法以及軟件檢測(cè)法，其中硬件檢測(cè)法主要包括紅外檢測(cè)法、聲波檢測(cè)法、分布式光纖法；軟件檢測(cè)法以機(jī)器學(xué)習(xí)為主，包括支持向量機(jī)(support?vector?machine；svm)、孿生支持向量機(jī)(twinsupport?vector?machine；tsvm)以及人工神經(jīng)網(wǎng)絡(luò)(artificial?neural?network；ann)等。由于一般的基于知識(shí)的檢測(cè)法需要大量的樣本進(jìn)行訓(xùn)練，而管道泄漏檢測(cè)研究的數(shù)據(jù)樣本量通常比較少，因此在小樣本問(wèn)題中具有較強(qiáng)泛化特性的集成學(xué)習(xí)更適合于管道泄漏檢測(cè)問(wèn)題。集成學(xué)習(xí)通過(guò)學(xué)習(xí)算法在訓(xùn)練集上進(jìn)行訓(xùn)練得到個(gè)體學(xué)習(xí)器。通過(guò)模型的融合提高模型的預(yù)測(cè)效果。集成學(xué)習(xí)方法能夠?qū)崿F(xiàn)對(duì)多樣化的模型噪音進(jìn)行平衡，從而強(qiáng)化模型的泛化能力，其估算精度通常會(huì)高于組成它的最好的單一模型。常見(jiàn)的集成學(xué)習(xí)有bagging以及boosting。這兩類算法主要針對(duì)基分類器為弱分類器的情況，通過(guò)降低結(jié)果的方差和偏差來(lái)避免過(guò)度擬合并提高準(zhǔn)確度。由于bagging和boosting通常都是使用同一種基學(xué)習(xí)器，導(dǎo)致其模型選擇不夠靈活，無(wú)法組合不同類型的基模型。并且boosting中的個(gè)體學(xué)習(xí)器之存在強(qiáng)依賴關(guān)系，每個(gè)弱學(xué)習(xí)器都會(huì)在之前訓(xùn)練出的分類器的基礎(chǔ)上進(jìn)行訓(xùn)練和更新，這就意味著，如果前面的學(xué)習(xí)器出現(xiàn)了錯(cuò)誤，后面的學(xué)習(xí)器也會(huì)受到其錯(cuò)誤的影響，從而導(dǎo)致模型的性能受損。同樣的，由于bagging采用的是隨機(jī)采樣方式，如果樣本不平衡會(huì)導(dǎo)致某些類別的樣本比例極低，從而使模型的分類效果下降，影響管道泄漏檢測(cè)的準(zhǔn)確率。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問(wèn)題在于針對(duì)上述現(xiàn)有技術(shù)中的不足，提供一種三階段多傳感器瓦斯抽采管道泄漏定位方法，其代替了傳統(tǒng)的利用人工巡檢進(jìn)行瓦斯抽采管網(wǎng)泄漏診斷的方法，提出了一種與機(jī)器學(xué)習(xí)相結(jié)合的瓦斯抽采管網(wǎng)泄漏智能檢測(cè)方法，解決了傳統(tǒng)瓦斯抽采管網(wǎng)泄漏檢測(cè)耗時(shí)耗力的缺陷，大大提高了檢測(cè)效率，節(jié)約了成本。

2、為解決上述技術(shù)問(wèn)題，本發(fā)明采用的技術(shù)方案是：一種三階段多傳感器瓦斯抽采管道泄漏定位方法，包括以下步驟：

3、步驟s1、根據(jù)具體礦井的采掘工程平面圖、巷道布置圖、瓦斯抽放管路圖及抽采管段具體特性搭建物理相似瓦斯抽采管網(wǎng)漏損實(shí)驗(yàn)平臺(tái)，氣源采用甲烷，負(fù)壓泵提供動(dòng)力，根據(jù)實(shí)際情況結(jié)合流量計(jì)控制管道初始源流量，在管道上安裝流量、壓力、濃度以及聲波傳感器來(lái)實(shí)時(shí)監(jiān)測(cè)管道內(nèi)各參數(shù)的變化；通過(guò)調(diào)整漏點(diǎn)大小、管道形式及漏點(diǎn)位置來(lái)模擬礦井瓦斯抽采管道真實(shí)泄漏情況；

4、步驟s2、以實(shí)時(shí)監(jiān)測(cè)并記錄的方式采集瓦斯抽放管道正常運(yùn)行和泄漏狀態(tài)兩種情形下的管路數(shù)據(jù)，得到管道的流量、壓力、濃度以及聲波這四組數(shù)據(jù)；再對(duì)采集到的數(shù)據(jù)進(jìn)行組建，包括單個(gè)壓力數(shù)據(jù)、流量數(shù)據(jù)、甲烷濃度數(shù)據(jù)、聲波數(shù)據(jù)、壓力-流量協(xié)同預(yù)測(cè)、壓力-甲烷濃度協(xié)同預(yù)測(cè)、流量-甲烷濃度協(xié)同預(yù)測(cè)、壓力-流量-甲烷濃度協(xié)同預(yù)測(cè)以及壓力-流量-甲烷濃度-聲波協(xié)同預(yù)測(cè)多種參數(shù)組合；

5、步驟s3、對(duì)采集到的管路數(shù)據(jù)預(yù)處理，首先，對(duì)泄漏診斷以及漏點(diǎn)定位兩數(shù)據(jù)集進(jìn)行缺失值插補(bǔ)、數(shù)據(jù)標(biāo)準(zhǔn)化；其次，對(duì)數(shù)據(jù)進(jìn)行eemd分解并重構(gòu)，得到去噪后的數(shù)據(jù)；最后，再提取數(shù)據(jù)的特征序列進(jìn)行特征相關(guān)性分析；

6、步驟s4、將數(shù)據(jù)處理后得到的抽采管道數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集，分別用于模型的訓(xùn)練和測(cè)試；采用stacking集成模型對(duì)實(shí)際瓦斯抽采管道漏點(diǎn)進(jìn)行辨識(shí)，基學(xué)習(xí)器選擇lssvm模型、elman神經(jīng)網(wǎng)絡(luò)模型和dbn模型，元學(xué)習(xí)器選用多元回歸模型；將訓(xùn)練集和測(cè)試集分別輸入到lssvm、elman以及dbn模型中，采用五折交叉驗(yàn)證進(jìn)行模型訓(xùn)練，經(jīng)過(guò)多輪迭代計(jì)算各項(xiàng)迭代目標(biāo)誤差，直到滿足設(shè)定條件，完成基學(xué)習(xí)器訓(xùn)練；

7、步驟s5、將不同的基學(xué)習(xí)器的預(yù)測(cè)結(jié)果進(jìn)行融合，得到不同的次級(jí)數(shù)據(jù)集，采用元學(xué)習(xí)器對(duì)次級(jí)數(shù)據(jù)集進(jìn)行二次訓(xùn)練，得到瓦斯抽采管道泄漏多參數(shù)定位模型；

8、步驟s6、在目標(biāo)礦井瓦斯抽采管道上安裝礦用瓦斯抽放多參數(shù)傳感器、甲烷傳感器和聲波傳感器，并將監(jiān)測(cè)到的數(shù)據(jù)實(shí)時(shí)輸入到步驟s5中得到的模型中構(gòu)建瓦斯抽采管道泄漏多參數(shù)實(shí)時(shí)定位模型；當(dāng)安裝在礦井瓦斯抽采管道上的傳感器發(fā)生變化時(shí)，泄漏定位模型首先利用現(xiàn)場(chǎng)數(shù)據(jù)計(jì)算流量變化率δq/q，判斷管道是否發(fā)生泄漏，如果存在漏點(diǎn)，利用瓦斯抽采管道泄漏定位模型對(duì)泄漏位置進(jìn)行區(qū)間定位，確定泄漏的大致范圍后，根據(jù)數(shù)據(jù)變化類型匹配不同參數(shù)組合的瓦斯抽采管道泄漏多參數(shù)定位模型，最后輸出管道泄漏位置。

9、上述的一種三階段多傳感器瓦斯抽采管道泄漏定位方法，步驟s3中所述對(duì)泄漏診斷以及漏點(diǎn)定位兩數(shù)據(jù)集進(jìn)行缺失值插補(bǔ)，采用指數(shù)平滑填補(bǔ)的方法，采用的函數(shù)為：

10、

11、其中，是t時(shí)段的缺失數(shù)據(jù)的預(yù)測(cè)值，xt-1是t的前一時(shí)段實(shí)際監(jiān)測(cè)值，αt(0<αt<1)是動(dòng)態(tài)指數(shù)平滑系數(shù)；是t的前一時(shí)段的缺失數(shù)據(jù)的預(yù)測(cè)值。

12、上述的一種三階段多傳感器瓦斯抽采管道泄漏定位方法，步驟s3中所述對(duì)數(shù)據(jù)進(jìn)行eemd分解并重構(gòu)，得到去噪后的數(shù)據(jù)的具體過(guò)程為：首先，將平滑后的數(shù)據(jù)分解為高頻至低頻的imf分量；其次，由于高頻imf分量中包含了大量噪聲，需要將其進(jìn)行eemd分解并通過(guò)計(jì)算分量的熵值來(lái)去除噪聲；最后，將高頻去噪信號(hào)與低頻imf分量進(jìn)行重構(gòu)得到去噪后的信號(hào)。

13、上述的一種三階段多傳感器瓦斯抽采管道泄漏定位方法，步驟s4中所述lssvm模型訓(xùn)練時(shí)，lssvm目標(biāo)優(yōu)化函數(shù)為：

14、

15、其中，ek為誤差向量，k的取值為1～n的自然數(shù)，n為所有樣本的數(shù)量，γ為懲罰因子，ω＝[ω1,…,ωn]t為權(quán)重系數(shù)向量；

16、根據(jù)mercer條件和kkt條件定義核參數(shù)為：

17、

18、其中，為非線性映射函數(shù)，l＝1,2,...,n；

19、引入拉格朗日算子，得到的回歸函數(shù)為：

20、

21、式中，αk(k＝1,2,...,n)為拉格朗日乘子，αk∈r；b為偏差函數(shù)。

22、上述的一種三階段多傳感器瓦斯抽采管道泄漏定位方法，步驟s4中所述elman神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練包括前向傳播和反向傳播兩階段，在前向傳播中，輸入信號(hào)通過(guò)隱藏層計(jì)算輸出；在反向傳播中，根據(jù)輸出的誤差來(lái)計(jì)算梯度并更新網(wǎng)絡(luò)的權(quán)重的偏置，不斷最小化輸出層的預(yù)測(cè)誤差得到預(yù)測(cè)結(jié)果；elman神經(jīng)網(wǎng)絡(luò)模型的運(yùn)算表達(dá)式為：

23、xi(h)＝m(z1xb(h)+z2wc(h-1)+a1)

24、xb(h)＝xi(h-1)

25、y(h)＝n(z3xi(h)+a2)

26、其中，wc(h)為網(wǎng)絡(luò)的輸入，xi(h)為隱藏層輸出，xb(h)為承接層輸出，y(h)為輸出層輸出；z1、z2、z3為承接層與隱藏層、輸入層與隱藏層、隱藏層與輸出層之間的權(quán)值；a1為輸入層與隱藏層之間的閾值，a2為隱藏層與輸出層之間的閾值；m(*)為隱藏層的激活函數(shù)，n(*)為輸出層的激活函數(shù)。

27、上述的一種三階段多傳感器瓦斯抽采管道泄漏定位方法，步驟s4中所述dbn模型是由多個(gè)受限玻爾茲曼機(jī)(rbm)堆疊而成，它的訓(xùn)練分為兩個(gè)階段，分別為有監(jiān)督預(yù)訓(xùn)練和無(wú)監(jiān)督微調(diào)，在有監(jiān)督預(yù)訓(xùn)練階段，從底層開(kāi)始訓(xùn)練rbm；在無(wú)監(jiān)督微調(diào)階段，將整個(gè)dbn進(jìn)行訓(xùn)練，通過(guò)反向傳播算法更新網(wǎng)絡(luò)權(quán)重和偏置；其計(jì)算如下：

28、步驟a1、預(yù)訓(xùn)練：

29、定義n和m分別為輸入層v和隱藏層h中的節(jié)點(diǎn)數(shù)，vi為可見(jiàn)層的第i個(gè)節(jié)點(diǎn)狀態(tài)，hj為隱藏層的第j個(gè)節(jié)點(diǎn)狀態(tài)；rbm給定狀態(tài)(h,v)的能量函數(shù)為：

30、

31、其中，θ為網(wǎng)絡(luò)的參數(shù)；ωij為vi和hj之間的權(quán)重；ai和bj均為偏置；

32、由能量函數(shù)，隱藏層和可見(jiàn)層的聯(lián)合概率分布p定義為

33、

34、其中，z為歸一化因子且

35、可見(jiàn)層和隱藏層的狀態(tài)更新如下：

36、

37、使用vi和hj形成待訓(xùn)練的ri，將hj作為可見(jiàn)層vi+1結(jié)合隱藏層hj+1形成ri+1，將ri+1的隱藏層作為ri+2的可見(jiàn)層；依此類推，直到所有rbm訓(xùn)練結(jié)束；

38、步驟a2、反向微調(diào)：

39、采用反向傳播算法進(jìn)行反向微調(diào)，參數(shù)調(diào)整問(wèn)題可以轉(zhuǎn)化為數(shù)學(xué)最優(yōu)解的模型問(wèn)題；

40、θ的更新式為：

41、

42、其中，t為迭代次數(shù)，λ為反向微調(diào)系數(shù)。

43、本發(fā)明與現(xiàn)有技術(shù)相比具有以下優(yōu)點(diǎn)：

44、1、本發(fā)明通過(guò)對(duì)三種不同的基學(xué)習(xí)器采取stacking框架進(jìn)行異質(zhì)模型集成，建立了管道泄漏定位模型，解決了個(gè)體學(xué)習(xí)器之間存在強(qiáng)依賴關(guān)系和樣本數(shù)量不平衡的問(wèn)題。

45、2、本發(fā)明在模型結(jié)構(gòu)上引入五折交叉驗(yàn)證來(lái)防止過(guò)度擬合，充分利用了數(shù)據(jù)集的信息，避免了因所選定的訓(xùn)練集和測(cè)試集可能存在偶然性所帶來(lái)的誤差，從而提高了檢測(cè)模型的精度和效率。

46、3、本發(fā)明將室內(nèi)實(shí)驗(yàn)得到的定位模型與現(xiàn)場(chǎng)多個(gè)傳感器進(jìn)行結(jié)合，可以對(duì)管道泄漏位置進(jìn)行實(shí)時(shí)、精確的定位，解決了傳統(tǒng)瓦斯抽采管網(wǎng)泄漏檢測(cè)耗時(shí)耗力的缺陷，提高了檢測(cè)效率，節(jié)約了成本。

47、下面通過(guò)附圖和實(shí)施例，對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)描述。