基于时空特征图与卷积神经网络的多漏点识别方法及装置与流程

本技术涉及管道安全监测，具体而言，涉及一种基于时空特征图与卷积神经网络的多漏点识别。

背景技术：

1、碳捕集、利用与封存技术是实现碳中和目标的关键路径，其中二氧化碳的安全长距离输送依赖高压管道。管道泄漏检测算法（如负压波法、质量平衡法、统计分析法）是保障运行安全的核心手段，但在投入实际应用前，必须经过充分的测试与验证。然而，在真实运行的管道上进行大规模泄漏实验，尤其是多位置、多孔径的破坏性测试，存在成本极其高昂、安全风险巨大、环境破坏严重等问题，几乎无法开展。

2、现有技术主要依赖仿真系统对泄漏检测算法进行初步验证。这些仿真系统通常基于单泄漏点假设，即在管道模型上预设一个泄漏位置和一个泄漏孔径，通过求解流体动力学方程生成压力、流量等瞬态响应数据。算法验证时，将仿真数据输入到质量平衡法等检测模块中，评估其对单一泄漏事件的定位精度和报警响应时间。部分高级系统还允许改变单泄漏点的参数，遍历不同工况。

3、然而，现有单点仿真系统无法生成多点泄漏的叠加信号，导致以下具体问题：质量平衡法基于管道入口与出口的质量流量差计算总泄漏量，单点模型下该差值可唯一映射到泄漏位置，但在多点泄漏下，总流量差是所有泄漏点贡献的总和，无法区分各点分别贡献的流量，导致定位方程欠定，解不唯一。因此，现有仿真系统无法全面、真实地评估泄漏检测算法在面对多位置、多孔径泄漏时的响应特性，这已成为制约高鲁棒性管道检测技术发展的瓶颈。

技术实现思路

1、本技术实施例的目的在于提供一种基于时空特征图与卷积神经网络的多漏点识别方法及装置，用以实现了基于压力时空特征图与卷积神经网络对管道多漏点位置及泄漏孔径等级的准确识别。

2、第一方面，提供了一种基于时空特征图与卷积神经网络的多漏点识别方法，该方法可以包括：

3、连续采集管道沿轴向各传感器的压力信号，获取以空间位置顺序为行、以时间顺序为列的实时时空特征矩阵；

4、对该实时时空矩阵进行滑动时间窗口截取，得到多个窗口矩阵；各窗口矩阵包含所有传感器在对该时间窗口内的压力波形数据；

5、基于各窗口矩阵和实时时空特征矩阵，生成多通道的时空特征图；

6、对所述时空特征图进行识别，得到多漏点的位置集合，该位置集合包括各漏点对应的管道分段及其泄漏孔径等级。

7、在一个可能的实现中，获取以空间位置顺序为行、以时间顺序为列的实时时空特征矩阵，包括：

8、将每个传感器在不同时刻采集的压力信号对应的压力值按时间顺序排列；

9、以传感器沿管道轴向的空间位置顺序作为行索引、以时间顺序作为列索引，构建二维的实时时空特征矩阵。

10、在一个可能的实现中，基于各窗口矩阵和实时时空特征矩阵，生成多通道的时空特征图，包括：

11、基于各窗口矩阵，确定相邻传感器间的压力差序列和各传感器的压力变化率序列；

12、将相邻传感器间的压力差序列和各传感器的压力变化率序列与相应时间窗口的压力波形数据进行堆叠，生成三通道的时空特征图。

13、在一个可能的实现中，将相邻传感器间的压力差序列和各传感器的压力变化率序列与相应时间窗口的压力波形数据进行堆叠，生成三通道的时空特征图，包括：

14、对于各窗口矩阵，分别执行以下步骤：

15、将该窗口矩阵作为第一特征通道；

16、计算该窗口矩阵中，沿管道轴向方向上相邻两个传感器的压力信号之差，形成相邻传感器压力差序列，并将其作为第二特征通道；

17、计算该窗口矩阵中，每个传感器在时间轴上的压力变化率，形成各传感器的压力变化率序列，并将其作为第三特征通道；

18、将第一特征通道、第二特征通道和第三特征通道沿通道维度进行堆叠，生成三通道的时空特征图。

19、在一个可能的实现中，对所述时空特征图进行识别，得到多漏点位置集合，各漏点对应的管道分段及其泄漏孔径等级，包括：

20、利用配置的深度卷积神经网络，对该时空特征图进行处理，得到与管道分段数相同维度的多标签分类向量，各标签代表对应管道分段是否存在泄漏及其泄漏孔径等级；

21、基于该多标签分类向量，确定多漏点位置集合，各漏点对应的管道分段及其泄漏孔径等级。

22、在一个可能的实现中，基于该多标签分类向量，确定多漏点位置集合，包括：

23、对该多标签分类向量执行非极大值抑制处理，抑制空间相邻且泄漏概率非最大的管道分段报警，输出最终的多漏点位置集合。

24、在一个可能的实现中，对该多标签分类向量执行非极大值抑制处理，包括：

25、从所述深度卷积神经网络输出的多标签分类向量中，提取每个管道分段对应的泄漏概率；

26、将所有管道分段中泄漏概率大于预设第一阈值的管道分段提取为候选分段，并按泄漏概率从高到低排序；

27、遍历排序后的候选分段，对于当前候选分段，在管道轴向上查找与其空间上相邻的相邻候选分段，所述空间相邻定义为两个分段的索引差不超过1或两者在管道上的物理距离小于一个分段长度；

28、若相邻候选分段的泄漏概率小于当前候选分段的泄漏概率，则抑制该相邻分段的报警输出；否则保留两者中概率较大者；

29、输出未被抑制的候选分段作为最终的多漏点位置集合。

30、第二方面，提供了一种基于时空特征图与卷积神经网络的多漏点识别装置，该装置可以包括：

31、获取单元，用于连续采集管道沿轴向各传感器的压力信号，获取以空间位置顺序为行、以时间顺序为列的实时时空特征矩阵；

32、截取单元，用于对该实时时空矩阵进行滑动时间窗口截取，得到多个窗口矩阵；各窗口矩阵包含所有传感器在对该时间窗口内的压力波形数据；

33、生成单元，用于基于各窗口矩阵和实时时空特征矩阵，生成多通道的时空特征图；

34、识别单元，用于对所述时空特征图进行识别，得到多漏点的位置集合，该位置集合包括各漏点对应的管道分段及其泄漏孔径等级。

35、第三方面，提供了一种电子设备，该电子设备包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；

36、存储器，用于存放计算机程序；

37、处理器，用于执行存储器上所存放的程序时，实现上述第一方面中任一所述的方法步骤。

38、第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面中任一所述的方法步骤。

39、本技术实施例提供的基于时空特征图与卷积神经网络的多漏点识别方法及装置，该方法通过构建包含压力波形、相邻传感器压力差及压力变化率的三通道时空特征图，将一维时间序列信号转化为具有时空关联特性的图像数据，充分利用了压力信号在空间维度上的相关性和时间维度上的动态特性。利用深度卷积神经网络对时空特征图进行特征提取和多标签分类，能够有效识别信号中叠加的多个泄漏特征，实现了对多漏点位置的精准定位。