本發(fā)明涉及管道監(jiān)測，具體而言，涉及一種基于神經(jīng)算法的打孔盜油支管數(shù)據(jù)識別系統(tǒng)和方法。

背景技術(shù)：

1、在油氣管道及支管的運行過程中，盜油行為嚴重威脅到管道的安全性和經(jīng)濟效益。尤其是當管道發(fā)生打孔盜油時，不僅會導致油氣泄漏，可能還會造成環(huán)境污染和經(jīng)濟損失。因此，如何高效、準確地檢測和識別打孔盜油行為，已經(jīng)成為當前油氣管道監(jiān)測領(lǐng)域的一個關(guān)鍵問題。

2、傳統(tǒng)的油氣管道檢測方法大多依賴于人工巡檢、定期檢查以及單一的傳感器監(jiān)測，存在一些問題，例如傳統(tǒng)檢測方法通常無法實時發(fā)現(xiàn)管道出現(xiàn)的異常行為，尤其是打孔盜油這種隱蔽性較強的盜油方式。在出現(xiàn)盜油行為時易出現(xiàn)漏檢或誤檢。人工巡檢和定期檢查通常無法做到24小時不間斷，且受天氣、環(huán)境等因素的影響較大，存在較高的漏檢概率和延遲反應(yīng)問題。即使采用傳感器進行檢測，當前的檢測系統(tǒng)大多依賴靜態(tài)的報警閾值進行判斷，但這種方法缺乏對復雜場景的適應(yīng)性，容易受到外部環(huán)境因素干擾，導致報警誤差較大。而且無法通過多維度的數(shù)據(jù)融合獲得更加精準的檢測結(jié)果。

3、因此，有必要設(shè)計一種基于神經(jīng)算法的打孔盜油支管數(shù)據(jù)識別系統(tǒng)及方法用以解決當前技術(shù)中存在的問題。

技術(shù)實現(xiàn)思路

1、鑒于此，本發(fā)明提出了一種基于神經(jīng)算法的打孔盜油支管數(shù)據(jù)識別系統(tǒng)及方法，旨在解決當前依賴人工檢查、監(jiān)測精度不足且數(shù)據(jù)分析滯后的問題。

2、一個方面，本發(fā)明提出了一種基于神經(jīng)算法的打孔盜油支管數(shù)據(jù)識別系統(tǒng)，包括：

3、采集單元，被配置為采集待監(jiān)測區(qū)域內(nèi)傳感器數(shù)據(jù)，所述傳感器數(shù)據(jù)包括振動數(shù)據(jù)與磁場梯度數(shù)據(jù)，根據(jù)所述傳感器數(shù)據(jù)判斷是否開啟持續(xù)監(jiān)測模式；

4、處理單元，被配置為當所述采集單元判定開啟所述持續(xù)監(jiān)測模式時，所述處理單元根據(jù)所述振動數(shù)據(jù)與振動數(shù)據(jù)閾值獲得振動超出值，根據(jù)所述磁場梯度數(shù)據(jù)與磁場梯度閾值獲得磁場梯度下降值，將所述振動超出值與磁場梯度下降值輸入預設(shè)模糊算法，根據(jù)輸出結(jié)果獲得所述持續(xù)監(jiān)測模式的持續(xù)監(jiān)測時長；

5、判斷單元，被配置為持續(xù)記錄所述持續(xù)監(jiān)測時長內(nèi)的傳感器數(shù)據(jù)，建立傳感器數(shù)據(jù)集，提取最大振動數(shù)據(jù)與最小磁場梯度數(shù)據(jù)并建立當前特征集，將所述當前特征集與歷史預警數(shù)據(jù)組進行比對，并結(jié)合神經(jīng)網(wǎng)絡(luò)模型確定預警等級；所述歷史預警數(shù)據(jù)組包括若干個歷史特征集以及若干個歷史預警等級，每一所述歷史特征集與一歷史預警等級相對應(yīng)，且所述歷史特征集中包括歷史最大振動數(shù)據(jù)與歷史最小磁場梯度數(shù)據(jù)；

6、調(diào)整單元，被配置為建立振動數(shù)據(jù)坐標系與磁場梯度數(shù)據(jù)坐標系，將所述傳感器數(shù)據(jù)集中的振動數(shù)據(jù)以時間循序標入所述振動數(shù)據(jù)坐標系，將所述傳感器數(shù)據(jù)集中的磁場梯度數(shù)據(jù)以時間循序標入所述磁場梯度數(shù)據(jù)坐標系，根據(jù)標入數(shù)據(jù)后的振動數(shù)據(jù)坐標系與磁場梯度數(shù)據(jù)坐標系獲取坐標系中的數(shù)據(jù)拐點，根據(jù)所述數(shù)據(jù)拐點判斷是否對所述預警等級進行調(diào)整，當判定對所述預警等級進行調(diào)整時，以調(diào)整后的預警等級進行預警；

7、存儲單元，被配置為對當前特征集與預警等級進行存儲。

8、進一步的，所述采集單元根據(jù)所述傳感器數(shù)據(jù)判斷是否開啟持續(xù)監(jiān)測模式時，包括：

9、所述采集單元分別將所述振動數(shù)據(jù)與振動數(shù)據(jù)閾值進行比對，將所述磁場梯度數(shù)據(jù)與磁場梯度數(shù)據(jù)閾值進行比對，根據(jù)比對結(jié)果判斷是否開啟持續(xù)監(jiān)測模式；

10、當所述振動數(shù)據(jù)大于振動數(shù)據(jù)閾值且所述磁場梯度數(shù)據(jù)小于磁場梯度數(shù)據(jù)閾值時，判定開啟所述持續(xù)監(jiān)測模式；

11、當所述振動數(shù)據(jù)小于或等于振動數(shù)據(jù)閾值或所述磁場梯度數(shù)據(jù)大于或等于磁場梯度數(shù)據(jù)閾值時，判定不開啟所述持續(xù)監(jiān)測模式，并采用高斯混合分布平滑信號。

12、進一步的，當所述采集單元判定不開啟所述持續(xù)監(jiān)測模式，采用高斯混合分布平滑信號時，包括：

13、當所述振動數(shù)據(jù)大于振動數(shù)據(jù)閾值且磁場梯度數(shù)據(jù)大于或等于磁場梯度數(shù)據(jù)閾值時，將所述振動數(shù)據(jù)記為異常數(shù)據(jù)；

14、當所述振動數(shù)據(jù)小于或等于振動數(shù)據(jù)閾值且磁場梯度數(shù)據(jù)小于磁場梯度數(shù)據(jù)閾值時，將所述磁場梯度數(shù)據(jù)記為異常數(shù)據(jù)；

15、調(diào)取與異常數(shù)據(jù)對應(yīng)數(shù)據(jù)類型的前一段時刻的數(shù)據(jù)，采用高斯混合分布對調(diào)取數(shù)據(jù)進行處理確定平滑數(shù)據(jù)，將當前時刻的異常數(shù)據(jù)更改為所述平滑數(shù)據(jù)；

16、采用高斯混合分布對調(diào)取數(shù)據(jù)進行處理確定平滑數(shù)據(jù)時，核密度函數(shù)表達式為：

17、

18、其中，n表示調(diào)取數(shù)據(jù)中數(shù)據(jù)的個數(shù)，h表示平滑帶寬，表示調(diào)取數(shù)據(jù)內(nèi)第i數(shù)據(jù)，x表示要估計的某個頻率點的值；

19、將核密度最高頻率對應(yīng)的數(shù)據(jù)值作為所述平滑數(shù)據(jù)。

20、進一步的，所述處理單元將所述振動超出值與磁場梯度下降值輸入預設(shè)模糊算法，根據(jù)輸出結(jié)果獲得所述持續(xù)監(jiān)測模式的持續(xù)監(jiān)測時長時，包括：

21、定義振動超出值與磁場梯度下降值為輸入變量，定義持續(xù)監(jiān)測時長為輸出變量；

22、以振動超出值的大小劃分為若干個振動超出值模糊集，并以磁場梯度下降值的大小劃分為若干個磁場梯度下降值模糊集，根據(jù)所述振動超出值模糊集以及磁場梯度下降值模糊集確定模糊規(guī)則庫；

23、將當前的振動超出值以及磁場梯度下降值分別與振動超出值模糊集以及磁場梯度下降值模糊集進行比對，基于三角形隸屬函數(shù)確定振動超出值隸屬度以及磁場梯度下降值隸屬度；

24、根據(jù)所述振動超出值隸屬度以及磁場梯度下降值隸屬度計算所述模糊規(guī)則庫中每一規(guī)則的輸出值；

25、將每一規(guī)則的輸出值通過下式加權(quán)求和去模糊化，并獲得總輸出值，所述總輸出值為所述持續(xù)監(jiān)測時長；

26、

27、其中，e表示持續(xù)監(jiān)測時長，e0表示持續(xù)監(jiān)測時長參考值，qi表示第i規(guī)則的輸出的權(quán)重，si表示第i規(guī)則的輸出值。

28、進一步的，所述判斷單元將所述當前特征集與歷史預警數(shù)據(jù)組進行比對，并結(jié)合神經(jīng)網(wǎng)絡(luò)模型確定預警等級時，包括：

29、所述判斷單元分別計算所述當前特征集與每一歷史特征集的相似度；

30、當所有所述歷史特征集中存在與所述當前特征集的相似度大于相似度閾值的數(shù)據(jù)時，根據(jù)相似度大于相似度閾值的歷史特征集對應(yīng)的歷史預警等級確定所述預警等級；

31、當所有所述歷史特征集與所述當前特征集的相似度均小于相似度閾值時，根據(jù)所述歷史預警數(shù)據(jù)組建立所述神經(jīng)網(wǎng)絡(luò)模型，將所述當前特征集輸入所述神經(jīng)網(wǎng)絡(luò)模型，獲得所述預警等級。

32、進一步的，所述判斷單元根據(jù)相似度大于相似度閾值的歷史特征集對應(yīng)的歷史預警等級確定所述預警等級時，包括：

33、當所述歷史特征集中與所述當前特征集的相似度大于相似度閾值的數(shù)據(jù)唯一時，將所述歷史特征集對應(yīng)的歷史預警等級作為所述預警等級；

34、當所述歷史特征集中與所述當前特征集的相似度大于相似度閾值的數(shù)據(jù)不唯一時，將所述歷史特征集對應(yīng)的最高歷史預警等級作為所述預警等級。

35、進一步的，所述判斷單元根據(jù)所述歷史預警數(shù)據(jù)組建立所述神經(jīng)網(wǎng)絡(luò)模型，將所述當前特征集輸入所述神經(jīng)網(wǎng)絡(luò)模型，獲得所述預警等級時，包括：

36、將所述歷史預警數(shù)據(jù)組按照預設(shè)比例抽樣得到訓練子集和測試子集；

37、獲取預先選取的卷積神經(jīng)模型，并根據(jù)所述訓練子集對所述卷積神經(jīng)模型進行迭代訓練，根據(jù)所述測試子集對迭代訓練后的卷積神經(jīng)模型進行評價，得到所述神經(jīng)網(wǎng)絡(luò)模型；

38、將所述當前特征集輸入到所述神經(jīng)網(wǎng)絡(luò)模型中，獲得所述預警等級。

39、進一步的，所述調(diào)整單元根據(jù)所述數(shù)據(jù)拐點判斷是否對所述預警等級進行調(diào)整時，包括：

40、當所述振動數(shù)據(jù)坐標系或磁場梯度數(shù)據(jù)坐標系中存在拐點時，所述調(diào)整單元判定對所述預警等級進行調(diào)整；

41、當所述振動數(shù)據(jù)坐標系以及磁場梯度數(shù)據(jù)坐標系中均不存在拐點時，所述調(diào)整單元判定不對所述預警等級進行調(diào)整。

42、進一步的，所述調(diào)整單元判定對所述預警等級進行調(diào)整時，包括：

43、當所述振動數(shù)據(jù)坐標系與磁場梯度數(shù)據(jù)坐標系其中一個坐標系存在拐點時，將所述預警等級調(diào)升一級；

44、當所述振動數(shù)據(jù)坐標系與磁場梯度數(shù)據(jù)坐標系均存在拐點時，將所述預警等級調(diào)升兩級。

45、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：通過集成振動數(shù)據(jù)和磁場梯度數(shù)據(jù)，結(jié)合神經(jīng)網(wǎng)絡(luò)模型和模糊算法，能夠?qū)崟r采集和分析多維度傳感器數(shù)據(jù)，在判斷到異常信號時，動態(tài)開啟持續(xù)監(jiān)測模式，并通過模糊算法自適應(yīng)地計算持續(xù)監(jiān)測時長。有效減少人工干預，提升監(jiān)測的自動化程度。通過建立歷史數(shù)據(jù)與當前特征集的比對，結(jié)合神經(jīng)網(wǎng)絡(luò)進行預警等級判斷，能夠根據(jù)不同的檢測結(jié)果精確識別盜油行為。采用坐標系分析方法，結(jié)合時間序列數(shù)據(jù)和數(shù)據(jù)拐點判斷，進一步提高了異常檢測的準確性和靈活性，避免了傳統(tǒng)檢測方法中靜態(tài)閾值和外部干擾的限制，能夠根據(jù)復雜場景的變化進行調(diào)整，確保在各種環(huán)境條件下提供穩(wěn)定、可靠的檢測結(jié)果。有效提高油氣管道監(jiān)測的精度和反應(yīng)速度。

46、另一方面，本技術(shù)還提供了一種基于神經(jīng)算法的打孔盜油支管數(shù)據(jù)識別方法，應(yīng)用于上述基于神經(jīng)算法的打孔盜油支管數(shù)據(jù)識別系統(tǒng)，包括：

47、采集待監(jiān)測區(qū)域內(nèi)傳感器數(shù)據(jù)，所述傳感器數(shù)據(jù)包括振動數(shù)據(jù)與磁場梯度數(shù)據(jù)，根據(jù)所述傳感器數(shù)據(jù)判斷是否開啟持續(xù)監(jiān)測模式；

48、當判定開啟所述持續(xù)監(jiān)測模式時，根據(jù)所述振動數(shù)據(jù)與振動數(shù)據(jù)閾值獲得振動超出值，根據(jù)所述磁場梯度數(shù)據(jù)與磁場梯度閾值獲得磁場梯度下降值，將所述振動超出值與磁場梯度下降值輸入預設(shè)模糊算法，根據(jù)輸出結(jié)果獲得所述持續(xù)監(jiān)測模式的持續(xù)監(jiān)測時長；

49、持續(xù)記錄所述持續(xù)監(jiān)測時長內(nèi)的傳感器數(shù)據(jù)，建立傳感器數(shù)據(jù)集，提取最大振動數(shù)據(jù)與最小磁場梯度數(shù)據(jù)并建立當前特征集，將所述當前特征集與歷史預警數(shù)據(jù)組進行比對，并結(jié)合神經(jīng)網(wǎng)絡(luò)模型確定預警等級；所述歷史預警數(shù)據(jù)組包括若干個歷史特征集以及若干個歷史預警等級，每一所述歷史特征集與一歷史預警等級相對應(yīng)，且所述歷史特征集中包括歷史最大振動數(shù)據(jù)與歷史最小磁場梯度數(shù)據(jù)；

50、建立振動數(shù)據(jù)坐標系與磁場梯度數(shù)據(jù)坐標系，將所述傳感器數(shù)據(jù)集中的振動數(shù)據(jù)以時間循序標入所述振動數(shù)據(jù)坐標系，將所述傳感器數(shù)據(jù)集中的磁場梯度數(shù)據(jù)以時間循序標入所述磁場梯度數(shù)據(jù)坐標系，根據(jù)標入數(shù)據(jù)后的振動數(shù)據(jù)坐標系與磁場梯度數(shù)據(jù)坐標系獲取坐標系中的數(shù)據(jù)拐點，根據(jù)所述數(shù)據(jù)拐點判斷是否對所述預警等級進行調(diào)整，當判定對所述預警等級進行調(diào)整時，以調(diào)整后的預警等級進行預警；

51、對當前特征集與預警等級進行存儲。

52、可以理解的是，上述基于神經(jīng)算法的打孔盜油支管數(shù)據(jù)識別系統(tǒng)及方法具備相同的有益效果，在此不再贅述。