本發(fā)明屬于供熱管道泄漏識別檢測技術的，涉及一種基于二次分解和bilstm的供熱管道泄漏識別方法、系統(tǒng)、設備及介質。

背景技術：

1、供熱管網是連接熱源與熱用戶的關鍵紐帶，對供熱系統(tǒng)的安全穩(wěn)定運行意義重大。隨著管網拓撲結構和水力工況日益復雜、管道服役期逐年增加，故障發(fā)生率也隨之增大。常見的故障有泄漏和堵塞，其中泄漏是影響管路安全的最主要問題。管道泄漏不僅會造成水、熱量的浪費和嚴重的經濟損失，還會影響衛(wèi)生、交通等方面，嚴重時甚至危及人的生命安全。因此，快速準確地確定供熱管道系統(tǒng)故障類型、位置及程度，保證系統(tǒng)的安全運行以及提高運行效率，就具有重要的現(xiàn)實意義。

2、現(xiàn)有管道泄漏檢測方法主要有聲學檢測法、熱成像檢測法和負壓波檢測法等。因成本低、操作簡單、靈敏度高、定位精度準等優(yōu)勢，負壓波檢測受到廣泛關注，其原理是管道受到噪聲干擾或有工況變化和管道泄漏時，在管道內會產生一個負壓波，兩者的負壓波特征存在顯著差異，識別差異就能識別正常工況還是發(fā)生泄漏，而信號降噪是負壓波檢測的研究重點，目前常用的降噪方法有小波分析(wt)、經驗模態(tài)分解(emd)、變分模態(tài)分解(vmd)等，其中，小波分析的降噪能力較強，但其降噪效果受母函數(shù)和閾值影響較大，對參數(shù)設置的經驗要求高。經驗模態(tài)分解無需預先設置基函數(shù)，但在信號分解的過程中容易出現(xiàn)模態(tài)混疊和端點效應現(xiàn)象，變分模態(tài)分解分解得到的殘差項仍較為復雜。

3、負壓波檢測不足在于經常受到調節(jié)工況的干擾而引起誤報，而隨著結合深度學習的數(shù)據(jù)挖掘算法在工業(yè)領域得到豐富應用，其強大數(shù)據(jù)學習能力具備一定的自適應性，能夠一定程度上解決負壓波檢測的不足之處。luo采用改進卷積神經網絡(icnn)進行管道泄漏識別。han提出一種基于卷積長短期記憶網絡(cnn-lstm)的流量預測方法監(jiān)測管道泄漏。ma采用改進的alexnet卷積網絡識別多個熱力站的管道泄漏數(shù)據(jù)。上述研究雖采用深度學習算法進行管道泄漏檢測，但負壓波信號作為典型的一維時序變量，其蘊藏的數(shù)據(jù)特征、時間特征尚未被深度挖掘，泄漏檢測精度有較大提升空間。并且以上方法均是從前向后單向輸出。在進行管道泄漏檢測定位時，泄漏后的數(shù)據(jù)對于檢測定位意義重大。因此雙向挖掘數(shù)據(jù)信息將有助于實現(xiàn)精準定位。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于二次分解和bilstm的供熱管道泄漏識別方法、系統(tǒng)、設備及介質，解決了現(xiàn)有的供熱管道泄漏識別方法存在檢測精度低，且無法對管道泄漏點進行定位的缺陷。

2、為了達到上述目的，本發(fā)明采用的技術方案是：

3、本發(fā)明提供的一種基于二次分解和bilstm的供熱管道泄漏識別方法，包括以下步驟：

4、獲取供熱管道預設時間段內的實測壓力值，并將得到的實測壓力值作為輸入數(shù)據(jù)；

5、對輸入數(shù)據(jù)進行vmd-emd二次分解，得到殘差分量；

6、將得到的殘差分量作為構建得到的bilstm網絡模型的輸入，得到預測壓力值；

7、將得到的預測壓力值與預設的固定預警閾值進行比較，根據(jù)比較結果判斷供熱管道是否泄漏。

8、優(yōu)選地，對輸入數(shù)據(jù)進行vmd-emd二次分解，得到二次分解分量，具體方法是：

9、利用vmd對輸入數(shù)據(jù)進行分解，得到包含殘差項的模態(tài)分量imf；

10、利用emd對殘差項進行分解，得到殘差分量。

11、優(yōu)選地，構建bilstm網絡模型，具體方法是：

12、獲取正常工況、泄漏工況、調閥工況下歷史壓力信號，將歷史壓力信號作為原始輸入數(shù)據(jù)；

13、對原始輸入數(shù)據(jù)進行vmd-emd二次分解，得到殘差分量；

14、利用得到殘差分量對構建得到的bilstm網絡模型進行訓練，得到訓練后的bilstm網絡模型。

15、優(yōu)選地，預設的固定預警閾值，獲取方法是：

16、利用殘差分量對構建得到的bilstm網絡模型進行訓練，得到預測數(shù)據(jù)；

17、將得到的預測數(shù)據(jù)與真實數(shù)據(jù)進行比較，計算得到預測誤差值；

18、根據(jù)得到的預測誤差值設置得到固定預警閾值。

19、優(yōu)選地，將得到的預測壓力值與預設的固定預警閾值進行比較，根據(jù)比較結果判斷供熱管道是否泄漏，具體方法是：

20、將得到的預測壓力值與實測壓力值計算預測誤差；

21、將得到的預測誤差與預設的固定預警閾值進行比較，其中，當預測誤差大于預設的固定預警閾值時，則供熱管道發(fā)生泄漏；否則供熱管道正常。

22、一種基于二次分解和bilstm的供熱管道泄漏識別系統(tǒng)，包括：

23、壓力信號獲取單元，用以獲取供熱管道預設時間段內的實測壓力值，并將得到的實測壓力值作為輸入數(shù)據(jù)；

24、數(shù)據(jù)分解單元，用以對輸入數(shù)據(jù)進行vmd-emd二次分解，得到殘差分量；

25、模型預測單元，用以將得到的殘差分量作為構建得到的bilstm網絡模型的輸入，得到預測壓力值；

26、判斷單元，用以將得到的預測壓力值與預設的固定預警閾值進行比較，根據(jù)比較結果判斷供熱管道是否泄漏。

27、一種電子設備，包括處理器和存儲器，所述存儲器上存儲有計算機指令，當所述計算機指令被所述處理器執(zhí)行時，使得所述電子設備執(zhí)行所述的方法。

28、一種計算設備集群，包括至少一個計算設備，每個計算設備包括處理器和存儲器；

29、所述至少一個計算設備的處理器用于執(zhí)行所述至少一個計算設備的存儲器中存儲的指令，以使得所述計算設備集群執(zhí)行所述的方法。

30、一種計算機程序產品，所述計算機程序產品上包含計算機可執(zhí)行指令，所述計算機可執(zhí)行指令在被執(zhí)行時實現(xiàn)所述的方法。

31、一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機可執(zhí)行指令，所述計算機可執(zhí)行指令被處理器執(zhí)行時實現(xiàn)所述的方法。

32、與現(xiàn)有技術相比，本發(fā)明的有益效果是：

33、本發(fā)明提供的一種基于二次分解和bilstm的供熱管道泄漏識別方法，以負壓波檢測法為理論依據(jù)，采集不同工況和發(fā)生泄漏下供熱管道的負壓波信號；利用vmd-emd二次分解方法對負壓波信號進行降噪處理，在一定程度上減少了模態(tài)混疊現(xiàn)象，并將降低了原始負壓波信號的復雜性，有利于神經網路進行訓練學習；接著通過雙向長短期記憶神經網絡系統(tǒng)(bilstm)訓練二次分解分量，對不同工況和發(fā)生泄漏下的負壓波信號進行識別學習，并根據(jù)預測誤差設定合理預測閾值，準確識別出泄露故障，提高了故障診斷的準確性。在信號降噪過程中，提出了一種基于vmd-emd的二次分解方法，結合兩種分解方法的優(yōu)勢，可以降低復雜度高和非線性強的時間序列的非平穩(wěn)性，在一定程度解決了模態(tài)混疊的問題；在故障診斷過程中，通過bilstm雙向挖掘數(shù)據(jù)中的時序信息建模，能夠同時捕捉序列數(shù)據(jù)的前向和后向信息，更好地識別不同工況下和管道泄露時負壓波的特征差異，實現(xiàn)了供熱管道泄漏的精準檢測與定位，為供熱管道泄露識別檢測技術提供了方向。

34、進一步的，以經驗模態(tài)分解(emd)分解變分模態(tài)分解(vmd)分解所留殘差，可以降低時間序列的復雜度和非平穩(wěn)性，以及分解的模態(tài)混疊現(xiàn)象。

35、進一步的，雙向長短期記憶網絡(bilstm)由兩個獨立存在的單向、方向相反的長短期記憶網絡(lstm)組成，能夠同時捕捉序列數(shù)據(jù)的前向和后向信息，結合泄露前后的數(shù)據(jù)，更好地識別不同工況下和管道泄露時負壓波的特征差異，實現(xiàn)了供熱管道泄漏的精準檢測與定位，提高檢測識別精度。