基于图神经网络和LSTM网络的管道油气泄漏检测方法

基于图神经网络和lstm网络的管道油气泄漏检测方法
技术领域
1.本发明涉及一种管道泄漏的检测方法，尤其涉及一种基于图神经网络和lstm网络的管道油气泄漏检测方法。


背景技术：

2.综合管廊的安全运营对于优化完善城市功能与推动城市文明建设十分重要，城市综合管廊容纳了包括电力、通信、燃气、给水、排水、再生水、交通安全、城市照明、垃圾渗滤液管线等在内的城市工程管线，其中燃气、燃油、给水、排水等管道都存在泄漏的风险。若发生泄漏，会对综合管廊造成影响，从而影响其他线路如电力、通信、照明等的安全。
3.我们经过研究发现，在管道某处发生燃气或燃油泄漏时会引起温度波动，而这种波动与外界气压无关。因此，可根据光纤温度的波动情况来判断管道是否发生燃气或燃油泄漏。
4.异常点检测技术在各种应用领域中都发挥着重要作用。其中，已经广泛应用于管道泄漏检测，电力电缆监测，核设施异常监测等场景下的分布式光纤温度传感技术，每次采集都能获取大量不同位置上的信号。在时序信号中，主成分分析(pca)、一分类支持向量机(oc-svm)、局部异常因子(lof)、基于直方图的异常值分数(hbos)、孤立森林(isolationforest)等算法在检测异常点上有非常不错的效果，但上述的检测方法只考虑了信号在时域上的相关性，割裂了信号的空间关系。而基于图神经网络和lstm网络的管道油气泄漏检测方法同时考虑了信号之间的时域相关性和空间关系，提高了异常温度的检测精度。
5.名词解释：
6.分布式光纤测温系统，英文distributed temperature sensing，简称dts。也称为光纤测温，依据光时域反射(otdr)原理和拉曼(raman)散射效应对温度的敏感从而实现温度监测。
7.图是一种具有强大的表达能力的数据结构，它对一组对象及其关系进行建模，这里所述对象，指节点，所述关系，指边。作为一种独特的非欧几里德数据结构，图分析主要关注节点分类、链接预测和聚类等任务。图神经网络，英文graph neural networks，简称gnn，是一种基于深度学习的方法，在图域上运行，通过图节点之间的消息传递来捕获图的依赖性。
8.长短期记忆神经网络，英文long short-term memory，简称lstm，是一种特殊模型的递归单元，能够解决长期依赖问题和在rnn训练过程中的出现的梯度消失和梯度爆炸等问题，并捕捉信号的时序特性。


技术实现要素：

9.本发明的目的就在于提供一种解决上述问题，能同时考虑了信号之间的时域相关性和空间关系，提高了异常温度的检测精度的，基于图神经网络和lstm网络的管道油气泄
漏检测方法。
10.为了实现上述目的，本发明采用的技术方案是这样的：一种基于图神经网络和lstm网络的管道油气泄漏检测方法，包括以下步骤；
11.(1)数据采集及预处理；
12.(11)在不同的油气管道上采集光纤温度数据，所述每个油气管道上至少包含一处泄漏位置，且光纤温度数据包含泄漏位置的数据，每个光纤温度数据长度为l个数据点，且每个数据点包括一温度数据，所述温度数据为一stokes数据和一an-stokes数据；
13.(12)对光纤温度数据预处理，并对其每个数据点进行分类，若该数据点位于泄漏位置，则为正样本，标记为1，否则为负样本，标记为0，将标记作为该数据点的标签，再将带标签的光纤温度数据切割为等长的样本段，所有样本段构成数据集；
14.(2)将样本段转化为图结构数据，包括步骤(21)-(22)；
15.(21)对一个样本段，将其每个数据点作为一个节点，该节点与相邻的四个数据点的连线构成边，将该样本段转化为一图结构数据g＝(v,e)，其中，v为所有节点的集合，e为所有边的集合，并对每个节点，其数据包含该节点的温度数据和标签；
16.(22)按步骤(21)将所有样本段转化为图结构数据；
17.(3)构建一融合网络，所述融合网络包括依次连接的图神经网络和lstm网络；
18.(4)依次将图结构数据送入融合网络中训练至网络收敛，得到训练好的图神经网络和lstm网络融合模型，其中一个图结构数据处理包括步骤(41)-(43)；
19.(41)将图结构数据送入图神经网络，对每个节点，分别将其作为中心节点，经聚合器进行特征聚合后输出一聚合特征，则每个节点对应l个聚合特征；
20.(42)将每个聚合特征，分别送入lstm网络得到一输出，将输出进行二值划分后，作为该节点属于正样本的预测概率；
21.(43)以该节点的标签为期望输出，调整图神经网络和lstm网络的网络权重；
22.(5)待测区域泄漏检测；
23.(51)在待测油气管道外壁采集光纤温度数据，预处理后切割为与样本段相同长度的待测样本段；
24.(52)将待测样本段送入图神经网络和lstm网络融合模型中，输出待测样本段上，每个数据点属于正样本的预测概率，并预设一阈值，若预测概率大于阈值，则该数据点类别为异常温度，否则为正常温度。
25.作为优选：步骤(11)中，在不同的油气管道上采集光纤温度数据具体为，通过分布式光纤测温系统采集，所述分布式光纤测温系统包括传感光纤，传感光纤沿管道长度方向布设，且经过油气管道上的泄漏位置。
26.作为优选：步骤(12)对光纤温度数据预处理为，光纤温度数据包括l个数据点，共l个stokes数据和l个an-stokes数据，分别构成一stokes数据向量和an-stokes数据向量，对每个向量，分别对其中每个元素归一化处理。
27.作为优选：步骤(42)中，采用逻辑回归方法sigmoid进行二值划分，具体为；融合网络的输出端连接一sigmoid层；
28.sigmoid层将lstm网络的输出结果转化成该节点属于正样本的预测概率，通过交叉熵损失函数becloss计算预测概率与正样本标签的损失值，执行反向传播和更新权重并
迭代训练，使损失值不再降低直至收敛，得到训练好的图神经网络和lstm网络融合模型。
29.作为优选：所述图神经网络为graphsage、pna、gcn、gat或gae。
30.与现有技术相比，本发明的优点在于：
31.本发明提出了一种异常温度定位的新方法，通过分布式光纤测温系统采集实时油管、气管的温度数据，分析管道内的温度是否发生异常波动来判断该位置是否存在泄漏，能对地下综合管廊管道泄漏处精确定位，从而为保障地下综合管廊的安全运营。
32.本发明在不转变原信号的情况下，通过图的方式显式的建立信号间存在的空间关系，提出了一种新的基于图神经网络和长短期记忆神经网络相结合异常温度定位方法，具体的，采用图神经网络构建各信号节点的空间关系并捕捉信号的空间特性，采用lstm网络捕捉信号的时域特性，sigmoid函数根据捕捉到的空间特性和时域特性判定信号的异常情况，得到有效的温度异常事件的定位。
33.经本发明方法处理后，相比于单独的图神经网络检测方法和只考虑时域性的异常检测算法，能提高异常温度的检测精度。
附图说明
34.图1为本发明流程图；
35.图2为图结构数据中节点空间关系图；
36.图3为融合网络的结构图；
37.图4是lstm网络的结构图；
38.图5为图神经网络和lstm网络融合模型的检测精度曲线图。
具体实施方式
39.下面将结合附图对本发明作进一步说明。
40.实施例1：参见图1到图4，一种基于图神经网络和lstm网络的管道油气泄漏检测方法，包括以下步骤；
41.(1)数据采集及预处理；
42.(11)在不同的油气管道上采集光纤温度数据，所述每个油气管道上至少包含一处泄漏位置，且光纤温度数据包含泄漏位置的数据，每个光纤温度数据长度为l个数据点，且每个数据点包括一温度数据，所述温度数据为一stokes数据和一an-stokes数据；
43.(12)对光纤温度数据预处理，并对其每个数据点进行分类，若该数据点位于泄漏位置，则为正样本，标记为1，否则为负样本，标记为0，将标记作为该数据点的标签，再将带标签的光纤温度数据切割为等长的样本段，所有样本段构成数据集；
44.(2)将样本段转化为图结构数据，包括步骤(21)-(22)；
45.(21)对一个样本段，将其每个数据点作为一个节点，该节点与相邻的四个数据点的连线构成边，将该样本段转化为一图结构数据g＝(v,e)，其中，v为所有节点的集合，e为所有边的集合，并对每个节点，其数据包含该节点的温度数据和标签；
46.(22)按步骤(21)将所有样本段转化为图结构数据；
47.(3)构建一融合网络，所述融合网络包括依次连接的图神经网络和lstm网络；
48.(4)依次将图结构数据送入融合网络中训练至网络收敛，得到训练好的图神经网
络和lstm网络融合模型，其中一个图结构数据处理包括步骤(41)-(43)；
49.(41)将图结构数据送入图神经网络，对每个节点，分别将其作为中心节点，经聚合器进行特征聚合后输出一聚合特征，则每个节点对应l个聚合特征；
50.(42)将每个聚合特征，分别送入lstm网络得到一输出，将输出进行二值划分后，作为该节点属于正样本的预测概率；
51.(43)以该节点的标签为期望输出，调整图神经网络和lstm网络的网络权重；
52.(5)待测区域泄漏检测；
53.(51)在待测油气管道外壁采集光纤温度数据，预处理后切割为与样本段相同长度的待测样本段；
54.(52)将待测样本段送入图神经网络和lstm网络融合模型中，输出待测样本段上，每个数据点属于正样本的预测概率，并预设一阈值，若预测概率大于阈值，则该数据点类别为异常温度，否则为正常温度。
55.本实施例中，步骤(11)中，在不同的油气管道上采集光纤温度数据具体为，通过分布式光纤测温系统采集，所述分布式光纤测温系统包括传感光纤，传感光纤沿管道长度方向布设，且经过油气管道上的泄漏位置。
56.步骤(12)对光纤温度数据预处理为，光纤温度数据包括l个数据点，共l个stokes数据和l个an-stokes数据，分别构成一stokes数据向量和an-stokes数据向量，对每个向量，分别对其中每个元素归一化处理。
57.步骤(42)中，采用逻辑回归方法sigmoid进行二值划分，具体为；融合网络的输出端连接一sigmoid层；
58.sigmoid层将lstm网络的输出结果转化成该节点属于正样本的预测概率，通过交叉熵损失函数becloss计算预测概率与正样本标签的损失值，执行反向传播和更新权重并迭代训练，使损失值不再降低直至收敛，得到训练好的图神经网络和lstm网络融合模型。
59.本发明所述的图神经网络为graphsage、pna、gcn、gat或gae。
60.在本实施例步骤(12)对光纤温度数据预处理之前，我们还可以对步骤(11)得到的光纤温度数据进行过滤和清洗，排除掉异常、错误的数据，并补齐长度。
61.本实施例中步骤(43)调整图神经网络和lstm网络的网络权重的标准为：对每个节点，以该节点的标签为期望输出，以缩小预测概率和期望输出之间的差距为目标，对图神经网络和lstm网络中的网络权重均进行调整。
62.实施例2：参见图1到5，在实施例1的基础上，我们给出一个具体的场景。
63.关于步骤(11)，在进行数据采集时，我们需要在不同场景、不同环境中去获取大量的光纤温度数据。例如，其中一个场景为某区域地下综合管廊，该综合管廊内包含了电力、通信、燃气、给水、排水、再生水、交通安全、城市照明、垃圾渗滤液管线等在内的城市工程管线，我们在此处采集燃气管道上的采集光纤温度数据。本实施例中，每个光纤温度数据长度为l＝2000个数据点；再对光纤温度数据进行清洗，筛选出泄漏位置的异常温度。
64.关于步骤(12)对光纤温度数据预处理，指归一化处理，这是因为数据的不同特征具有不同的量纲和量纲单位，会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理。本实施例采用sklearn库中的minmaxscaler()函数对每个特征值进行缩放，将数据归一到[0,1]之间。
[0065]
关于步骤(12)中，将带标签的光纤温度数据切割为等长的样本段，这里将每个光纤温度数据切割成20个样本段，每个样本段包含100个数据点，若光纤温度数据有1000个，那么样本段共计200000个，我们将所有样本段构成数据集，并按比例划分为训练集和测试集，后续模型训练时，用训练集内的样本段训练，用测试集内的样本段测试。
[0066]
关于步骤(2)，光纤在受到温度影响后，其受热中心的热量会向周边扩散并影响附近的点以此引发光纤内的自发拉曼散射光信号的强度发生变化，进而引起周边节点的温度发生变化。由于光纤在空间上的连续性，光信号的强度存在某种关系。图的概念可以帮助我们理解这种关系，如图2所示，我们定义每个数据点都是一个节点，该节点与相邻的四个数据点的连线构成边，这样，一个该样本段就可以转化为一包含空间信息图结构数据g＝(v,e)，这样，对一个节点来说，它就与相邻的四个数据点在空间上具有了联系，对图结构数据来说，能有效的保留了光纤上的节点信号之间的结构信息，该图结构数据不仅具有时域相关性，同时还具有了空间关系。
[0067]
关于步骤(3)的融合模块，图神经网络具体为graphsage，graphsage算法的思想是中心节点不断聚合邻居节点的信息，随着迭代次数的增加，最终每个节点聚合的信息几乎都是全局的，以此图神经网络构建了光纤上信号与信号之间的空间关系。该网络中聚合器采用平均聚合器mean aggregator，聚合器为k个，共进行了k层聚合，每个节点对应的聚合特征为第k层的embedding表示式中，v为当前中心节点。通过图神经网络的k层graphsage特征聚合后，对于每个中心节点，都能得到一个embedding，表示捕获其k-hop邻域中的信息，提取了空间特征。然后，再将所有节点的embedding表示送入lstm模块，用于挖掘信号的时域特性。
[0068]
embedding：在图神经网络中embedding通过聚合邻居信息和归一化将图的节点表示成一个低维向量空间，同时保留网络的拓扑结构和节点信息。通过embedding不断的聚合邻居信息与迭代更新，最后使得每个节点几乎聚合了全局的信息。文中，我们将通过embedding最终得到的节点的低维向量表示称为聚合特征。
[0069]
如图3所示的图神经网络的结构图，本实施例中图神经网络包含三个graphsage层和一个lstm层，每一层graphsage中又包括sageconv层、agg层、relu层，分别为采样邻居卷积，聚合邻居和非线性激活函数。
[0070]
图4是lstm网络的结构图，该网络目的是用于挖掘信号的时域特性。lstm的模型结构如图4所示，将t时刻的输入信息x
t
通过遗忘门、记忆门、输出门、细胞状态的共同作用，获得该时刻的输出h
t
和更新后的细胞状态c
t
。每一次输入新的信息x
t
，lstm根据当前时刻的x
t
和前一时刻神经元的输出h
t-1
，计算出遗忘门选择要遗忘的信息、输出门选择要记忆的信息。
[0071]
下面的公式可以用来描述遗忘门f
t
、记忆门、输出门m
t
、细胞状态c
t
的计算：
[0072]ft
＝σ(wf·
[h
t-1
，x
t
]+bf)；
[0073]c′
t
＝tanh(wc·
[h
t-1
，x
t
]+bc)
[0074]it
＝σ(wi·
[h
t-1
，x
t
]+bi)
[0075]mt
＝σ(wm·
[h
t-1
，x
t
]+bm)；
[0076]ct
＝f
t
*c
t-1+it
*c
′
t
；
[0077]ht
＝m
t
*tanh(c
t
)
[0078]
其中，σ是sigmoid函数，tanh是tanh函数，w、b分别为权重和偏置；c’t
是从当前输入中提取的有效信息，i
t
是对有效信息进行筛选。
[0079]
图5是图神经网络和lstm网络融合模型的检测精度曲线图，反映了训练过程中检测精度的变化。如图5所示，在前43个epoch时模型的精度波动较大，在44-50个epoch时模型精度趋于最优，可达到99.44％。
[0080]
实施例3：参见图1到5，在实施例2的基础上，我们在步骤(1)采集数据时，采集综合廊道内燃油管道上的温度，而步骤(5)待测区域泄漏检测时，也是布设在待测区域内的燃油管道上。
[0081]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于图神经网络和lstm网络的管道油气泄漏检测方法，其特征在于：包括以下步骤；（1）数据采集及预处理；（11）在不同的油气管道上采集光纤温度数据，所述每个油气管道上至少包含一处泄漏位置，且光纤温度数据包含泄漏位置的数据，每个光纤温度数据长度为l个数据点，且每个数据点包括一温度数据，所述温度数据为一stokes数据和一an-stokes数据；（12）对光纤温度数据预处理，并对其每个数据点进行分类，若该数据点位于泄漏位置，则为正样本，标记为1，否则为负样本，标记为0，将标记作为该数据点的标签，再将带标签的光纤温度数据切割为等长的样本段，所有样本段构成数据集；（2）将样本段转化为图结构数据，包括步骤（21）-（22）；（21）对一个样本段，将其每个数据点作为一个节点，该节点与相邻的四个数据点的连线构成边，将该样本段转化为一图结构数据g=(v,e)，其中，v为所有节点的集合，e为所有边的集合，并对每个节点，其数据包含该节点的温度数据和标签；（22）按步骤（21）将所有样本段转化为图结构数据；（3）构建一融合网络，所述融合网络包括依次连接的图神经网络和lstm网络；（4）依次将图结构数据送入融合网络中训练至网络收敛，得到训练好的图神经网络和lstm网络融合模型，其中一个图结构数据处理包括步骤（41）-（43）；（41）将图结构数据送入图神经网络，对每个节点，分别将其作为中心节点，经聚合器进行特征聚合后输出一聚合特征，则每个节点对应l个聚合特征；（42）将每个聚合特征，分别送入lstm网络得到一输出，将输出进行二值划分后，作为该节点属于正样本的预测概率；（43）以该节点的标签为期望输出，调整图神经网络和lstm网络的网络权重；（5）待测区域泄漏检测；（51）在待测油气管道外壁采集光纤温度数据，预处理后切割为与样本段相同长度的待测样本段；（52）将待测样本段送入图神经网络和lstm网络融合模型中，输出待测样本段上，每个数据点属于正样本的预测概率，并预设一阈值，若预测概率大于阈值，则该数据点类别为异常温度，否则为正常温度。2.根据权利要求1所述的基于图神经网络和lstm网络的管道油气泄漏检测方法，其特征在于：步骤（11）中，在不同的油气管道上采集光纤温度数据具体为，通过分布式光纤测温系统采集，所述分布式光纤测温系统包括传感光纤，传感光纤沿管道长度方向布设，且经过油气管道上的泄漏位置。3.根据权利要求1所述的基于图神经网络和lstm网络的管道油气泄漏检测方法，其特征在于：步骤（12）对光纤温度数据预处理为，光纤温度数据包括l个数据点，共l个stokes数据和l个an-stokes数据，分别构成一stokes数据向量和an-stokes数据向量，对每个向量，分别对其中每个元素归一化处理。4.根据权利要求1所述的基于图神经网络和lstm网络的管道油气泄漏检测方法，其特征在于：步骤（42）中，采用逻辑回归方法sigmoid进行二值划分，具体为；融合网络的输出端连接一sigmoid层；
sigmoid层将lstm网络的输出结果转化成该节点属于正样本的预测概率，通过交叉熵损失函数becloss计算预测概率与正样本标签的损失值，执行反向传播和更新权重并迭代训练，使损失值不再降低直至收敛，得到训练好的图神经网络和lstm网络融合模型。5.根据权利要求1所述的基于图神经网络和lstm网络的管道油气泄漏检测方法，其特征在于：所述图神经网络为graphsage、pna、gcn、gat或gae。

技术总结
本发明公开了一种基于图神经网络和LSTM网络的管道油气泄漏检测方法，包括采集光纤温度数据及预处理，对数据进行异常温度标记，切割成样本段；将样本段转化为图结构数据；构建由图神经网络和LSTM网络构成的融合网络，用图结构数据训练得到训练好的图神经网络和LSTM网络融合模型，用于待测区域泄漏检测。本发明提出了一种新的异常温度定位方法，采用图神经网络构建各信号节点的空间关系并捕捉信号的空间特性，采用LSTM网络捕捉信号的时域特性，相比于现有技术，本方法综合考虑了信号的空间相关性与时序性，能够准确检测与定位城市地下管廊的温度异常事件，检测精度高，实用性强，速度快。度快。度快。


技术研发人员：王洪辉 王奕茹 王翔 任际周 吕兵 王磊 胡朝辉 姚光乐 杨冬营
受保护的技术使用者：成都理工大学
技术研发日：2023.04.06
技术公布日：2023/7/22