众所周知,油气两相流体管道输送系统,是最常见也是最重要的油气输送系统。石油天然气输送管线在实际应用中,由于管道数量多,结构复杂多变,工作环境大多具有较强的腐蚀性和较为恶劣等特点,以及其他诸如:高压,管道振动的特点,同时受到如两相流型变化和管线存在泄漏事故等的影响,引起工艺参数变化,管道泄漏事故时有发生。众所周知,管道泄漏会使得整个油气运输系统的完整性被破坏,导致输送介质的泄漏的现象,发生火灾、爆炸,甚至导致灾难性事故的发生。声发射检测技术具有能实现泄漏早期探测与监测,并快速识别泄漏状态,从而提前采取应急与响应对策,尽可能的降低事故的后果的特点,从而为正常的油气管道运输提供工具化和技术化、智能化的支持。基于气液两相流泄漏实验系统,利用气体循环系统参数可调、流量可读等的优点,开展了两相流管道泄漏实验。从声发射检测技术基本原理出发,研究声发射源到声发射信号转化的整个过程,在此基础上以两相流为介质的管道泄漏作为声发射源,研究声发射信号的类型及特点,探索两相流类型和管道泄漏参数条件对两相流管道泄漏声发射信号的影响因素。分析并探究声发射信号参数与泄漏孔孔径、泄漏孔方位、泄漏两相流介质等参数之间的关系。分别对实验中采集到的两相流管道泄漏声发射原始波形信号进行小波包分解、经验模态分解和局部均值分解,然后对经验模态分解后的信号进行重构,对局部均值分解后的信号也同样进行重构,然后进行小波包分解,从而取得各个频率段的能量占比,并将这些能量占比,分别计算各泄漏信号与背景噪声信号的差值,从而计算出最优的机器学习的输入数据的特征提取方法是局部均值分解方法。研究深度学习理论在泄漏识别的应用,借鉴其在图像识别、语音识别等领域的特征提取的优越性能,基于深度学习理论,提出了基于深度学习的数据驱动泄漏状态识别方法,以适应复杂数据背景下的多样性、非线性、高维度监测数据的复杂状态的诊断需求,应用BP神经网络、堆栈自编码器、深度置信网络,构建两相流管道泄漏识别模型。基于局部均值分解的方法提取的特征参数为输入,分别研究几种智能学习网络对泄漏识别的适用性和准确率。