1.一种基于改进VMD和1DCNN的油气管道泄漏检测方法，其特征在于：步骤一、利用声波传感器采集在正常、泄漏两种工况下天然气管道中的声波信号；

步骤二、初始化变分模态分解算法VMD的参数，确定VMD模态数K，由2到N从低到高依次选取K值，N＞2，选择相关系数值最大的模态分量计算其方差值，并绘制方差的变化曲线，若在当前曲线方差没有峰值且单调递增，则继续计算K为N+1时，相关系数最大IMF的方差值，并重复以上步骤，根据方差最大原则，选取方差值最大时候的当前K值作为最佳K值；

步骤三、利用VMD算法对步骤一采集的声波信号进行自适应分解，获取若干从低频到高频分布的本征模态函数IMF，并计算VMD分解后各个IMFS的方差值，选取其中方差最大的IMF作为有效本征模态函数；

步骤四、通过优化网络结构和超参数构建一维卷积神经网络1DCNN管道泄漏检测模型；

步骤五、将步骤三预处理后的声波信号构建训练样本和测试样本，训练样本输入到步骤四构建的一维卷积神经网络1DCNN管道泄漏检测模型中进行训练，使用测试样本测试模型泛化性能，最终获取分类结果检测管道是否发生泄漏。

2.根据权利要求1所述的基于改进VMD和1DCNN的油气管道泄漏检测方法，其特征在于：所述的步骤四的具体方法为：

通过分析不同网络结构和超参数对泄露检测的准确率和loss值的影响，使用逐一测试的方法进行实验选取最优网络结构和超参数；

所述超参数包含卷积层数目，卷积核数量及尺寸，池化层数目及池化大小，批处理样本数目；

所述网络结构设计为9层，包括输入层，卷积层，池化层，平坦层，全连接层，输出层，每个卷积层后面对应一层池化层，在最后一层全连接层后连接一个softmax分类器，输出模型预测的各个工况的概率；

所述卷积层针对管道一维信号使用一维卷积层，卷积层通过训练得到满足损失函数最小的一组最优卷积核，利用卷积核实现自动特征提取；

X＝[x1，x2，...，xt，...，xs]T作为输入信号传递到输入层。其中，X∈Rs×d为时间序列信号，s为信号长度，d为特征值长度，xt表示当前t时刻的特征值向量，R是实数；

时间序列信号经过一维卷积层中进行一维卷积运算：

f(x)＝max(x，0)     (2)

其中：*表示一维卷积运算； 表示由卷积核 生成的第j个特征映射，j∈[1，nc],nc表示卷积核个数，每个卷积核对应一个特征映射，并联后构成卷积层；卷积核 表示为一个权值矩阵，m为卷积核尺寸，b为偏置；f(x)为激活函数，用于对经过一维卷积运算后的数据进行非线性化，采用深度学习中主流激活函数ReLu，加速模型收敛，增强模型的稀疏表示；

所述池化层使用一维最大池化层，提取出相邻区域内的最大值，将时间序列信号长度减半，池化层提取出卷积结果中最主要的特征，降低输出的维度，如式3所示：式中 k是在1到s/2的数；

所述平坦层将上一层池化层的输出首尾拼接为一维行向量；所述全连接层与传统神经网络结构一致，由多层隐藏层组成；

所述分类器采用归一化指数函数softmax分类器，将输入转化为和为1的概率分布输出到输出层。

3.根据权利要求2所述的基于改进VMD和1DCNN的油气管道泄漏检测方法，其特征在于：在天然气管道泄漏检测实验室采集正常、泄漏两种工况下天然气管道中的声波信号，每类采集1180组，共2360组，截取每组样本数据采样点数为784，将采集的两类声波信号按步骤三进行处理后，按照8:2的比例分为训练样本和测试样本，构建的训练样本输入到一维卷积神经网络1DCNN管道泄漏检测模型中训练模型，用测试样本测试模型在实际情况下的识别准确性。