CN104048165B - 管道泄漏诊断的方法 - Google Patents

Abstract

本发明公开了一种管道泄漏诊断的方法。其中方法包括在管道首站和管道末站安装声波泄漏监测仪，实时、连续地监测管道内部的声波信号；对声波信号进行采样，得到声波信号的N点数据；对声波信号的N点数据进行去噪，计算信号均值，得到声波信号N点数据的正负信号；按照时域信号幅值以预定区间数划分信号区间，对信号区间进行频数统计，做出归一化的区间‑频数曲线图；计算区间‑频数曲线图的概率带宽特征，并通过降维得到声波信号的时域统计特征向量；将特征向量输入到预设模型进行诊断，判断管道是否发生泄漏。本发明管道泄漏诊断与实际信号幅值大小及波形无关，且避免了泄漏信号频率主成分偏移产生的漏报、误报现象。

Description

管道泄漏诊断的方法

技术领域

本发明涉及管道泄漏检测领域，尤其涉及一种管道泄漏诊断的方法。

背景技术

埋设在地下的燃气管道、油品输送管道、水管等压力流体管道由于铺设区域广，线路复杂，难于用人工进行管道泄漏的检查。而基于设备的管道泄漏检测，当管道出现泄漏后，如果发生漏报警，就不能及时发现泄漏点，从而造成资源的损失浪费，并可能带来安全隐患及环境污染。

在现有的管道泄漏检测方法中，普遍采用特征提取结合模型的方法实现泄漏的诊断，特征提取多采用小波包能量分析、EMD分解、功率谱能量分析、频谱分析等频域或时频域结合的特征提取方法。对于长距离输送管道，泄漏信号在传播过程中可能会发生频率重心偏移，基于频域或时频域结合的特征提取方法不可避免的会发生漏报、误报现象。

因此，探索一种能够有效避免管道泄漏漏报、误报的管道检测方法具有重大意义。

发明内容

为减少管道泄漏检测中不可避免的漏报、误报现象。本发明提供了一种管道泄漏诊断的方法。

为实现本发明目的提供的一种管道泄漏诊断的方法，包括以下步骤：

S100，在管道首站和管道末站分别安装一个声波泄漏监测仪，实时、连续地监测管道内部的声波信号；

S200，分别对所述管道首站和管道末站的声波信号进行采样，得到所述声波信号的管道首站N点数据，以及管道末站N点数据；其中，N为正整数；

S300，分别对所述声波信号的管道首站N点数据以及管道末站N点数据进行去噪，计算信号均值，分别得到与所述声波信号的管道首站N点数据以及管道末站N点数据对应的管道首站正负信号及管道末站正负信号；

S400，按照时域信号幅值以预定的区间数对所述管道首站正负信号及管道末站正负信号进行信号区间划分，对所述信号区间进行频数统计，做出归一化的区间-频数曲线图；选取预设频数计算所述区间-频数曲线图的概率带宽特征，并通过降维得到所述声波信号的时域统计特征向量；将特征向量输入到预设模型进行诊断，根据诊断结果分别对所述管道首站和管道末站的泄漏诊断标志进行设置；

S500，根据所述管道首站和管道末站的泄漏诊断标志判断管道是否发生泄漏，并在管道发生泄漏时报警。

较佳地，作为一种可实施方式，所述S200包括以下步骤：

设定管道泄漏诊断的周期为NT/2，每隔NT/2读取从所述管道首站采集的N/2点数据，以及从所述管道末站采集的N/2点数据；

将所述管道首站的N/2点数据及所述管道末站的N/2点数据分别与其上一诊断周期采集的N/2点数据一起，构成管道首站N点数据及管道末站N点数据；

所述N点数据中，前N/2点数据为最近的历史数据，后N/2点数据为最新采集的实时数据；

其中，所述N为数据点数，所述T为信号采样周期。

较佳地，作为一种可实施方式，步骤S400还包括以下步骤：

S410，分别将所述管道首站正负信号及管道末站正负信号按照时域波形幅值以step为步距，分成预设M个区间；

其中，M为正整数，step的值由公式(1)确定：

step＝(X_max-X_min)/M (1)

其中，X_max、X_min分别为所述正负信号的时域信号幅值的最大值和最小值；

S420，统计出信号幅值落在第k个区间的频数P’；

其中，k＝1,2,3，……，M；

S430，将各区间内统计得到的频数利用公式(2)进行归一化：

$P=\frac{P^{\′}-P_{\min }}{P_{max}-P_{\min }}---\left(2\right)$

式中，P_max、P_min分别为各区间频数的最大值和最小值；

S440，以区间序号k为横坐标，对应频数P为纵坐标做出k-P曲线图；

S450，选预设数量的归一化频数P_n，找出与P_n相邻的频数点P_(k)、P_(k+1)，k为区间序号且k＝1,2,3…M，即P_(k)、P_(k+1)满足条件：

P _(k) ≤P _n 且P _(k+1) (k+1)≥P _n 或P _(k) ≥P _n 且P _(k+1) ≤P _n ，

n＝1,2,…y，y为一预设正整数；

根据公式(3)，对归一化的k-P曲线进行分段线性插值得到频数P_n对应点的位置Pos_n(i)：

${\mathrm{Pos}}_n\left(i\right)=\frac{1}{P(k+1)-P\left(k\right)}\×\left(P\right(k)-P_n)+k---\left(3\right)$

式中，Pos_n(i)为频数P_n对应点的幅值区间序号，i为频数P_n对应点位置Pos_n的序号，i为正整数；

S460，对于步骤S450中每一归一化频数P_n，得到的Pos_n(i)，找出Pos_n(i)的最大、最小值PosMax_n、PosMin_n，n＝1,2,…y，并将PosMax_n、PosMin_n取整，根据公式(4)分别计算PosMin_n、PosMax_n之间频率分布直方图的归一化面积，即概率带宽：

$Feat\left(n\right)=\frac{1}{M}\underset{j={\mathrm{PosMin}}_n}{\overset{{\mathrm{PosMax}}_n}{\Σ}}P\left(j\right)---\left(4\right)$

则得到特征向量：

T＝[Feat(1),Feat(2),…Feat(y)]；

S470，对所述特征向量T进行降维，得到降维后的新的特征向量：

T′＝[Feat(1),Feat(2),…Feat(t)]

式中t是降维后特征向量的维数，且t<y；

S480，利用SVDD诊断模型，分别根据所述管道首站及管道末站的声波信号对应的所述新的特征向量，进行管道泄漏诊断，并根据诊断结果分别对所述管道首站和管道末站的泄漏诊断标志进行设置。

较佳地，作为一种可实施方式，步骤S400中，所述根据诊断结果分别对所述管道首站和管道末站的泄漏诊断标志进行设置，包括以下步骤：

根据诊断结果分别对所述管道首站和管道末站的泄漏诊断标志置1或者清零。

较佳地，作为一种可实施方式，所述S500包括以下步骤：

当所述管道首站和管道末站的泄漏诊断标志都为1时，则判定管道发生了泄漏故障并报警；否则管道未发生泄漏故障。

较佳地，作为一种可实施方式，在步骤S480之前还包括以下步骤：

计算获得X组所述特征向量，分别计算所述特征向量对应的概率带宽特征Feat(n)，通过降维得到X组所述特征向量对应的新的特征向量，输入支持向量数据描述模型进行训练，建立SVDD诊断模型；

其中，X为正整数。

本发明的有益效果包括：

本发明提供的一种管道泄漏诊断的方法，在信号特征提取上采用了基于统计理论的特征提取方法，与信号时域幅值和波形无关，从而具备较好的工况适应性和鲁棒性，结合模型进行泄漏诊断极为有效地提高了泄漏诊断的准确性。且管道泄漏诊断过程中不对声波信号的频率进行分析，因此有效避免了在长距离输送管道中，泄漏信号在传播过程中频率重心发生偏移对管道泄漏检测的影响。有效减少了管道泄漏诊断中的漏报、误报现象。

附图说明

图1为本发明一种管道泄漏诊断的方法的一具体实施例的流程图；

图2为本发明一种管道泄漏诊断的方法的另一具体实施例的流程图；

图3为本发明一种管道泄漏诊断的方法的一具体实施例的滑动平均滤波后的管道首末站的正负信号图；

图4为本发明一种管道泄漏诊断的方法的一具体实施例的管道首末站信号的归一化k-P曲线图；

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图对本发明实施例的管道泄漏诊断的方法的具体实施方式进行说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，为本发明一实施例的管道泄漏诊断的方法流程图。

参考图1，一种管道泄漏诊断的方法，具体包括以下步骤：

S100，在管道首站和管道末站分别安装一个声波泄漏监测仪，实时、连续地监测管道内部的声波信号；

在管道的管道首站及管道的管道末站分别安装声波泄漏监测仪，对输送石油、天然气、水等物质的管道内部的声波信号进行实时连续的监测，并将所监测到的信号传输到外部软件设备，对信号进行分析判断。从而实现对管道正常工作与否进行监测。

通过此方法可实现远距离对运输管道进行监测减少人工检测管道的难度及检测成本。

S200，分别对所述管道首站和管道末站的声波信号进行采样，得到所述声波信号的管道首站N点数据，以及管道末站N点数据；其中，N为正整数；

对声波信号进行采样，将所述声波信号的N个采样数据点作为一帧数据，以便后续进行分析处理。

较佳地，作为一种可实施方式，所述步骤S200包括以下步骤：

S210，设定管道泄漏诊断的周期为NT/2，每隔NT/2读取从所述管道首站采集的N/2点数据，以及从所述管道末站采集的N/2点数据；

S220，将所述管道首站的N/2点数据及所述管道末站的N/2点数据分别与其上一诊断周期采集的N/2点数据一起，构成管道首站N点数据及管道末站N点数据；

所述N点数据中，前N/2点数据为最近的历史数据，后N/2点数据为最新采集的实时数据；

其中，所述N为数据点数，所述T为信号采样周期。

前N/2点数据为最近的历史数据，后N/2点数据为最新采集的实时数据，即N点数据中的前半部分数据点是此次进行管道泄漏诊断的前一次进行管道泄漏诊断时所采集的当前的N/2个数据点，后半部分为此次进行管道泄漏诊断所采集的当前NT/2周期内采集的当前N/2个数据点。

对于初始时间，本发明实施例从NT时间开始对管道泄漏进行诊断。

通过此采样及数据点处理方法，每隔NT/2个周期分别对管道首站及管道末站的声波信号的N个数据点进行处理，缩短了数据采集分析处理的时间，而同时又能保证对足够多的数据点进行分析。对每个所采集的数据点进行了充分的利用，提高了设备资源的利用率。缩短分析处理的时间间隔，提高管道泄漏时间报告的及时性，这对实际生产中资源保护具有重大意义。

此处需要说明的是，对管道首站及管道末站的声波进行的信号处理都是同时进行的，进行信号处理的方法、步骤相同，在后续的分析中也是采用同步分析的方式进行的，且管道首站及管道末站的声波信号的分析结果对最终结果产生的影响效果也是相同的。

S300，分别对所述声波信号的管道首站N点数据以及管道末站N点数据进行去噪，计算信号均值，分别得到与所述声波信号的管道首站N点数据以及管道末站N点数据对应的管道首站正负信号及管道末站正负信号；

原始的声波泄漏监测仪从运输管道监测到的声波信号会伴有一些噪声，因此，在对所采集的N点数据进行处理之前对所采集的N点数据进行去噪处理。

较佳地，作为一种可实施方式，可用滑动平均滤波法或者小波法对所采集的N点数据进行去噪处理。

计算信号均值，得到N点数据对应的正负信号，以便后续根据所述正负信号对声波信号做进一步的处理。

对声波信号的幅值进行计算均值处理，得到N点数据对应的正负信号，后续对正负信号进行进一步的处理，此处消除了声波信号真是信号幅值对信号处理结果的影响，使本发明实施例的管道泄漏诊断的方法不依赖于声波泄漏监测仪监测到的实际声波信号的大小。

S400，按照时域信号幅值以预定的区间数对所述管道首站正负信号及管道末站正负信号进行信号区间划分，对所述信号区间进行频数统计，做出归一化的区间-频数曲线图；选取预设频数计算所述区间-频数曲线图的概率带宽特征，并通过降维得到所述声波信号的时域统计特征向量；将特征向量输入到预设模型进行诊断，根据诊断结果分别对所述管道首站和管道末站的泄漏诊断标志进行设置；

较佳地，作为一种可实施方式，步骤S400包括以下步骤：

S410，分别将所述管道首站正负信号及管道末站正负信号按照时域波形幅值以step为步距，分成预设M个区间；

其中，M为正整数，step的值由公式(1)确定：

step＝(X_max-X_min)/M (1)

其中，X_max、X_min分别为所述正负信号的时域信号幅值的最大值和最小值；

S420，统计出信号幅值落在第k个区间的频数P’；

其中，k＝1,2,3，……，M；

计算落在每个区间的频数P’，也即计算进行数据处理的N个数据点落在每个以划分的区间的中个数。

S430，将各区间内统计得到的频数利用公式(2)进行归一化：

$P=\frac{P^{\&prime;}-P_{\min }}{P_{max}-P_{\min }}---\left(2\right)$

式中，P_max、P_min分别为各区间频数的最大值和最小值；

对数据进行归一化处理，方便后续进行进一步的分析处理。

S440，以区间序号k为横坐标，对应频数P为纵坐标做出k-P曲线图；

前面步骤中对数据进行处理按照时间轴进行计算，所进行分析的N个数据点按时间顺序进行采样。此时将区间序号k为横坐标，对应频数P为纵坐标做k-P曲线，此时横轴为数据的幅值，纵坐标为对应幅值区间内数据点数。

S450，选预设数量的归一化频数P_n，找出与P_n相邻的频数点P_(k)、P_(k+1)，k为区间序号，且k＝1,2,3…M，即P_(k)、P_(k+1)满足条件：

P _(k) ≤P _n 且P _(k+1) (k+1)≥P _n 或P _(k) ≥P _n 且P _(k+1) ≤P _n ，

n＝1,2,…y，y为一预设正整数；

根据公式(3)，对归一化的k-P曲线进行分段线性插值得到频数P_n对应点的位置Pos_n(i)：

${\mathrm{Pos}}_n\left(i\right)=\frac{1}{P(k+1)-P\left(k\right)}\&times;(P\left(k\right)-P_n)+k---\left(3\right)$

式中，Pos_n(i)为频数P_n对应点的幅值区间序号，i为频数P_n对应点位置Pos_n的序号，i为正整数；

选取预设数量的归一化频数P_n，即根据归一化的频数P进行选取，P的范围是0～1，根据k-P曲线图进行选择。

较佳地，作为一种可实施方式，可选取6个频数点，如选取0.2，0.4，0.5，0.6，0.8，0.9，也即y＝6。

S460，对于步骤S450每一归一化频数P_n，得到的Pos_n(i)，找出Pos_n(i)的最大、最小值PosMax_n、PosMin_n，n＝1,2,…y，，并将PosMax_n、PosMin_n取整，根据公式(4)分别计算PosMin_n、PosMax_n之间频率分布方图的归一化面积，即概率带宽：

$Feat\left(n\right)=\frac{1}{M}\underset{j={\mathrm{PosMin}}_n}{\overset{{\mathrm{PosMax}}_n}{\&Sigma;}}P\left(j\right)---\left(4\right)$

则得到特征向量：

T＝[Feat(1),Feat(2),…Feat(p)]；

S470，对所述特征向量T进行降维，得到降维后的新的特征向量

T′＝[Feat(1),Feat(2),…Feat(t)]

式中t是降维后特征向量的维数，且t<y；

S480，利用SVDD诊断模型，分别根据所述管道首站及管道末站的声波信号对应的所述新的特征向量，进行管道泄漏诊断，并根据诊断结果分别对所述管道首站和管道末站的泄漏诊断标志进行设置。

较佳地，在步骤S480之前还包括以下步骤：

S048，计算获得X组所述特征向量，分别计算所述特征向量对应的概率带宽特征Feat(n)，通过降维得到X组所述特征向量对应的新的特征向量，输入支持向量数据描述模型进行训练，建立SVDD诊断模型；

其中，X为正整数。

计算获得X组所述特征向量，并根据其建立SVDD(支持向量数据描述，support vector data description)诊断模型，所计算的特征向量的数量，可根据实际模型构建结果确定。SVDD诊断模型的构建为成熟技术，此处不再作一一详细说明。

较佳地，作为一种可实施方式，对管道首站和管道末站的泄漏诊断标志进行设置，可以是将管道首站和管道末站的泄漏诊断标志进行置1或者清零。

S500，根据所述管道首站和管道末站的泄漏诊断标志判断管道是否发生泄漏，并在管道发生泄漏时报警。

较佳地，作为一种可实施方式，步骤S500包括以下步骤：

较佳地，作为一种可实施方式，所述根据所述管道首站和管道末站的泄漏诊断标志，进行管道泄漏的诊断，包括以下步骤：

当所述管道首站和管道末站的泄漏诊断标志都为1时，则判定管道发生了泄漏故障并报警；否则管道未发生泄漏故障。

本发明实施例的管道泄漏诊断的方法，利用基于时域的管道声波信号进行信号处理，对管道运行情况进行判断。在处理过程中对声波信号的幅值进行了归一化处理，使信号分析处理过程，及处理结果不依赖于信号的幅值，减少声波泄漏监测仪监测到的声波信号幅值对管道泄漏诊断结果的影响。且管道泄漏诊断过程中不对声波信号的频率进行分析，因此有效避免了在长距离输送管道中，信号在传播过程中频率重心发生偏移对管道泄漏检测的影响。有效避免了管道泄漏诊断中漏报、误报现象。

为了更加清楚的说明本发明，下面举一具体实例进一步说明本发明的管道泄漏诊断的方法，本发明实施例可用任何编程语言实现，并在相应的电脑上运行。

设已经从管道首站及管道末站获得了管道首站声波信号的6000点数据作为管道首站原始信号，管道末站的6000点数据作为管道末站原始信号。如图2所示，通过以下步骤对所述管道首站原始信号及管道末站原始信号进行处理，从而对管道泄漏情况进行诊断。

步骤1，采用滑动平均滤波去噪，尺度为50，经过滑动平均滤波去噪和计算信号均值，得到管道首末站的正负信号。

如图3所示，为滑动平均滤波后的管道首末站的正负信号。图3中上部的图为管道首站的6000点数据幅值图，下部为管道末站的6000点数据幅值图。

步骤2，信号长度(数据点数)N为6000，采样周期T为20ms，每帧信号分成M＝200组，则管道首站信号组距step＝17.9357，管道末站信号组距step＝14.1557。

步骤3，统计信号幅值落在各区间的频数并归一化得到P，以区间序号k(k＝1,2,3……200)为横坐标，归一化后的频数P为纵坐标，做出管道首末站的归一化k-P曲线。

如图4所示，为管道首末站信号作出的归一化k-P曲线图。图4中上部的图为管道首站信号的归一化K-P曲线图；下部的图为管道末站信号的归一化K-P曲线图。

步骤4，选取归一化频数P₁＝0.2、P₂＝0.3、P₃＝0.4、P₄＝0.5、P₅＝0.6、P₆＝0.7，分别计算管道首末站PosMax_n、PosMin_n，

对管道首站信号：

PosMax＝{124.9124，111.8115，108.5127，108.9045，106.0321，106.4160}

PosMin＝{91.5059，95.8087，95.4693，95.1299，97.7463，97.5597}

对管道末站信号：

PosMax＝{99.4333，91.4889，86.3290，86.8710，84.8267，78.3533}

PosMin＝{41.4154，45.3304，48.2720，55.6667，58.4333，59.6258}

步骤5，计算上管道末站的概率带宽特征Feat(n)，得到上管道末站信号的特征向量T：

对管道首站信号：

T＝[0.059593，0.050302，0.046543，0.0465423，0.032146，0.032146]

对管道末站信号：

T＝[0.153452，0.139821，0.126726，0.112262，,0.102202，0.075863]

步骤6，将步骤5得到的特征向量经降维后得到降维后的特征向量T’：

对管道首站信号：

T’＝[0.108175，-0.024310]

对管道末站信号：

T’＝[0.287291，-0.068783]

步骤7，将降维后的特征向量输入已经过训练的支持向量数据描述(SVDD)诊断模型，决策函数f(x)输出：管道首站信号f(x)＝0.3437>0，则管道首站管道泄漏标志AlarmFlagU＝1；管道末站信号f(x)＝0.0439>0，则管道末站管道泄漏标志AlarmFlagD＝1。

步骤8，根据AlarmFlagU和AlarmFlagD都为1，可以确定对应时刻的管道首末站信号中含有泄漏信号，发出泄漏报警。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种管道泄漏诊断的方法，其特征在于，包括以下步骤：

S100，在管道首站和管道末站分别安装一个声波泄漏监测仪，实时、连续地监测管道内部的声波信号；

S200，分别对所述管道首站和管道末站的声波信号进行采样，得到所述声波信号的管道首站N点数据，以及管道末站N点数据，其中，N为正整数；

S300，分别对所述声波信号的管道首站N点数据以及管道末站N点数据进行去噪，计算信号均值，分别得到与所述声波信号的管道首站N点数据以及管道末站N点数据对应的管道首站正负信号及管道末站正负信号；

S400，按照时域信号幅值以预定的区间数对所述管道首站正负信号及管道末站正负信号进行信号区间划分，对所述信号区间进行频数统计，做出归一化的区间-频数曲线图；选取预设频数计算所述区间-频数曲线图的概率带宽特征，并通过降维得到所述声波信号的时域统计特征向量；将特征向量输入到预设模型进行诊断，根据诊断结果分别对所述管道首站和管道末站的泄漏诊断标志进行设置；

S500，根据所述管道首站和管道末站的泄漏诊断标志判断管道是否发生泄漏，并在管道发生泄漏时报警。

2.根据权利要求1所述的管道泄漏诊断的方法，其特征在于，所述S200包括以下步骤：

设定管道泄漏诊断的周期为NT/2，每隔NT/2读取从所述管道首站采集的N/2点数据，以及从所述管道末站采集的N/2点数据；

将所述管道首站的N/2点数据及所述管道末站的N/2点数据分别与其上一诊断周期采集的N/2点数据一起，构成管道首站N点数据及管道末站N点数据；

所述N点数据中，前N/2点数据为最近的历史数据，后N/2点数据为最新采集的实时数据；

其中，所述N为数据点数，所述T为信号采样周期。

3.根据权利要求1所述的管道泄漏诊断的方法，其特征在于，步骤S400还包括以下步骤：

S410，分别将所述管道首站正负信号及管道末站正负信号按照时域波形幅值以step为步距，分成预设M个区间；

其中，M为正整数，step的值由公式(1)确定：

step＝(X_max-X_min)/M (1)

其中，X_max、X_min分别为所述正负信号的时域信号幅值的最大值和最小值；

S420，统计出信号幅值落在第k个区间的频数P’；

其中，k＝1,2,3，……，M；

S430，将各区间内统计得到的频数利用公式(2)进行归一化：

$P=\frac{P^{\&prime;}-P_{\min }}{P_{max}-P_{\min }}---\left(2\right)$

式中，P_max、P_min分别为各区间频数的最大值和最小值；

S440，以区间序号k为横坐标，对应频数P为纵坐标做出k-P曲线图；

S450，选预设数量的归一化频数P_n，找出与P_n相邻的频数点P_(k)、P_(k+1)，k为区间序号且k＝1,2,3…M，即P_(k)、P_(k+1)满足条件：

P_(k)≤P_n且P_(k+1)(k+1)≥P_n或P_(k)≥P_n且P_(k+1)≤P_n，

n＝1,2,…y，y为一预设正整数；

根据公式(3)，对归一化的k-P曲线进行分段线性插值得到频数P_n对应点的位置Pos_n(i)：

${\mathrm{Pos}}_n\left(i\right)=\frac{1}{P(k+1)-P\left(k\right)}\&times;\left(P\right(k)-P_n)+k---\left(3\right)$

式中，Pos_n(i)为频数P_n对应点的幅值区间序号，i为频数P_n对应点位置Pos_n的序号，i为正整数；

S460，对于步骤S450中每一归一化频数P_n，得到的Pos_n(i)，找出Pos_n(i)的最大、最小值PosMax_n、PosMin_n，n＝1,2,…y，并将PosMax_n、PosMin_n取整，根据公式(4)分别计算PosMin_n、PosMax_n之间频率分布直方图的归一化面积，即概率带宽：

$Feat\left(n\right)=\frac{1}{M}\underset{j={\mathrm{PosMin}}_n}{\overset{{\mathrm{PosMax}}_n}{\&Sigma;}}P\left(j\right)---\left(4\right)$

则得到特征向量：

T＝[Feat(1),Feat(2),…Feat(y)]；

S470，对所述特征向量T进行降维，得到降维后的新的特征向量：

T′＝[Feat(1),Feat(2),…Feat(t)]

式中t是降维后特征向量的维数，且t<y；

S480，利用SVDD诊断模型，分别根据所述管道首站及管道末站的声波信号对应的所述新的特征向量，进行管道泄漏诊断，并根据诊断结果分别对所述管道首站和管道末站的泄漏诊断标志进行设置。

4.根据权利要求1所述的管道泄漏诊断的方法，其特征在于，步骤S400中，所述根据诊断结果分别对所述管道首站和管道末站的泄漏诊断标志进行设置，包括以下步骤：

根据诊断结果分别对所述管道首站和管道末站的泄漏诊断标志置1或者清零。

5.根据权利要求1所述的管道泄漏诊断的方法，其特征在于，所述S500包括以下步骤：

当所述管道首站和管道末站的泄漏诊断标志都为1时，则判定管道发生了泄漏故障并报警；否则管道未发生泄漏故障。

6.根据权利要求3所述的管道泄漏诊断的方法，其特征在于，在步骤S480之前还包括以下步骤：

计算获得X组所述特征向量，分别计算所述特征向量对应的概率带宽特征Feat(n)，通过降维得到X组所述特征向量对应的新的特征向量，输入支持向量数据描述模型进行训练，建立SVDD诊断模型；

其中，X为正整数。