CN106600140B - 基于改进支持向量机的燃气管道故障预测预警系统及方法 - Google Patents

Abstract

本发明公开了一种基于改进支持向量机的燃气管道故障预测预警系统及方法，其中系统包括故障预测预警服务器，均与故障预测预警服务器相连的若干个数据采集传感器；故障预测预警服务器包括数据预处理模块、支持向量机训练模块、故障预测模块和故障预警模块；数据采集传感器用于收集历史数据和实时数据；数据预处理模块用于采用特征值提取的方法对历史数据和实时数据进行压缩降维；支持向量机训练模块利用遗传算法和粒子群算法对支持向量机中的参数进行寻优、并对支持向量机进行训练；故障预测模块用于使用训练好的支持向量机进行故障预测；故障预警模块用于利用模糊推理方法对燃气管道进行故障预警。实现燃气管道的准确、快速的故障预测预警。

Description

基于改进支持向量机的燃气管道故障预测预警系统及方法

技术领域

本发明涉及一种燃气管道故障预测预警系统，特别是涉及一种基于改进支持向量机的燃气管道故障预测预警系统及方法，属于智能故障预测预警技术领域。

背景技术

在当今时代，燃气对人类的生产和生活做出了极大的贡献，人们对燃气的需求量越来越大。燃气管道是输送燃气的重要通道，通常分布于郊区及城市的地下，所以说燃气管道的安全是十分重要的。由于燃气管道铺设位置的特殊性，不可能派专人去对燃气管道进行巡检，这时就需要采用现代技术(传感器、物联网等)对燃气管道相关的数据进行实时采集，同时，需要利用智能数据分析方法，对传回到后台服务器端的数据进行分析和推理，并做出相应的判断及预警。

发明内容

本发明的主要目的在于，克服现有技术中的不足，提供一种基于改进支持向量机的燃气管道故障预测预警系统及方法，实现燃气管道的准确监测，并进行快速的故障预测预警。

为了达到上述目的，本发明所采用的技术方案是：

一种基于改进支持向量机的燃气管道故障预测预警系统，包括故障预测预警服务器，均与故障预测预警服务器相连的若干个数据采集传感器；所述故障预测预警服务器包括数据预处理模块、支持向量机训练模块、故障预测模块和故障预警模块；

若干个所述数据采集传感器，用于对燃气管道内部的压强、温度、密闭性以及燃气管道上阀门的开关状态进行监测数据采集并将采集到的监测数据传输给故障预测预警服务器；其中，监测数据包括收集到的历史数据和实时数据；

所述数据预处理模块，用于接收历史数据和实时数据，并采用特征值提取的方法对历史数据和实时数据进行压缩降维，再将降维处理后的历史数据传输给支持向量机训练模块、将降维处理后的实时数据传输给故障预测模块；

所述支持向量机训练模块，用于接收降维处理后的历史数据，利用遗传算法和粒子群算法对支持向量机中的参数进行寻优，并利用降维处理后的历史数据对支持向量机进行训练，得到训练好的支持向量机；

所述故障预测模块，用于接收降维处理后的实时数据，根据降维处理后的实时数据，使用训练好的支持向量机进行故障预测分析得到故障预测结果，并输出故障预测结果给故障预警模块；

所述故障预警模块，用于接收故障预测结果，根据故障预测结果利用模糊推理方法对燃气管道进行故障预警得到故障解决的决策方案。

本发明燃气管道故障预测预警系统进一步设置为：所述数据采集传感器通过无线或者有线通讯方式与故障预测预警服务器相通讯。

本发明燃气管道故障预测预警系统进一步设置为：所述数据预处理模块，还用于在压缩降维前对历史数据和实时数据进行归一化处理。

本发明燃气管道故障预测预警系统进一步设置为：所述故障预警模块，还用于将故障解决的决策方案发送给燃气管道管理部门或燃气管道使用客户。

本发明还提供一种基于改进支持向量机的燃气管道故障预测预警方法，包括以下步骤：

1)数据采集传感器将采集的历史数据和实时数据通过无线或者有线通讯方式传输给故障预测预警服务器；故障预测预警服务器中的支持向量机训练模块利用遗传算法和粒子群算法对支持向量机中的参数进行寻优；

2)故障预测预警服务器中的数据预处理模块将接收的历史数据进行归一化处理，采用特征值提取的方法对归一化处理后的历史数据进行压缩降维，再将降维处理后的历史数据传输给支持向量机训练模块；

3)支持向量机训练模块利用降维处理后的历史数据对支持向量机进行训练，得到训练好的支持向量机；

4)数据预处理模块将接收的实时数据进行归一化处理，采用特征值提取的方法对归一化处理后的实时数据进行压缩降维，再将降维处理后的实时数据传输给支持向量机训练模块；

5)故障预测预警服务器中的故障预测模块根据接收的降维处理后的实时数据，使用训练好的支持向量机进行故障预测分析得到故障预测结果，并输出故障预测结果给故障预警模块；

6)故障预测预警服务器中的故障预警模块根据接收的故障预测结果，利用模糊推理方法对燃气管道进行故障预警得到故障解决的决策方案。

本发明燃气管道故障预测预警方法进一步设置为：所述步骤1)中的支持向量机训练模块利用遗传算法和粒子群算法对支持向量机中的参数寻优，其中参数包括惩罚因子c和核函数径向作用的范围g；

对惩罚因子c的寻优，具体为，

1-1)算法参数初始化，其中的算法参数包括遗传算法参数和粒子群算法参数；

初始化遗传算法参数，包括待优化参数的编码长度lenchrom＝5、交叉概率pc＝0.7、变异概率pm＝0.3；

初始化粒子群算法参数，包括最大迭代次数M＝100、种群个数N＝30、最大权重ω_max＝0.9、最小权重ω_min＝0.9、种群中个体个数D＝2、待优化参数的范围bound＝[c_min,c_max]其中，c_min＝-1,c_max＝1；

1-2)随机初始化种群中个体的取值和种群中个体的速度，其中种群中个体的取值即待优化参数的取值；计算出种群中个体的适应度函数，并从中选取适应度函数值最小的粒子的位置作为种群的位置；其中，适应度函数为支持向量机对输入数据进行分类得到的准确率的倒数，粒子的位置指的是待优化参数的取值；

1-3)对粒子进行二进制编码并通过遗传算法的交叉操作和变异操作更新种群的位置，更新方程为，

v_i,j(t+1)＝ωv_i,j(t)+ψ₁r₁[p_i,j-x_i,j(t)]+ψ₂r₂[p_g,j-x_i,j(t)]

x_i,j(t+1)＝x_i,j(t)+v_i,j(t+1)

其中，ω是权重，ψ₁和ψ₂为学习因子，r₁、r₂为两个随机数，p_i,j是局部最优点的位置，p_g,j是全局最优点的位置；

权重ω采用权重先行递减的粒子群算法进行计算，

其中，t为当前循环的次数，t_max为循环的最大次数、即最大迭代次数M；

学习因子ψ₁和ψ₂采用异步的变化进行计算，

其中，ψ_1,ini和ψ_2,ini分别表示ψ₁和ψ₂的初始值，ψ_1,fin和ψ_2,fin分别表示ψ₁和ψ₂的终止值；

1-4)计算位置更新后的每个微粒的适应度，将每个微粒的适应度值与以前经历过的最好位置P_best所对应的适应度值进行比较，如果该微粒的适应度值小于P_best所对应的适应度值，则将当前的位置作为该微粒的P_best；其中，P_best指的是惩罚因子c的当前最优解；

1-5)将每个微粒的适应度值与全体微粒所经历过的最好位置g_best所对应的适应度值进行比较，如果该微粒的适应度值小于g_best所对应的的适应度值，则更新g_best的值；其中，g_best指的是惩罚因子c的全局最优解；

1-6)检查终止条件，如果达到最大迭代次数或者最优解已经停止而不再变化，则停止迭代，输出最优解；如果没有达到，则返回步骤1-4)。

本发明燃气管道故障预测预警方法进一步设置为：所述步骤2)中的数据预处理模块将接收的历史数据进行归一化处理，采用特征值提取的方法对归一化处理后的历史数据进行压缩降维，具体为，

2-1)将接收的历史数据进行归一化处理，即把采集到的历史数据压缩到[0，1]之间；

归一化处理的公式为，

其中，X为采集到的数据集中的一种数据，min为数据集中的最小值，max为数据集中的最大值；

2-2)采用特征值提取的方法对归一化处理后的历史数据进行压缩降维，即利用主成分分析PCA和独立成分分析ICA相结合的方法对历史数据进行降维处理，提取历史数据的全局特征；

2-2-1)求样本与平均值的偏差；

设采集到的样本集为X＝{X₁,X₁,…,X_i,…,X_N}，i∈[1,N]；其中，X_i为采集到燃气管道内历史数据的样本；

将每个样本的平均值记为

则每个样本与其平均值的偏差为

2-2-2)求样本的协方差矩阵C，并求协方差矩阵的特征值和特征向量；

样本集的偏差矩阵记为D＝{Y₁,Y₂,…,Y_i,…,Y_N}，i∈[1,N]；其中，Y_i为每个样本与其平均值的偏差；

则样本的协方差矩阵C＝D·D^T；

协方差矩阵C的特征值和特征向量分别记为λ_i和P_i，将特征值按从大到小的顺序进行排列λ₁≥λ₂≥…≥λ_m≥…≥λ_N；

采用公式

选取前f个特征值使其贡献率α≥90％，则可得到主成分构成的变换矩阵W＝[d₁,d₂,…,d_i,…,d_N]，i∈[1,N]；其中，d_i表示λ_i对应的特征矩阵；

通过变换矩阵W得到的样本集X在特征子空间的映射为P＝W^TX；

2-2-3)把经主成分分析PCA分析后的样本集X在特征子空间的映射P进行去均值处理；

将去均值后的矩阵P进行白化处理求得白化矩阵W₀＝∧^-1/2U^T，其中，U是协方差矩阵C＝PP^T＝U∧U^T的标准化后的特征向量矩阵，U＝[u₁,u₂,…,u_M]，∧为特征值对角矩阵，∧＝Diag[λ₁,λ₂,…,λ_M]，λ₁≥λ₂≥…≥λ_M≥0；

并求得正交矩阵Z＝W₀*P；

2-2-4)选择样本的个数m，m是去均值后的矩阵P的列数，在白化矩阵W₀中随机选择一个初识权矢量W_p，W_p是W₀中的某一个列向量，该列向量在W₀中的位置记为α；

2-2-5)令

其中，E是均值，Z是正交矩阵，g是非线性函数，g'是g的导数，

是W_p的转置矩阵；

更新W_p，

并对W_p进行归一化W_p＝W_p/|W_p|；

2-2-6)若abs(W_p-W)＞C And abs(W_p+W)＞C，则满足收敛条件，更新W₀在p位置的列向量，否则跳回到步骤2-2-4)；

2-2-7)令p＝p+1，如果p≤m，返回步骤2-2-4)；

如果p＞m，则返回Z＝W^T*Z，则就是经独立成分分析ICA之后的结果。

本发明燃气管道故障预测预警方法进一步设置为：所述步骤3)中的利用降维处理后的历史数据对支持向量机进行训练，具体为，

3-1)将降维处理后的历史数据和与历史数据相对应的故障信息作为训练样本{(X¹,d¹),(X²,d²),…,(Xⁱ,dⁱ),…,(X^p,d^p),}，i∈[1,p]；

其中，Xⁱ指的是一组降维处理后的历史数据，dⁱ指的是与Xⁱ该历史数据对应的故障信息，有故障为1，没有故障为-1；

3-2)在约束条件

0≤α_p≤C下，

求解目标函数

的最大值

其中，α_p,α_j均是拉格朗日常数，K(X^p,X^j)是将历史数据映射到高维空间中的径向基核函数；

3-3)计算最优权值

K是核函数，训练过程结束。

本发明燃气管道故障预测预警方法进一步设置为：所述步骤5)中的使用训练好的支持向量机进行故障预测分析得到故障预测结果，具体为，利用训练好的支持向量机中，对故障进行分类，分类公式为，

其中，

是W_d的转置矩阵；

当f(x)＝1时表明没有故障，当f(x)＝-1时表明有故障。

本发明燃气管道故障预测预警方法进一步设置为：所述步骤6)中的故障预警模块根据接收的故障预测结果，利用模糊推理方法对燃气管道进行故障预警得到故障解决的决策方案，具体为：

6-1)将历史数据中每个变量使用三角隶属度函数实现模糊化；

6-2)建立模糊规则，根据以往的历史数据建立模糊规则表用来表示不同的状态相对应的故障类型和解决方案；

6-3)进行模糊推理，根据故障预测结果，利用模糊规则进行推理，规则前提的可信度之间通过取小运算得到规则前提可信度表，然后把规则前提可信度表和模糊规则表进行“与”运算，得到每条规则总的可信度输出；

6-4)模糊推理系统的总输出，模糊系统总的可信度为各条规则总的可信度输出的并集，然后采用最大隶属度平均法进行反模糊化，得到相应的故障预警信息；

6-5)通过有线或者无线的方式发送故障预警信息给燃气管道管理部门或燃气管道使用客户。

与现有技术相比，本发明具有的有益效果是：

1、本发明提供的基于改进支持向量机的燃气管道故障预测预警系统，通过故障预测预警服务器和若干个数据采集传感器的设置，其中故障预测预警服务器包括数据预处理模块、支持向量机训练模块、故障预测模块和故障预警模块，实现燃气管道的准确监测，并进行快速的故障预测预警。

2、本发明提供的基于改进支持向量机的燃气管道故障预测预警方法，不仅运行速度快，而且判断准确。其中，通过数据预处理模块采用特征值提取的方法对历史数据和实时数据进行压缩降维后传输给支持向量机训练模块和故障预测模块，可大幅降低支持向量机的分析数据压力；通过支持向量机训练模块利用遗传算法和粒子群算法对支持向量机中的参数进行寻优，可以保证支持向量机数据分析的准确性，提高判断精度；以及通过故障预警模块利用模糊推理方法对燃气管道进行故障预警，具有很强的鲁棒性，即使有干扰数据也不会对预警结果产生很大的影响。

上述内容仅是本发明技术方案的概述，为了更清楚的了解本发明的技术手段，下面结合附图对本发明作进一步的描述。

附图说明

图1为本发明支持向量机训练的流程图；

图2为本发明故障预测预警的流程图。

具体实施方式

下面结合说明书附图，对本发明作进一步的说明。

本发明提供一种基于改进支持向量机的燃气管道故障预测预警系统，包括故障预测预警服务器，均与故障预测预警服务器相连的若干个数据采集传感器；所述故障预测预警服务器包括数据预处理模块、支持向量机训练模块、故障预测模块和故障预警模块。

若干个所述数据采集传感器，用于对燃气管道内部的压强、温度、密闭性以及燃气管道上阀门的开关状态进行监测数据采集并将采集到的监测数据传输给故障预测预警服务器；其中，监测数据包括收集到的历史数据和实时数据；数据采集传感器通过无线或者有线通讯方式与故障预测预警服务器相通讯。

所述数据预处理模块，用于接收历史数据和实时数据，并采用特征值提取的方法对历史数据和实时数据进行压缩降维，再将降维处理后的历史数据传输给支持向量机训练模块、将降维处理后的实时数据传输给故障预测模块；数据预处理模块在压缩降维前还可对历史数据和实时数据进行归一化处理。

所述支持向量机训练模块，用于接收降维处理后的历史数据，利用遗传算法和粒子群算法对支持向量机中的参数进行寻优，并利用降维处理后的历史数据对支持向量机进行训练，得到训练好的支持向量机。

所述故障预测模块，用于接收降维处理后的实时数据，根据降维处理后的实时数据，使用训练好的支持向量机进行故障预测分析得到故障预测结果，并输出故障预测结果给故障预警模块。

所述故障预警模块，用于接收故障预测结果，根据故障预测结果利用模糊推理方法对燃气管道进行故障预警得到故障解决的决策方案，以及将故障解决的决策方案发送给燃气管道管理部门或燃气管道使用客户，比如客户端电脑或者客户所使用的智能手机。

本发明还提供一种基于改进支持向量机的燃气管道故障预测预警方法，如图1和图2所示，包括以下步骤：

1)数据采集传感器将采集的历史数据和实时数据通过无线或者有线通讯方式传输给故障预测预警服务器；故障预测预警服务器中的支持向量机训练模块利用遗传算法和粒子群算法对支持向量机中的参数进行寻优；

其中参数包括惩罚因子c和核函数径向作用的范围g；

对惩罚因子c的寻优，具体为，

1-1)算法参数初始化，其中的算法参数包括遗传算法参数和粒子群算法参数；

初始化遗传算法参数，包括待优化参数的编码长度lenchrom＝5、交叉概率pc＝0.7、变异概率pm＝0.3；

初始化粒子群算法参数，包括最大迭代次数M＝100、种群个数N＝30、最大权重ω_max＝0.9、最小权重ω_min＝0.9、种群中个体个数D＝2、待优化参数的范围bound＝[c_min,c_max]其中，c_min＝-1,c_max＝1；

1-2)随机初始化种群中个体的取值和种群中个体的速度，其中种群中个体的取值即待优化参数的取值；计算出种群中个体的适应度函数，并从中选取适应度函数值最小的粒子的位置作为种群的位置；其中，适应度函数为支持向量机对输入数据进行分类得到的准确率的倒数，粒子的位置指的是待优化参数的取值；

1-3)对粒子进行二进制编码并通过遗传算法的交叉操作和变异操作更新种群的位置，更新方程为，

v_i,j(t+1)＝ωv_i,j(t)+ψ₁r₁[p_i,j-x_i,j(t)]+ψ₂r₂[p_g,j-x_i,j(t)]

x_i,j(t+1)＝x_i,j(t)+v_i,j(t+1)

其中，ω是权重，ψ₁和ψ₂为学习因子，r₁、r₂为两个随机数，p_i,j是局部最优点的位置，p_g,j是全局最优点的位置；

权重ω采用权重先行递减的粒子群算法进行计算，

其中，t为当前循环的次数，t_max为循环的最大次数、即最大迭代次数M；

学习因子ψ₁和ψ₂采用异步的变化进行计算，

其中，ψ_1,ini和ψ_2,ini分别表示ψ₁和ψ₂的初始值，ψ_1,fin和ψ_2,fin分别表示ψ₁和ψ₂的终止值；

1-4)计算位置更新后的每个微粒的适应度，将每个微粒的适应度值与以前经历过的最好位置P_best所对应的适应度值进行比较，如果该微粒的适应度值小于P_best所对应的适应度值，则将当前的位置作为该微粒的P_best；其中，P_best指的是惩罚因子c的当前最优解；

1-5)将每个微粒的适应度值与全体微粒所经历过的最好位置g_best所对应的适应度值进行比较，如果该微粒的适应度值小于g_best所对应的的适应度值，则更新g_best的值；其中，g_best指的是惩罚因子c的全局最优解；

1-6)检查终止条件，如果达到最大迭代次数或者最优解已经停止而不再变化，则停止迭代，输出最优解；如果没有达到，则返回步骤1-4)。

2)故障预测预警服务器中的数据预处理模块将接收的历史数据进行归一化处理，采用特征值提取的方法对归一化处理后的历史数据进行压缩降维，再将降维处理后的历史数据传输给支持向量机训练模块；

具体为，

2-1)将接收的历史数据进行归一化处理，即把采集到的历史数据压缩到[0，1]之间；

归一化处理的公式为，

其中，X为采集到的数据集中的一种数据，min为数据集中的最小值，max为数据集中的最大值；

2-2)采用特征值提取的方法对归一化处理后的历史数据进行压缩降维，即利用主成分分析PCA和独立成分分析ICA相结合的方法对历史数据进行降维处理，提取历史数据的全局特征；

2-2-1)求样本与平均值的偏差；

设采集到的样本集为X＝{X₁,X₁,…,X_i,…,X_N}，i∈[1,N]；其中，X_i为采集到燃气管道内历史数据的样本；

将每个样本的平均值记为

则每个样本与其平均值的偏差为

2-2-2)求样本的协方差矩阵C，并求协方差矩阵的特征值和特征向量；

样本集的偏差矩阵记为D＝{Y₁,Y₂,…,Y_i,…,Y_N}，i∈[1,N]；其中，Y_i为每个样本与其平均值的偏差；

则样本的协方差矩阵C＝D·D^T；

协方差矩阵C的特征值和特征向量分别记为λ_i和P_i，将特征值按从大到小的顺序进行排列λ₁≥λ₂≥…≥λ_m≥…≥λ_N；

采用公式

选取前f个特征值使其贡献率α≥90％，则可得到主成分构成的变换矩阵W＝[d₁,d₂,…,d_i,…,d_N]，i∈[1,N]；其中，d_i表示λ_i对应的特征矩阵；

通过变换矩阵W得到的样本集X在特征子空间的映射为P＝W^TX；

2-2-3)把经主成分分析PCA分析后的样本集X在特征子空间的映射P进行去均值处理；

将去均值后的矩阵P进行白化处理求得白化矩阵W₀＝∧^-1/2U^T，其中，U是协方差矩阵C＝PP^T＝U∧U^T的标准化后的特征向量矩阵，U＝[u₁,u₂,…,u_M]，∧为特征值对角矩阵，∧＝Diag[λ₁,λ₂,…,λ_M]，λ₁≥λ₂≥…≥λ_M≥0；

并求得正交矩阵Z＝W₀*P；

2-2-4)选择样本的个数m，m是去均值后的矩阵P的列数，在白化矩阵W₀中随机选择一个初识权矢量W_p，W_p是W₀中的某一个列向量，该列向量在W₀中的位置记为α；

2-2-5)令

其中，E是均值，Z是正交矩阵，g是非线性函数，g'是g的导数，

是W_p的转置矩阵；

更新W_p，

并对W_p进行归一化W_p＝W_p/|W_p|；

2-2-6)若abs(W_p-W)＞C And abs(W_p+W)＞C，则满足收敛条件，更新W₀在p位置的列向量，否则跳回到步骤2-2-4)；

2-2-7)令p＝p+1，如果p≤m，返回步骤2-2-4)；

如果p＞m，则返回Z＝W^T*Z，则就是经独立成分分析ICA之后的结果。

3)支持向量机训练模块利用降维处理后的历史数据对支持向量机进行训练，得到训练好的支持向量机；

具体为，

3-1)将降维处理后的历史数据和与历史数据相对应的故障信息作为训练样本{(X^1,d¹),(X²,d²),…,(Xⁱ,dⁱ),…,(X^p,d^p),}，i∈[1,p]；

其中，Xⁱ指的是一组降维处理后的历史数据，dⁱ指的是与Xⁱ该历史数据对应的故障信息，有故障为1，没有故障为-1；

3-2)在约束条件

0≤α_p≤C下，

求解目标函数

的最大值

其中，α_p,α_j均是拉格朗日常数，K(X^p,X^j)是将历史数据映射到高维空间中的径向基核函数；

3-3)计算最优权值

K是核函数，训练过程结束。

4)数据预处理模块将接收的实时数据进行归一化处理，采用特征值提取的方法对归一化处理后的实时数据进行压缩降维，再将降维处理后的实时数据传输给支持向量机训练模块；该步骤的数据处理过程与步骤2)的数据处理过程相同，区别仅在于数据值不同，步骤2)是对历史数据的处理，步骤4)是对实时数据的处理。

5)故障预测预警服务器中的故障预测模块根据接收的降维处理后的实时数据，使用训练好的支持向量机进行故障预测分析得到故障预测结果，并输出故障预测结果给故障预警模块；

具体为，利用训练好的支持向量机中，对故障进行分类，分类公式为，

其中，

是W_d的转置矩阵；

当f(x)＝1时表明没有故障，当f(x)＝-1时表明有故障。

6)故障预测预警服务器中的故障预警模块根据接收的故障预测结果，利用模糊推理方法对燃气管道进行故障预警得到故障解决的决策方案；

具体为：

6-1)将历史数据中每个变量使用三角隶属度函数实现模糊化；

6-2)建立模糊规则，根据以往的历史数据建立模糊规则表用来表示不同的状态相对应的故障类型和解决方案；

6-3)进行模糊推理，根据故障预测结果，利用模糊规则进行推理，规则前提的可信度之间通过取小运算得到规则前提可信度表，然后把规则前提可信度表和模糊规则表进行“与”运算，得到每条规则总的可信度输出；

6-4)模糊推理系统的总输出，模糊系统总的可信度为各条规则总的可信度输出的并集，然后采用最大隶属度平均法进行反模糊化，得到相应的故障预警信息；

6-5)通过有线或者无线的方式发送故障预警信息给燃气管道管理部门或燃气管道使用客户。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种基于改进支持向量机的燃气管道故障预测预警系统，其特征在于：包括故障预测预警服务器，均与故障预测预警服务器相连的若干个数据采集传感器；所述故障预测预警服务器包括数据预处理模块、支持向量机训练模块、故障预测模块和故障预警模块；

若干个所述数据采集传感器，用于对燃气管道内部的压强、温度、密闭性以及燃气管道上阀门的开关状态进行监测数据采集并将采集到的监测数据传输给故障预测预警服务器；其中，监测数据包括收集到的历史数据和实时数据；

所述数据预处理模块，用于接收历史数据和实时数据，并采用特征值提取的方法对历史数据和实时数据进行压缩降维，再将降维处理后的历史数据传输给支持向量机训练模块、将降维处理后的实时数据传输给故障预测模块；

所述支持向量机训练模块，用于接收降维处理后的历史数据，利用遗传算法和粒子群算法对支持向量机中的参数进行寻优，并利用降维处理后的历史数据对支持向量机进行训练，得到训练好的支持向量机；

所述故障预测模块，用于接收降维处理后的实时数据，根据降维处理后的实时数据，使用训练好的支持向量机进行故障预测分析得到故障预测结果，并输出故障预测结果给故障预警模块；

所述故障预警模块，用于接收故障预测结果，根据故障预测结果利用模糊推理方法对燃气管道进行故障预警得到故障解决的决策方案。

2.根据权利要求1所述的基于改进支持向量机的燃气管道故障预测预警系统，其特征在于：所述数据采集传感器通过无线或者有线通讯方式与故障预测预警服务器相通讯。

3.根据权利要求1所述的基于改进支持向量机的燃气管道故障预测预警系统，其特征在于：所述数据预处理模块，还用于在压缩降维前对历史数据和实时数据进行归一化处理。

4.根据权利要求1所述的基于改进支持向量机的燃气管道故障预测预警系统，其特征在于：所述故障预警模块，还用于将故障解决的决策方案发送给燃气管道管理部门或燃气管道使用客户。

5.一种基于改进支持向量机的燃气管道故障预测预警方法，其特征在于，包括以下步骤：

1)数据采集传感器将采集的历史数据和实时数据通过无线或者有线通讯方式传输给故障预测预警服务器；故障预测预警服务器中的支持向量机训练模块利用遗传算法和粒子群算法对支持向量机中的参数进行寻优；

2)故障预测预警服务器中的数据预处理模块将接收的历史数据进行归一化处理，采用特征值提取的方法对归一化处理后的历史数据进行压缩降维，再将降维处理后的历史数据传输给支持向量机训练模块；

3)支持向量机训练模块利用降维处理后的历史数据对支持向量机进行训练，得到训练好的支持向量机；

4)数据预处理模块将接收的实时数据进行归一化处理，采用特征值提取的方法对归一化处理后的实时数据进行压缩降维，再将降维处理后的实时数据传输给支持向量机训练模块；

5)故障预测预警服务器中的故障预测模块根据接收的降维处理后的实时数据，使用训练好的支持向量机进行故障预测分析得到故障预测结果，并输出故障预测结果给故障预警模块；

6)故障预测预警服务器中的故障预警模块根据接收的故障预测结果，利用模糊推理方法对燃气管道进行故障预警得到故障解决的决策方案。

6.根据权利要求5所述的基于改进支持向量机的燃气管道故障预测预警方法，其特征在于：所述步骤1)中的支持向量机训练模块利用遗传算法和粒子群算法对支持向量机中的参数寻优，其中参数包括惩罚因子c和核函数径向作用的范围g；

对惩罚因子c的寻优，具体为，

1-1)算法参数初始化，其中的算法参数包括遗传算法参数和粒子群算法参数；

初始化遗传算法参数，包括待优化参数的编码长度lenchrom＝5、交叉概率pc＝0.7、变异概率pm＝0.3；

初始化粒子群算法参数，包括最大迭代次数M＝100、种群个数N＝30、最大权重ω_max＝0.9、最小权重ω_min＝0.9、种群中个体个数D＝2、待优化参数的范围bound＝[c_min,c_max]其中，c_min＝-1,c_max＝1；

1-2)随机初始化种群中个体的取值和种群中个体的速度，其中种群中个体的取值即待优化参数的取值；计算出种群中个体的适应度函数，并从中选取适应度函数值最小的粒子的位置作为种群的位置；其中，适应度函数为支持向量机对输入数据进行分类得到的准确率的倒数，粒子的位置指的是待优化参数的取值；

1-3)对粒子进行二进制编码并通过遗传算法的交叉操作和变异操作更新种群的位置，更新方程为，

v_i,j(t+1)＝ωv_i,j(t)+ψ₁r₁[p_i,j-x_i,j(t)]+ψ₂r₂[p_g,j-x_i,j(t)]

x_i,j(t+1)＝x_i,j(t)+v_i,j(t+1)

其中，ω是权重，ψ₁和ψ₂为学习因子，r₁、r₂为两个随机数，p_i,j是局部最优点的位置，p_g,j是全局最优点的位置；

权重ω采用权重先行递减的粒子群算法进行计算，

其中，t为当前循环的次数，t_max为循环的最大次数、即最大迭代次数M；

学习因子ψ₁和ψ₂采用异步的变化进行计算，

其中，ψ_1,ini和ψ_2,ini分别表示ψ₁和ψ₂的初始值，ψ_1,fin和ψ_2,fin分别表示ψ₁和ψ₂的终止值；

1-4)计算位置更新后的每个微粒的适应度，将每个微粒的适应度值与以前经历过的最好位置P_best所对应的适应度值进行比较，如果该微粒的适应度值小于P_best所对应的适应度值，则将当前的位置作为该微粒的P_best；其中，P_best指的是惩罚因子c的当前最优解；

1-5)将每个微粒的适应度值与全体微粒所经历过的最好位置g_best所对应的适应度值进行比较，如果该微粒的适应度值小于g_best所对应的适应度值，则更新g_best的值；其中，g_best指的是惩罚因子c的全局最优解；

1-6)检查终止条件，如果达到最大迭代次数或者最优解已经停止而不再变化，则停止迭代，输出最优解；如果没有达到，则返回步骤1-4)。

7.根据权利要求5所述的基于改进支持向量机的燃气管道故障预测预警方法，其特征在于：所述步骤2)中的数据预处理模块将接收的历史数据进行归一化处理，采用特征值提取的方法对归一化处理后的历史数据进行压缩降维，具体为，

2-1)将接收的历史数据进行归一化处理，即把采集到的历史数据压缩到[0，1]之间；

归一化处理的公式为，

其中，X为采集到的数据集中的一种数据，min为数据集中的最小值，max为数据集中的最大值；

2-2)采用特征值提取的方法对归一化处理后的历史数据进行压缩降维，即利用主成分分析PCA和独立成分分析ICA相结合的方法对历史数据进行降维处理，提取历史数据的全局特征；

2-2-1)求样本与平均值的偏差；

设采集到的样本集为X＝{X₁,X₁,…,X_i,…,X_N}，i∈[1,N]；其中，X_i为采集到燃气管道内历史数据的样本；

将每个样本的平均值记为

则每个样本与其平均值的偏差为

2-2-2)求样本的协方差矩阵C，并求协方差矩阵的特征值和特征向量；

样本集的偏差矩阵记为D＝{Y₁,Y₂,…,Y_i,…,Y_N}，i∈[1,N]；其中，Y_i为每个样本与其平均值的偏差；

则样本的协方差矩阵C＝D·D^T；

协方差矩阵C的特征值和特征向量分别记为λ_i和P_i，将特征值按从大到小的顺序进行排列λ₁≥λ₂≥…≥λ_m≥…≥λ_N；

采用公式

选取前f个特征值使其贡献率α≥90％，则可得到主成分构成的变换矩阵W＝[d₁,d₂,…,d_i,…,d_N]，i∈[1,N]；其中，d_i表示λ_i对应的特征矩阵；

通过变换矩阵W得到的样本集X在特征子空间的映射为P＝W^TX；

2-2-3)把经主成分分析PCA分析后的样本集X在特征子空间的映射P进行去均值处理；

将去均值后的矩阵P进行白化处理求得白化矩阵W₀＝∧^-1/2U^T，其中，U是协方差矩阵C＝PP^T＝U∧U^T的标准化后的特征向量矩阵，U＝[u₁,u₂,…,u_M]，∧为特征值对角矩阵，∧＝Diag[λ₁,λ₂,…,λ_M]，λ₁≥λ₂≥…≥λ_M≥0；

并求得正交矩阵Z＝W₀*P；

2-2-4)选择样本的个数m，m是去均值后的矩阵P的列数，在白化矩阵W₀中随机选择一个初识权矢量W_p，W_p是W₀中的某一个列向量，该列向量在W₀中的位置记为α；

2-2-5)令

其中，E是均值，Z是正交矩阵，g是非线性函数，g'是g的导数，

是W_p的转置矩阵；

更新W_p，

并对W_p进行归一化W_p＝W_p/|W_p|；

2-2-6)若abs(W_p-W)＞C And abs(W_p+W)＞C，则满足收敛条件，更新W₀在p位置的列向量，否则跳回到步骤2-2-4)；

2-2-7)令p＝p+1，如果p≤m，返回步骤2-2-4)；

如果p＞m，则返回Z＝W^T*Z，则就是经独立成分分析ICA之后的结果。

8.根据权利要求5所述的基于改进支持向量机的燃气管道故障预测预警方法，其特征在于：所述步骤3)中的利用降维处理后的历史数据对支持向量机进行训练，具体为，

3-1)将降维处理后的历史数据和与历史数据相对应的故障信息作为训练样本{(X¹,d¹),(X²,d²),…,(Xⁱ,dⁱ),…,(X^p,d^p),}，i∈[1,p]；

其中，Xⁱ指的是一组降维处理后的历史数据，dⁱ指的是与Xⁱ该历史数据对应的故障信息，有故障为1，没有故障为-1；

3-2)在约束条件

0≤α_p≤C下，

求解目标函数

的最大值α_0p，

其中，α_p,α_j均是拉格朗日常数，K(X^p,X^j)是将历史数据映射到高维空间中的径向基核函数；

3-3)计算最优权值

K是核函数，训练过程结束。

9.根据权利要求8所述的基于改进支持向量机的燃气管道故障预测预警方法，其特征在于：所述步骤5)中的使用训练好的支持向量机进行故障预测分析得到故障预测结果，具体为，利用训练好的支持向量机中，对故障进行分类，分类公式为，

其中，

是W_d的转置矩阵；

当f(x)＝1时表明没有故障，当f(x)＝-1时表明有故障。

10.根据权利要求5所述的基于改进支持向量机的燃气管道故障预测预警方法，其特征在于：所述步骤6)中的故障预警模块根据接收的故障预测结果，利用模糊推理方法对燃气管道进行故障预警得到故障解决的决策方案，具体为：

6-1)将历史数据中每个变量使用三角隶属度函数实现模糊化；

6-2)建立模糊规则，根据以往的历史数据建立模糊规则表用来表示不同的状态相对应的故障类型和解决方案；

6-3)进行模糊推理，根据故障预测结果，利用模糊规则进行推理，规则前提的可信度之间通过取小运算得到规则前提可信度表，然后把规则前提可信度表和模糊规则表进行“与”运算，得到每条规则总的可信度输出；

6-4)模糊推理系统的总输出，模糊系统总的可信度为各条规则总的可信度输出的并集，然后采用最大隶属度平均法进行反模糊化，得到相应的故障预警信息；

6-5)通过有线或者无线的方式发送故障预警信息给燃气管道管理部门或燃气管道使用客户。

Images