CN106845437A - 基于支持向量机回归的城市燃气管道泄漏定位方法 - Google Patents

基于支持向量机回归的城市燃气管道泄漏定位方法 Download PDF

Info

Publication number
CN106845437A
CN106845437A CN201710075285.9A CN201710075285A CN106845437A CN 106845437 A CN106845437 A CN 106845437A CN 201710075285 A CN201710075285 A CN 201710075285A CN 106845437 A CN106845437 A CN 106845437A
Authority
CN
China
Prior art keywords
leakage
gas pipeline
support vector
vector regression
city gas
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710075285.9A
Other languages
English (en)
Inventor
王新颖
宋兴帅
陈海群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changzhou University
Original Assignee
Changzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changzhou University filed Critical Changzhou University
Priority to CN201710075285.9A priority Critical patent/CN106845437A/zh
Publication of CN106845437A publication Critical patent/CN106845437A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本发明提供一种基于支持向量机回归的城市燃气管道泄漏定位方法，根据声发射信号选择自变量和因变量；根据样本数据的提取，进行预处理，构造训练集；采用改进的网格搜索法寻找最优参数组合；根据燃气管道泄漏定位的基本原理，构建基于支持向量机回归的城市燃气管道泄漏定位模型；通过数据集里已有的泄漏数据对待测管道进行泄漏定位。本发明提供的一种基于支持向量机回归的城市燃气管道泄漏定位方法，采用了基于改进的网格搜索法的支持向量机回归(SVR)的原理，通过构建泄漏定位模型来实现燃气管道的泄漏定位，使城市燃气管道在运行过程中进行泄漏定位更加快速，也提高了泄漏定位的稳定性、精确性、可靠性。

Description

基于支持向量机回归的城市燃气管道泄漏定位方法
技术领域
本发明属于管道安全检测与监控技术领域，尤其涉及一种基于支持向量机回归的城市燃气管道泄漏定位方法。
背景技术
埋设在地下的燃气管道由于铺设区域广，线路复杂，当管道出现泄漏后，如果发生泄漏报警或定位不准，就不能及时发现其泄漏点，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。
现有技术中，一般地，国内常用的泄漏定位方法有人工直接检测法、压力梯度法、负压波法、相关分析法和BP神经网络法等。第一种方法最为普遍，但其耗时量大，对工作人员的经验依赖度高，往往不能快速确定泄漏源，控制泄漏事故，一旦不能准确定位泄漏源，就会造成较大的经济损失和环境污染；另外几种方法在实际的泄漏定位过程中存在对泄漏条件要求过高，定位结果偏差大等问题。
由于燃气管道输送中泵的输送特性的变化以及输送工艺的改变，在燃气输送过程中，经常会出现泄漏监测信号频繁受输送泵的影响而产生强的干扰信号和多个余波信号的情况。从而导致提取的监测信号不准确，导致不能准确的确定燃气管道的泄漏源，从而耽误了及时修复泄漏源的时间，造成不可挽回的损失。
因此，解决好燃气管道在输送的过程中对泄漏源精确、可靠、快速地定位，避免监测环境中的其它信号对监测信号干扰，对于保障燃气管道输送可靠、安全运行，具有非常急迫的必要性。
发明内容
本发明所要解决的技术问题是：为了克服现有技术中人工检测速度慢，压力梯度法、负压波法、相关分析法和BP神经网络法等方法对泄漏条件要求过高，定位结果偏差大的不足，本发明提供一种基于支持向量机回归的城市燃气管道泄漏定位方法，采用了基于改进的网格搜索法的支持向量机回归(SVR)的原理，旨在对城市燃气管道泄漏进行精确定位，增加燃气管道泄漏定位方法的适用性、普遍性。
基于支持向量机回归(SVR)的城市燃气管道泄漏定位方法是一种采用改进的网格搜索法优化支持向量机回归(SVR)参数，建立定位模型对管道泄漏进行定位的方法。
本发明解决其技术问题所要采用的技术方案是：一种基于支持向量机回归的城市燃气管道泄漏定位方法，包括以下步骤：
步骤1，根据待测管道的不同泄漏状态提取自变量和因变量构建样本数据库；自变量由物理信号参数和声发射信号参数组合而成，因变量指泄漏点的定位值。
步骤2，对该样本数据库进行预处理，构造训练集；
步骤3，根据传统的网格搜索法具有耗费时间长，而且一旦搜索步距偏大，往往不能搜索到最优的那一组参数组合的特点，采用改进的网格搜索法从训练集中寻找最优参数组合；
步骤4，利用最优参数组合构建基于支持向量机回归的城市燃气管道泄漏定位模型；
步骤5，根据城市燃气管道泄漏定位模型，对待测管道进行泄漏定位。
进一步，步骤1中，待测管道不同泄漏状态时的检测变量为自变量，对应泄漏点的定位值为因变量，检测变量包括物理仪表采集到的物理信号和声发射传感器采集到的声发射信号，则样本数据库的构造过程为：样本数据库由不同泄漏位置提取到的自变量和因变量构成，其中，自变量为对应泄漏点处利用物理仪表采集到的出口压力、出口流量两个物理信号以及声发射传感器采集到的声发射信号，因变量为泄漏点的定位值，所述定位值以管道进口端为零点至泄漏点处的距离；采用小波分析法对样本数据库的声发射信号进行特征参数提取，根据特征参数的一般选取规则分别获得幅度、绝对能量和振铃计数三个特征参数，由出口压力、出口流量、幅度、绝对能量和振铃计数五个参数组成自变量，将对应泄漏点处的定位值作为因变量，在待测管道上采集多组出口压力、出口流量、幅度、绝对能量、振铃计数和定位值的数据组成样本数据库。
具体的，物理信号包括出口压力和出口流量，所述出口压力和出口流量分别由安装在待测管道末端的压力变送器和流量变送器采集得到；声发射信号由数据采集单元中的声发射传感器采集得到，所述声发射传感器安装于待测管道末端。
具体的，所述数据采集单元包括安装有XP系统的工业计算机、PCI-II双通道声发射卡、型号为S/N2462026504、滤波范围为20-120KHz的声发射前置放大器、型号为R15的单端宽频带声发射传感器以及对应的处理软件。
待测管道发生泄漏时会产生声发射现象，管道破裂时的瞬态弹性波即声发射信号沿泄漏点处向待测管道两侧进行传播。安装在管道上的声发射传感器监测到该信号后，将信号传至声发射采集卡中经过一系列的软件处理后形成数据保存于计算机中。
进一步，所述步骤2中，对该样本数据库进行预处理是对样本数据库中的数据进行区间为[-1,1]的归一化处理，将预处理后的样本数据库分为训练集和测试集，训练集用于构建泄漏定位模型，测试集用于验证模型的精度。
具体的，所述小波分析法是指用有限长或快速衰减的称为母小波的震荡波形来表示信号，并对这些信号进行分析。
进一步，预处理具体包括采用小波分析法对样本数据库的声发射信号进行特征参数的提取，根据特征参数的一般选取规则分别获得幅度、绝对能量和振铃计数三个特征参数，由出口压力、出口流量、幅度、绝对能量和振铃计数五个参数组成自变量，在待测管道上采集多组出口压力、出口流量、幅度、绝对能量和振铃计数的数据组成训练集。
进一步，在步骤3中，所述的改进的网格搜索法就是把搜索步长和搜索范围加以改变来搜索最优参数，最优参数组合是指利用支持向量机建模时的惩罚系数C和核函数参数g的值设定，不同值构成的模型精度不同，因此需要采用改进的网格搜索法进行最优参数组合搜索，从而确定最优值，具体包括以下步骤：
步骤3.1，从预处理后的样本数据库中取出几组作为测试集，剩余的均作为训练集，对训练集归一化；
步骤3.2，设定好惩罚系数C和核函数参数g的取值范围；
步骤3.3，先采用大步距对训练集做一个粗搜，这样可以避免步距过小耗费时间的问题，挑出预测准确度最高的那一组参数组合，即局部最优参数组合；
步骤3.4，在局部最优参数组合附近确立一个小区间，对这组参数用传统方法的小步距作二次寻优，确定最终的参数组合，即最优参数组合。
进一步，在步骤4中，所述的构建基于支持向量机回归的城市燃气管道泄漏定位模型的具体原理是指基于改进的网格搜索法的支持向量机回归原理；所述支持向量机回归采用的是ε-SVR对管道泄漏进行训练和定位的基本思想，具体指在线性不可分的输入变量情况下，首先选取合适的非线性映射Ф将其映射到一个高维特征空间，然后在这个高维特征空间当中采用线性回归函数来进行评估，最后获得在原空间的非线性回归效果，假设xi∈Rd为管道泄漏时的检测变量，yi为管道泄漏点的定位值，基于支持向量机回归的泄漏定位模型即寻找xi，yi之间的关联：f：Rn→R，yi＝f(xi)。
本发明的有益效果是：本发明提供的一种基于支持向量机回归的城市燃气管道泄漏定位方法，采用了基于改进的网格搜索法的支持向量机回归(SVR)的原理，通过构建泄漏定位模型来实现燃气管道的泄漏定位，使城市燃气管道在运行过程中进行泄漏定位更加快速，也提高了泄漏定位的稳定性、精确性、可靠性。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是本发明最佳实施例的基于支持向量机回归的城市燃气管道泄漏定位方法的步骤图；
图2是城市燃气管道泄漏模拟实验平台。
具体实施方式
现在结合附图对本发明作详细的说明。此图为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
如图1所示，本发明实施例的基于支持向量机回归的城市燃气管道泄漏定位方法包括以下步骤：
步骤1，根据待测管道的不同泄漏状态提取自变量和因变量构建样本数据库；自变量由物理信号参数和声发射信号参数组合而成，因变量指泄漏点的定位值。
步骤2，对该样本数据库进行预处理，构造训练集；
步骤3，根据传统的网格搜索法具有耗费时间长，而且一旦搜索步距偏大，往往不能搜索到最优的那一组参数组合的特点，采用改进的网格搜索法从训练集中寻找最优参数组合；
步骤4，利用最优参数组合构建基于支持向量机回归的城市燃气管道泄漏定位模型；
步骤5，根据城市燃气管道泄漏定位模型，对待测管道进行泄漏定位。
进一步，步骤1中，待测管道不同泄漏状态时的检测变量为自变量，对应泄漏点的定位值为因变量，检测变量包括物理仪表采集到的物理信号和声发射传感器采集到的声发射信号，则样本数据库的构造过程为：样本数据库由不同泄漏位置提取到的自变量和因变量构成，其中，自变量为对应泄漏点处利用物理仪表采集到的出口压力、出口流量两个物理信号以及声发射传感器采集到的声发射信号，因变量为泄漏点的定位值，所述定位值以管道进口端为零点至泄漏点处的距离；采用小波分析法对样本数据库的声发射信号进行特征参数提取，根据特征参数的一般选取规则分别获得幅度、绝对能量和振铃计数三个特征参数，由出口压力、出口流量、幅度、绝对能量和振铃计数五个参数组成自变量，将对应泄漏点处的定位值作为因变量，在待测管道上采集多组出口压力、出口流量、幅度、绝对能量、振铃计数和定位值的数据组成样本数据库。
具体的，物理信号包括出口压力和出口流量，所述出口压力和出口流量分别由安装在待测管道末端的压力变送器和流量变送器采集得到；声发射信号由数据采集单元中的声发射传感器采集得到，所述声发射传感器安装于待测管道末端。
具体的，所述数据采集单元包括安装有XP系统的工业计算机、PCI-II双通道声发射卡、型号为S/N2462026504、滤波范围为20-120KHz的声发射前置放大器、型号为R15的单端宽频带声发射传感器以及对应的处理软件。
待测管道发生泄漏时会产生声发射现象，管道破裂时的瞬态弹性波即声发射信号沿泄漏点处向待测管道两侧进行传播。安装在管道上的声发射传感器监测到该信号后，将信号传至声发射采集卡中经过一系列的软件处理后形成数据保存于计算机中。
进一步，对该样本数据库进行预处理是对样本数据库中的数据进行区间为[-1,1]的归一化处理，将预处理后的样本数据库分为训练集和测试集，训练集用于构建泄漏定位模型，测试集用于验证模型的精度。
具体的，所述小波分析法是指用有限长或快速衰减的称为母小波的震荡波形来表示信号，并对这些信号进行分析。
进一步，预处理具体包括采用小波分析法对样本数据库的声发射信号进行特征参数的提取，根据特征参数的一般选取规则分别获得幅度、绝对能量和振铃计数三个特征参数，由出口压力、出口流量、幅度、绝对能量和振铃计数五个参数组成自变量，在待测管道上采集多组出口压力、出口流量、幅度、绝对能量和振铃计数的数据组成训练集。
在基于支持向量机回归(SVR)的城市燃气管道泄漏定位方法中所述的方法是一种改进网格搜索法优化支持向量机回归(SVR)参数，建立定位模型对管道泄漏进行定位的方法。
如图2所示，在步骤1中，声发射信号是由按照相似理论搭建城市燃气管道泄漏模拟实验平台中的PCⅠ-Ⅱ声发射检测仪中发射出去的，并由声发射传感器(型号为R15、单端宽频带)采集到声发射信号，该模拟实验装置由管道输送单元、数据采集单元和测量仪表3个单元组成。其中的管道输送单位是由空气压缩机、球阀1、球阀2、缓冲罐以及输送管道组成，数据采集单元由工业计算机(XP系统)、声发射卡(PCⅠ-Ⅱ型双通道)，声发射前置放大器(型号为S/N2462026504、滤波范围20-120KHz)，声发射传感器(型号为R15、单端宽频带)以及对应处理软件组成。仪器仪表单元主要由三个测量范围为0.03L/min～1.0L/min的转子流量计，和温度传感器三个测量范围为-20MPa～80MPa的压力表组成，图中分别表示为流量计1、流量计2和流量计3；压力表1、压力表2和压力表3，管道总长55m。
在步骤1中，声信号的采集是由这个实验平台来实现的，具体的过程如下：由空气压缩机为管道提供空气模拟燃气管道，管道上总共有6个泄漏阀分布位置分别在3.40m，11.12m，21.05m，28.76m，38.70m，45.41m处，编号分别为P1、P2、P3、P4、P5和P6。单独打开每个泄漏阀来模拟管道泄漏。
从声发射传感器(型号为R15、单端宽频带)中提取的信号，选择自变量和因变量，将从声发射传感器(型号为R15、单端宽频带)中采集到数据信号的特征用小波分析法进行提取。小波分析法是指用有限长或快速衰减的称为母小波的震荡波形来表示信号，并对这些信号进行分析。根据特征参数的一般选取规则，分别获得幅度、绝对能量和振铃计数三个基本特征参数。由该三种基本特征参数组和待测管道末端安装的压力变送器和流量变送器测得的出口压力和出口流量共同组成自变量，即自变量由出口压力、出口流量、幅度、绝对能量以及振铃计数5个基本参数构成。假设xi∈Rd为管道泄漏时的检测变量，yi为管道泄漏点的定位值，基于支持向量机回归的泄漏定位模型即寻找xi，yi之间的关联：f：Rn→R，yi＝f(xi)，为保证采集数据的可靠度，6个泄漏点中的每个泄漏点采集50组自变量数据作为训练样本，而测试样本的数量取训练样本数量的1/5，也就是采集10组自变量数据作为测试样本，共计训练样本300组，测试样本60组，其中，训练样本属于训练集，测试样本属于测试集，采集的数据如表1和表2所示。
表1训练样本数据表
表2测试样本数据表
将采集到的训练样本用改进的网格搜索法进行处理，所述的改进的网格搜索法就是把搜索步长和搜索范围加以改变来搜索最优参数。具体包括以下步骤：
步骤3.1，从预处理后的样本数据库中取出几组作为测试集，剩余的均作为训练集，对训练集归一化；
步骤3.2，设定好惩罚系数C和核函数参数g的取值范围；
步骤3.3，先采用大步距对训练集做一个粗搜，这样可以避免步距过小耗费时间的问题，挑出预测准确度最高的那一组参数组合，即局部最优参数组合；
步骤3.4，在局部最优参数组合附近确立一个小区间，对这组参数用传统方法的小步距作二次寻优，确定最终的参数组合，即最优参数组合。
根据样本集和最优参数组合，构建基于支持向量机回归的城市燃气管道泄漏定位模型，对于支持向量机回归，采用的是ε-SVR对管道泄漏进行训练和定位的基本思想是：在线性不可分的输入变量情况下，首先选取合适的非线性映射Ф将其映射到一个高维特征空间，然后在这个高维特征空间当中采用线性回归函数来进行评估，最后获得在原空间的非线性回归效果。
对于支持向量机回归采用的是ε-SVR原理，ε-SVR原理的具体内容如下：
设定待回归的数据集为{(x1，y1)，(x2，y2)，…，(xl，yl)}，其中，xl∈Rd，yl∈R，l为样本数目，那么支持向量机的非线性决策函数如下：
f(x)＝w·Ф(x)+b
式中：Ф(x)即非线性映射，把数据从输入空间映射到高维空间，w为权重向量，b为偏置量。求解最小w的问题可以表示为：
式中，C为惩罚系数，Lε为损失函数。
本发明采用的ε不敏感损失函数的数学表达式为：
当误差小于ε时，那么忽略不计；当误差超过ε时，实际误差减去ε为误差值。
按照结构风险最小化的原则，并采用ε不敏感损失函数作为估计问题，引入松弛变量ξi，ξi *则最优回归方程表示为：
引入Lagrange函数转化上述二次规划问题，变为对偶优化问题如下：
求解可得到支持向量机回归函数：
考虑到径向基(RBF)核函数在所有的核函数中应用最广泛，而且偏差小，本发明采用RBF核函数，表达式如下：
K(xi，xj)＝exp(-g‖xi-xj‖2)，g>0
通过数据集里已有的泄漏数据对待测管道进行泄漏定位，包含如下步骤：
首先，训练样本数据归一化，设定归一化区间为[-1,1],归一化公式为：y＝x-min(x)/max(x)-min(x),式中的x为实际值，min(x)和max(x)分别为最小值和最大值，y为归一化之后的输出值。
然后，设置参数C，g的搜索范围和搜索步距。C的初始范围为[2-10,28],g的初始范围为[2-10,25],搜索步距为1。
其后，用交叉验证对训练样本集合进行测试，获得局部最优参数，在其附近区间采用步距0.1进行二次寻优，获得最佳参数组合(0.014,67)。
最后，根据样本集和最优参数组合，建立基于改进网格搜索法的支持向量机回归燃气管道泄漏定位模型，并用建立好的模型进行泄漏定位。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关的工作人员完全可以在不偏离本发明的范围内，进行多样的变更以及修改。本项发明的技术范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

Claims (8)

1.一种基于支持向量机回归的城市燃气管道泄漏定位方法，其特征在于：包括以下步骤：
步骤1，根据待测管道的不同泄漏状态提取自变量和因变量构建样本数据库；
步骤2，对该样本数据库进行预处理，构造训练集；
步骤3，运用改进的网格搜索法从训练集中寻找最优参数组合；
步骤4，利用最优参数组合构建基于支持向量机回归的城市燃气管道泄漏定位模型；
步骤5，根据城市燃气管道泄漏定位模型，对待测管道进行泄漏定位。
2.如权利要求1所述的基于支持向量机回归的城市燃气管道泄漏定位方法，其特征在于：步骤1中，待测管道不同泄漏状态时的检测变量为自变量，对应泄漏点的定位值为因变量，检测变量包括物理仪表采集到的物理信号和声发射传感器采集到的声发射信号，则样本数据库的构造过程为：样本数据库由不同泄漏位置提取到的自变量和因变量构成，其中，自变量为对应泄漏点处利用物理仪表采集到的出口压力、出口流量两个物理信号以及声发射传感器采集到的声发射信号，因变量为泄漏点的定位值，所述定位值以管道进口端为零点至泄漏点处的距离；采用小波分析法对样本数据库的声发射信号进行特征参数提取，根据特征参数的一般选取规则分别获得幅度、绝对能量和振铃计数三个特征参数，由出口压力、出口流量、幅度、绝对能量和振铃计数五个参数组成自变量，将对应泄漏点处的定位值作为因变量，在待测管道上采集多组出口压力、出口流量、幅度、绝对能量、振铃计数和定位值的数据组成样本数据库。
3.如权利要求2所述的基于支持向量机回归的城市燃气管道泄漏定位方法，其特征在于：物理信号包括出口压力和出口流量，所述出口压力和出口流量分别由安装在待测管道末端的压力变送器和流量变送器采集得到；声发射信号由数据采集单元中的声发射传感器采集得到，所述声发射传感器安装于待测管道末端。
4.如权利要求3所述的基于支持向量机回归的城市燃气管道泄漏定位方法，其特征在于：所述数据采集单元包括工业计算机、声发射卡、声发射前置放大器、声发射传感器以及对应的处理软件。
5.如权利要求3所述的基于支持向量机回归的城市燃气管道泄漏定位方法，其特征在于：所述步骤2中，对该样本数据库进行预处理是对样本数据库中的数据进行区间为[-1,1]的归一化处理，将预处理后的样本数据库分为训练集和测试集，训练集用于构建泄漏定位模型，测试集用于验证模型的精度。
6.如权利要求5所述的基于支持向量机回归的城市燃气管道泄漏定位方法，其特征在于：预处理具体包括采用小波分析法对样本数据库的声发射信号进行特征参数的提取，根据特征参数的一般选取规则分别获得幅度、绝对能量和振铃计数三个特征参数，由出口压力、出口流量、幅度、绝对能量和振铃计数五个参数组成自变量，在待测管道上采集多组出口压力、出口流量、幅度、绝对能量和振铃计数的数据组成训练集。
7.如权利要求5所述的基于支持向量机回归的城市燃气管道泄漏定位方法，其特征在于：在步骤3中，所述的改进的网格搜索法就是把搜索步长和搜索范围加以改变来搜索最优参数，最优参数组合是指利用支持向量机建模时的惩罚系数C和核函数参数g的值设定，不同值构成的模型精度不同，因此需要采用改进的网格搜索法进行最优参数组合搜索，从而确定最优值，具体包括以下步骤：
步骤3.1，从预处理后的样本数据库中取出几组作为测试集，剩余的均作为训练集，对训练集归一化；
步骤3.2，设定好惩罚系数C和核函数参数g的取值范围；
步骤3.3，先采用大步距对训练集做一个粗搜，挑出预测准确度最高的那一组参数组合，即局部最优参数组合，；
步骤3.4，在局部最优参数组合附近确立一个小区间，对这组参数用传统方法的小步距作二次寻优，确定最终的参数组合，即最优参数组合。
8.如权利要求7所述的基于支持向量机回归的城市燃气管道泄漏定位方法，其特征在于：在步骤4中，所述的构建基于支持向量机回归的城市燃气管道泄漏定位模型的具体原理是指基于改进的网格搜索法的支持向量机回归原理；所述支持向量机回归采用的是ε-SVR对管道泄漏进行训练和定位的基本思想，具体指在线性不可分的输入变量情况下，首先选取合适的非线性映射Ф将其映射到一个高维特征空间，然后在这个高维特征空间当中采用线性回归函数来进行评估，最后获得在原空间的非线性回归效果，假设xi∈Rd为管道泄漏时的检测变量，yi为管道泄漏点的定位值，基于支持向量机回归的泄漏定位模型即寻找xi，yi之间的关联：f：Rn→R，yi＝f(xi)。
CN201710075285.9A 2017-02-13 2017-02-13 基于支持向量机回归的城市燃气管道泄漏定位方法 Pending CN106845437A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710075285.9A CN106845437A (zh) 2017-02-13 2017-02-13 基于支持向量机回归的城市燃气管道泄漏定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710075285.9A CN106845437A (zh) 2017-02-13 2017-02-13 基于支持向量机回归的城市燃气管道泄漏定位方法

Publications (1)

Publication Number Publication Date
CN106845437A true CN106845437A (zh) 2017-06-13

Family

ID=59127964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710075285.9A Pending CN106845437A (zh) 2017-02-13 2017-02-13 基于支持向量机回归的城市燃气管道泄漏定位方法

Country Status (1)

Country Link
CN (1) CN106845437A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107884475A (zh) * 2017-10-18 2018-04-06 常州大学 一种基于深度学习神经网络的城市燃气管道故障诊断方法
CN108304886A (zh) * 2018-02-27 2018-07-20 中国民用航空飞行学院 航空发动机性能监控方法
CN109889526A (zh) * 2019-02-28 2019-06-14 北京市燃气集团有限责任公司 一种基于位置坐标的燃气管线数据采集方法和采集装置
CN109941950A (zh) * 2019-04-25 2019-06-28 佛山市南海泽睿科技有限公司 一种基于cart算法的油气回收方法
CN110002390A (zh) * 2019-04-15 2019-07-12 佛山市南海泽睿科技有限公司 一种基于支持向量机的油气回收方法
CN110015631A (zh) * 2019-04-15 2019-07-16 佛山市南海泽睿科技有限公司 一种基于神经网络的油气回收方法
WO2021027803A1 (zh) * 2019-08-13 2021-02-18 常州大学 一种城市非金属管道泄漏定位方法
CN113063100A (zh) * 2019-12-30 2021-07-02 北京国双科技有限公司 管道泄漏的检测方法及装置
CN113606502A (zh) * 2021-07-16 2021-11-05 青岛新奥燃气设施开发有限公司 一种基于机器视觉判断操作人员执行管道漏气检测的方法
CN113970073A (zh) * 2021-11-11 2022-01-25 吉林大学 一种基于ResNet的供水管网泄漏精准定位方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101196872A (zh) * 2007-11-19 2008-06-11 清华大学 基于压力和声波信息融合的泄漏检测定位方法
CN105469049A (zh) * 2015-11-24 2016-04-06 昆明理工大学 一种基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101196872A (zh) * 2007-11-19 2008-06-11 清华大学 基于压力和声波信息融合的泄漏检测定位方法
CN105469049A (zh) * 2015-11-24 2016-04-06 昆明理工大学 一种基于多尺度形态分解能谱熵和支持向量机的泄漏声发射信号识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
毛小虎等: "基于离散小波分析的城市燃气管道泄漏检测定位", 《化工设备与管道》 *
王新颖等: "基于SVR的城市燃气管道泄漏定位研究", 《消防管理研究》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107884475A (zh) * 2017-10-18 2018-04-06 常州大学 一种基于深度学习神经网络的城市燃气管道故障诊断方法
CN108304886A (zh) * 2018-02-27 2018-07-20 中国民用航空飞行学院 航空发动机性能监控方法
CN109889526A (zh) * 2019-02-28 2019-06-14 北京市燃气集团有限责任公司 一种基于位置坐标的燃气管线数据采集方法和采集装置
CN109889526B (zh) * 2019-02-28 2020-01-24 北京市燃气集团有限责任公司 一种基于位置坐标的燃气管线数据采集方法和采集装置
CN110002390A (zh) * 2019-04-15 2019-07-12 佛山市南海泽睿科技有限公司 一种基于支持向量机的油气回收方法
CN110015631A (zh) * 2019-04-15 2019-07-16 佛山市南海泽睿科技有限公司 一种基于神经网络的油气回收方法
CN109941950A (zh) * 2019-04-25 2019-06-28 佛山市南海泽睿科技有限公司 一种基于cart算法的油气回收方法
WO2021027803A1 (zh) * 2019-08-13 2021-02-18 常州大学 一种城市非金属管道泄漏定位方法
CN113063100A (zh) * 2019-12-30 2021-07-02 北京国双科技有限公司 管道泄漏的检测方法及装置
CN113606502A (zh) * 2021-07-16 2021-11-05 青岛新奥燃气设施开发有限公司 一种基于机器视觉判断操作人员执行管道漏气检测的方法
CN113970073A (zh) * 2021-11-11 2022-01-25 吉林大学 一种基于ResNet的供水管网泄漏精准定位方法

Similar Documents

Publication Publication Date Title
CN106845437A (zh) 基于支持向量机回归的城市燃气管道泄漏定位方法
CN101761780B (zh) 输气管道泄漏检测定位装置及其检测定位方法
CN107435817B (zh) 一种压力管道两点泄漏检测精确定位方法
CN104654024A (zh) 一种广义回归神经网络城市燃气管道泄漏定位分析方法
CN103939749A (zh) 基于大数据的输油管网泄漏智能自适应监控系统及方法
CN110319982A (zh) 基于机器学习的埋地式燃气管线泄漏判断方法
CN106015951A (zh) 一种适应多种状态变化的输气管道泄漏检测系统及方法
CN1693865A (zh) 基于压力信号拐点检测油气管道泄漏的方法
CN109886433A (zh) 智能识别城市燃气管道缺陷的方法
CN109508745A (zh) 基于贝叶斯网络模型的燃气轮机气路故障的检测方法
CN102226904A (zh) 电站大型锅炉一次风风量的软测量方法
CN111553877A (zh) 基于太赫兹陶瓷基复合材料叶片损伤识别和寿命评估方法
CN101339150A (zh) 基于介电谱技术测定汽油辛烷值的方法
CN101865710B (zh) 一种负压气体的流量测量方法
Ravula et al. Experimental validation of leak and water-ingression detection in low-pressure gas pipeline using pressure and flow measurements
CN117073933B (zh) 一种用于燃气管网的管道压力监测方法及系统
CN108615054B (zh) 排水管网节点间相似性衡量的综合指标构建方法
CN110751213A (zh) 一种测风塔异常风速数据识别与补齐的方法
Han et al. Localization of CO2 gas leakages through acoustic emission multi-sensor fusion based on wavelet-RBFN modeling
Li et al. Liquid pipeline leakage detection based on moving windows LS-SVM algorithm
CN109614722B (zh) 基于模糊逻辑的涡轴发动机全状态参数的建模方法
Zhang et al. The method for determining optimal analysis length of vibration data based on improved multiscale permutation entropy
JPH06117600A (ja) ガス、蒸気等の漏洩地点および漏洩量推定システム
Xu et al. An improved regularized particle filter for remaining useful life prediction in nuclear plant electric gate valves
CN113536657A (zh) 基于机器学习的海洋大气折射率预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20170613