CN107917341B - 一种输油管道泄漏检测方法及装置 - Google Patents

Abstract

本申请实施例公开了一种输油管道泄漏检测方法及装置。所述方法包括：利用重采样技术，得到扩展的压力信号样本集，包括训练样本集和测试样本集；利用所述训练样本集中的压力信号样本的特征值和压力信号样本对应的工况类型信息，训练最小二乘支持向量分类机，得到最小二乘支持向量分类机诊断模型；利用所述测试样本集，测试所述诊断模型的诊断精度；利用所述训练好的最小二乘支持向量分类机诊断模型，检测管道是否发生泄漏。利用本申请各个实施例，可以有效减少误判事件的发生，提高输油管道泄漏检测结果的可靠性和准确度。

Description

一种输油管道泄漏检测方法及装置

技术领域

本申请涉及石油运输技术领域，特别涉及一种输油管道泄漏检测方法及装置。

背景技术

管道输油是我国石油运输的重要工具，石油管道在我国国民经济中占有极其重要的战略地位。但是，随着石油输送管线的不断增多，使用年限的不断增加以及人工盗油等外部因素，石油管道泄漏事故时有发生，这对人们的生命财产安全以及生活环境造成了极大的威胁。因此，石油管道泄漏检测技术的发展具有极其重要的意义，石油管道泄漏检测技术已经成为石油管道运输工程中的重要技术之一。

现有技术中，检测输油管道泄漏较常用的方法是声发射检测法。这种方法主要是利用管内介质在高压下从泄露处喷出时会产生喷射噪声，从而引起管壁振动向两段传播，通过安装在管壁上的传感器采集声波信号，再经过人工智能的方法进行检测和泄漏定位。但是声发射信号在传播过程中，衰减较快，在长距离输油管道中，很难检测到传播距离较远的声波信号。同时，由于输油管道泄漏发生的几率较少，管道泄漏对应的喷射噪声也很少产生，现有技术对所述喷射噪声的特性很难准确把握。也就是说，检测结果的可靠性和准确性较低。而且，现有技术中，也没有对检测结果的准确性进行评估，因此检测结果的准确度也较难保证。

现有技术中至少存在如下问题：输油管道发生泄漏的事件较少，导致利用现有技术检测到的管道泄漏存在误判的可能性较大，检测结果的可靠性和准确度较低。另外，由于现有技术没有对检测结果的准确性进行评估，也导致检测结果的准确性难以保证。

发明内容

本申请实施例的目的是提供一种输油管道泄漏检测方法及装置，以减少对管道泄漏的误判，提高检测结果的可靠性和准确性。

本申请实施例提供一种输油管道泄漏检测方法及装置是这样实现的：

一种输油管道泄漏检测方法，所述方法包括：

获取待检测管道的压力信号数据；

将所述待检测管道的压力信号数据输入训练好的诊断模型，所述诊断模型被设置成采用 下述方式训练得到：获取实际作业工区中管道无泄漏工况和管道泄漏工况的压力信号数据，对所述压力信号数据进行重采样，得到数据扩展后的压力信号样本集，以及利用所述压力信号样本集中的压力信号样本训练最小二乘支持向量分类机诊断模型，得到诊断精度达到预设要求的诊断模型；

输出所述待检测管道是否发生泄漏的检测结果。

优选实施例中，所述对所述压力信号数据进行重采样包括：

从所述压力信号数据中提取出不同工况对应的子样本；

利用窗口长度固定的动态移动窗，每次移动固定长度，对所述子样本中的压力信号数据进行M次采样，得到数据扩展后的压力信号样本集，所述窗口长度被设置成小于或等于采样点最少的子样本的总采样点数的一半，M≥2。

优选实施例中，所述利用所述压力信号样本集中的压力信号样本训练最小二乘支持向量分类机诊断模型，得到诊断精度达到预设要求的诊断模型包括：

将所述压力信号样本集分成训练样本集和测试样本集；

计算所述压力信号样本集中压力信号样本的特征值，确定所述压力信号样本对应的工况类型；

利用所述训练样本集中的压力信号样本的特征值和压力信号样本对应的工况类型，训练最小二乘支持向量分类机，得到最小二乘支持向量分类机诊断模型；

利用所述测试样本集，测试所述诊断模型的诊断精度，当所述诊断精度达到预期要求时，得到所述训练好的诊断模型。

优选实施例中，所述压力信号样本的特征值包括：

压力信号样本的均值、均方根值、峭度值和偏斜度值。

优选实施例中，所述利用所述训练样本集中的压力信号样本的特征值和压力信号样本对应的工况类型，训练最小二乘支持向量分类机的方式包括：

将所述压力信号样本的特征值组成所述压力信号样本的特征向量；

利用所述特征向量和所述压力信号样本对应的工况类型训练最小二乘支持向量分类机。

优选实施例中，所述训练最小二乘支持向量分类机的方式包括：

利用所述训练样本集，选择径向基核函数作为诊断模型的核函数，采用K折交叉验证法对径向基核函数的宽度参数和惩罚因子进行优化选择。

优选实施例中，所述径向基核函数包括：

式中，p表示径向基核函数的宽度参数；

x表示压力信号值；

x_i表示压力信号样本对应的压力信号值；

rbf表示函数基于RBF神经网络算法。

优选实施例中，所述K折交叉验证方法包括：

将所述训练样本集分成K等份，每次将其中K-1份包含的压力信号样本作为训练数据，剩余的一份作为测试数据，重复上述过程K次，将迭代后得到的平均值作为分类的性能指标。

优选实施例中，对所述压力信号数据进行重采样还包括：

对所述压力信号样本，进行归一化处理。

优选实施例中，所述方法还包括：

当所述检测结果为管道发生泄漏时，生成报警信息。

一种输油管道泄漏检测装置，所述装置包括：

数据获取模块，用于获取实际作业工区管道无泄漏工况和管道泄漏工况的压力信号数据，还用于获取待检测管道的压力信号数据；

采样模块，用于对所述压力信号数据进行重采样，得到数据扩展的压力信号样本集；

计算处理模块，用于计算所述压力信号样本集中压力信号样本的特征值；

模型训练模块，用于训练最小二乘支持向量分类机诊断模型，并得到训练好的诊断模型；

模型测试模块，用于测试所述诊断模型的诊断精度；

管道泄漏检测模块，用于将待检测管道的压力信号数据输入所述训练好的诊断模型，输出所述待检测管道是否发生泄漏的检测结果。

优选实施例中，所述最小二乘支持向量分类机测试模块包括：

测试结果判定模块，用于输出所述诊断精度的测试结果，并根据测试结果决定是否继续进行训练。

优选实施例中，所述采样模块包括：

工况类型划分模块，用于确定压力信号样本对应的工况类型。

优选实施例中，所述计算处理模块包括：

特征向量生成模块，用于将所述特征值组成特征向量。

优选实施例中，所述采样模块包括：

动态移动窗采样模块，用于从所述压力信号数据中，提取到不同工况对应的子样本，利用动态移动窗对所述压力信号数据进行M次采样，所述窗口长度被设置成小于或等于采样点最少的子样本的总采样点数的二分之一，M≥2。

优选实施例中，所述最小二乘支持向量分类机训练模块包括：

K折交叉验证模块，用于利用所述训练样本集，选择径向基核函数作为诊断模型的核函数，采用K折交叉验证法对径向基核函数的宽度参数和惩罚因子进行优化选择。

优选实施例中，所述径向基核函数包括：

式中，p表示径向基核函数的宽度参数；

x表示压力信号值；

x_i表示压力信号样本对应的压力信号值；

rbf表示函数基于RBF神经网络算法。

优选实施例中，所述采样模块包括：

归一化处理模块，用于对所述压力信号样本进行归一化处理。

优选实施例中，所述管道泄漏检测模块包括：

检测结果输出模块，用于输出检测结果，还用于在检测结果为管道发生泄漏时，生成报警信息。

由以上本申请实施例提供的技术方案可见，本申请实施例利用管道压力信号作为检测泄漏的数据基础，获取数据方便而且成本较低。而且不会存在长距离管道中压力信号衰减的问题。针对管道非正常输送工况以及管道泄漏工况对应的压力信号样本较少的问题，本申请实施例利用动态移动窗，对获取到的压力信号数据进行重采样，得到数据扩展后的压力信号数据样本集。增加了所述管道非正常输送工况和管道泄漏工况的压力信号样本数，得到扩展的训练样本集和扩展的测试样本集。利用所述扩展的训练样本集训练最小二乘支持向量分类机诊断模型，增强了诊断模型的可靠性，提高了诊断模型的诊断精度，进而提高了检测结果的准确度。同时，利用所述测试样本集对所述诊断模型的诊断精度进行评估，保证诊断模型的诊断精度能够到达预期效果。最终有效提高了检测结果的准确度，有效减少了误判事件的发生。所述输油管道泄漏检测装置，可以自动执行所述方法，并最终自动输出检测结果并进行泄漏工况报警，不需要实施人员具体参与，有效提高了用户体验。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一个实施例中公开的输油管道泄漏检测方法的方法流程图；

图2是本申请另一个实施例中公开的输油管道泄漏检测方法的方法流程图；

图3是本申请一个实施例中公开的一种对所述压力信号数据样本进行重采样的方法流程图；

图4是本申请一个实施例中公开的一种训练最小二乘支持向量分类机诊断模型的方法流程图；

图5是本申请一个实施例中公开的输油管道泄漏检测装置的模块结构示意图；

图6是本申请一个实施例中公开的采样模块的模块结构示意图；

图7是本申请一个实施例中公开的输油管道泄漏检测方法的应用场景示意图；

图8是本申请一个实施例中对训练好的诊断模型进行测试得到的测试结果。

具体实施方式

本申请实施例提供一种输油管道泄漏检测方法及装置。

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

图1是本申请所述一种输油管道泄漏检测方法一种实施例的方法流程图。虽然本申请提供了如下述实施例或附图所示的方法操作步骤或装置结构，但基于常规或者无需创造性的劳动在所述方法或装置中可以包括更多或者更少的操作步骤或模块单元。在逻辑性上不存在必要因果关系的步骤或结构中，这些步骤的执行顺序或装置的模块结构不限于本申请实施例或附图所示的执行顺序或模块结构。所述的方法或模块结构的在实际中的装置或终端产品应用时，可以按照实施例或者附图所示的方法或模块结构进行顺序执行或者并行执行(例如并行处理器或者多线程处理的环境、甚至包括分布式处理的实施环境)。

具体的如图1所述，本申请提供的一种输油管道泄漏检测方法的一种实施例可以包括：

S1：获取待检测管道的压力信号数据。

其中，所述的压力信号数据，通常指的是管道内压力信号波。一般可以使用现有的压力测试装置对待检测管道进行测试，获取所述压力信号数据。

S2：将待检测管道的压力信号数据输入训练好的诊断模型进行检测，所述诊断模型被设置成采用下述方式训练得到：获取实际作业工区中管道无泄漏工况和管道泄漏工况的压力信号数据，对所述压力信号数据进行重采样，得到数据扩展后的压力信号样本集，以及利用所述压力信号样本集中的压力信号样本训练最小二乘支持向量分类机诊断模型，得到诊断精度达到预设要求的诊断模型。

所述将待检测管道的压力信号数据输入训练好的诊断模型，通常是将所述待检测管道的压力信号数据的特征值输入到所述诊断模型中，进而检测所述待检测管道的压力信号数据所属的工况类型。

本申请一个实施例中，可以将待检测的压力信号数据的特征值输入训练好的诊断模型，检测所述待检测的压力信号数据所属的工况类型。

本申请中可以预先训练诊断模型，所述的诊断模型可以根据设计人员的数据处理需求或经验选择模型。所述训练好的诊断模型被设置成采用下述方式训练得到：

S201：获取实际作业工区中管道无泄漏工况和管道泄漏工况的压力信号数据。

其中，所述实际作业工区通常包括采用管道进行石油运输的工区，本申请一个实施例中的压力信号数据是从实际作业环境中采集到的，作为训练诊断模型和测试诊断模型诊断精度的原始数据基础。

所述管道无泄漏工况有很多种，本申请实施例中管道无泄漏工况的种类根据具体的实施环境确定。

具体的，比如，本申请一个实施例中的工况种类包括管道正常输送工况、调阀工况和停泵工况三种，主要是由于本申请的这个实施例中管道无泄漏的工况一般都包含于上述三种工况，所述管道正常输送工况一般指的是管道内液体输送压力环境不发生改变的情况。

当然，本申请其他实施例中，不必局限于包含上述三种工况，比如，在本申请的另一个实施例中，管道无泄漏的工况可以只有管道正常输送工况和停泵工况两种。在本申请的又一个实施例中，管道无泄漏的工况可以只有管道正常输送工况和调阀工况两种。在本申请的其他实施例中，管道无泄漏的工况还可以包括不在上述三种工况之中的其他工况。

本申请实施例中，管道泄漏工况一般是指在管道各种正常工况下发生泄漏的工况，具体的，比如，可以是在管道正常输送过程中出现泄漏的工况，也可以是在调阀工况中出现泄漏 的工况，当然，也可以是其他正常工况下发生泄漏的工况。

本申请实施例中，采集到压力信号数据是作为原始数据用于之后的步骤中，比如作为重采样的对象。

S202：对所述压力信号数据进行重采样，得到数据扩展后的压力信号样本集。

其中，所述数据扩展后的压力信号样本集包括训练样本集和测试样本集，所述压力信号样本集是通过重采样进行扩展得到的，经过扩展之后，可以有效增加管道非正常输送工况以及管道泄漏工况对应的压力信号样本数，数据扩展后的训练样本集可以用来训练最小二乘支持向量分类机诊断模型，数据扩展后的测试样本集可以用来测试训练得到的诊断模型。当然，训练样本集和测试样本集是相对的，测试样本集和训练样本集可以相互替换，只要可以满足，一个用于训练，另一个用于测试，就可以了。

所述重采样，一般指的是对已有的数据样本进行再次采样，目的是有针对性地扩充样本数目，得到扩展的样本集。

重采样的方式有很多，本申请一个实施例中，对压力信号数据进行重采样的方式可以包括：

从所述压力信号数据中提取出不同工况对应的子样本；

利用窗口长度固定的动态移动窗，每次移动固定长度，对所述压力信号数据进行M次采样，得到数据扩展后的压力信号样本集，所述窗口长度被设置成小于或等于采样点最少的子样本的总采样点数的一半，M≥2，获得数据扩展的训练样本集和数据扩展的测试样本集。

本申请另一个实施例中，利用动态移动窗进行重采样的方式包括：定义动态移动窗的窗口长度为N，所述窗口长度被设置成小于或等于采样点最少的子样本的总采样点数的二分之一，收集管道不同工况对应的子样本，利用所述动态移动窗每次移动ΔL长度，对所述压力信号数据进行M次移动采样，M≥2，得到数据扩展的训练样本集和扩展的测试样本集。

当然，上述实施例中的参数和子样本是不必限定的，比如，所述动态移动窗的长度不必限定，所述动态移动窗每次移动采样移动的长度也不必限定，具体的，根据实际情况确定。

所述子样本对应的工况种类也不必限定，具体地，根据待测试管道可能存在的工况来确定，比如，本申请另一个实施例中，只收集管道正常输送工况和调阀工况两种工况的子样本，在本申请其他实施例中，还可以收集其他种类的工况的子样本。

S203：利用所述压力信号样本集中的压力信号样本训练最小二乘支持向量分类机诊断模型，得到诊断精度达到预设要求的诊断模型。

图4是本申请一个实施例提供的训练最小二乘支持向量分类机诊断模型的方法流程图，具体的，包括：

S2031：计算压力信号样本集中压力信号样本的特征值，确定压力信号样本对应的工况类型。

本申请所述压力信号样本集包括训练样本集和测试样本集。

所述特征值的选择依据是，可以反映压力信号特征各方面特性的特征值，这些特征值主要可以反映压力信号的幅值和波动特性。本申请另一个优选实施例中，选取压力信号数据的均值、均方根值、峭度值和偏斜度值作为所述的压力信号样本的特征值。

具体的，均值可以反映压力信号波形的平均幅值，均值的计算公式包括：

式中，N为移动窗内样本数，x_i为采样值，X_am为平均值。

均方根值可以反映压力信号的波动大小，均方根值的计算公式包括：

式中，

峭度值可以反映压力信号的幅值分布情况，峭度值的计算公式包括：

式中，X_k表示信号的峭度值。

偏斜度值可以反映压力信号偏度大小，偏斜度值的计算公式包括：

式中，μ表示信号X的均值，σ表示信号X的标准偏差，E(t)表示变量t的期望值。

通过上述四种特征值，可以较全面地反映压力信号的幅值和波动等特性。

当然，在本申请其他实施例中，也可以选择其他的特征值。

计算得到的特征值可以直接用于训练和测试最小二乘支持向量分类机诊断模型。

本申请一个实施例中，确定压力信号样本对应的工况类型的方式包括：

将管道无泄漏工况的压力信号样本对应的工况类型统一确定为第一类型；

将管道泄漏工况的压力信号样本对应的工况类型统一确定为第二类型。

本申请另一个实施例中，利用编号的方式，将管道无泄漏工况(包括比如管道正常输送工况、调阀工况、停泵工况等)统一编号为-1，将管道泄漏工况统一编号为1，如图5所示，编号为-1的类别，对应的是管道无泄漏的工况，编号为1的类别，对应的是管道泄漏的工况。

本申请又一个实施例中，可以将管道无泄漏工况统一编号为0，将管道泄漏工况统一编号为1。当然，在本申请其他实施例中，也可以采用其他的编号方式，只要可以区分开管道无泄漏工况和管道泄漏工况即可，甚至也可以不采用编号的方式确定工况类型，具体的确定方式不必限定。

通过确定压力样本信号的工况类型，可以将所有管道无泄漏的工况统一确定为同一种类型，管道无泄漏的工况可能包括管道正常输送工况、调阀工况、停泵工况等，将这些工况确定为同一种形式，可以使训练目的更明确，训练更有效。

上述各实施例中计算得到的特征值，是训练和测试最小二乘支持向量分类机诊断模型的指标。

S2032：利用所述训练样本集中的压力信号样本的特征值和压力信号样本对应的工况类型，训练最小二乘支持向量分类机，得到最小二乘支持向量分类机诊断模型。

其中，所述最小二乘支持向量分类机的训练原理包括：

设样本为n维向量，某区域的L个样本表示为：(x₁,y₁),…,(x_L,y_L)∈Rⁿ*R，首先用一非线性映射Ψ(x)把样本从原空间Rⁿ映射到特征空间

在这个高维空间中构造最优决策函数：

上式中x_i是第i个向量的特征，ω和b是特征空间映射到高维空间的参数。给定N对进行训练，计算出超平面参数ω,b,e值满足：

用拉格朗日法求解：

其中α_i是拉格朗日乘子，根据优化条件：

用矩阵形式可以表示为：

上式中

Y＝[y_i,…,y_N]，

e＝[e_i,…,e_N]，α＝[α_i,…,α_N]。

矩阵解是：

应用Mercer条件可以得到非线性分类器的预测模型。其中：

解上述线性方程组可得到分类器的预测模型如下：

上式中K为核函数。它是满足Mercer条件的任何对称的核函数对应于特征空间的点积。

根据上述原理，利用训练样本集对应的压力信号样本的特征值，训练最小二乘支持向量分类机诊断模型。

本申请一个实施例中，训练方式采用K折交叉验证法训练所述最小二乘支持向量分类机诊断模型，具体的训练方式包括：

将训练样本集分成K等份，每次将其中K-1份包含的压力信号样本作为训练数据，剩余的一份作为测试数据，重复上述过程K次，将迭代后得到的平均值作为分类的性能指标。

本申请一个实施例中，训练得到的最小二乘支持向量分类机诊断模型，还需要进行诊断精度的测试。

而在本申请另一个实施例中，训练得到的最小二乘支持向量分类机诊断模型，可以不进行诊断精度的测试，直接用于输油管道泄漏的检测。

S2033：利用测试样本集，测试诊断模型的诊断精度，当所述诊断精度达到预期要求时，得到所述训练好的诊断模型。

所述诊断精度反映的是误判的多少，误判越少，也就说明训练得到的最小二乘支持向量分类机诊断模型的诊断精度越高。

所述预期要求根据实际需要决定，最理想的效果就是诊断精度为百分之百，或者是绝对零误判，当然，在本申请大部分实施例中，是不需要达到所述最理想的效果的。

比如，在本申请的一个实施例中，预期效果为诊断精度为百分之九十九，在本申请其他实施例中，预期效果也可以确定为其他精度，确定的方式也不一定必须是达到具体某一数值，比如图8是本申请一个实施例中，对训练得到的最小二乘支持向量分类机进行测试得到的测试结果，图8中，采用编号的形式确定压力信号样本对应的工况类型，编号为-1，表示压力信号样本对应的是管道无泄漏工况，编号为1，表示压力信号样本对应的是管道泄漏工况，圆圈对应的是测试样本集中压力信号样本真实的工况类型，米字对应的经过诊断模型检测出的工况类型，从图8可以看出，本实施例中，进行了60次测试，没有出现误判，本实例中就可以认为训练得到的诊断模型的诊断精度达到了预期效果。

在本申请另一个实施例中，训练得到的最小二乘支持向量分类机诊断模型的诊断精度没有达到预期效果，则需要继续进行训练。

S3：输出待检测管道是否发生泄漏的检测结果。

所述检测结果的输出形式不必限定，本申请提供的一个实施例中，检测结果以编号的形式输出，本实施例的一个实例中检测结果的输出形式如图8所示，如图8所示，当检测到待检测管道发生泄漏时，输出编号1，编号1表示待检测管道发生泄漏。

在本申请的另一个实施例中，所示检测结果的输出形式是文字。

当然，在本申请其他实施例中，还可以采用其他形式输出检测结果，比如语音等。

图7是本申请提供的一个实施例中，训练得到训练好的诊断模型，并将所述诊断模型应用于实际的输油管道泄漏检测中的应用场景示意图。

图7中显示，先采集压力信号数据，对所述压力信号数据进行预处理和重采样后，得到 训练样本和测试样本对应的特征值和特征向量，训练得到训练好的诊断模型，在实际检测应用过程中，当泄漏发生时，待检测管道中会产生泄漏工况对应的压力信号数据，通过所述诊断模型，根据所述压力信号数据的特征值，检测出压力信号对应的工况类型属于管道泄漏工况，输出检测结果。

上述各实施例所提供的输油管道泄漏检测方法的实施方案中，利用动态移动窗技术，对采集到的压力信号数据进行重采样，扩展压力信号数据样本集，增加所述管道非正常输送工况和管道泄漏工况的压力信号样本数，得到扩展的训练样本集和扩展的测试样本集，利用所述扩展的训练样本集训练最小二乘支持向量分类机诊断模型，增强了诊断模型的可靠性，提高了诊断模型的诊断精度，进而提高检测结果的准确度，同时，利用所述测试样本集对所述诊断模型的诊断精度进行评估，保证诊断模型的诊断精度能够到达预期效果，最终有效提高检测结果的准确度，有效减少误判事件的发生。

本申请另一个实施例中，可以对压力信号样本集中的样本进行归一化处理。

所述数据归一化处理的原理包括：

假设每一行元素都不相同，其计算公式为：

Y＝(Y_max-Y_min)*(X-X_min)/(X_max-X_min)+Y_min

公式中参数Y_max与Y_min分别设定为1和-1，这样上式可以简化为：

这样经过归一化处理后信号特征值得范围都在[-1,1]之间。

注：当某一行元素相等时的变化公式为Y＝Y_min也即将其设置为-1。

本实施例提供的一种对所述压力信号数据样本进行重采样的方法流程图如图3所示，具体的包括：

S201：从所述压力信号数据中提取出不同工况对应的子样本；

S202：对提取出的不同工况对应的子样本进行归一化处理；

S203：利用窗口固定的动态移动窗，对所述子样本中的压力信号数据进行M次采样，M≥2。

所述归一化处理的目的是提高分类效果，可以将数据存储到一个容量有限的空间中，可以降低数据处理过程中存储数据所要占用的空间，同时也使数据后续的输入、计算处理、输出等更加便捷。

本申请提供的另一个实施例中，利用训练样本集中的压力信号样本的特征值和压力信号样本对应的工况类型，训练最小二乘支持向量分类机的方式可以包括：

可以将所述压力信号样本的特征值组成所述压力信号样本的特征向量；

利用所述特征向量和所述压力信号样本对应的工况类型训练最小二乘支持向量分类机。

通过将特征值组成特征向量的方式，可以使训练过程中所述特征值的输入更加便捷，也可以为实际检测过程中采用特征向量形式输入待检测管道中的压力信号数据的特征值创造条件。

本申请另一种实施例中，可以将待检测的压力信号数据的特征值组成特征向量，将所述特征向量输入训练好的诊断模型，检测所述待检测的压力信号数据所属的工况类型。

采用特征向量的形式将特征值输入到训练好的诊断模型，可以使输入过程更加便捷，同时可以避免漏输、错输情况的发生。

本申请另一个实施例提供的一种输油管道泄漏检测方法的方法流程图如图2所示。

从图2中的S4可以看到，本实施例可以在输出的检测结果为管道发生泄漏时，输出报警信息。

所述报警信息的形式不必限定，可以采用蜂鸣、报警信号灯、震动等形式。

通过输出报警信息，可以即时提醒实施人员管道发生泄漏，不需要实施人员一直关注输出的检测结果，有效提高了用户体验。

基于本申请所述的输油管道泄漏检测方法，本申请提供一种输油管道泄漏检测装置。所述装置可以集成在输油管道泄漏检测的功能组件中，进行输油管道泄漏的检测及预警。图5是本申请所述一种输油管道泄漏检测装置一种实施例的模块结构示意图，如图5所示，所述装置可以包括：

数据获取模块101，可以用于获取实际作业工区管道无泄漏工况和管道泄漏工况的压力信号数据，还可以用于获取待检测管道的压力信号数据；

采样模块102，可以用于对所述压力信号数据进行重采样，得到数据扩展的压力信号样本集；

计算处理模块103，可以用于计算所述压力信号样本集中压力信号样本的特征值；

模型训练模块104，可以用于训练最小二乘支持向量分类机诊断模型，并得到训练好的 诊断模型；

模型测试模块105，可以用于测试所述诊断模型的诊断精度；

管道泄漏检测模块106，可以用于将待检测管道的压力信号数据输入所述训练好的诊断模型，输出所述待检测管道是否发生泄漏的检测结果。

本申请另一个实施例中，模型测试模块105可以包括：

测试结果判定模块，可以用于输出所述诊断精度的测试结果，并根据测试结果决定是否继续进行训练。

通过所述测试结果判定模块，可以有效评估诊断模型的诊断精度，保证训练得到的训练好的训练模型的可靠性和准确度。

图6是本申请另一个实施例中采样模块102的模块结构示意图，如图6所示，所述采样模块102可以包括：

工况类型划分模块1021，可以用于确定压力信号样本对应的工况类型。

所述确定压力信号样本对应的工况类型的方式包括：

将管道无泄漏工况的压力信号样本对应的工况类型统一确定为第一类型；

将管道泄漏工况的压力信号样本对应的工况类型统一确定为第二类型。

本申请又一个实施例中，可以利用编号的方式，将管道无泄漏工况(包括比如管道正常输送工况、调阀工况、停泵工况等)统一编号为-1，将管道泄漏工况统一编号为1，如图4所示，编号为-1的类别，对应的是管道无泄漏的工况，编号为1的类别，对应的是管道泄漏的工况。

本申请又一个实施例中，可以将管道无泄漏工况统一编号为0，将管道泄漏工况统一编号为1。当然，在本申请其他实施例中，也可以采用其他的编号方式，只要可以区分开管道无泄漏工况和管道泄漏工况即可，甚至也可以不采用编号的方式确定工况类型，具体的确定方式不必限定。

利用所述工况类型划分模块，可以将所有管道无泄漏的工况统一确定为同一种类型，管道无泄漏的工况可能包括管道正常输送工况、调阀工况、停泵工况等，将这些工况确定为同一种形式，可以使训练目的更明确，训练更有效。

本申请另一个实施例中，采样模块102可以包括：

动态移动窗采样模块1022，可以用于从所述压力信号数据中，提取到不同工况对应的子样本，利用动态移动窗对所述压力信号数据进行M次采样，M≥2。

利用动态移动窗采样模块，可以有效扩展压力信号数据，得到样本类型更丰富、各类型样本数更多的压力数据样本集。

本申请另一个实施例中，采样模块102可以包括：

归一化处理模块1023，可以用于对所述压力信号样本进行归一化处理。

通过样本归一化处理模块，可以有效将数据存储在容量有限的空间中，减少装置所需的数据存储空间，降低装置的额外性能消耗。

本申请又一个实施例中，计算处理模块103可以包括：

特征向量生成模块，可以用于将所述特征值组成特征向量。

利用所述特征向量生成模块，可以将压力信号样本的特征值组成特征向量，使训练诊断模型过程中特征值的输入更加便捷，避免漏输、错输，提高诊断模型的可靠性。

也可以将待检测管道的压力信号数据的特征值组成特征向量，使检测过程中特征值的输入更加便捷，避免漏输、错输，从而提高检测结果的可靠性。

本申请另一个实施例中，模型训练模块104可以包括：

K折交叉验证模块，可以用于利用所述训练样本集，选择径向基核函数作为诊断模型的核函数，采用K折交叉验证法对径向基核函数的宽度参数和惩罚因子进行优化选择。

本申请优选实施例中，径向基核函数可以包括：

式中，p表示径向基核函数的宽度参数；

x表示压力信号值；

x_i表示压力信号样本对应的压力信号值；

rbf表示函数基于RBF神经网络算法。

本申请另一个实施例中，管道泄漏检测模块106可以包括：

检测结果输出模块，可以用于输出检测结果，还用于在检测结果为到管道发生泄漏时，生成报警信息。

其中，输出的检测结果可以包括对应的工况类型的编号，本申请其他实施例中，输出的检测结果的形式还可以是其他形式，比如，可以是工况类型的名称等；产生的报警信息的载体可以是信号灯、蜂鸣、振动等。

利用所述检测结果输出模块，可以即时提醒实施人员管道发生泄漏，及时对管道泄漏事件进行处理。

利用上述各实施例所提供的输油管道泄漏检测装置，可以实现自动执行所述方法，并最终自动输出检测结果并进行泄漏工况报警，不需要实施人员具体参与，有效提高了用户体验。

利用上述各实施例所提供的输油管道泄漏检测方法及装置的实施方式，可以有效扩展压力信号数据样本集，增加所述管道非正常输送工况和管道泄漏工况的压力信号样本数，增强诊断模型的可靠性，提高诊断模型的诊断精度，进而提高检测结果的准确度，同时，还可以保证诊断模型的诊断精度能够到达预期效果，最终有效提高检测结果的准确度，有效减少误判事件的发生。可以自动执行所述方法，并最终自动输出检测结果并进行泄漏工况报警，不需要实施人员具体参与，有效提高用户体验。

尽管本申请内容中提到不同的检测输油管道泄漏的方式，获取压力信号样本数据、重采样、计算特征值、训练最小二乘支持向量分类机诊断模型、测试诊断模型的这段精度到输出检测结果并输出报警信息的各种时序方式、数据获取/处理/输出方式等的描述，但是，本申请并不局限于必须是行业标准或实施例所描述的情况等，某些行业标准或者使用自定义方式或实施例描述的实施基础上略加修改后的实施方案也可以实现上述实施例相同、等同或相近、或变形后可预料的实施效果。应用这些修改或变形后的数据获取、处理、输出、判断方式等的实施例，仍然可以属于本申请的可选实施方案范围之内。

虽然本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的手段可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境，甚至为分布式数据处理环境)。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、产品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、产品或者设备所固有的要素。在没有更多限制的情况下，并不排除在包括所述要素的过程、方法、产品或者设备中还存在另外的相同或等同要素。

上述实施例阐明的装置或模块等，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本申请时可以把各模块的功能在同一个或多个软件和/或硬件中实现，也可以将实现同 一功能的模块由多个子模块的组合实现等。以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，移动终端，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例采用递进的方式描述，各个实施例之间相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。本申请可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。

虽然通过实施例描绘了本申请，本领域普通技术人员知道，本申请有许多变形和变化而不脱离本申请的精神，希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。

Claims (17)

1.一种输油管道泄漏检测方法，其特征在于，所述方法包括：

获取待检测管道的压力信号数据；

将所述待检测管道的压力信号数据输入训练好的诊断模型，所述诊断模型被设置成采用下述方式训练得到：获取实际作业工区中管道无泄漏工况和管道泄漏工况的压力信号数据，对所述压力信号数据进行重采样，得到数据扩展后的压力信号样本集，以及利用所述压力信号样本集中的压力信号样本训练最小二乘支持向量分类机诊断模型，得到诊断精度达到预设要求的诊断模型；

输出所述待检测管道是否发生泄漏的检测结果；

所述对所述压力信号数据进行重采样包括：

从所述压力信号数据中提取出不同工况对应的子样本

对提取的不同工况对应的子样本进行归一化处理；

利用窗口长度固定的动态移动窗，每次移动固定长度，对所述子样本中的压力信号数据进行M次采样，得到数据扩展后的压力信号样本集，所述窗口长度被设置成小于或等于采样点最少的子样本的总采样点数的一半，M≥2。

2.如权利要求1所述的一种输油管道泄漏检测方法，其特征在于，所述利用所述压力信号样本集中的压力信号样本训练最小二乘支持向量分类机诊断模型，得到诊断精度达到预设要求的诊断模型包括：

将所述压力信号样本集分成训练样本集和测试样本集；

计算所述压力信号样本集中压力信号样本的特征值，确定所述压力信号样本对应的工况类型；

利用所述训练样本集中的压力信号样本的特征值和压力信号样本对应的工况类型，训练最小二乘支持向量分类机，得到最小二乘支持向量分类机诊断模型；

利用所述测试样本集，测试所述诊断模型的诊断精度，当所述诊断精度达到预期要求时，得到所述训练好的诊断模型。

3.如权利要求2所述的一种输油管道泄漏检测方法，其特征在于，所述压力信号样本的特征值包括：

压力信号样本的均值、均方根值、峭度值和偏斜度值。

4.如权利要求2所述的一种输油管道泄漏检测方法，其特征在于，所述利用所述训练样本集中的压力信号样本的特征值和压力信号样本对应的工况类型，训练最小二乘支持向量分类机的方式包括：

将所述压力信号样本的特征值组成所述压力信号样本的特征向量；

利用所述特征向量和所述压力信号样本对应的工况类型训练最小二乘支持向量分类机。

5.如权利要求2所述的一种输油管道泄漏检测方法，其特征在于，所述训练最小二乘支持向量分类机的方式包括：

利用所述训练样本集，选择径向基核函数作为诊断模型的核函数，采用K折交叉验证法对径向基核函数的宽度参数和惩罚因子进行优化选择。

6.如权利要求5所述的一种输油管道泄漏检测方法，其特征在于，所述径向基核函数包括：

式中，p表示径向基核函数的宽度参数；

x表示压力信号值；

x_i表示压力信号样本对应的压力信号值；

rbf表示函数基于RBF神经网络算法。

7.如权利要求5所述的一种输油管道泄漏检测方法，其特征在于，所述K折交叉验证方法包括：

将所述训练样本集分成K等份，每次将其中K-1份包含的压力信号样本作为训练数据，剩余的一份作为测试数据，重复上述过程K次，将迭代后得到的平均值作为分类的性能指标。

8.如权利要求1所述的一种输油管道泄漏检测方法，其特征在于，对所述压力信号数据进行重采样还包括：

对所述压力信号样本，进行归一化处理。

9.如权利要求1所述的一种输油管道泄漏检测方法，其特征在于，所述方法还包括：

当所述检测结果为管道发生泄漏时，生成报警信息。

10.一种输油管道泄漏检测装置，其特征在于，所述装置包括：

数据获取模块，用于获取实际作业工区管道无泄漏工况和管道泄漏工况的压力信号数据，还用于获取待检测管道的压力信号数据；

采样模块，用于对所述压力信号数据进行重采样，得到数据扩展的压力信号样本集；

计算处理模块，用于计算所述压力信号样本集中压力信号样本的特征值；

模型训练模块，用于训练最小二乘支持向量分类机诊断模型，并得到训练好的诊断模型；

模型测试模块，用于测试所述诊断模型的诊断精度；

管道泄漏检测模块，用于将待检测管道的压力信号数据输入所述训练好的诊断模型，输出所述待检测管道是否发生泄漏的检测结果；

所述采样模块包括：

动态移动窗采样模块，用于从所述压力信号数据中，提取到不同工况对应的子样本，利用窗口长度固定的动态移动窗，每次移动固定长度，对所述子样本中的压力信号数据进行M次采样，得到数据扩展后的压力信号样本集，所述窗口长度被设置成小于或等于采样点最少的子样本的总采样点数的一半，M≥2。

11.如权利要求10所述的一种输油管道泄漏检测装置，其特征在于，所述模型测试模块包括测试结果判定模块，其中，

所述模型训练模块还用于将所述压力信号样本集分成训练样本集和测试样本集；计算所述压力信号样本集中压力信号样本的特征值，确定所述压力信号样本对应的工况类型；利用所述训练样本集中的压力信号样本的特征值和压力信号样本对应的工况类型，训练最小二乘支持向量分类机，得到最小二乘支持向量分类机诊断模型；利用所述测试样本集，测试所述诊断模型的诊断精度；

所述测试结果判定模块，用于输出所述诊断精度的测试结果，并根据测试结果决定是否继续进行训练。

12.如权利要求10所述的一种输油管道泄漏检测装置，其特征在于，所述采样模块包括：

工况类型划分模块，用于确定压力信号样本对应的工况类型。

13.如权利要求10所述的一种输油管道泄漏检测装置，其特征在于，所述计算处理模块包括：

特征向量生成模块，用于将所述特征值组成特征向量。

14.如权利要求11所述的一种输油管道泄漏检测装置，其特征在于，所述模型训练模块包括：

K折交叉验证模块，用于利用所述训练样本集，选择径向基核函数作为诊断模型的核函数，采用K折交叉验证法对径向基核函数的宽度参数和惩罚因子进行优化选择。

15.如权利要求14所述的一种输油管道泄漏检测装置，其特征在于，所述径向基核函数包括：

式中，p表示径向基核函数的宽度参数；

x表示压力信号值；

x_i表示压力信号样本对应的压力信号值；

rbf表示函数基于RBF神经网络算法。

16.如权利要求10所述的一种输油管道泄漏检测装置，其特征在于，所述采样模块包括：

归一化处理模块，用于对所述压力信号样本进行归一化处理。

17.如权利要求10所述的一种输油管道泄漏检测装置，其特征在于，所述管道泄漏检测模块包括：

检测结果输出模块，用于输出检测结果，还用于在检测结果为管道发生泄漏时，生成报警信息。

Images