CN108730776B

CN108730776B - 一种基于极限学习机信息融合的输油管道泄漏检测方法

Info

Publication number: CN108730776B
Application number: CN201810650725.3A
Authority: CN
Inventors: 李琦; 张洪略; 谢梦琦; 杜晓东
Original assignee: Dalian University of Technology
Current assignee: Dalian University of Technology
Priority date: 2018-06-22
Filing date: 2018-06-22
Publication date: 2020-07-14
Anticipated expiration: 2038-06-22
Also published as: CN108730776A

Abstract

本发明公开了一种基于极限学习机信息融合的输油管道泄漏检测方法，包括以下步骤：S1：采集管道泄漏实验的历史数据作为初始训练样本；S2：分别对历史数据中的流量信息和压力信息进行特征值提取计算后得到信息融合特征数据；S3：将得到的信息融合特征数据作为输入信息，利用极限学习机方法建立管道泄漏的检测模型；S4：验证检测模型的准确性；S5：将待检测管道的流量信息和压力信息进行信号特征提取计算后得到的信息融合特征数据输入最终检测模型，输出待检测管道状态分类结果。本发明采集管道流量信息和压力信息，进行特征值提取计算得到信息融合特征数据作为训练样本，涵盖了信号的主要特征，减少了极限学习机方法的运算量。

Description

一种基于极限学习机信息融合的输油管道泄漏检测方法

技术领域

本发明涉及长距离输油管道泄漏检测技术领域，具体涉及一种基于极限学习机信息融合的输油管道泄漏检测方法。

背景技术

石油的运输方式多种多样，根据运输距离、运输性质、地理因素的不同，存在着各种各样的石油运输方式。在涉及到采用何种方式运输石油及其它液体、气体时，一定要结合实际情况，综合考量地理因素、天气因素、经济因素、运输距离、技术条件等多方面的因素，从而选择出最为适合的运输方式，保证整个管道运输系统的经济性、科学性、有效性。

中国的幅员辽阔，国土地形复杂，气候环境多样，人口密度分布不均，凡此种种因素都决定了，对于国内的石油产品及其它液体、气体的运输而言，管道运输应当是最重要的运输方式，同时也是占运输总量比例最大的方式。管道运输工程的研究对我国石油工业、能源利用等方方面面都有着非常重要的现实意义。因此，保证石油产品及相关产品安全稳定的运输，对于保持我国国民经济稳步坚实地发展和社会持续繁荣稳定起到了积极且重大的作用。

作为石油等危险化学物品的一种长距离输送方式，安全，对于管道运输而言是最基本的条件和根本保障，随着输油管道建设量的日益增加，大量管道运输系统设备的逐渐老化，安全事故发生的概率也会慢慢变大，从而使得管道运输系统当中有可能带来的安全隐患引起了人们的关注。不光是自然环境的影响、管道自身的老化，许多人为的因素也会造成安全隐患，安全隐患不单单会给相关的企业带来经济损失、导致周边自然环境的破坏，有时甚至还会造成重大人员伤亡事故。也就是说，如果不能及时检测到输油管道小泄漏，就可能会造成严重的环境污染和经济损失，甚至会造成重大的人员伤亡事故。所以，对于管道运输设备设施而言，安全运行是其最最基本的要求，特别是当有泄漏发生的时候，相关工作人员必须要及时地察觉到泄漏的发生，并准确找到、定位泄漏的准确位置，从而达到防止泄漏进一步扩散、避免造成更大危害目的，从而使得管道运输系统回到其正常的稳定运行状态。

发明内容

为了对输油管道的泄漏状态进行精确且快速的实时性检测，本发明提供了一种基于极限学习机信息融合的输油管道泄漏检测方法。

本发明通过以下技术方案实现：

一种基于极限学习机信息融合的输油管道泄漏检测方法，包括以下步骤：

S1：采集管道泄漏实验的历史数据作为初始训练样本，历史数据为正常和泄漏状态下输油管道的流量信息和压力信息；

S2：定义采样数据窗口长度为N，N表示样本数量，分别对历史数据中的流量信息和压力信息进行特征值提取计算后得到信息融合特征数据，标记融合特征数据对应的管道正常状态或泄漏状态；

S3：将得到的信息融合特征数据作为输入信息，利用极限学习机方法建立管道泄漏的检测模型，在模型训练开始时随机生成连接输入层和隐含层的初始权值矩阵ω以及隐含层的偏置值b，其中输入层为信息融合特征数据矩阵，隐含层为单层神经网络隐含层，隐含层节点个数初始设置个数与输入层数据样本个数相等，采用激活函数计算得到的管道状态分类结果作为检测模型的输出值，管道状态分类结果包括正常状态和泄漏状态；

计算输出层权值矩阵H并计算连接隐含层与输出层的权值矩阵β并通过损失函数J判断权值矩阵β是否最优；若判断结果不是最优，则将隐含层节点个数增加一个后重复上述检测模型训练过程，得的新的检测模型；若判断结果为最优，则将当前检测模型作为最终的检测模型；

S4：验证检测模型的准确性：获取新数据信息，所述新数据信息为训练好检测模型后获取的正常状态和泄漏状态下输油管道的流量信息和压力信息；

对新数据信息进行特征信号提取计算，得到相应的信息融合特征数据作为测试样本，输入检测模型，输出管道状态分类结果；

将管道状态分类结果与新数据信息对应的现场管道真实状态进行对比，若管道状态不一致，则将新数据信息加入历史数据，重复步骤S1至步骤S3，训练得到更优的权值矩阵β，更新检测模型；若管道状态一致，则验证结束，输出待检测管道状态分类结果；

S5：将待检测管道的流量信息和压力信息进行信号特征提取计算后得到的信息融合特征数据输入最终检测模型，输出待检测管道状态分类结果。

进一步地，在上述技术方案中，特征信号提取计算得到的信息融合特征数据包括平均幅值、方差、标准差、均方根值、峰值、方根幅值、裕度因子和峭度因子，具体计算公式如下：

(1)平均幅值：

其中X_am为平均幅值，N为样本数，X_i为流量信息或压力信息；

(2)方差：

其中X_avr为方差，

即平均值；

(3)标准差：

其中X_st为标准差，X_avr为方差；

(4)均方根值：

其中X_ms为均方根值；

(5)峰值：

X_amax＝max{|x_i|} (5)

其中X_amax为峰值；

(6)方根幅值：

其中X_r为方根幅值。

(7)裕度因子：

L＝X_amax/Xr (7)

其中X_amax为峰值，X_r为方根幅值；

(8)峭度因子：

X_kf＝X_k/X_ms (9)

其中X_k为峭度，X_kf为峭度因子，X_k为峭度，X_ms为均方根值。

进一步地，在上述技术方案中，通过损失函数判断权值矩阵β是否最优的方法具体包括：

首先，定义损失函数为：

J＝(Hβ-T)^T(Hβ-T) (10)

其中，H为神经网络的隐含层输出矩阵；β为连接隐含层与输出层的权值矩阵；T为检测模型的输出；

求解最优的权值矩阵，使得损失函数J最小，分为以下两种情况：

1)如果H是列满秩的，通过最小二乘方法找到最佳的权值矩阵，其解为：

其中，H*＝(H^TH)^-1H (12)

2)如果H是非列满秩的，使用奇异值分解求解H的广义逆计算最佳权值矩阵：

β＝H⁺T (13)

其中，H⁺代表H的Moore-Penrose广义逆。

进一步地，在上述技术方案中，所述隐含层输出矩阵H为：

其中，H称为神经网络的隐含层输出矩阵，g(x)为隐含层神经元的激活函数；ω为输入层信息融合特征数据样本的权值矩阵，b为隐含层的偏置矩阵的值，x为数据样本矩阵；

sign激活函数为：

f(x)＝sign(x) (15)。

本发明的有益效果为：本发明提供了一种基于极限学习机信息融合的输油管道泄漏检测方法，采集管道的流量信息和压力信息作为训练样本，并对流量信息和压力信息进行特征值提取计算得到信息融合特征数据，本发明选择的特征数据涵盖了信号的主要特征，并且大大减少了极限学习机方法的运算量；同时本发明利用极限学习机方法建立泄漏检测模型，和ELM负压波法比较，本发明所述方法方法泛化性能更好，和BP负压波法、RBF负压波法比较，本发明所述方法方法训练速度更快，且能够适应长距离输油管道泄漏检测的需要，并且在检测实时性方面具有更好的效果。

附图说明

下面结合附图和具体实施方法对本发明作进一步详细的说明。

图1为本发明中公开的ELM信息融合方法实现流程图；

图2为本发明中公开的ELM信息融合的测试实验结果。

具体实施方法

下面结合附图和实施例对本发明的技术方案进行清楚、完整的描述。

实施例1

如图1所示，一种基于极限学习机信息融合的输油管道泄漏检测方法，包括以下步骤：

(1)平均幅值：

(2)方差：

其中X_avr为方差，

即平均值；

(3)标准差：

其中X_st为标准差，X_avr为方差；

(4)均方根值：

其中X_ms为均方根值；

(5)峰值：

X_amax＝max{|x_i|} (5)

其中X_amax为峰值；

(6)方根幅值：

其中X_r为方根幅值。

(7)裕度因子：

L＝X_amax/Xr (7)

其中X_amax为峰值，X_r为方根幅值；

(8)峭度因子：

X_kf＝X_k/X_ms (9)

本申请对采集到的管道流量信息和压力信息数据进行上述8种特征提取计算(平均幅值、方差、标准差、均方根值、峰值、方根幅值、裕度因子和峭度因子)，得到的数据作为信息融合特征数据，该特征数据涵盖了信号的主要特征，并且大大减少了极限学习机方法的运算量。

首先，定义损失函数为：

J＝(Hβ-T)^T(Hβ-T) (10)

其中，H*＝(H^TH)^-1H (12)

β＝H⁺T (13)

其中，H⁺代表H的Moore-Penrose广义逆。

进一步地，在上述技术方案中，所述隐含层输出矩阵H为：

sign激活函数为：

f(x)＝sign(x) (15)。

在本实施例中，采集200组数据样本，将前120组用于训练，后80组用于测试，选择的8个特征值分别是方差，标准差，峰值，均方根值，方根幅值，裕度因子，峭度因子，训练集和测试集中均包含正常信号、调阀信号和泄漏信号。

利用极限学习机(ELM)信息融合泄漏检测模型进行检测结果如图2所示，实验结果如表1所示，和ELM负压波法比较，本申请所述方法泛化性能更好，和BP负压波法、RBF负压波法比较，训练速度更快，实时性更好，能够适应长距离输油管道泄漏检测的需要，并且在检测实时性方面具有更好的效果。

表1泄漏检测实验结果比较

本发明公开的方法选择长距离输油管道泄漏实验数据作为模型的输入，要预测的泄漏信息作为模型的输出，利用极限学习机信息融合方法建立泄漏预测的模型，使训练速度更快，泛化性能更好，能够适应长距离输油管道泄漏检测的需要，在检测实时性方面具有更好的效果。

本发明提出的基于极限学习机信息融合的输油管道泄漏检测方法能够实现对泄漏信号的准确预测，对长距离输油管道控制和优化运行有重要的意义。

以上所述，仅为本发明较佳的具体实施方法，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims

1.一种基于极限学习机信息融合的输油管道泄漏检测方法，其特征在于：包括以下步骤：

S2：定义采样数据窗口长度为N，N表示样本数量，分别对历史数据中的流量信息和压力信息进行特征值提取计算后得到信息融合特征数据，标记信息融合特征数据对应的管道正常状态或泄漏状态；

计算隐含层输出矩阵H并计算连接隐含层与输出层的权值矩阵β并通过损失函数J判断权值矩阵β是否最优；若判断结果不是最优，则将隐含层节点个数增加一个后重复上述检测模型训练过程，得到新的检测模型；若判断结果为最优，则将当前检测模型作为最终的检测模型；

将管道状态分类结果与新数据信息对应的现场管道真实状态进行对比，若管道状态不一致，则将新数据信息加入历史数据，重复步骤S2至步骤S3，训练得到更优的权值矩阵β，更新检测模型；若管道状态一致，则验证结束，输出管道状态分类结果；

S5：将待检测管道的流量信息和压力信息进行信号特征提取计算后得到的信息融合特征数据输入验证后的检测模型，输出待检测管道状态分类结果。

2.根据权利要求1所述的基于极限学习机信息融合的输油管道泄漏检测方法，其特征还在于：

特征信号提取计算得到的信息融合特征数据包括平均幅值、方差、标准差、均方根值、峰值、方根幅值、裕度因子和峭度因子，具体计算公式如下：

(1)平均幅值：

(2)方差：

其中X_avr为方差，

即平均值；

(3)标准差：

其中X_st为标准差，X_avr为方差；

(4)均方根值：

其中X_ms为均方根值；

(5)峰值：

X_amax＝max{|x_i|}

其中X_amax为峰值；

(6)方根幅值：

其中X_r为方根幅值；

(7)裕度因子：

L＝X_amax/Xr

其中X_amax为峰值，Xr为方根幅值；

(8)峭度因子：

X_kf＝X_k/X_ms

其中X_k为峭度，X_kf为峭度因子，X_ms为均方根值。

3.根据权利要求1所述的基于极限学习机信息融合的输油管道泄漏检测方法，其特征还在于：

通过损失函数J判断权值矩阵β是否最优的方法具体包括：

首先，定义损失函数J为：

J＝(Hβ-T)^T(Hβ-T)

其中，H为隐含层输出矩阵；β为连接隐含层与输出层的权值矩阵；T为检测模型的输出；

1)如果H是列满秩的，通过最小二乘方法找到最佳权值矩阵，其解为：

其中、H*＝(H^TH)^-1H

β＝H⁺T

其中，H⁺代表H的Moore-Penrose广义逆。

4.根据权利要求1所述的基于极限学习机信息融合的输油管道泄漏检测方法，其特征还在于：所述隐含层输出矩阵H为：

其中，H称为隐含层输出矩阵，g(x)为隐含层神经元的激活函数；ω为连接输入层和隐含层的初始权值矩阵，b为隐含层的偏置值，x为数据样本矩阵；

sign激活函数为：

f(x)＝sign(x)。