CN108870090B - 基于最小二乘支持向量机信息融合的管道泄漏检测方法 - Google Patents
基于最小二乘支持向量机信息融合的管道泄漏检测方法 Download PDFInfo
- Publication number
- CN108870090B CN108870090B CN201810651738.2A CN201810651738A CN108870090B CN 108870090 B CN108870090 B CN 108870090B CN 201810651738 A CN201810651738 A CN 201810651738A CN 108870090 B CN108870090 B CN 108870090B
- Authority
- CN
- China
- Prior art keywords
- pipeline
- information
- detection model
- state
- information fusion
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/02—Preventing, monitoring, or locating loss
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mechanical Engineering (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明公开了一种基于最小二乘支持向量机信息融合的管道泄漏检测方法,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:定义样本采集时间窗长度,对历史数据进行特征信号提取计算得到信息融合特征数据;S3:利用最小二乘支持向量机方法训练管道泄漏的检测模型;S4:利用优化后的参数训练优化检测模型;S5:验证检测模型的准确性;S6: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。本申请所构建的检测模型能够适应管道工作过程中状态检测的需要,进一步有效增强了模型预测能力,提高了模型的预测精度。
Description
技术领域
本发明属于输油管道泄漏检测实验领域,具体涉及一种基于最小二乘支持向量机信息融合的管道泄漏检测方法。
背景技术
作为燃气、石油等危险化学物品的一种长距离输送方式,安全性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,因此管道运输系统当中有可能带来的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,如果不能及时检测到输油管道小泄漏,不仅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。
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,相关工作人员需要能够及时地察觉到泄漏的发生,并准确定位泄漏的准确位置,通过维修使管道运输系统回到其正常的稳定运行状态,从而防止泄漏进一步扩散、避免造成更大危害。及时发现管道泄漏同时精确定位泄漏点已经成为了管道运输系统平稳安全运行的重中之重,但是目前的管道泄漏检测方法中只考虑了管道压力信息,检测精度不够,准确度不够高,因此需要一种考虑多种管道信息的检测准确度更高的检测方法。
发明内容
为了解决上述技术问题,本发明提供了一种基于最小二乘支持向量机信息融合的管道泄漏检测方法。
本发明通过以下技术方案实现:
基于最小二乘支持向量机信息融合的管道泄漏检测方法,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,历史数据为正常状态和泄漏状态下输油管道的流量信息和压力信息;
S2:定义样本采集时间窗长度,对历史数据进行特征信号提取计算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;
S3:将S2得到的信息融合特征数据作为检测模型的训练样本,利用最小二乘支持向量机方法训练管道泄漏的检测模型;
S4:选择径向基核函数作为检测模型的核函数,采用K折交叉验证对径向基核函数的参数进行优化,每次训练都随机保留1/K个子样本作为用于验证模型的样本,进行K次训练重复验证,计算K次结果的平均值作为优化后的参数;利用优化后的参数作为径向基核函数的基本参数,并将利用优化后的参数训练优化检测模型;
S5:验证检测模型的准确性:获取新数据信息,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后输入检测模型,输出管道状态分类结果,管道状态分类结果包括正常状态和泄漏状态;
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S4更新检测模型;若管道状态一致,则验证结束,输出最终检测模型;
S6: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Xam为平均幅值,N为样本数,Xi为流量信息或压力信息;
(2)方差:
(3)标准差:
其中Xst为标准差,Xavr为方差;
(4)均方根值:
其中Xms为均方根值;
(5)峰值:
Xamax=max{|xi|} (5)
其中Xamax为峰值;
(6)方根幅值:
其中Xr为方根幅值;
(7)裕度因子:
L=Xamax/Xr (7)
其中Xamax为峰值,Xr为方根幅值;
(8)峭度因子:
Xkf=Xk/Xms (9)
其中Xk为峭度,Xkf为峭度因子,Xk为峭度,Xms为均方根值。
进一步地,在上述技术方案中:
所述径向基核函数为:
其中,p是径向基核函数的宽度参数,x,xi表示具体样本。
本发明的有益效果为:本发明所述的基于最小二乘支持向量机信息融合的管道泄漏检测方法,在建立模型时采用了输油管道的流量信息及压力信息,通过多种特征信号提取获取到的信息融合特征数据,提高了检测精度和准确度;并在训练好检测模型后对模型进行准确性验证,进一步提高了检测模型的检测精度;采用K折交叉验证方法更新泄漏检测模型,增强了模型对时变过程的自适应估计效果,为实现对管道状态的估计,给出了最小二乘支持向量机计算方法,同时由于采用了K折交叉验证的方法,使检测模型更新的计算变得方便快捷;本申请所构建的检测模型能够适应管道工作过程中状态检测的需要,进一步有效增强了模型预测能力,提高了模型的预测精度。
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,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的前提下,还可以根据这些附图获得其他的附图。
图1为所述检测方法整体流程图;
图2为所述检测系统模块图;
图3为负压波检测方法的结果示意图;
图4为所述检测方法的结果示意图。
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,基于最小二乘支持向量机信息融合的管道泄漏检测方法,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,历史数据为正常状态和泄漏状态下输油管道的流量信息和压力信息;
S2:定义样本采集时间窗长度,对历史数据进行特征信号提取计算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;
S3:将S2得到的信息融合特征数据作为检测模型的训练样本,利用最小二乘支持向量机方法训练管道泄漏的检测模型;
S4:选择径向基核函数作为检测模型的核函数,采用K折交叉验证对径向基核函数的参数进行优化,每次训练都随机保留1/K个子样本作为用于验证模型的样本,进行K次训练重复验证,计算K次结果的平均值作为优化后的参数;利用优化后的参数作为径向基核函数的基本参数,并将利用优化后的参数训练优化检测模型;
S5:验证检测模型的准确性:获取新数据信息,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后输入检测模型,输出管道状态分类结果,管道状态分类结果包括正常状态和泄漏状态;
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S4更新检测模型;若管道状态一致,则验证结束,输出最终检测模型;
S6: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Xam为平均幅值,N为样本数,Xi为流量信息或压力信息;
(2)方差:
(3)标准差:
其中Xst为标准差,Xavr为方差;
(4)均方根值:
其中Xms为均方根值;
(5)峰值:
Xamax=max{|xi|} (5)
其中Xamax为峰值;
(6)方根幅值:
其中Xr为方根幅值;
(7)裕度因子:
L=Xamax/Xr (7)
其中Xamax为峰值,Xr为方根幅值;
(8)峭度因子:
Xkf=Xk/Xms (9)
其中Xk为峭度,Xkf为峭度因子,Xk为峭度,Xms为均方根值。
进一步地,在上述技术方案中:
所述径向基核函数为:
其中,p是径向基核函数的宽度参数,x,xi表示具体样本。
基于本专利算法的检测模型正确率如表1,正确率全部大于97.5%,高于基于LSSVM负压波方法,结合图2-4,说明本申请构建的检测模型符合长距离输油管道状态评估的精度求,具有很好的学习能力及泛化性能。
表1模型的压力、流量以及二者融合信号的检测精度
通过上述实施例所述的技术方案,本发明所述的基于最小二乘支持向量机信息融合的管道泄漏检测方法选择长距离输油管道有关运行和状态参数的信息融合作为模型的输入,将需要预测的管道状态作为模型的输出,选取泄漏实验的历史运行数据作为初始训练样本,利用最小二乘支持向量机方法建立泄漏检测的初始模型;利用K折交叉验证对LSSVM的参数进行优化,并采用融合压力以及流量的数据方式来提高模型的预测精度;本申请所述的检测方法随着输油过程特性的变化自适应地改进模型性能,能够实现对管道泄漏状态的精确预测,对长距离输油的实时监测有重要的意义。
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 (3)
1.基于最小二乘支持向量机信息融合的管道泄漏检测方法,其特征在于: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,历史数据为正常状态和泄漏状态下输油管道的流量信息和压力信息;
S2:定义样本采集时间窗长度,对历史数据进行特征信号提取计算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;
S3:将步骤S2得到的信息融合特征数据作为检测模型的训练样本,利用最小二乘支持向量机方法训练管道泄漏的检测模型;
S4:选择径向基核函数作为检测模型的核函数,采用K折交叉验证对径向基核函数的参数进行优化,每次训练都随机保留1/K个子样本作为用于验证模型的样本,进行K次训练重复验证,计算K次结果的平均值作为优化后的参数;利用优化后的参数作为径向基核函数的基本参数,并利用优化后的参数训练优化检测模型;
S5:验证检测模型的准确性:获取新数据信息,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后输入检测模型,输出管道状态分类结果,管道状态分类结果包括正常状态和泄漏状态;
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S4更新检测模型;若管道状态一致,则验证结束,输出最终检测模型;
S6:将待检测管道的流量信息和压力信息进行特征信号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。
2.根据权利要求1所述的基于最小二乘支持向量机信息融合的管道泄漏检测方法,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:
其中Xam为平均幅值,N为样本数,Xi为流量信息或压力信息;
(2)方差:
(3)标准差:
其中Xst为标准差,Xavr为方差;
(4)均方根值:
其中Xms为均方根值;
(5)峰值:
Xamax=max{|xi|} (5)
其中Xamax为峰值;
(6)方根幅值:
其中Xr为方根幅值;
(7)裕度因子:
L=Xamax/Xr (7)
其中Xamax为峰值,Xr为方根幅值;
(8)峭度因子:
Xkf=Xk/Xms (9)
其中Xk为峭度,Xkf为峭度因子,Xms为均方根值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810651738.2A CN108870090B (zh) | 2018-06-22 | 2018-06-22 | 基于最小二乘支持向量机信息融合的管道泄漏检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810651738.2A CN108870090B (zh) | 2018-06-22 | 2018-06-22 | 基于最小二乘支持向量机信息融合的管道泄漏检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108870090A CN108870090A (zh) | 2018-11-23 |
CN108870090B true CN108870090B (zh) | 2020-07-14 |
Family
ID=64340419
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810651738.2A Expired - Fee Related CN108870090B (zh) | 2018-06-22 | 2018-06-22 | 基于最小二乘支持向量机信息融合的管道泄漏检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108870090B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109538944B (zh) * | 2018-12-03 | 2020-07-07 | 北京无线电计量测试研究所 | 一种管道泄漏检测方法 |
CN110319982B (zh) * | 2019-06-03 | 2021-03-30 | 清华大学合肥公共安全研究院 | 基于机器学习的埋地式燃气管线泄漏判断方法 |
CN110145695B (zh) * | 2019-06-03 | 2021-01-15 | 大连理工大学 | 一种基于深度置信网络信息融合的供暖管道泄漏检测方法 |
CN111639711B (zh) * | 2020-05-29 | 2023-04-18 | 中国地质大学(武汉) | 一种基于压力监测时序数据的输油管线泄漏监测方法 |
CN111734961B (zh) * | 2020-06-24 | 2021-09-17 | 东北石油大学 | 一种天然气管道泄漏检测方法 |
CN112113719A (zh) * | 2020-09-21 | 2020-12-22 | 中国人民解放军海军工程大学 | 一种基于声发射技术的液压滑阀内泄漏检测方法 |
CN112413413B (zh) * | 2020-11-20 | 2022-03-01 | 成都艾斯皮埃尔科技有限公司 | 结合深度学习和多次测量技术的管道泄漏监测及定位方法 |
CN112944226B (zh) * | 2021-02-03 | 2023-06-06 | 浙江海洋大学 | 一种基于加速度计的管道泄漏检测方法 |
CN113486950B (zh) * | 2021-07-05 | 2023-06-16 | 华能国际电力股份有限公司上安电厂 | 一种智能管网漏水检测方法及系统 |
CN113657019A (zh) * | 2021-07-06 | 2021-11-16 | 大唐互联科技(武汉)有限公司 | 一种供热管网预警系统 |
CN114510994A (zh) * | 2021-12-29 | 2022-05-17 | 北京辰安科技股份有限公司 | 城市地下燃气泄漏识别模型的训练方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101556234A (zh) * | 2009-04-30 | 2009-10-14 | 浙江大学 | 气水两相流多参数测量方法和装置 |
CN104502410A (zh) * | 2013-07-21 | 2015-04-08 | 国家电网公司 | 最小二乘支持向量机与遗传算法的绝缘子等值盐密及灰度预测方法 |
CN104915638A (zh) * | 2015-05-08 | 2015-09-16 | 国家电网公司 | 基于参数优化的最小二乘支持向量机触电电流检测方法 |
-
2018
- 2018-06-22 CN CN201810651738.2A patent/CN108870090B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101556234A (zh) * | 2009-04-30 | 2009-10-14 | 浙江大学 | 气水两相流多参数测量方法和装置 |
CN104502410A (zh) * | 2013-07-21 | 2015-04-08 | 国家电网公司 | 最小二乘支持向量机与遗传算法的绝缘子等值盐密及灰度预测方法 |
CN104915638A (zh) * | 2015-05-08 | 2015-09-16 | 国家电网公司 | 基于参数优化的最小二乘支持向量机触电电流检测方法 |
Non-Patent Citations (2)
Title |
---|
《燃气长直管道泄漏检测及定位方法研究》;侯庆民;《中国博士论文全文数据库 工程科技II辑》;20141231;全文 * |
《长距离输油管道泄漏检测与定位方法研究》;李明浩;《中国优秀硕士学位论文全文数据库 工程科技I辑》;20180415;第11-52页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108870090A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108870090B (zh) | 基于最小二乘支持向量机信息融合的管道泄漏检测方法 | |
CN108730776B (zh) | 一种基于极限学习机信息融合的输油管道泄漏检测方法 | |
CN110148285B (zh) | 一种基于大数据技术的油井参数智能预警系统及其预警方法 | |
US10769487B2 (en) | Method and device for extracting information from pie chart | |
CN110322731B (zh) | 一种船舶会遇助航预警方法 | |
CN108596221B (zh) | 标尺读数的图像识别方法及设备 | |
CN111639430A (zh) | 一种数字孪生驱动的天然气管道泄漏识别系统 | |
CN109034641A (zh) | 管道缺陷预测方法及装置 | |
CN110362814B (zh) | 一种基于改进损失函数的命名实体识别方法及装置 | |
CN113870334B (zh) | 深度检测方法、装置、设备以及存储介质 | |
CN111144548A (zh) | 抽油机井工况的识别方法及装置 | |
CN105072214A (zh) | 基于域名特征的c&c域名识别方法 | |
CN106528417A (zh) | 软件缺陷智能检测方法和系统 | |
CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
CN116402630B (zh) | 一种基于表征学习的财务风险预测方法及系统 | |
CN116028499B (zh) | 检测信息生成方法、电子设备和计算机可读介质 | |
CN115455791B (zh) | 一种基于数值模拟技术提高滑坡位移预测准确率的方法 | |
CN116708038B (zh) | 基于资产测绘的工业互联网企业网络安全威胁识别方法 | |
CN106600283A (zh) | 识别姓名国籍的方法、系统及判断交易风险的方法、系统 | |
CN116668039A (zh) | 基于人工智能的计算机远程登录识别系统及方法 | |
CN114581732A (zh) | 一种图像处理及模型训练方法、装置、设备和存储介质 | |
CN114417995A (zh) | 管网风险预警方法、装置、计算机设备及存储介质 | |
CN114445041A (zh) | 一种危化品在途事故应急处理方法及系统 | |
CN114078274A (zh) | 人脸图像检测方法、装置、电子设备以及存储介质 | |
CN114298144A (zh) | 一种基于深度卷积神经网络的水电站设备漏油识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200714 Termination date: 20210622 |