CN110046651B - 一种基于监测数据多属性特征融合的管道状态识别方法 - Google Patents

Abstract

本发明公开了一种基于监测数据多属性特征融合的管道状态识别方法，基于管道状态监测数据构建状态识别框架，使得框架内包括正常、堵塞和泄漏状态模式，基于状态识别框架包含的状态模式，提取管道运行状态的数据特征；采用综合敏感性与波动性的评价指标对上述数据特征进行选择，将获得的特征作为状态识别框架的证据体，按照对管道待识别状态数据进行处理，获得管道待识别状态数据的对应证据体，获取证据体的基本概率值，利用D‑S证据理论合成规则，对当前状态的所有证据信息进行融合分析，确定当前状态属于识别框架中的类型，实现对管道运行状态的识别与判断。本发明提出了具有指导意义管道运行状态识别技术，对于提高技术人员对管道运行状态决策与判断的准确性有重要意义。

Description

一种基于监测数据多属性特征融合的管道状态识别方法

技术领域

本发明属于管道运行状态识别技术领域，具体涉及一种基于监测数据多属性特征融合的管道状态识别方法。

背景技术

管道是用于输送液体、气体等物质的单元部件，是现代工业生产系统的重要组成部分，广泛应用于石油、化工、水利等复杂生产系统中；同时，管道也是压力容器、锅炉等特种设备的重要组成部分。由于管道通常输送是易燃、易爆、有毒的介质，且受承载载荷应力、输送介质侵蚀、零部件老化等因素影响，易发生泄漏、堵塞等故障，往往会造成的重大的人员财产损失。因此，如何利用管道服役过程中状态监测数据，实现微小泄漏、堵塞等故障的识别与发现，对保证复杂工业生产系统安全可靠运行具有重要意义。

目前对管道故障分析及识别研究主要是基于管道运行机理的方法与实验仿真，建立管道状态检测模型，对管道的运行状态进行分析。但是该方法受制于对管道系统运行机制的准确性和详细程度，受制于经验知识、建模知识的限制，缺乏对积累的大量蕴含管道运行状态及故障模式数据有效利用；同时，管道故障发生过程是微小、渐变过程，如何有效故障模式的特征信息提取，如何评价与选择表征管道运行状态的优质特征，进行信息融合分析已成为需要解决的问题。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于监测数据多属性特征融合的管道状态识别方法，实现对管道运行状态的识别与判断。

本发明采用以下技术方案：

一种基于监测数据多属性特征融合的管道状态识别方法，基于管道状态监测数据构建状态识别框架，使得框架内包括正常、堵塞和泄漏状态模式，基于状态识别框架包含的状态模式，提取管道运行状态的数据特征；采用综合敏感性与波动性的评价指标对上述数据特征进行选择，将获得的特征作为状态识别框架的证据体，按照对管道待识别状态数据进行处理，获得管道待识别状态数据的对应证据体，获取证据体的基本概率值，利用D-S证据理论合成规则，对当前状态的所有证据信息进行融合分析，确定当前状态属于识别框架中的类型，实现对管道运行状态的识别与判断。

具体的，构建状态识别框架的步骤如下：

S101、设管道运行状态有N种状态Θ＝{A₁,A₂,...A_N}；

S102、获取识别框架中N种状态模式下的数据样本A，并以r个数据点为一个处理窗口，以Tc个数据点为步长进行滑动窗口处理，设获得n个窗口数据，得到识别框架Θ。

进一步的，识别框架Θ为：

A_i,j＝[d_i,j,1 d_i,j,2 … d_i,j,r]

其中，A_i为第i个状态模式样本数据；A_i,j为A_i的第j个窗口向量数据集；d_i,j,k为A_i,j的第k个数据点，k＝1,2,...r。

具体的，获取状态识别框架的证据体的步骤如下：

S201、对状态模式数据A_i进行特征提取；

S202、构建基于敏感性与波动性的综合特征评价指标，对T₁～T₁₀进行评价。

进一步的，步骤S201中，令T_i代表方根幅值、绝对平均值、均方根值、方差、偏斜度指标、峭度指标、波形指标、峰值指标、脉冲指标和裕度指标，A_i数据特征可表示为：

其中，J是特征种类个数；n是窗口数据个数。

更进一步的，T_i计算如下：

其中，k＝1,2,...r。

进一步的，步骤S202包括以下步骤：

(a)设共有N类状态模式，计算第c类第j个特征的类内距离d_c,j(j)：

其中，i＝1,2...M_c,j＝1,2...J,c＝1,2...C，M_c为第c类的样本个数；J为特征个数； C为类别个数；q_i,c,j为第c类第i个样本第j个特征的特征值，

为第c类第j个特征的特征值平均值；

(b)计算第j个特征C个类的类内距离的四分位均值，将d_c,j(j)按照从小到大的顺序排列，并记录其下标为n∈[1,N]，

其中，

为第j个特征C个类的类内距离的四分位均值；

计算类内距离的差异性参数

(c)计算第c类第j个特征的四分位平均值：

计算第j个特征C个类的类间距离的平均值

c,e＝1,2...C,c＞e

其中，u_e,j、u_c,j为第e和第c个类第j个特征的四分位均值；

计算类间距离的差异性参数

根据正则化法则，计算出基于距离评估比例系数λ_j：

(d)计算类间距离与类内距离的比值a_j：

(e)计算特征的敏感度评估参数Sen：

其中，Sen为敏感度指标；

(f)波动性指标Vol定义为：

其中，F_ij为数据的信号特征；N为设备状态个数；n为每种状态下的样本数； C_i,i＝1,..m为同类状态样本的平均值，综合考虑特征的敏感性指标和波动性指标，提出基于敏感性与波动性的综合特征评价指标Com如下：

获得能够表征管道运行状态的特征指标：m₁，m₂，......m_k，其中k小于等于10，作为证据体。

具体的，获取证据体的基本概率值具体为，定义Y_i＝{y₁,y₂...y_l}为时间长度为l的待识别的某一样本证据体，m_i＝{m_i1,m_i2...m_il}为时间长度为l的状态为A_i参考样本的对应证据体；利用欧式距离衡量待识别样本证据体与对应参考样本证据体的相似程度；利用相关性衡量待识别样本证据体与对应参考样本证据体的相似程度；构建综合指标，衡量待识别样本证据体与对应参考样本证据体的相似程度，若待识别的样本证据体与参考样本证据体长度不一样，Y_i＝{y₁,y₂...y_l}为时间长度l的待识别的样本证据体，m_i＝{m_i1,m_i2...m_il}为时间长度为n的参考样本证据体，假设n>l，以待识别的样本证据体时间长度l为窗口大小，以固定长度1为移动步长，形成 n-l个数据窗口，求取对应的综合指标的平均值为：

其中，

为第j个数据窗口带识别样本第i个证据体与参考样本对于证据体的综合相似程度，

表示带识别样本第i个证据体与参考样本对于证据体的综合相似程度的平均值，按上述步骤，分别求取带识别样本与识别框架A₁...A_m的综合指标值，经过归一化处理，Y_i对A_i的支持程度(BPA)为：

。

进一步的，利用欧式距离衡量待识别样本证据体与对应参考样本证据体的相似程度

其中，y_j为待测样本的某一的证据体的数值，m_ij为时间长度为l的状态为A_i参考样本对应的证据体的值；

利用相关性衡量待识别样本证据体与对应参考样本证据体的相似程度：

其中，Y_i为时间长度为l的待识别的某一样本证据体，m_i为时间长度为l的状态为A_i参考样本的对应的证据体，D(Y_i)为待识别的某一样本证据体的方差，D(m_i) 为参考样本的对应的证据体的方差，cov(Y_i,m_i)为待识别的某一样本证据体与参考样本的对应的证据体的协方差；

衡量待识别样本证据体与对应参考样本证据体的相似程度为：

。

具体的，D-S证据理论合成规则为：

其中，M(A_i)表示所有的证据体对状态A_i支持程度，其中m₁(A_i)m₂(A_i)...m_n(A_i)表示获取的各个证据体的基本概率分配函数，k为冲突系数，

其反映了证据间冲突的程度，通过以上规则可以得到融合向量R＝[M(A₁),M(A₂)...M(A_s)]，S为构建的管道状态识别框架的中状态模式个数，且满足以下算式：

若M(A_i)值最大，则管道待识别状态为第i种状态模式，即实现了基于监测数据多属性特征融合的管道状态识别。

与现有技术相比，本发明至少具有以下有益效果：

本发明一种基于监测数据多属性特征融合的管道状态识别方法，通过不断采集管道运行时不同运行状态的监测数据，不断丰富识别框架，为后续的运行状态的识别提供详尽的数据依据。提取管道运行数据的时域特征，提出了基于敏感性与波动性的综合特征评价指标，选择了反映管道运行状态的优质特征，实现了管道运行状态的有效表征。提出了综合考虑欧式距离与相关性两种属性的方法，获取待识别样本各个证据的基本概率赋值，较单一属性，更能全面的反映待识别样本与已知状态得到相似程度，进而获得准确的基本概率赋值，为管道状态识别的准确性提供支撑。

进一步的，构建管道状态识别框架为管道当前状态的识别提供具有参考意义的充足的模板与知识库。

进一步的，获取状态识别框架的证据体为管道运行状态的识别提供证据支撑。

进一步的，通过构建综合的特征评价指标选择更能表征管道运行状态的优质特征，实现了管道运行状态的有效表征。

进一步的，获得管道待识别样本的各个证据体对管道运行识别框架某种状态的支持程度。

进一步的，管道待识别样本的各个证据体对管道运行识别框架某种状态的支持程度进行融合，实现当前管道运行状态的识别。

综上所述，本发明提出了具有指导意义管道运行状态识别技术，对于提高技术人员对管道运行状态决策与判断的准确性有重要意义。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为本发明实施的流程图；

图2为本发明特征敏感性性评价指标图；

图3为本发明特征波动性评价指标图；

图4为本发明特征综合评价指标图。

具体实施方式

本发明提供了一种基于监测数据多属性特征融合的管道状态识别方法，

基于管道状态监测数据构建状态识别框架，使得框架内包括正常、堵塞和泄漏状态模式，基于状态识别框架包含的状态模式，提取管道运行状态的数据特征；在此基础上，为优化选择表征状态模式的数据特征，提出综合敏感性与波动性的评价指标对上述数据特征进行选择，获得的特征作为状态识别框架的证据体，按照对管道待识别状态数据进行处理，获得管道待识别状态数据的对应的证据体，获取证据体的基本概率值。即构建了一种综合考虑欧式距离与相关性两种属性的基本概率分配函数及基本概率值的计算方法，进行当前管道状态模式识别。即利用D-S证据理论合成规则，对当前状态的所有证据信息进行融合分析，确定当前状态属于识别框架中的某种状态(如正常、泄漏、堵塞等)，从而实现对管道运行状态的识别与判断。本发明提出了一种基于监测数据多属性特征融合的管道状态识别技术，可依据检测数据对管道多种状态模式进行识别。

请参阅图1，本发明一种基于监测数据多属性特征融合的管道状态识别方法，包括以下步骤：

S1、构建管道状态识别框架；

收集分析管道运行时不同状态的监测数据如正常、堵塞和泄漏等状态模式，构造识别框架；

S101、设管道运行状态有N种状态A_i(如正常、堵塞状态1，堵塞状态2……，泄漏状态1，泄漏状态2……等)。可建立识别框架如下：

Θ＝{A₁,A₂,...A_N} (1)

S102、获取识别框架中N种状态模式下的数据样本A，并以r个数据点为一个处理窗口，以Tc个数据点为步长进行滑动窗口处理，设获得n个窗口数据，则识别框架Θ可描述为：

A_i,j＝[d_i,j,1 d_i,j,2 … d_i,j,r] (3)

式中，A_i为第i个状态模式样本数据；A_i,j为A_i的第j个窗口向量数据集；d_i,j,k为A_i,j的第k个数据点(k＝1,2,…r)。

S2、获取状态识别框架的证据体；

基于状态识别框架包含的状态模式，提取管道运行状态的数据特征；在此基础上，构建综合敏感性与波动性的评价指标，对数据特征进行优化选择，获得的特征即可作为状态识别框架的证据体，特征敏感性、波动性、综合评价指标如图 2、图3、图4所示，选择裕度指标，波形指标和偏斜度指标，作为基于识别框架的证据体；

S201、对状态模式数据A_i进行特征提取，令T_i(i＝1,2,...10)分布代表方根幅值、绝对平均值、均方根值、方差、偏斜度指标、峭度指标、波形指标、峰值指标、脉冲指标、裕度指标等10个数据特征指标，令z(k)＝z_i,j(k)＝d_i,j,kk，k＝1,2,...r，则T_i计算公式如下：

联合(4)-(13)式，可A_i数据特征可表示为：

其中，J是特征种类个数，即J＝10；n是算式(2)中窗口数据个数。

S202、构建基于敏感性与波动性的综合特征评价指标，对T₁～T₁₀进行评价，评价的原则为：特征T₁～T₁₀不仅对每个模式类别A_i(i＝1,2,...N)变化比较敏感，而且要具有较小的波动性。即综合考虑敏感性和波动性两个方面对特征T_i优化选择，作为状态识别框架的证据体。

首先，计算T_i的敏感性指标，敏感性是指同一类的类内特征距离最小，不同类的类间特征距离最大，因此，敏感性计算步骤如下：

(a)设共有N类状态模式，计算第c类第j个特征的类内距离d_c,j(j)：

其中，i＝1,2...M_c,j＝1,2...J,c＝1,2...C，M_c为第c类的样本个数；J为特征个数； C为类别个数；q_i,c,j为第c类第i个样本第j个特征的特征值，

为第c类第j个特征的特征值平均值。

为了能够反映数据的变异程度，选用四分位数间距，计算第j个特征C个类的类内距离的四分位平均值，该值更能体现数据的分布。

(b)计算第j个特征C个类的类内距离的四分位均值，将d_c,j(j)按照从小到大的顺序排列，并记录其下标为n∈[1,N]

计算类内距离的差异性参数：

(c)同理计算第c类第j个特征的四分位平均值：

然后，计算第j个特征C个类的类间距离的平均值：

式中：u_e,j、u_c,j为第e和第c个类第j个特征的四分位均值。

同理计算类间距离的差异性参数：

根据正则化法则，计算出基于距离评估比例系数：

(d)计算类间距离与类内距离的比值：

(e)计算特征的敏感度评估参数：

式中：Sen为敏感度指标，敏感度参数Sen越大表示其越敏感。

(f)波动性指标定义为：

式中：Vol为波动性指标；F_ij为数据的信号特征；N为设备状态个数；n为每种状态下的样本数；C_i,i＝1,..m为同类状态样本的平均值，波动性参数越小说明特征分布越集中，用于状态监测时的稳定性越好。

综合考虑特征的敏感性指标和波动性指标，提出基于敏感性与波动性的综合特征评价指标，公式定义如下所示：

式中：Com为综合性指标，特征的Com值越大说明此特征效果越好。

通过以上步骤，可获得能够表征管道运行状态的特征指标：m₁，m₂，......m_k，其中k小于等于10,作为证据体。

S3、按照步骤S1对管道待识别状态数据进行处理，获得步骤S2中管道待识别状态数据的对应的证据体Y₁，Y₂...Y_k，即获得待识别管道运行状态数据的裕度指标，波形指标和偏斜度指标；

S4、获取证据体的基本概率值；

利用待识别当前状态模式与识别框架中的状态进行对比，通过构建一种综合考虑欧式距离与相关性两种属性的基本概率分配函数，实现各个证据的基本概率值计算；

根据已知的证据信息，为获得证据的基本概率值，提出综合考虑欧式距离与相关性两种属性的方法，获取待识别样本各个证据的基本概率赋值，包括以下内容：

定义Y_i＝{y₁,y₂...y_l}为时间长度为l的待识别的某一样本证据体， m_i＝{m_i1,m_i2...m_il}为时间长度为l的状态为A_i参考样本的对应证据体。

利用欧式距离衡量待识别样本证据体与对应参考样本证据体的相似程度：

距离

越小表示待识别样本属于参考样本可能性越大。

利用相关性衡量待识别样本证据体与对应参考样本证据体的相似程度：

其中，

越大表示待识别样本属于参考样本可能性越大。

综合考虑欧式距离与相关性两种属性，提出了综合考虑欧式距离与相关性两种属性的方法，构建综合指标，衡量待识别样本证据体与对应参考样本证据体的相似程度，定义为：

其中，

越小表示待识别样本属于参考样本可能性越大。

若待识别的样本证据体与参考样本证据体长度不一样，Y_i＝{y₁,y₂...y_l}为时间长度为l的待识别的样本证据体，m_i＝{m_i1,m_i2...m_il}为时间长度为n的参考样本证据体，假设n>1。以待识别的样本证据体时间长度(l)为窗口大小，以固定长度1 为移动步长，形成n-l个数据窗口，分别按公式(20)求取对应的综合指标，求取其平均值，定义为：

通过以上方法分别求取带识别样本与参考样本A₁...A_m的相似性，经过归一化处理，Y_i对A_i的支持程度(BPA)为：

S5、进行当前管道状态模式识别。

即利用D-S证据理论合成规则，对当前状态的所有证据信息进行融合分析，确定当前状态属于识别框架中的某种状态(如正常、泄漏、堵塞等)，从而实现对管道运行状态的识别与判断。

D-S证据理论合成规则为：

其中，M(A_i)表示所有的证据体对状态A_i支持程度，其中m₁(A_i)m₂(A_i)...m_n(A_i)表示获取的各个证据体的基本概率分配函数，k为冲突系数，

其反映了证据间冲突的程度。

通过以上规则可以得到融合向量R＝[M(A₁),M(A₂)...M(A_s)]，其中：S为步骤S1 中构建的管道状态识别框架的中状态模式个数，且满足以下算式：

若M(A_i)值最大，则管道待识别状态为第i种状态模式，即实现了基于监测数据多属性特征融合的管道状态识别。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明一种基于监测数据多属性特征融合的管道状态识别方法，以某企业管道运行的数据进行验证，管道最易发生的故障为管道堵塞或泄漏。为有效识别此现象，本发明分别采集在管道堵塞、正常、泄漏状态下各3个运行状态下(540 个数据点)的试验数据进行后续分析。

1)识别框架构建

获取管道3种运行状态数据后，在对特征进行提取与分析之前，采用滑动窗口方法进行数据预处理，以360个数据点为一个处理窗口，后续以4个数据点为步长使窗口向后移动，最后形成共45个窗口数据作为处理数据，得到本发明所需要识别的三类运行状态作为识别框架。

2)提取管道运行数据的时域特征，针对提取的时域特征，提出了基于敏感性与波动性的综合特征评价指标，选择了表征管道运行状态的优质特征。

通过对管道运行状态瞬时流量信息进行时频域特征特征提取，并从中选择10 个特征作为代表分析特征的状态监测性能，所选择特征及其对应编号如表1所示。

表1特征编号和相应特征名称

选择最优质、最敏感的特征构成特征集。按照公式(4)-(13)计算的各个特征性能指标。图2表示特征敏感性，图3表示特征波动性，图4表示将敏感性和波动性综合考虑后的性能指标。从图中可以看出：没有哪一个特征能够同时具有良好的敏感性和较小的波动性，每个特征都有自己的优势及不足。因此需要综合考虑特征两方面的参数值，获得特征的综合性能指标，如图4中所示，综合考虑后，4号，6号，9号为优质特征指标。

将上文选择的特征作为识别证据，则每个模式下每个数据段的裕度指标，波形指标和偏斜度指标的特征序列。

3)按照步骤1)对管道待识别状态数据进行处理，获得步骤2)中管道待识别状态数据的对应的特征即获得管道待识别状态数据的裕度指标，波形指标和偏斜度指标的特征序列。

4)根据已知的证据信息，提出了综合考虑欧式距离与相关性两种属性的方法，获取待识别样本各个证据的基本概率赋值。

已知一个具有三个识别目标的辨识框架Θ＝{A₁,A₂,A₃}，表示如运行正常，管道堵塞，管道泄漏；现有三个证据，m₁表示裕度指标，m₂表示波形指标，m₃表示偏斜度指标，可以被用来获取确定的评估结果；根据本发明所提出综合考虑欧式距离与相关性的获取BPA方法，计算所得三组待测数据的BPA值如表2所示。

表2测试数据的BPA值

5)基于D-S证据融合理论的评估方法

获取BPA后，按照D-S证据融合规则，就得到所有证据对识别目标的合成结果，如表3所示。因此从表中所得，测试数据1的运行状态属于A₁类，其代表运行正常；测试数据2运行状态属于A₂类，其代表运行时管道有堵塞；测试数据3运行状态属于A₃，其代表运行中管道泄漏。通过实例验证，该算法识别结果符合待测数据对应的运行状态。

表3融合结果

在上述辨识框架和证据条件下，三组测试数据代表试验管道的三种不同的运行状态，结果的确定性程度分别为0.9443、0.9545和0.7514。对比已知条件，第一组数据是试验管道正常运行时截取的，第二组试验数据是在试验管道运行时管道堵塞的条件下截取的，第三组试验数据是在试验管道运行时管道泄漏条件下截取的，经过D-S证据理论融合后，这三种运行状态的确定性程度都很高，识别结果符合已知的运行状态，因此说明该融合结果是有效的。

为进一步说明本发明提出的BPA获取方法的优势和有效性，以单一基于欧式距离和相关性的方法获取BPA为对比对象，对三组测试数据进行决策评估。

表4基于距离得到融合结果

表5基于相关性得到融合结果

根据融合结果，可以看出仅考虑欧式距离或相关性的BPA获取方法得到的识别准确度不高，甚至出现错误，如仅考虑欧式距离对测试数据3的识别出现了错误，仅考虑相关性的BPA获取方法得到的识别区分度不高，而且对测试数据2 出现了识别错误，本发明提出的综合考虑距离与相关性的方法得到识别结果准确度更高，更可信。因此，对比说明本发明提出的BPA获取方法较基于仅考虑单一距离或相关性方法获得的结果准确度性更好，结果更可信，更能有效的识别管道运行状态。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (7)

1.一种基于监测数据多属性特征融合的管道状态识别方法，其特征在于，基于管道状态监测数据构建状态识别框架，使得框架内包括正常、堵塞和泄漏状态模式，基于状态识别框架包含的状态模式，提取管道运行状态的数据特征；采用综合考虑敏感性与波动性的评价指标对上述数据特征进行选择，将获得的特征作为状态识别框架的证据体，按照对管道待识别状态数据进行处理，获得管道待识别状态数据的对应证据体，获取证据体的基本概率值，利用D-S证据理论合成规则，对当前状态的所有证据信息进行融合分析，确定当前状态属于识别框架中的类型，实现对管道运行状态的识别与判断；获取状态识别框架的证据体的步骤如下：

S201、对状态模式数据A_i进行特征提取，令T_i代表方根幅值、绝对平均值、均方根值、方差、偏斜度指标、峭度指标、波形指标、峰值指标、脉冲指标和裕度指标，A_i数据特征可表示为：

其中，J是特征种类个数；n是窗口数据个数；

S202、构建基于敏感性与波动性的综合特征评价指标，对T₁～T₁₀进行评价，包括以下步骤：

(a)设共有N类状态模式，计算第c类第j个特征的类内距离d_c,j(j)：

其中，i＝1,2...M_c,j＝1,2...J,c＝1,2...C，M_c为第c类的样本个数；J为特征个数；C为类别个数；q_i,c,j为第c类第i个样本第j个特征的特征值，

为第c类第j个特征的特征值平均值；

(b)计算第j个特征C个类的类内距离的四分位均值，将d_c,j(j)按照从小到大的顺序排列，并记录其下标为n∈[1,N]，

其中，

为第j个特征C个类的类内距离的四分位均值；

计算类内距离的差异性参数

(c)计算第c类第j个特征的四分位平均值：

计算第j个特征C个类的类间距离的平均值

c,e＝1,2...C,c＞e

其中，u_e,j、u_c,j为第e和第c个类第j个特征的四分位均值；

计算类间距离的差异性参数

根据正则化法则，计算出基于距离评估比例系数λ_j：

(d)计算类间距离与类内距离的比值a_j：

(e)计算特征的敏感度评估参数Sen：

其中，Sen为敏感度指标；

(f)波动性指标Vol定义为：

其中，F_ij为数据的信号特征；N为设备状态个数；n为每种状态下的样本数；C_i,i＝1,..m为同类状态样本的平均值，综合考虑特征的敏感性指标和波动性指标，提出基于敏感性与波动性的综合特征评价指标Com如下：

获得能够表征管道运行状态的特征指标：m₁，m₂，……m_k，其中k小于等于10，作为证据体。

2.根据权利要求1所述的基于监测数据多属性特征融合的管道状态识别方法，其特征在于，构建状态识别框架的步骤如下：

S101、设管道运行状态有N种状态Θ＝{A₁,A₂,...A_N}；

S102、获取识别框架中N种状态模式下的数据样本A，并以r个数据点为一个处理窗口，以Tc个数据点为步长进行滑动窗口处理，设获得n个窗口数据，得到识别框架Θ。

3.根据权利要求2所述的基于监测数据多属性特征融合的管道状态识别方法，其特征在于，识别框架Θ为：

A_i,j＝[d_i,j,1 d_i,j,2…d_i,j,r]

其中，A_i为第i个状态模式样本数据；A_i,j为A_i的第j个窗口向量数据集；d_i,j,k为A_i,j的第k个数据点，k＝1,2,...r。

4.根据权利要求1所述的基于监测数据多属性特征融合的管道状态识别方法，其特征在于，令z(k)＝z_i,j(k)＝d_i,j,kk，T_i计算如下：

其中，k＝1,2,...r。

5.根据权利要求1所述的基于监测数据多属性特征融合的管道状态识别方法，其特征在于，获取证据体的基本概率值具体为，定义Y_i＝{y₁,y₂...y_l}为时间长度为l的待识别的某一样本证据体，m_i＝{m_i1,m_i2...m_il}为时间长度为l的状态为A_i参考样本的对应证据体；利用欧式距离衡量待识别样本证据体与对应参考样本证据体的相似程度；利用相关性衡量待识别样本证据体与对应参考样本证据体的相似程度；构建综合指标，衡量待识别样本证据体与对应参考样本证据体的相似程度，若待识别的样本证据体与参考样本证据体长度不一样，Y_i＝{y₁,y₂...y_l}为时间长度l的待识别的样本证据体，m_i＝{m_i1,m_i2...m_in}为时间长度为n的参考样本证据体，假设n>l，以待识别的样本证据体时间长度l为窗口大小，以固定长度1为移动步长，形成n-l个数据窗口，求取对应的综合指标的平均值为：

其中，

为第j个数据窗口带识别样本第i个证据体与参考样本对于证据体的综合相似程度，

表示带识别样本第i个证据体与参考样本对于证据体的综合相似程度的平均值，按上述步骤，分别求取带识别样本与识别框架A₁...A_m的综合指标值，经过归一化处理，Y_i对A_i的支持程度(BPA)为：

。

6.根据权利要求5所述的基于监测数据多属性特征融合的管道状态识别方法，其特征在于，利用欧式距离衡量待识别样本证据体与对应参考样本证据体的相似程度

其中，y_j为待测样本的某一的证据体的数值，m_ij为时间长度为l的状态为A_i参考样本对应的证据体的值；

利用相关性衡量待识别样本证据体与对应参考样本证据体的相似程度：

其中，Y_i为时间长度为l的待识别的某一样本证据体，m_i为时间长度为l的状态为A_i参考样本的对应的证据体，D(Y_i)为待识别的某一样本证据体的方差，D(m_i)为参考样本的对应的证据体的方差，cov(Y_i,m_i)为待识别的某一样本证据体与参考样本的对应的证据体的协方差；

衡量待识别样本证据体与对应参考样本证据体的相似程度为：

。

7.根据权利要求1所述的基于监测数据多属性特征融合的管道状态识别方法，其特征在于，D-S证据理论合成规则为：

其中，M(A_i)表示所有的证据体对状态A_i支持程度，其中m₁(A_i)m₂(A_i)...m_n(A_i)表示获取的各个证据体的基本概率分配函数，k为冲突系数，

其反映了证据间冲突的程度，通过以上规则可以得到融合向量R＝[M(A₁),M(A₂)...M(A_s)]，S为构建的管道状态识别框架的中状态模式个数，且满足以下算式：

若M(A_i)值最大，则管道待识别状态为第i种状态模式，即实现了基于监测数据多属性特征融合的管道状态识别。

Images