CN110514366B - 一种小样本条件下管道微弱泄漏检测方法 - Google Patents

一种小样本条件下管道微弱泄漏检测方法 Download PDF

Info

Publication number
CN110514366B
CN110514366B CN201910778384.2A CN201910778384A CN110514366B CN 110514366 B CN110514366 B CN 110514366B CN 201910778384 A CN201910778384 A CN 201910778384A CN 110514366 B CN110514366 B CN 110514366B
Authority
CN
China
Prior art keywords
sample
virtual
leakage
normal
samples
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.)
Active
Application number
CN201910778384.2A
Other languages
English (en)
Other versions
CN110514366A (zh
Inventor
刘金海
臧东
付明芮
马艳娟
马大中
冯健
朱和贵
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.)
Northeastern University China
Original Assignee
Northeastern University China
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 Northeastern University China filed Critical Northeastern University China
Priority to CN201910778384.2A priority Critical patent/CN110514366B/zh
Publication of CN110514366A publication Critical patent/CN110514366A/zh
Application granted granted Critical
Publication of CN110514366B publication Critical patent/CN110514366B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
    • G01M3/26—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors
    • G01M3/28—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds
    • G01M3/2807—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds for pipes
    • G01M3/2815—Investigating fluid-tightness of structures by using fluid or vacuum by measuring rate of loss or gain of fluid, e.g. by pressure-responsive devices, by flow detectors for pipes, cables or tubes; for pipe joints or seals; for valves ; for welds for pipes using pressure measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features

Abstract

本发明提供一种小样本条件下管道微弱泄漏检测方法，涉及管道泄漏检测技术领域。本发明步骤如下：步骤1：获取真实样本集，并根据真实样本集生成虚拟样本集；步骤2：对真实样本集和虚拟样本集进行组合特征提取，所述组合特征提取包括7种统计特征和1组符号化变换特征；步骤3：根据7种统计特征和1组符号化变换特征采用朴素贝叶斯方法和最小二乘支持向量机方法分别建立朴素贝叶斯网络管道小泄漏辨识模型和最小二乘支持向量机管道小泄漏辨识模型，并利用模型对管道进行小泄漏检测。本方法从增加微弱泄漏样本数量和深度挖掘微弱泄漏样本特征两方面来构造微弱泄漏辨识模型，大大提高了管道微弱泄漏的检测准确率，保障输油管道的安全运行。

Description

一种小样本条件下管道微弱泄漏检测方法
技术领域
本发明涉及管道泄漏检测技术领域，尤其涉及一种少量样本条件下管道微弱泄漏检测方法。
背景技术
管道运输是油气资源的主要运输方式，其安全稳定运行具有重大意义，对油气传输过程中的管道小泄漏的精确检测是保障管道安全稳定运行的一种切实有效的手段。近年来，机器学习方法在数据驱动建模方面得到广泛应用，但是也存在一些弊端；
在管道微弱泄漏检测时，存在着如下两个问题：
(1)实际生产过程中，微弱泄漏的样本较少，无法满足机器学习对于高精度建模的需求，而微弱泄漏往往也会导致较为严重的后果，是必须要准确检测并及时处理的。
(2)微弱泄漏信号的特征往往比较隐晦，传统的特征提取方法对于特征的挖掘不够充分，无法满足高精度微弱泄漏辨识模型的需求。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种小样本条件下管道微弱泄漏检测方法，本方法从增加微弱泄漏样本数量和深度挖掘微弱泄漏样本特征两方面来构造微弱泄漏辨识模型，大大提高了管道微弱泄漏的检测准确率，保障输油管道的安全运行。
为解决上述技术问题，本发明所采取的技术方案是：
本发明提供一种小样本条件下管道微弱泄漏检测方法，包括如下步骤：
步骤1：获取真实样本集，并根据真实样本集生成虚拟样本集，所述真实样本集包括真实正常样本集XN和真实微弱泄漏样本集XS，所述虚拟样本集包括初代虚拟正常样本集GN和初代虚拟微弱泄漏样本集GS；
步骤2：对真实样本集和虚拟样本集进行组合特征提取，所述组合特征提取包括7种统计特征和1组符号化变换特征；
步骤3：根据步骤2中得到的7种统计特征和1组符号化变换特征采用朴素贝叶斯方法和最小二乘支持向量机方法分别建立朴素贝叶斯网络管道小泄漏辨识模型和最小二乘支持向量机管道小泄漏辨识模型，根据辨识模型对管道进行泄漏检测。
所述步骤1具体步骤如下：
步骤1.1：获取真实正常样本集XN，并根据该样本集中的真实正常样本生成粗糙的虚拟正常样本,生成粗糙的虚拟正常样本集
Figure GDA0002910602310000021
通过对真实正常样本集内的样本进行统计分析、数据的拟合、相似性的评价的分析，发现已知真实正常样本的数据规律,生成粗糙的虚拟正常样本
Figure GDA0002910602310000022
Figure GDA0002910602310000023
其中t表示时间，即样本的检测长度，t＝{1,2,…,L}；k1表示真实正常样本的斜率；ε为传输过程中各种噪声引起的数据波动；YO1为设定的压力初值，该值根据输油管道正常的压力范围设定；
步骤1.2：根据正常样本的约束对步骤1.1中生成的粗糙虚拟正常样本集内的数据进行调整，将不符合约束条件的样本剔除，生成初代虚拟正常样本集
Figure GDA0002910602310000024
其中根据正常样本约束，初代虚拟正常样本
Figure GDA0002910602310000025
满足：
Figure GDA0002910602310000026
其中，
Figure GDA0002910602310000027
表示初代虚拟正常样本集GN内样本的最小取值和最大取值，
Figure GDA0002910602310000028
代表初代虚拟正常样本集GN中选取的任意样本的检测长度；tmin、tmax表示初代虚拟正常样本
Figure GDA0002910602310000029
的最小检测长度和最大检测长度；
Figure GDA00029106023100000210
表示任意真实正常样本集XN中元素的最小波动，
Figure GDA00029106023100000211
表示任意真实正常样本的均值,
Figure GDA00029106023100000212
代表常数，
Figure GDA00029106023100000213
表示任意真实正常样本集XN中元素的最大波动，
Figure GDA00029106023100000214
代表常数，
Figure GDA00029106023100000215
σ1表示泄漏报警阈值，ΔYmin表示强干扰信号的最小值；
Figure GDA00029106023100000216
表示正常样本波动的最大值；
步骤1.3：根据真实微弱泄漏样本约束对初代虚拟正常样本集
Figure GDA00029106023100000217
内的数据进行调整，将不符合真实微弱泄漏样本约束条件的样本剔除，生成初代虚拟微弱泄漏样本集
Figure GDA00029106023100000218
根据真实微弱泄漏样本约束，初代虚拟微弱泄漏样本
Figure GDA00029106023100000219
满足：
Figure GDA0002910602310000031
其中，
Figure GDA0002910602310000032
表示初代虚拟微弱泄漏样本集GS内样本的最小取值和最大取值；
Figure GDA0002910602310000033
表示初代虚拟微弱泄漏样本集GS内样本的最小检测长度和最大检测长度；
Figure GDA0002910602310000034
表示初代虚拟微弱泄漏样本
Figure GDA0002910602310000035
中元素的最小取值，
Figure GDA0002910602310000036
表示任意小泄漏样本的均值，
Figure GDA0002910602310000037
代表常数，
Figure GDA0002910602310000038
表示初代虚拟微弱泄漏样本
Figure GDA0002910602310000039
中元素的最大取值，
Figure GDA00029106023100000310
代表常数，
Figure GDA00029106023100000311
σ2表示正常样本数据波动的最大值；ΔGS表示虚拟微弱泄漏的数据波动；ΔZ表示工况调整引起数据波动的最小值；
步骤1.4：根据皮尔森相关系数ρ和真实正常样本集XN对初代虚拟正常样本集GN中的每一个虚拟正常样本进行筛选，若筛选合格，则保留虚拟正常样本，若不合格，则剔除；根据皮尔森相关系数ρ和真实微弱泄漏样本集XS对初代虚拟微弱泄漏样本集GS中的每一个虚拟微弱泄漏样本进行筛选，若筛选合格，则保留虚拟正常样本，若不合格，则剔除；得到虚拟正常样本集
Figure GDA00029106023100000312
和虚拟微弱泄漏样本集
Figure GDA00029106023100000313
所述步骤1.4中筛选方法为根据皮尔森相关系数公式计算初代虚拟正常样本
Figure GDA00029106023100000314
与真实正常样本集XN内的每一个真实正常样本的皮尔森相关系数ρ，若ρ∈[0.6,0.8]，则认为
Figure GDA00029106023100000315
合格，将初代虚拟正常样本集GN内的每一个虚拟正常样本按照筛选方法逐一计算；根据皮尔森相关系数公式计算初代虚拟微弱泄漏样本
Figure GDA00029106023100000316
与真实微弱泄漏样本集XS内的每一个真实正常样本的皮尔森相关系数ρ，若ρ∈[0.6,0.8]，则认为
Figure GDA00029106023100000317
合格，将初代虚拟微弱泄漏样本集GS内的每一个虚拟微弱泄漏样本按照筛选方法逐一计算；
所述皮尔森相关系数公式如下：
Figure GDA00029106023100000318
其中，xU表示任意的真实样本，其中U＝(N,S)；E(·)为期望计算；
Figure GDA00029106023100000319
表示样本xU的均值；gU表示任意的生成样本，
Figure GDA0002910602310000041
表示样本gU的均值；
Figure GDA0002910602310000042
表示样本xU内的第a个元素；
Figure GDA0002910602310000043
表示样本gU内的第l个元素。
所述步骤2具体步骤如下：
步骤2.1：分别对真实正常样本集XN、真实微弱泄漏样本集XS、虚拟正常样本集GN′、虚拟微弱泄漏样本集GS′提取7种统计特征，得到真实正常样本的统计特征集合H＝{V1、V2、…、Vξ}，真实微弱泄漏样本的统计特征集合H′＝{V1′、V2′、…、V′ζ}；虚拟正常样本的统计特征集合J＝{D1、D2、…、Dn}；虚拟微弱泄漏样本的统计特征集合J′＝{D′1、D′2、…、D′q}；其中，Vξ代表第ξ个真实正常样本的统计特征集合，V′ξ代表第ζ个真实微弱泄漏样本的统计特征集合，Dn代表第n个虚拟正常样本的统计特征集合，D′q代表第q个虚拟微弱泄漏样本的统计特征集合；所述统计特征包括提取l周期内的最大压力上升信息fMPR、提取l周期内的最大压力下降信息fMPD、提取样本的峰谷值信息fPV、提取样本的变异系数fCV、提取信号幅值的方根信息fSRA、提取均方根信息fRMS、提取拟合系数的最大、最小值的集合fFC；
表达式如下；
提取l1时间间隔内内样本
Figure GDA0002910602310000044
的最大压力上升信息
Figure GDA0002910602310000045
Figure GDA0002910602310000046
其中，
Figure GDA0002910602310000047
代表样本集R内的第r个样本；其中R＝{XN、XS、GN′、GS′}，r＝{1、2、…、θR}，所述θR代表样本集R内的样本总数；
Figure GDA0002910602310000048
表示样本
Figure GDA0002910602310000049
的均值，bu表示样本
Figure GDA00029106023100000410
的第u个元素，
Figure GDA00029106023100000411
代表样本
Figure GDA00029106023100000412
内的元素总数；
提取l1时间间隔内内样本
Figure GDA00029106023100000413
的最大压力下降信息
Figure GDA00029106023100000414
Figure GDA00029106023100000415
提取样本
Figure GDA00029106023100000416
的峰谷值信息
Figure GDA00029106023100000417
Figure GDA00029106023100000418
提取样本
Figure GDA0002910602310000051
的变异系数
Figure GDA0002910602310000052
Figure GDA0002910602310000053
其中
Figure GDA0002910602310000054
表示样本
Figure GDA0002910602310000055
的方差；
提取样本
Figure GDA0002910602310000056
信号幅值的方根信息
Figure GDA0002910602310000057
Figure GDA0002910602310000058
提取样本
Figure GDA0002910602310000059
均方根信息
Figure GDA00029106023100000510
Figure GDA00029106023100000511
提取样本
Figure GDA00029106023100000512
的l2周期的线性拟合系数最大值和最小值的集合
Figure GDA00029106023100000513
Figure GDA00029106023100000514
其中
Figure GDA00029106023100000515
表示样本
Figure GDA00029106023100000516
中l2个连续元素的线性拟合系数，l2∈L；
步骤2.2：分别对真实正常样本集XN、真实微弱泄漏样本集XS、虚拟正常样本集GN′、虚拟微弱泄漏样本集GS′内的每个样本提取符号化变换特征fST，得到真实正常样本的符号化变换特征集合F＝{λ1、λ2、…、λξ}，真实微弱泄漏样本的符号化变换特征集合F′＝{λ′1、λ′2、…、λ′ζ}，虚拟正常样本的符号化变换特征集合T＝{β1、β2、…、βn}，虚拟微弱泄漏样本的符号化变换特征集合T′＝{β′1、β′2、…、β′q}；
提取方法为对样本
Figure GDA00029106023100000517
计算其转移概率矩阵
Figure GDA00029106023100000518
通过最大熵分割方法对样本变换得到
Figure GDA00029106023100000519
根据
Figure GDA00029106023100000520
得到
Figure GDA00029106023100000521
的一维向量
Figure GDA00029106023100000522
重复上述提取方法提取所有样本的符号化变换特征；计算转移概率矩阵
Figure GDA00029106023100000523
Figure GDA00029106023100000524
其中pηy表示样本中元素从状态η变化到状态y的概率；
进行
Figure GDA0002910602310000061
和
Figure GDA0002910602310000062
变形，其中pη+表示样本中元素从状态η往上变化的概率，pη-表示样本中元素从状态η往下变化的概率；变形后记为
Figure GDA0002910602310000063
Figure GDA0002910602310000064
将
Figure GDA0002910602310000065
变换成一维向量
Figure GDA0002910602310000066
Figure GDA0002910602310000067
对样本集{XN、XS、GN′、GS′}中每一个样本执行步骤2-2的特征提取操作，直至完成所有样本的特征提取；
步骤2.3：将真实正常样本的统计特征集合与真实正常样本的符号化变换特征集合内的特征进行融合，得到真实正常样本的融合特征集合
Figure GDA0002910602310000068
将真实微弱泄漏样本的统计特征集合与真实微弱泄漏样本的符号化变换特征集合内的特征进行融合，得到真实微弱泄漏样本的融合特征集合
Figure GDA0002910602310000069
将虚拟正常样本的统计特征集合与虚拟正常样本的符号化变换特征集合内的特征进行融合，得到虚拟正常样本的融合特征集合
Figure GDA00029106023100000610
将虚拟微弱泄漏样本的统计特征集合与虚拟微弱泄漏样本的符号化变换特征集合
Figure GDA00029106023100000611
第n个虚拟正常样本的特征融合为：
Figure GDA00029106023100000612
步骤2.4：获取未知运行状态的真实样本集合
Figure GDA00029106023100000613
重复步骤2.1至步骤2.3，得到未知运行状态的真实样本的融合特征集合
Figure GDA00029106023100000614
所述步骤3具体步骤如下：
步骤3.1：根据步骤2得到的FXN、FXS、FGN、FGS、
Figure GDA00029106023100000615
以及带有样本标签的L′(XN,XS,GN′,GS′)作为朴素贝叶斯网络管道小泄漏辨识模型的输入和输出，朴素贝叶斯网络管道小泄漏辨识模型如下：
Figure GDA0002910602310000071
其中
Figure GDA0002910602310000072
代表最大准确率的模型；
Figure GDA0002910602310000073
代表输出带有标签的真实样本集合X*；输出“0”代表带有小泄漏样本标签的样本，输出“1”代表带有正常样本标签的样本；
步骤3.2：根据步骤2得到的FXN、FXS、FGN、FGS、
Figure GDA0002910602310000074
以及带有样本标签的L′(XN,XS,GN′,GS′)作为最小二乘支持向量机管道小泄漏辨识模型的输入和输出，最小二乘支持向量机管道小泄漏辨识模型如下：
Figure GDA0002910602310000075
采用上述技术方案所产生的有益效果在于：本发明提供的一种小样本条件下管道微弱泄漏检测方法，可有效解决管道传输过程中面临的微弱泄漏难以检测的问题；本方法中的组合特征提取方法能够全方位的提取小泄漏信息，使得特征向量对于小泄漏的表征更加充分；本方法从增加微弱泄漏样本数量和深度挖掘微弱泄漏样本特征两方面来构造微弱泄漏辨识模型，大大提高了管道微弱泄漏的检测准确率，保障输油管道的安全运行。
附图说明
图1为本发明实施例提供的小样本条件下的管道微弱泄漏检测流程图；
图2为本发明实施例提供的样本的组合特征提取流程图；
图3为本发明实施例提供的建立两种微弱泄漏辨识模型框图；
图4为本发明实施例提供的生成虚拟样本的测试结果图；
图5为本发明实施例提供的真实管道微弱泄漏的测试结果图，其中，a为朴素贝叶斯网络模型真实管道微弱泄漏的测试结果图，b为最小二乘支持向量机模型真实管道微弱泄漏的测试结果图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1所示，本实施例的方法如下所述。
采用压力变送器采集油气传输过程中管道的压力信息，并人工选取少量的正常样本和微弱泄漏样本，因为实际生产中微弱泄漏样本出现概率低，数量少，无法满足建立精确模型的要求。故本发明提供一种小样本条件下管道微弱泄漏检测方法，包括如下步骤：
步骤1：获取真实样本集，并根据真实样本集生成虚拟样本集，所述真实样本集包括真实正常样本集XN和真实微弱泄漏样本集XS，所述虚拟样本集包括初代虚拟正常样本集GN和初代虚拟微弱泄漏样本集GS；具体步骤如下：
步骤1.1：获取真实正常样本集XN，并根据该样本集中的真实正常样本生成粗糙的虚拟正常样本,生成粗糙的虚拟正常样本集
Figure GDA0002910602310000081
通过对真实正常样本集内的样本进行统计分析、数据的拟合、相似性的评价等分析，发现已知真实正常样本的数据规律,生成粗糙的虚拟正常样本
Figure GDA0002910602310000082
Figure GDA0002910602310000083
其中t表示时间，即样本的检测长度，t＝{1,2,…,L}；k1表示真实正常样本的斜率；ε为传输过程中各种噪声引起的数据波动；YO1为设定的压力初值，该值根据输油管道正常的压力范围设定；
所述样本的分析思路如下：通过对于海量的正常样本分析以及本领域知识(长期从事管道泄漏检测方面的研究，对于管道压力数据有着比较深刻的了解)近似得到粗糙的与真实正常样本规律类似的虚拟正常样本生成模型，数据库中包含了海量的正常样本，之所以先做了正常样本的生成，原因有三点：降低人工采样的成本，费时、费力；验证生成方法的有效性；小泄漏都是在正常样本的基础上进行衍化的。对于数据的分析包括：正常样本的统计分析、数据的拟合、相似性的评价等，最终实现三个目的：获取压力数据的量级——即正常生产过程中管道压力的合理范围；压力随着时间的衰减系数，即k1的取值；噪声引起的压力波动ε；
步骤1.2：根据正常样本的约束对步骤1.1中生成的粗糙虚拟正常样本集内的数据进行调整，将不符合约束条件的样本剔除，生成初代虚拟正常样本集
Figure GDA0002910602310000084
其中根据正常样本约束，初代虚拟正常样本
Figure GDA0002910602310000085
满足：
Figure GDA0002910602310000086
其中
Figure GDA0002910602310000087
表示初代虚拟正常样本集GN内样本的最小取值和最大取值，
Figure GDA0002910602310000088
代表初代虚拟正常样本集GN中选取的任意样本的检测长度；tmin、tmax表示初代虚拟正常样本
Figure GDA0002910602310000089
的最小检测长度和最大检测长度；
Figure GDA00029106023100000810
表示任意真实正常样本集XN中元素的最小波动，
Figure GDA00029106023100000811
表示任意真实正常样本的均值,
Figure GDA00029106023100000812
代表常数，
Figure GDA00029106023100000813
表示任意真实正常样本集XN中元素的最大波动，
Figure GDA0002910602310000091
代表常数，
Figure GDA0002910602310000092
σ1表示泄漏报警阈值，ΔYmin表示强干扰信号的最小值；
Figure GDA0002910602310000093
表示正常样本波动的最大值；
步骤1.3：根据真实微弱泄漏样本约束对初代虚拟正常样本集
Figure GDA0002910602310000094
内的数据进行调整，将不符合真实微弱泄漏样本约束条件的样本剔除，生成初代虚拟微弱泄漏样本集
Figure GDA0002910602310000095
根据真实微弱泄漏样本约束，初代虚拟微弱泄漏样本
Figure GDA0002910602310000096
满足：
Figure GDA0002910602310000097
其中，
Figure GDA0002910602310000098
表示初代微弱泄漏样本集GS内样本的最小取值和最大取值；
Figure GDA0002910602310000099
表示初代微弱泄漏样本集GS内样本的最小检测长度和最大检测长度；
Figure GDA00029106023100000910
表示初代虚拟微弱泄漏样本
Figure GDA00029106023100000911
中元素的最小取值，
Figure GDA00029106023100000912
表示任意小泄漏样本的均值，
Figure GDA00029106023100000913
代表常数，
Figure GDA00029106023100000914
Figure GDA00029106023100000915
表示初代虚拟微弱泄漏样本
Figure GDA00029106023100000916
中元素的最大取值，
Figure GDA00029106023100000917
代表常数，
Figure GDA00029106023100000918
σ2表示正常样本数据波动的最大值，所谓的正常样本数据是指小泄漏样本发生前后那段时间的正常样本，其波动是小于小泄漏发生时的数据波动的；ΔGS表示虚拟微弱泄漏的数据波动；ΔZ表示工况调整引起数据波动的最小值；
步骤1.4：根据皮尔森相关系数ρ和真实正常样本集XN对初代虚拟正常样本集GN中的每一个虚拟正常样本进行筛选，若筛选合格，则保留虚拟正常样本，若不合格，则剔除；根据皮尔森相关系数ρ和真实微弱泄漏样本集XS对初代虚拟微弱泄漏样本集GS中的每一个虚拟微弱泄漏样本进行筛选，若筛选合格，则保留虚拟正常样本，若不合格，则剔除；得到虚拟正常样本集
Figure GDA00029106023100000919
和虚拟微弱泄漏样本集
Figure GDA00029106023100000920
本发明中ρ的下限为0.6，ρ的上限为0.8，这样就使得生成的样本与有限个真实的样本既存在统计学上的相似性，又有一定的差异性，有效解决了工程中的小样本问题。
所述筛选方法为根据皮尔森相关系数公式计算初代虚拟正常样本
Figure GDA00029106023100000921
与真实正常样本集XN内的每一个真实正常样本的皮尔森相关系数ρ，若ρ∈[0.6,0.8]，则认为
Figure GDA00029106023100000922
合格，将初代虚拟正常样本集GN内的每一个虚拟正常样本按照筛选方法逐一计算；根据皮尔森相关系数公式计算初代虚拟微弱泄漏样本
Figure GDA0002910602310000101
与真实微弱泄漏样本集XS内的每一个真实正常样本的皮尔森相关系数ρ，若ρ∈[0.6,0.8]，则认为
Figure GDA0002910602310000102
合格，将初代虚拟微弱泄漏样本集GS内的每一个虚拟微弱泄漏样本按照筛选方法逐一计算；
所述皮尔森相关系数公式如下：
Figure GDA0002910602310000103
其中，xU表示任意的真实样本，其中U＝(N,S)；E(·)为期望计算；
Figure GDA0002910602310000104
表示样本xU的均值；gU表示任意的生成样本，
Figure GDA0002910602310000105
表示样本gU的均值；
Figure GDA0002910602310000106
表示样本xU内的第a个元素；
Figure GDA0002910602310000107
表示样本gU内的第l个元素。
步骤2：对真实样本集和虚拟样本集进行组合特征提取，所述组合特征提取包括7种统计特征和1组符号化变换特征；如图2所示，具体步骤如下：
步骤2.1：分别对真实正常样本集XN、真实微弱泄漏样本集XS、虚拟正常样本集GN′、虚拟微弱泄漏样本集GS′提取7种统计特征，得到真实正常样本的统计特征集合H＝{V1、V2、…、Vξ}，真实微弱泄漏样本的统计特征集合H′＝{V1′、V2′、…、V′ζ}；虚拟正常样本的统计特征集合J＝{D1、D2、…、Dn}；虚拟微弱泄漏样本的统计特征集合J′＝{D′1、D′2、…、D′q}；其中，Vξ代表第ξ个真实正常样本的统计特征集合，V′ξ代表第ζ个真实微弱泄漏样本的统计特征集合，Dn代表第n个虚拟正常样本的统计特征集合，D′q代表第q个虚拟微弱泄漏样本的统计特征集合；所述统计特征包括提取l周期内的最大压力上升信息fMPR、提取l周期内的最大压力下降信息fMPD、提取样本的峰谷值信息fPV、提取样本的变异系数fCV、提取信号幅值的方根信息fSRA、提取均方根信息fRMS、提取拟合系数的最大、最小值的集合fFC；
对样本进行充分挖掘，各种特征的表达式如下；
提取l1时间间隔内内样本
Figure GDA0002910602310000108
的最大压力上升信息
Figure GDA0002910602310000109
Figure GDA0002910602310000111
其中，
Figure GDA0002910602310000112
代表样本集R内的第r个样本；其中R＝{XN、XS、GN′、GS′}，r＝{1、2、…、θR}，所述θR代表样本集R内的样本总数；
Figure GDA0002910602310000113
表示样本
Figure GDA0002910602310000114
的均值，bu表示样本
Figure GDA0002910602310000115
的第u个元素，
Figure GDA0002910602310000116
代表样本
Figure GDA0002910602310000117
内的元素总数；
提取l1时间间隔内内样本
Figure GDA0002910602310000118
的最大压力下降信息
Figure GDA0002910602310000119
Figure GDA00029106023100001110
提取样本
Figure GDA00029106023100001111
的峰谷值信息
Figure GDA00029106023100001112
Figure GDA00029106023100001113
提取样本
Figure GDA00029106023100001114
的变异系数
Figure GDA00029106023100001115
Figure GDA00029106023100001116
其中
Figure GDA00029106023100001117
表示样本
Figure GDA00029106023100001118
的方差；
提取样本
Figure GDA00029106023100001119
信号幅值的方根信息
Figure GDA00029106023100001120
Figure GDA00029106023100001121
提取样本
Figure GDA00029106023100001122
均方根信息
Figure GDA00029106023100001123
Figure GDA00029106023100001124
提取样本
Figure GDA00029106023100001125
的l2周期的线性拟合系数最大值和最小值的集合
Figure GDA00029106023100001126
Figure GDA00029106023100001127
其中
Figure GDA00029106023100001128
表示样本
Figure GDA00029106023100001129
中l2个连续元素的线性拟合系数，l2∈L；
步骤2.2：分别对真实正常样本集XN、真实微弱泄漏样本集XS、虚拟正常样本集GN′、虚拟微弱泄漏样本集GS′内的每个样本提取符号化变换特征fST，得到真实正常样本的符号化变换特征集合F＝{λ1、λ2、…、λξ}，真实微弱泄漏样本的符号化变换特征集合F′＝{λ′1、λ′2、…、λ′ζ}，虚拟正常样本的符号化变换特征集合T＝{β1、β2、…、βn}，虚拟微弱泄漏样本的符号化变换特征集合T′＝{β′1、β′2、…、β′q}；
提取方法为对样本
Figure GDA0002910602310000121
计算其转移概率矩阵
Figure GDA0002910602310000122
通过最大熵分割方法对样本变换得到
Figure GDA0002910602310000123
根据
Figure GDA0002910602310000124
得到
Figure GDA0002910602310000125
的一维向量
Figure GDA0002910602310000126
重复上述提取方法提取所有样本的符号化变换特征，即
Figure GDA0002910602310000127
和
Figure GDA0002910602310000128
其中
Figure GDA0002910602310000129
表示第ξ个真实正常样本，
Figure GDA00029106023100001210
表示生成的第i个虚拟正常样本，Sξ、
Figure GDA00029106023100001211
表示真实正常样本的变换向量和虚拟正常样本的变换向量；计算转移概率矩阵
Figure GDA00029106023100001212
Figure GDA00029106023100001213
其中pηy表示样本中元素从状态η变化到状态y的概率；
为解决
Figure GDA00029106023100001214
的维数灾难，进行
Figure GDA00029106023100001215
和
Figure GDA00029106023100001216
变形，其中pη+表示样本中元素从状态η往上变化的概率，pη-表示样本中元素从状态η往下变化的概率；变形后记为
Figure GDA00029106023100001217
Figure GDA00029106023100001218
最后，将
Figure GDA00029106023100001219
变换成一维向量
Figure GDA00029106023100001220
Figure GDA00029106023100001221
对样本集{XN、XS、GN′、GS′}中每一个样本执行步骤2-2的特征提取操作，实现所有样本的特征提取工作。
步骤2.3：将真实正常样本的统计特征集合与真实正常样本的符号化变换特征集合内的特征进行融合，得到真实正常样本的融合特征集合
Figure GDA00029106023100001222
将真实微弱泄漏样本的统计特征集合与真实微弱泄漏样本的符号化变换特征集合内的特征进行融合，得到真实微弱泄漏样本的融合特征集合
Figure GDA0002910602310000131
将虚拟正常样本的统计特征集合与虚拟正常样本的符号化变换特征集合内的特征进行融合，得到虚拟正常样本的融合特征集合
Figure GDA0002910602310000132
将虚拟微弱泄漏样本的统计特征集合与虚拟微弱泄漏样本的符号化变换特征集合
Figure GDA0002910602310000133
完成从原始数据域到特征域的变换。
第n个虚拟正常样本的特征融合为：
Figure GDA0002910602310000134
步骤2.4：获取未知运行状态的真实样本集合
Figure GDA0002910602310000135
重复步骤2.1至步骤2.3，得到未知运行状态的真实样本的融合特征集合
Figure GDA0002910602310000136
步骤3：根据步骤2中得到的7种统计特征和1组符号化变换特征分别采用朴素贝叶斯方法和最小二乘支持向量机方法分别建立朴素贝叶斯网络管道小泄漏辨识模型和最小二乘支持向量机管道小泄漏辨识模型，根据辨识模型对管道进行泄漏检测，实现对于管道小泄漏的精确检测。因为小泄漏样本的数量通常较少，无法建立较为精确的小泄漏识别模型，因此传统的泄漏检测方法会存在漏报率高(泄漏报警灵敏度太低情况下)或者误报率高(泄漏报警灵敏度太高情况下)的问题，本发明中的第一个工作就是解决小泄漏样本数量少的问题；[2]小泄漏样本的特征不明显，传统的特征提取方法对于小泄漏样本的挖掘不够充分，本发明中的组合特征提取方法能够全方位的提取小泄漏信息，使得特征向量对于小泄漏的表征更加充分。所以建立精确的小泄漏识别模型，实现对于小泄漏的准确辨识、精确检测；如图3所示，具体包括：
步骤3.1：根据步骤2得到的FXN、FXS、FGN、FGS、
Figure GDA0002910602310000137
以及带有样本标签的L′(XN,XS,GN′,GS′)作为朴素贝叶斯网络管道小泄漏辨识模型的输入和输出，朴素贝叶斯网络管道小泄漏辨识模型(即微弱泄漏辨识模型1)如下：
Figure GDA0002910602310000138
其中
Figure GDA0002910602310000139
代表最大准确率的模型；
Figure GDA00029106023100001310
代表输出带有标签的真实样本集合X*；输出“0”代表带有小泄漏样本标签的样本，输出“1”代表带有正常样本标签的样本；
步骤3.2：根据步骤2得到的FXN、FXS、FGN、FGS、
Figure GDA00029106023100001311
以及带有样本标签的L′(XN,XS,GN′,GS′)作为最小二乘支持向量机管道小泄漏辨识模型的输入和输出，最小二乘支持向量机管道小泄漏辨识模型(即微弱泄漏辨识模型2)如下：
Figure GDA0002910602310000141
本实施例中对模型可靠性进行测试。本发明实施实例分别以生成的虚拟样本和真实的微弱泄漏样本对本发明中的模型进行测试。
由于实际生产过程中微弱泄漏出现频率低，我们从历史数据中采集了40个微弱泄漏样本，为保持正负样本的平衡，正常样本亦选取50，用本发明中设计的虚拟样本生成方法，生成1000个虚拟正常样本和1000个虚拟微弱泄漏样本。参数选择如下：训练样本长度L＝120，当使用朴素贝叶斯方法时符号化变换的分割参数N＝5，当使用最小二乘支持向量机时符号化变化的分割参数N＝4。
如图4所示，本发明提出的两种方法在虚拟样本中的测试结果，从结果中可以发现模型的准确率很高，说明了本发明的有效性。
如图5所示，为使用80个真实样本测试时的结果，可以看出，使用朴素贝叶斯方法时有5个样本(No.10,No.22,No.23,No.36和No.47)被误诊，测试准确率为93.75％。使用最小二乘支持向量机时，仅有4个样本(No.10,No.23,No.36和No.47)被误诊，测试准确率高达95％。这充分说明了本发明中所设计的方法有效性。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。

Claims (4)

1.一种小样本条件下管道微弱泄漏检测方法，其特征在于：包括如下步骤：
步骤1：获取真实样本集，并根据真实样本集生成虚拟样本集，所述真实样本集包括真实正常样本集XN和真实微弱泄漏样本集XS，所述虚拟样本集包括初代虚拟正常样本集GN和初代虚拟微弱泄漏样本集GS；
所述步骤1具体步骤如下：
步骤1.1：获取真实正常样本集XN，并根据该样本集中的真实正常样本生成粗糙的虚拟正常样本,生成粗糙的虚拟正常样本集
Figure FDA0002910602300000011
通过对真实正常样本集内的样本进行统计分析、数据的拟合、相似性的评价的分析，发现已知真实正常样本的数据规律,生成粗糙的虚拟正常样本
Figure FDA0002910602300000012
Figure FDA0002910602300000013
其中t表示时间，即样本的检测长度，t＝{1,2,…,L}；k1表示真实正常样本的斜率；ε为传输过程中各种噪声引起的数据波动；YO1为设定的压力初值，该值根据输油管道正常的压力范围设定；
步骤1.2：根据正常样本的约束对步骤1.1中生成的粗糙虚拟正常样本集内的数据进行调整，将不符合约束条件的样本剔除，生成初代虚拟正常样本集
Figure FDA0002910602300000014
其中根据正常样本约束，初代虚拟正常样本
Figure FDA0002910602300000015
满足：
Figure FDA0002910602300000016
其中，
Figure FDA0002910602300000017
表示初代虚拟正常样本集GN内样本的最小取值和最大取值，
Figure FDA0002910602300000018
代表初代虚拟正常样本集GN中选取的任意样本的检测长度；tmin、tmax表示初代虚拟正常样本
Figure FDA0002910602300000019
的最小检测长度和最大检测长度；
Figure FDA00029106023000000110
表示任意真实正常样本集XN中元素的最小波动，
Figure FDA00029106023000000111
表示任意真实正常样本的均值,
Figure FDA00029106023000000112
代表常数，
Figure FDA00029106023000000113
Figure FDA00029106023000000114
表示任意真实正常样本集XN中元素的最大波动，
Figure FDA00029106023000000115
代表常数，
Figure FDA00029106023000000116
σ1表示泄漏报警阈值，ΔYmin表示强干扰信号的最小值；
Figure FDA00029106023000000117
表示正常样本波动的最大值；
步骤1.3：根据真实微弱泄漏样本约束对初代虚拟正常样本集
Figure FDA0002910602300000021
内的数据进行调整，将不符合真实微弱泄漏样本约束条件的样本剔除，生成初代虚拟微弱泄漏样本集
Figure FDA0002910602300000022
根据真实微弱泄漏样本约束，初代虚拟微弱泄漏样本
Figure FDA0002910602300000023
满足：
Figure FDA0002910602300000024
其中，
Figure FDA0002910602300000025
表示初代虚拟微弱泄漏样本集GS内样本的最小取值和最大取值；
Figure FDA0002910602300000026
表示初代虚拟微弱泄漏样本集GS内样本的最小检测长度和最大检测长度；
Figure FDA0002910602300000027
表示初代虚拟微弱泄漏样本
Figure FDA0002910602300000028
中元素的最小取值，
Figure FDA0002910602300000029
表示任意小泄漏样本的均值，
Figure FDA00029106023000000210
代表常数，
Figure FDA00029106023000000211
Figure FDA00029106023000000212
表示初代虚拟微弱泄漏样本
Figure FDA00029106023000000213
中元素的最大取值，
Figure FDA00029106023000000214
代表常数，
Figure FDA00029106023000000215
σ2表示正常样本数据波动的最大值；ΔGS表示虚拟微弱泄漏的数据波动；ΔZ表示工况调整引起数据波动的最小值；
步骤1.4：根据皮尔森相关系数ρ和真实正常样本集XN对初代虚拟正常样本集GN中的每一个虚拟正常样本进行筛选，若筛选合格，则保留虚拟正常样本，若不合格，则剔除；根据皮尔森相关系数ρ和真实微弱泄漏样本集XS对初代虚拟微弱泄漏样本集GS中的每一个虚拟微弱泄漏样本进行筛选，若筛选合格，则保留虚拟正常样本，若不合格，则剔除；得到虚拟正常样本集
Figure FDA00029106023000000216
和虚拟微弱泄漏样本集
Figure FDA00029106023000000217
步骤2：对真实样本集和虚拟样本集进行组合特征提取，所述组合特征提取包括7种统计特征和1组符号化变换特征；
所述统计特征包括提取l周期内的最大压力上升信息fMPR、提取l周期内的最大压力下降信息fMPD、提取样本的峰谷值信息fPV、提取样本的变异系数fCV、提取信号幅值的方根信息fSRA、提取均方根信息fRMS、提取拟合系数的最大、最小值的集合fFC；
步骤3：根据步骤2中得到的7种统计特征和1组符号化变换特征采用朴素贝叶斯方法和最小二乘支持向量机方法分别建立朴素贝叶斯网络管道小泄漏辨识模型和最小二乘支持向量机管道小泄漏辨识模型，根据辨识模型对管道进行泄漏检测。
2.根据权利要求1所述的一种小样本条件下管道微弱泄漏检测方法，其特征在于：所述步骤1.4中筛选方法为根据皮尔森相关系数公式计算初代虚拟正常样本
Figure FDA0002910602300000031
与真实正常样本集XN内的每一个真实正常样本的皮尔森相关系数ρ，若ρ∈[0.6,0.8]，则认为
Figure FDA0002910602300000032
合格，将初代虚拟正常样本集GN内的每一个虚拟正常样本按照筛选方法逐一计算；根据皮尔森相关系数公式计算初代虚拟微弱泄漏样本
Figure FDA0002910602300000033
与真实微弱泄漏样本集XS内的每一个真实正常样本的皮尔森相关系数ρ，若ρ∈[0.6,0.8]，则认为
Figure FDA0002910602300000034
合格，将初代虚拟微弱泄漏样本集GS内的每一个虚拟微弱泄漏样本按照筛选方法逐一计算；
所述皮尔森相关系数公式如下：
Figure FDA0002910602300000035
其中，xU表示任意的真实样本，其中U＝(N,S)；E(·)为期望计算；
Figure FDA0002910602300000036
表示样本xU的均值；gU表示任意的生成样本，
Figure FDA0002910602300000037
表示样本gU的均值；
Figure FDA0002910602300000038
表示样本xU内的第a个元素；
Figure FDA0002910602300000039
表示样本gU内的第l个元素。
3.根据权利要求1所述的一种小样本条件下管道微弱泄漏检测方法，其特征在于：所述步骤2具体步骤如下：
步骤2.1：分别对真实正常样本集XN、真实微弱泄漏样本集XS、虚拟正常样本集GN′、虚拟微弱泄漏样本集GS′提取7种统计特征，得到真实正常样本的统计特征集合H＝{V1、V2、…、Vξ}，真实微弱泄漏样本的统计特征集合H′＝{V′1、V′2、…、V′ζ}；虚拟正常样本的统计特征集合J＝{D1、D2、…、Dn}；虚拟微弱泄漏样本的统计特征集合J′＝{D′1、D′2、…、D′q}；其中，Vξ代表第ξ个真实正常样本的统计特征集合，V′ξ代表第ζ个真实微弱泄漏样本的统计特征集合，Dn代表第n个虚拟正常样本的统计特征集合，D′q代表第q个虚拟微弱泄漏样本的统计特征集合；所述统计特征包括提取l周期内的最大压力上升信息fMPR、提取l周期内的最大压力下降信息fMPD、提取样本的峰谷值信息fPV、提取样本的变异系数fCV、提取信号幅值的方根信息fSRA、提取均方根信息fRMS、提取拟合系数的最大、最小值的集合fFC；
表达式如下；
提取l1时间间隔内内样本
Figure FDA0002910602300000041
的最大压力上升信息
Figure FDA0002910602300000042
Figure FDA0002910602300000043
其中，
Figure FDA0002910602300000044
代表样本集R内的第r个样本；其中R＝{XN、XS、GN′、GS′}，r＝{1、2、…、θR}，所述θR代表样本集R内的样本总数；
Figure FDA0002910602300000045
表示样本
Figure FDA0002910602300000046
的均值，bu表示样本
Figure FDA0002910602300000047
的第u个元素，
Figure FDA0002910602300000048
Figure FDA0002910602300000049
代表样本
Figure FDA00029106023000000410
内的元素总数；
提取l1时间间隔内内样本
Figure FDA00029106023000000411
的最大压力下降信息
Figure FDA00029106023000000412
Figure FDA00029106023000000413
提取样本
Figure FDA00029106023000000414
的峰谷值信息
Figure FDA00029106023000000415
Figure FDA00029106023000000416
提取样本
Figure FDA00029106023000000417
的变异系数
Figure FDA00029106023000000418
Figure FDA00029106023000000419
其中
Figure FDA00029106023000000420
表示样本
Figure FDA00029106023000000421
的方差；
提取样本
Figure FDA00029106023000000422
信号幅值的方根信息
Figure FDA00029106023000000423
Figure FDA00029106023000000424
提取样本
Figure FDA00029106023000000425
均方根信息
Figure FDA00029106023000000426
Figure FDA00029106023000000427
提取样本
Figure FDA00029106023000000428
的l2周期的线性拟合系数最大值和最小值的集合
Figure FDA00029106023000000429
Figure FDA00029106023000000430
其中
Figure FDA00029106023000000431
表示样本
Figure FDA00029106023000000432
中l2个连续元素的线性拟合系数，l2∈L；
步骤2.2：分别对真实正常样本集XN、真实微弱泄漏样本集XS、虚拟正常样本集GN′、虚拟微弱泄漏样本集GS′内的每个样本提取符号化变换特征fST，得到真实正常样本的符号化变换特征集合F＝{λ1、λ2、…、λξ}，真实微弱泄漏样本的符号化变换特征集合F′＝{λ′1、λ′2、…、λ′ζ}，虚拟正常样本的符号化变换特征集合T＝{β1、β2、…、βn}，虚拟微弱泄漏样本的符号化变换特征集合T′＝{β′1、β′2、…、β′q}；
提取方法为对样本
Figure FDA0002910602300000051
计算其转移概率矩阵
Figure FDA0002910602300000052
通过最大熵分割方法对样本变换得到
Figure FDA0002910602300000053
根据
Figure FDA0002910602300000054
得到
Figure FDA0002910602300000055
的一维向量
Figure FDA0002910602300000056
重复上述提取方法提取所有样本的符号化变换特征；计算转移概率矩阵
Figure FDA0002910602300000057
Figure FDA0002910602300000058
其中pηy表示样本中元素从状态η变化到状态y的概率；
进行
Figure FDA0002910602300000059
和
Figure FDA00029106023000000510
变形，其中pη+表示样本中元素从状态η往上变化的概率，pη-表示样本中元素从状态η往下变化的概率；变形后记为
Figure FDA00029106023000000511
Figure FDA00029106023000000512
将
Figure FDA00029106023000000513
变换成一维向量
Figure FDA00029106023000000514
Figure FDA00029106023000000515
对样本集{XN、XS、GN′、GS′}中每一个样本执行步骤2.2的特征提取操作，直至完成所有样本的特征提取；
步骤2.3：将真实正常样本的统计特征集合与真实正常样本的符号化变换特征集合内的特征进行融合，得到真实正常样本的融合特征集合
Figure FDA00029106023000000516
将真实微弱泄漏样本的统计特征集合与真实微弱泄漏样本的符号化变换特征集合内的特征进行融合，得到真实微弱泄漏样本的融合特征集合
Figure FDA0002910602300000061
将虚拟正常样本的统计特征集合与虚拟正常样本的符号化变换特征集合内的特征进行融合，得到虚拟正常样本的融合特征集合
Figure FDA0002910602300000062
将虚拟微弱泄漏样本的统计特征集合与虚拟微弱泄漏样本的符号化变换特征集合
Figure FDA0002910602300000063
第n个虚拟正常样本的特征融合为：
Figure FDA0002910602300000064
步骤2.4：获取未知运行状态的真实样本集合
Figure FDA0002910602300000065
重复步骤2.1至步骤2.3，得到未知运行状态的真实样本的融合特征集合
Figure FDA0002910602300000066
4.根据权利要求3所述的一种小样本条件下管道微弱泄漏检测方法，其特征在于：所述步骤3具体步骤如下：
步骤3.1：根据步骤2得到的FXN、FXS、FGN、FGS、
Figure FDA0002910602300000067
以及带有样本标签的L′(XN,XS,GN′,GS′)作为朴素贝叶斯网络管道小泄漏辨识模型的输入和输出，朴素贝叶斯网络管道小泄漏辨识模型如下：
Figure FDA0002910602300000068
其中
Figure FDA0002910602300000069
代表最大准确率的模型；
Figure FDA00029106023000000610
代表输出带有标签的真实样本集合X*；输出“0”代表带有小泄漏样本标签的样本，输出“1”代表带有正常样本标签的样本；
步骤3.2：根据步骤2得到的FXN、FXS、FGN、FGS、
Figure FDA00029106023000000611
以及带有样本标签的L′(XN,XS,GN′,GS′)作为最小二乘支持向量机管道小泄漏辨识模型的输入和输出，最小二乘支持向量机管道小泄漏辨识模型如下：
Figure FDA00029106023000000612
CN201910778384.2A 2019-08-22 2019-08-22 一种小样本条件下管道微弱泄漏检测方法 Active CN110514366B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910778384.2A CN110514366B (zh) 2019-08-22 2019-08-22 一种小样本条件下管道微弱泄漏检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910778384.2A CN110514366B (zh) 2019-08-22 2019-08-22 一种小样本条件下管道微弱泄漏检测方法

Publications (2)

Publication Number Publication Date
CN110514366A CN110514366A (zh) 2019-11-29
CN110514366B true CN110514366B (zh) 2021-03-05

Family

ID=68626284

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910778384.2A Active CN110514366B (zh) 2019-08-22 2019-08-22 一种小样本条件下管道微弱泄漏检测方法

Country Status (1)

Country Link
CN (1) CN110514366B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112085075B (zh) * 2020-08-26 2021-04-20 中国安全生产科学研究院 基于贝叶斯网络推理模型的管道腐蚀泄漏火灾推演系统
CN113670536B (zh) * 2021-07-06 2024-03-05 浙江浙能台州第二发电有限责任公司 火电厂用电用水监测和信息化管理方法
CN114637882B (zh) * 2022-05-17 2022-08-19 深圳市华世智能科技有限公司 基于计算机图形技术生成带标记样本的方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ITPI20060106A1 (it) * 2006-09-12 2008-03-13 Extrasolution S R L Metodo per la misurazione di permeabilita' ai gas di contenitori ed elementi di tenuta in genere.
US10275402B2 (en) * 2015-09-15 2019-04-30 General Electric Company Systems and methods to provide pipeline damage alerts
CN106482912B (zh) * 2016-11-29 2018-12-28 中国工程物理研究院激光聚变研究中心 一种真空设备泄漏检测及定位方法
CN110008568A (zh) * 2019-03-29 2019-07-12 中国人民解放军战略支援部队航天工程大学 小样本下装备平均修复时间的非统计估计模型
CN110110779A (zh) * 2019-04-29 2019-08-09 北京化工大学 基于核密度估计和Copula函数的虚拟样本生成方法

Also Published As

Publication number Publication date
CN110514366A (zh) 2019-11-29

Similar Documents

Publication Publication Date Title
CN110514366B (zh) 一种小样本条件下管道微弱泄漏检测方法
US20200150622A1 (en) Method for detecting abnormity in unsupervised industrial system based on deep transfer learning
CN108875772B (zh) 一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法
CN112508105B (zh) 一种采油机故障检测与检索方法
CN110443117B (zh) 一种风电机组故障诊断方法
CN110472689B (zh) 基于集成高斯过程回归的有杆泵抽油井动液面软测量方法
CN111122162A (zh) 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法
CN111753776B (zh) 基于回声状态与多尺度卷积联合模型的结构损伤识别方法
Du et al. Convolutional neural network-based data anomaly detection considering class imbalance with limited data
CN113283467B (zh) 一种基于平均损失和逐类选择的弱监督图片分类方法
CN111365624A (zh) 一种输卤管道泄漏检测的智能终端与方法
Lin et al. Optimal CNN-based semantic segmentation model of cutting slope images
CN117056865B (zh) 一种基于特征融合的机泵设备运行故障诊断方法及装置
CN110458071A (zh) 一种基于dwt-dfpa-gbdt的光纤振动信号特征提取与分类方法
CN117523177A (zh) 一种基于人工智能混合大模型的燃气管道监测系统和方法
CN106338722A (zh) 一种基于多次样本的高分辨雷达一维距离像目标识别方法
CN114371677B (zh) 基于谱半径-区间主成分分析的工业过程状态监测方法
CN112069621B (zh) 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法
CN109724637B (zh) 一种基于试验数据的传感器元件质量评估方法
CN112014821A (zh) 一种基于雷达宽带特征的未知车辆目标识别方法
CN113052015B (zh) 一种基于稀疏表示的承压界面超声信号分类识别方法
CN115452957B (zh) 基于注意力原型网络的小样本金属损伤识别方法
CN110348123A (zh) 一种基于aic-rbf的油气管道挤压形变估计方法
CN114970620B (zh) 一种跨设备的滚动轴承故障靶向迁移诊断方法
CN114819743B (zh) 一种化工企业能耗诊断分析方法

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