CN110610245A - 一种基于AFPSO-K-means的长输油管道泄漏检测方法及系统 - Google Patents

一种基于AFPSO-K-means的长输油管道泄漏检测方法及系统 Download PDF

Info

Publication number
CN110610245A
CN110610245A CN201910703524.XA CN201910703524A CN110610245A CN 110610245 A CN110610245 A CN 110610245A CN 201910703524 A CN201910703524 A CN 201910703524A CN 110610245 A CN110610245 A CN 110610245A
Authority
CN
China
Prior art keywords
particle
optimal
fitness value
optimal position
individual
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.)
Pending
Application number
CN201910703524.XA
Other languages
English (en)
Inventor
董宏丽
王闯
张勇
路阳
路敬祎
杨帆
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.)
Northeast Petroleum University
Original Assignee
Northeast Petroleum University
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 Northeast Petroleum University filed Critical Northeast Petroleum University
Priority to CN201910703524.XA priority Critical patent/CN110610245A/zh
Publication of CN110610245A publication Critical patent/CN110610245A/zh
Priority to US16/923,098 priority patent/US11635340B2/en
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
    • G01M3/20—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using special tracer materials, e.g. dye, fluorescent material, radioactive material
    • G01M3/22—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point using special tracer materials, e.g. dye, fluorescent material, radioactive material for pipes, cables or tubes; for pipe joints or seals; for valves; for welds; for containers, e.g. radiators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种基于AFPSO‑K‑means的长输油管道泄漏检测方法及系统，通过初始化粒子群，定义粒子群中每个粒子的初始速度和位置；确定每个粒子的适应度值；遍历每个粒子的适应度值，得到个体粒子的适应度值对应的最优位置，以及粒子群的最优适应度值中的全局最优位置；根据个体粒子的适应度值对应的最优位置，对每个粒子的速度和位置进行迭代更新；当所有粒子的位置与粒子群的最优适应度值中的全局最优位置的距离小于预设阈值或者迭代次数达到预设次数时，输出当前迭代更新结果，以确定管道泄漏的实际位置。该方案适用于长输油管线故障检测，在避免局部最优结果的前提下，可准确获得全局最优值。

Description

一种基于AFPSO-K-means的长输油管道泄漏检测方法及系统
技术领域
本发明属于长输油管线故障检测技术领域，具体涉及一种基于AFPSO-K-means的长输油管道泄漏检测方法及系统。
背景技术
石油是重要的能源，日常生活，工业生产，航天军工都需要石油作为能源和原料。经过石油分离出的汽油、沥青等化工产品广泛应用到人们日常生活中，随着经济的快速发展，石油的需求日益增多，其输送问题逐渐进入人们的视线。管道作为一种使用最有效，最安全，最快捷的运输方式，广泛应用于石油运输行业，截至到目前，我国输油管线总长达20×104km。但是由于管线老化，自然灾害和人为盗油等原因，造成了大量的石油泄漏，严重污染了环境，甚至人的生命财产。因此，对输油管道定期检测是十分必要的，最早是人工进行巡线，人工巡线不但效率低，成本高，而且有些险峻地区人无法巡线，因此，提出了一些间接检测方法：负压波，小波变换等，但是大多检测精度不够高。
发明内容
为了克服上述缺陷，本发明提出一种基于AFPSO-K-means的长输油管道泄漏检测方法及系统，该方案应用于长输油管线故障检测，具有精度高，实时性佳，简单易操作等优势。
本发明的目的是采用下述技术方案实现的：
一种基于AFPSO-K-means的长输油管道泄漏检测方法，所述方法包括：
初始化粒子群，定义所述粒子群中每个粒子的初始速度和位置；
确定每个粒子的适应度值；
遍历每个粒子的适应度值，得到个体粒子的适应度值对应的最优位置，以及粒子群的最优适应度值中的全局最优位置；
根据所述个体粒子的适应度值对应的最优位置，对每个粒子的速度和位置进行迭代更新；
当所有粒子的位置与粒子群的最优适应度值中的全局最优位置的距离小于预设阈值或者迭代次数达到预设次数时，输出当前迭代更新结果，以确定管道泄漏的实际位置。
优选的，所述初始化粒子群，定义粒子群中每个粒子的初始速度和位置包括：
定义待检测的管道的样本点数目n，构建由n个样本点构成的数据集xi＝(xi1,xi2,...,xid)；i＝1,2,...,n,
将待聚类的数据集均分为k个类，每个类别为一个粒子群；
随机选取所述粒子群中各个粒子的初始位置和初始速度；
根据每个粒子的初始位置和初始速度，获得个体极值和全局极值。
进一步地，通过下式将待聚类的数据集均分为k个类：
X＝C1∪...∪Ck∪Coutliers
其中，C1...Ck表示k个类别，k为类别数，X表示经过聚类处理后的数据集。
进一步地，通过下式确定每个粒子的适应度值：
其中，xi和yi分别为d维欧氏空间中的两个点。
优选的，所述遍历每个粒子的适应度值，得到个体粒子的适应度值对应的最优位置，以及粒子群的最优适应度值中的全局最优位置包括：
以均方误差最小作为聚类的目标函数，求解目标函数获得聚类中心；
根据所述聚类中心，确定个体粒子的适应度值对应的最优位置；
通过比较所有粒子的最优适应度值，获得粒子群的最优适应度值中的全局最优位置。
进一步地，所述聚类中心通过下式确定：
其中，yi表示第i个粒子的适应度值，zj表示聚类中心。
进一步地，所述根据个体粒子的适应度值对应的最优位置，对每个粒子的速度和位置进行迭代更新包括：
将每个粒子的适应度值与其对应的最优位置进行比较，当两者趋于一致时，将当前粒子的适应度值作为所述粒子的个体最优位置；
通过下式更新当前粒子的速度：
vi(k+1)＝wvi(k)+c1r1(pi(k)-xi(k))+c2r2(pg(k)-xi(k))
xi(k+1)＝xi(k)+vi(k+1)
其中，||(pi(k)-xi(k))||表示粒子的适应度值xi(k)与其对应的最优位置pi(k)之间的距离，vi(k)＝0,vi(k)表示k时刻的粒子速度。
进一步地，所述输出当前迭代更新结果包括：
比较当前所有粒子的个体最优位置和粒子群的全局最优位置，当所有粒子的个体最优位置到达全局最优位置时，粒子个体最优位置pbest和全局最优位置gbest重合pbest＝gbest＝xi(k)，且满足vi(k+1)＝0，x(k+1)＝x(k)。
一种基于AFPSO-K-means的长输油管道泄漏检测系统，所述系统包括：
初始化模块，用于初始化粒子群，定义所述粒子群中每个粒子的初始速度和位置；
确定模块，用于确定每个粒子的适应度值；
遍历模块，用于遍历每个粒子的适应度值，得到个体粒子的适应度值对应的最优位置，以及粒子群的最优适应度值中的全局最优位置；
迭代更新模块，用于根据所述个体粒子的适应度值对应的最优位置，对每个粒子的速度和位置进行迭代更新；
位置监测模块，用于当所有粒子的位置与粒子群的最优适应度值中的全局最优位置的距离小于预设阈值或者迭代次数达到预设次数时，输出当前迭代更新结果，以确定管道泄漏的实际位置。
与最接近的现有技术比，本发明的有益效果为：
本发明提出的一种基于AFPSO-K-means的长输油管道泄漏检测方法及系统，基于AFPSO具有很好的寻优效果，可以有效找到最优值。提出的AFPSO算法去优化K-means的在初始状态，防止陷入局部最优。具体执行步骤包括初始化粒子群，定义所述粒子群中每个粒子的初始速度和位置，确定每个粒子的适应度值；遍历每个粒子的适应度值，得到个体粒子的适应度值对应的最优位置，以及粒子群的最优适应度值中的全局最优位置；根据个体粒子的适应度值对应的最优位置，对每个粒子的速度和位置进行迭代更新；当所有粒子的位置与粒子群的最优适应度值中的全局最优位置的距离小于预设阈值或者迭代次数达到预设次数时，输出当前迭代更新结果，以确定管道泄漏的实际位置。应用于长输油管道泄漏检测，具有高准确性，高实时性，简单易于操作等优势。
附图说明
图1为本发明具体实施方式提供的基于AFPSO-K-means的长输油管道泄漏检测方法流程图；
图2为本发明具体实施方式提供的基于AF-PSO算法的K-means算法轮廓系数图；
图3为本发明具体实施方式提供的基于PSO算法的K-means算法轮廓系数图；
图4为本发明具体实施方式提供的AF-PSO混合算法流程示意图；
图5为本发明具体实施方式提供的Griewank函数性能测试效果示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步详细的说明。
实施例1：本发明提供的一种基于AFPSO-K-means的长输油管道泄漏检测方法，AFPSO具有可很好的寻优效果，可以有效找到最优值；且提出的AFPSO算法去优化K-means的在初始状态，防止陷入局部最优。
本发明具体的业务流程如图1所示，详细说明如下：
S1初始化粒子群，定义所述粒子群中每个粒子的初始速度和位置；
确定每个粒子的适应度值；
S2遍历每个粒子的适应度值，得到个体粒子的适应度值对应的最优位置，以及粒子群的最优适应度值中的全局最优位置；
S3根据所述个体粒子的适应度值对应的最优位置，对每个粒子的速度和位置进行迭代更新；
S4当所有粒子的位置与粒子群的最优适应度值中的全局最优位置的距离小于预设阈值或者迭代次数达到预设次数时，输出当前迭代更新结果，以确定管道泄漏的实际位置。
步骤S1中，初始化粒子群，定义粒子群中每个粒子的初始速度和位置包括：
定义待检测的管道的样本点数目n，构建由n个样本点构成的数据集xi＝(xi1,xi2,...,xid)；i＝1,2,...,n,
将待聚类的数据集均分为k个类，每个类别为一个粒子群；
随机选取所述粒子群中各个粒子的初始位置和初始速度；
根据每个粒子的初始位置和初始速度，获得个体极值和全局极值。
其中，通过下式将待聚类的数据集均分为k个类：
X＝C1∪...∪Ck∪Coutliers
其中，C1...Ck表示k个类别，k为类别数，X表示经过聚类处理后的数据集。
步骤S1中，通过下式确定每个粒子的适应度值：
其中，xi和yi分别为d维欧氏空间中的两个点。
步骤S2中，所述遍历每个粒子的适应度值，得到个体粒子的适应度值对应的最优位置，以及粒子群的最优适应度值中的全局最优位置包括：
以均方误差最小作为聚类的目标函数，求解目标函数获得聚类中心；
根据所述聚类中心，确定个体粒子的适应度值对应的最优位置；
通过比较所有粒子的最优适应度值，获得粒子群的最优适应度值中的全局最优位置。
所述聚类中心通过下式确定：
其中，yi表示第i个粒子的适应度值，zj表示聚类中心。
步骤S3中，所述根据个体粒子的适应度值对应的最优位置，对每个粒子的速度和位置进行迭代更新包括：
将每个粒子的适应度值与其对应的最优位置进行比较，当两者趋于一致时，将当前粒子的适应度值作为所述粒子的个体最优位置；
通过下式更新当前粒子的速度：
vi(k+1)＝wvi(k)+c1r1(pi(k)-xi(k))+c2r2(pg(k)-xi(k))
xi(k+1)＝xi(k)+vi(k+1)
其中，||(pi(k)-xi(k))||表示粒子的适应度值xi(k)与其对应的最优位置pi(k)之间的距离，vi(k)＝0,vi(k)表示k时刻的粒子速度。
步骤S4中，所述输出当前迭代更新结果包括：
比较当前所有粒子的个体最优位置和粒子群的全局最优位置，当所有粒子的个体最优位置到达全局最优位置时，粒子个体最优位置pbest和全局最优位置gbest重合pbest＝gbest＝xi(k)，且满足vi(k+1)＝0，x(k+1)＝x(k)。
实施例2：如图4所示，提出一种AF-PSO混合算法：首先初始化AF-PSO算法的相关参数，计算每个粒子的适应度值；
其次，通过下式计算加速因子δ。
其中，dg表示全体鱼的中心位置，dmax，dmin分别表示距离中心位置的最远距离和最短距离。其中ζ(k)被定义如下：
根据上式决定进化状态ζ(k)。
通过下式计算惯性权重ω：
其中，ω1和ω2分别表示惯性权重ω的初始值和最终值，iter和itermax分别表示当前迭代次数和最大迭代次数。
最后，选择加速因子，以及个体最优pbest，全局最优gbest，通过下式更新粒子的速度和位置。
(1)觅食行为(ζ(k)＝1)，速度更新模型如下：
vi(k+1)＝wvi(k)+c1r1(pi(k)-xi(k))+c2r2(pg(k)-xi(k))
xi(k+1)＝xi(k)+vi(k+1)
所有的粒子(鱼)希望尽可能快的到达全局最优位置，当所有粒子到达全局最优位置时候，粒子自身最优pbest和全局最优gbest重合，即pbest＝gbest＝xi(k)。又因为w是线性递减的，最后速度vi(k+1)＝0，推出x(k+1)＝x(k)所有粒子都在全局最优位置。
(2)聚群行为(δ(k)＝2)，速度更新模型如下：
xi(k+1)＝xi(k)+vi(k+1)
||(pi(k)-xi(k))||代表的是粒子当前位置和自身最优位置之间的距离。当粒子进入聚群行为，粒子希望精细搜索自身附近空间，由于粒子趋于全局最优，所以pbest,gbest,xi(k)三者相接近,vi(k)＝0,但是由于第二项的引入距离，当粒子接近自身最优位置时(pi(k)-xi(k))趋近于0，粒子间距离变小，由于距离在分母上，所以会导致整项变大，从而导致vi(k+1)不为0，为粒子精细搜索自身附近空间，提供了速度。
(3)追尾行为(δ(k)＝3)，速度更新模型如下：
xi(k+1)＝xi(k)+vi(k+1)
当粒子进入追尾行为，粒子想进一步扩大一下搜索的空间，怕自己现在找到的全局最优位置不是最优的。由于粒子趋于全局最优，所以pbest,gbest,xi(k)三者相接近,vi(k)＝0,但是由于第三项的引入距离，当粒子接近全局最优位置是(pg(k)-xi(k))趋近于0，粒子间距离变小，由于距离在分母上，所以会导致整项变大，从而导致vi(k+1)不为0，为粒子找寻全局最优空间，提供了速度。
(4)随机行为(δ(k)＝4)，速度更新模型如下：
xi(k+1)＝xi(k)+vi(k+1)
当粒子进入随机行为，粒子可能陷入局部最优状态，由于粒子趋于全局最优，所以pbest,gbest,xi(k)近似认为是同一个值,同时但是由于第二项和第三项的引入距离，当粒子接近最优位置是(pi(k)-xi(k))和(pg(k)-xi(k))趋近于0，粒子间距离变小，由于距离在分母上，所以会导致整项变大，从而导致vi(k+1)不为0，为粒子逃离局部最优，提供了速度。
本发明应用上述提出的AF-PSO混合算法去优化K-means算法，算法步骤如下：
Step1:对粒子群进行初始化操作，从样本中随机选取K个中心点，将其作为粒子位置的初值，同时，初始化粒子的速度vi，个体最优pbest，全局最优gbest。
Step2:根据下式判断每个数据点归属的聚类中心。
聚类问题可以描述为：给定一个样本数为n的数据集xi＝(xi1,xi2,...,xid)，其中，i＝1,2,...,n,将其化为k个类，即
X＝C1∪...∪Ck∪Coutliers
其中C1...Ck为所分的类别，如果群集不重叠，则：
Step3:根据式(2)计算每个粒子的适应度值。
其中xi和yi是d维欧氏空间中的两个点。本发明使用均方误差(MSE)作为聚类的目标函数，由下式给出：
其中zj表示聚类中心。
Step4:将每个粒子的适应值与粒子的最好位置比较，如果相近，则将当前值作为粒子最好位置。比较当前所有的pbest和gbest，更新gbest。
Step5:根据式(4-7)调整所有粒子的移动速度和位置。
(1)觅食行为(ζ(k)＝1)，速度更新模型如下：
vi(k+1)＝wvi(k)+c1r1(pi(k)-xi(k))+c2r2(pg(k)-xi(k))
xi(k+1)＝xi(k)+vi(k+1)
所有的粒子(鱼)希望尽可能快的到达全局最优位置，当所有粒子到达全局最优位置时候，粒子自身最优pbest和全局最优gbest重合，即pbest＝gbest＝xi(k)。又因为w是线性递减的，最后速度vi(k+1)＝0，推出x(k+1)＝x(k)所有粒子都在全局最优位置。
(2)聚群行为(δ(k)＝2)，速度更新模型如下：
xi(k+1)＝xi(k)+vi(k+1)
||(pi(k)-xi(k))||代表的是粒子当前位置和自身最优位置之间的距离。当粒子进入聚群行为，粒子希望精细搜索自身附近空间，由于粒子趋于全局最优，所以pbest,gbest,xi(k)三者相接近,vi(k)＝0,但是由于第二项的引入距离，当粒子接近自身最优位置时(pi(k)-xi(k))趋近于0，粒子间距离变小，由于距离在分母上，所以会导致整项变大，从而导致vi(k+1)不为0，为粒子精细搜索自身附近空间，提供了速度。
(3)追尾行为(δ(k)＝3)，速度更新模型如下：
xi(k+1)＝xi(k)+vi(k+1)
当粒子进入追尾行为，粒子想进一步扩大一下搜索的空间，怕自己现在找到的全局最优位置不是最优的。由于粒子趋于全局最优，所以pbest,gbest,xi(k)三者相接近,vi(k)＝0,但是由于第三项的引入距离，当粒子接近全局最优位置是(pg(k)-xi(k))趋近于0，粒子间距离变小，由于距离在分母上，所以会导致整项变大，从而导致vi(k+1)不为0，为粒子找寻全局最优空间，提供了速度。
(4)随机行为(δ(k)＝4)，速度更新模型如下：
xi(k+1)＝xi(k)+vi(k+1)
当粒子进入随机行为，粒子可能陷入局部最优状态，由于粒子趋于全局最优，所以pbest,gbest,xi(k)近似认为是同一个值,同时但是由于第二项和第三项的引入距离，当粒子接近最优位置是(pi(k)-xi(k))和(pg(k)-xi(k))趋近于0，粒子间距离变小，由于距离在分母上，所以会导致整项变大，从而导致vi(k+1)不为0，为粒子逃离局部最优，提供了速度。
Step6:重复执行Step2-Step5,直到满足终止条件.若终止条件成立,则输出每一类别的聚类中心坐标。
Step7：将AFPSO算法应用于长输油管道泄漏检测。
为了验证所提出的基于AF-PSO算法的K-means算法的聚类性能，我们比较了基于AF-PSO算法的K-means算法与基于PSO算法K-means算法的轮廓系数。基于PSO算法的K-means算法和基于AF-PSO算法的K-means算法的轮廓图如图3，图2所示。他们的平均轮廓系数分别为0.2231和0.2482。我们可以看到，在图2和图3中，两种算法的绝大多数轮廓值都是正的，这表明大多数数据被分配给适当的类别。然而，在图2中基于AF-PSO算法的K-means算法的平均轮廓值是0.2482，其高于基于PSO算法的K-means算法。此外，使用基于AF-PSO的聚类算法的负轮廓值比基于PSO算法的K-means算法更少，这表明较少的数据点被分配给不适当的聚类。最后，泄露数据是13750个，正常数据9750个，他们比大约是1.41：1，图3轮廓比符合1.41：1。因此，证明了所提出的基于AF-PSO算法的K-means算法的优越性和可行性，和生成的分类的合理性。
如图5所示，通过图5中的Griewank函数性能测试，可表明本发明AF-PSO算法的寻优性能是优于其他经典算法的(PSO-LDIW，PSO-TVAC，PSO-CK，SPSO，SDPSO)，从图中可以看出AF-PSO的收敛性能是优于其他算法的，同时它的平均适应度值是最小的，说明AF-PSO算法可以找到全局最优值，能有效避免局部最优。
实施例3：基于同一发明构思，本申请还提出一种基于AFPSO-K-means的长输油管道泄漏检测系统，所述系统包括：
初始化模块，用于初始化粒子群，定义所述粒子群中每个粒子的初始速度和位置；
确定模块，用于确定每个粒子的适应度值；
遍历模块，用于遍历每个粒子的适应度值，得到个体粒子的适应度值对应的最优位置，以及粒子群的最优适应度值中的全局最优位置；
迭代更新模块，用于根据所述个体粒子的适应度值对应的最优位置，对每个粒子的速度和位置进行迭代更新；
位置监测模块，用于当所有粒子的位置与粒子群的最优适应度值中的全局最优位置的距离小于预设阈值或者迭代次数达到预设次数时，输出当前迭代更新结果，以确定管道泄漏的实际位置。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本申请的技术方案而非对其保护范围的限制，尽管参照上述实施例对本申请进行了详细的说明，所属领域的普通技术人员应当理解：本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，这些变更、修改或者等同替换，其均在其申请待批的权利要求范围之内。

Claims (9)

1.一种基于AFPSO-K-means的长输油管道泄漏检测方法，其特征在于，所述方法包括：
初始化粒子群，定义所述粒子群中每个粒子的初始速度和位置；
确定每个粒子的适应度值；
遍历每个粒子的适应度值，得到个体粒子的适应度值对应的最优位置，以及粒子群的最优适应度值中的全局最优位置；
根据所述个体粒子的适应度值对应的最优位置，对每个粒子的速度和位置进行迭代更新；
当所有粒子的位置与粒子群的最优适应度值中的全局最优位置的距离小于预设阈值或者迭代次数达到预设次数时，输出当前迭代更新结果，以确定管道泄漏的实际位置。
2.根据权利要求1所述的方法，其特征在于，所述初始化粒子群，定义粒子群中每个粒子的初始速度和位置包括：
定义待检测的管道的样本点数目n，构建由n个样本点构成的数据集xi＝(xi1,xi2,...,xid)；i＝1,2,...,n,
将待聚类的数据集均分为k个类，每个类别为一个粒子群；
随机选取所述粒子群中各个粒子的初始位置和初始速度；
根据每个粒子的初始位置和初始速度，获得个体极值和全局极值。
3.根据权利要求2所述的方法，其特征在于，通过下式将待聚类的数据集均分为k个类：
X＝C1∪...∪Ck∪Coutliers
其中，C1...Ck表示k个类别，k为类别数，X表示经过聚类处理后的数据集。
4.根据权利要求2所述的方法，其特征在于，通过下式确定每个粒子的适应度值：
其中，xi和yi分别为d维欧氏空间中的两个点。
5.根据权利要求1所述的方法，其特征在于，所述遍历每个粒子的适应度值，得到个体粒子的适应度值对应的最优位置，以及粒子群的最优适应度值中的全局最优位置包括：
以均方误差最小作为聚类的目标函数，求解目标函数获得聚类中心；
根据所述聚类中心，确定个体粒子的适应度值对应的最优位置；
通过比较所有粒子的最优适应度值，获得粒子群的最优适应度值中的全局最优位置。
6.根据权利要求5所述的方法，其特征在于，所述聚类中心通过下式确定：
其中，yi表示第i个粒子的适应度值，zj表示聚类中心。
7.根据权利要求5所述的方法，其特征在于，所述根据个体粒子的适应度值对应的最优位置，对每个粒子的速度和位置进行迭代更新包括：
将每个粒子的适应度值与其对应的最优位置进行比较，当两者趋于一致时，将当前粒子的适应度值作为所述粒子的个体最优位置；
通过下式更新当前粒子的速度：
vi(k+1)＝wvi(k)+c1r1(pi(k)-xi(k))+c2r2(pg(k)-xi(k))
xi(k+1)＝xi(k)+vi(k+1)
其中，||(pi(k)-xi(k))||表示粒子的适应度值xi(k)与其对应的最优位置pi(k)之间的距离，vi(k)＝0,vi(k)表示k时刻的粒子速度。
8.根据权利要求7所述的方法，其特征在于，所述输出当前迭代更新结果包括：
比较当前所有粒子的个体最优位置和粒子群的全局最优位置，当所有粒子的个体最优位置到达全局最优位置时，粒子个体最优位置pbest和全局最优位置gbest重合pbest＝gbest＝xi(k)，且满足vi(k+1)＝0，x(k+1)＝x(k)。
9.一种基于AFPSO-K-means的长输油管道泄漏检测系统，其特征在于，所述系统包括：
初始化模块，用于初始化粒子群，定义所述粒子群中每个粒子的初始速度和位置；
确定模块，用于确定每个粒子的适应度值；
遍历模块，用于遍历每个粒子的适应度值，得到个体粒子的适应度值对应的最优位置，以及粒子群的最优适应度值中的全局最优位置；
迭代更新模块，用于根据所述个体粒子的适应度值对应的最优位置，对每个粒子的速度和位置进行迭代更新；
位置监测模块，用于当所有粒子的位置与粒子群的最优适应度值中的全局最优位置的距离小于预设阈值或者迭代次数达到预设次数时，输出当前迭代更新结果，以确定管道泄漏的实际位置。
CN201910703524.XA 2019-07-31 2019-07-31 一种基于AFPSO-K-means的长输油管道泄漏检测方法及系统 Pending CN110610245A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910703524.XA CN110610245A (zh) 2019-07-31 2019-07-31 一种基于AFPSO-K-means的长输油管道泄漏检测方法及系统
US16/923,098 US11635340B2 (en) 2019-07-31 2020-07-08 Leakage detection system and method for long petroleum pipeline based on AFPSO-K-means

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910703524.XA CN110610245A (zh) 2019-07-31 2019-07-31 一种基于AFPSO-K-means的长输油管道泄漏检测方法及系统

Publications (1)

Publication Number Publication Date
CN110610245A true CN110610245A (zh) 2019-12-24

Family

ID=68890292

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910703524.XA Pending CN110610245A (zh) 2019-07-31 2019-07-31 一种基于AFPSO-K-means的长输油管道泄漏检测方法及系统

Country Status (2)

Country Link
US (1) US11635340B2 (zh)
CN (1) CN110610245A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062447A (zh) * 2019-12-26 2020-04-24 东北石油大学 通过降维方式进行风力发电机故障诊断的方法和装置
CN111783945A (zh) * 2020-06-22 2020-10-16 东北石油大学 基于迁移学习lstm的长输油管道泄漏实时检测系统

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112965530B (zh) * 2021-02-09 2024-03-19 辽宁警察学院 一种多无人机自适应变尺度动态目标搜索方法
CN113905386B (zh) * 2021-09-04 2022-09-06 西北工业大学 一种基于自适应混合粒子群算法的Mesh网关部署优化方法
CN113960108B (zh) * 2021-09-24 2024-05-28 株洲国创轨道科技有限公司 一种碳纤维复合材料导热系数和比热容同时测量方法及测量系统
CN114665843A (zh) * 2022-03-14 2022-06-24 成都美数科技有限公司 一种线性相位滤波器的构建方法、系统、电子装置及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101620270A (zh) * 2009-07-23 2010-01-06 重庆邮电大学 基于聚类融合的无线定位方法
US20140257767A1 (en) * 2013-03-09 2014-09-11 Bigwood Technology, Inc. PSO-Guided Trust-Tech Methods for Global Unconstrained Optimization
CN104809500A (zh) * 2015-05-18 2015-07-29 武汉大学 一种高效的基于鱼群扑食行为的改进粒子群算法
CN109284672A (zh) * 2018-08-03 2019-01-29 金陵科技学院 一种基于PSO-Kmeans算法的高压断路器机械故障诊断方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8301406B2 (en) * 2008-07-24 2012-10-30 University Of Cincinnati Methods for prognosing mechanical systems
US20150106323A1 (en) * 2013-10-10 2015-04-16 Abeeb Adebowale Awotunde PSOAF System Parameter Estimator (PSOAF)
US10013513B2 (en) * 2014-10-31 2018-07-03 International Business Machines Corporation Accelerating particle-swarm algorithms
US20170255717A1 (en) * 2016-03-04 2017-09-07 International Business Machines Corporation Anomaly localization in a pipeline
US10260985B2 (en) * 2017-05-16 2019-04-16 Linde Aktiengesellschaft Methods for detecting leaks in liquid pipelines
US11124317B2 (en) * 2018-01-26 2021-09-21 Dalian University Of Technology Method for prediction of key performance parameters of aero-engine in transition condition
US20190251458A1 (en) * 2018-02-15 2019-08-15 Institute For Development And Research In Banking Technology System and method for particle swarm optimization and quantile regression based rule mining for regression techniques
CN109654384B (zh) * 2019-01-29 2024-04-02 南京工业大学 基于pso-vmd算法的管道泄漏检测装置及检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101620270A (zh) * 2009-07-23 2010-01-06 重庆邮电大学 基于聚类融合的无线定位方法
US20140257767A1 (en) * 2013-03-09 2014-09-11 Bigwood Technology, Inc. PSO-Guided Trust-Tech Methods for Global Unconstrained Optimization
CN104809500A (zh) * 2015-05-18 2015-07-29 武汉大学 一种高效的基于鱼群扑食行为的改进粒子群算法
CN109284672A (zh) * 2018-08-03 2019-01-29 金陵科技学院 一种基于PSO-Kmeans算法的高压断路器机械故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
任克强等: "基于AFSA和PSO融合优化的AdaBoost人脸检测算法", 《小型微型计算机系统》 *
张创业 等: "基于协同进化思想的人工鱼和粒子群混合优化算法", 《广西民族大学学报（自然科学版）》 *
杨广全 等: "基于粒子群K均值聚类算法的电梯交通模式识别", 《控制与决策》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111062447A (zh) * 2019-12-26 2020-04-24 东北石油大学 通过降维方式进行风力发电机故障诊断的方法和装置
CN111062447B (zh) * 2019-12-26 2022-07-19 东北石油大学 通过降维方式进行风力发电机故障诊断的方法和装置
CN111783945A (zh) * 2020-06-22 2020-10-16 东北石油大学 基于迁移学习lstm的长输油管道泄漏实时检测系统
CN111783945B (zh) * 2020-06-22 2022-08-16 东北石油大学 基于迁移学习lstm的长输油管道泄漏实时检测系统

Also Published As

Publication number Publication date
US20210033484A1 (en) 2021-02-04
US11635340B2 (en) 2023-04-25

Similar Documents

Publication Publication Date Title
CN110610245A (zh) 一种基于AFPSO-K-means的长输油管道泄漏检测方法及系统
CN109067773B (zh) 一种基于神经网络的车载can网络入侵检测方法及系统
CN106991047B (zh) 一种用于对面向对象软件缺陷进行预测的方法及系统
CN110111113B (zh) 一种异常交易节点的检测方法及装置
CN105934765B (zh) 从异常数据构造反常模型的方法
CN109086291B (zh) 一种基于MapReduce的并行异常检测方法及系统
WO2023044770A1 (zh) 干泵宕机的预警方法、装置、电子设备、存储介质及程序
CN112925909B (zh) 一种考虑局部不变性约束的图卷积文献分类方法及系统
US11341780B2 (en) Maintenance of an aircraft via similarity detection and modeling
Zhiyong et al. Prognostics uncertainty reduction by right-time prediction of remaining useful life based on hidden Markov model and proportional hazard model
CN112883651A (zh) 基于改进pbi方法的系统级测试性设计多目标优化方法
CN110634198B (zh) 一种基于正多胞体滤波的工业系统分层故障诊断方法
CN115112372A (zh) 轴承故障诊断方法、装置、电子设备及存储介质
CN113486926B (zh) 一种自动化码头设备异常检测系统
Hamed et al. Fuel consumption prediction model using machine learning
Xian et al. An EA-based pruning on improved YOLOv3 for rapid copper elbow surface defect detection
Raghavendra Prasad et al. A comparative study of machine learning algorithms for gas leak detection
CN110348005B (zh) 配网设备状态数据处理方法、装置、计算机设备及介质
CN111126727B (zh) 电力计费分布式并行异常检测方法
CN112711912A (zh) 基于云计算和机器学习算法的空气质量监测与告警方法、系统、装置和介质
US11970178B2 (en) Computer-implemented method for machine learning for operating a vehicle component, and method for operating a vehicle component
CN112733903B (zh) 基于svm-rf-dt组合的空气质量监测与告警方法、系统、装置和介质
Derse et al. An anomaly detection study on automotive sensor data time series for vehicle applications
CN115293041A (zh) 一种静电预测模型构建方法、装置、设备及介质
CN110197031B (zh) 一种用于高密度聚乙烯串级聚合反应的软测量方法

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