CN111460367B - 一种基于s变换/wgan解决输卤管道泄漏数据不平衡的算法 - Google Patents
一种基于s变换/wgan解决输卤管道泄漏数据不平衡的算法 Download PDFInfo
- Publication number
- CN111460367B CN111460367B CN202010202045.2A CN202010202045A CN111460367B CN 111460367 B CN111460367 B CN 111460367B CN 202010202045 A CN202010202045 A CN 202010202045A CN 111460367 B CN111460367 B CN 111460367B
- Authority
- CN
- China
- Prior art keywords
- generator
- discriminator
- transformation
- data set
- conveying pipeline
- 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
Links
- 229910052736 halogen Inorganic materials 0.000 title claims abstract description 35
- 150000002367 halogens Chemical class 0.000 title claims abstract description 35
- 230000009466 transformation Effects 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 26
- 238000005070 sampling Methods 0.000 claims description 8
- 238000001228 spectrum Methods 0.000 claims description 8
- 238000000034 method Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Discrete Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及输卤管道检测技术领域,公开了一种基于S变换/WGAN解决输卤管道泄漏数据不平衡的算法,包括1)从输卤管道的历史数据集X中选取故障数据集Z;2)通过S变换将步骤1)中故障数据集Z变为时‑频‑模三维的图片;3)将步骤2)中泄漏点图片放到WGAN模型中进行迭代训练,生成新的泄漏点样本z';4)将步骤3)中泄漏点样本z'加入到原始的历史数据集X,形成新的数据集Y。与现有技术相比,本发明通过S变换能充分的了解到输卤管道某一时刻数据时‑频‑模三维的特征,利用WGAN网络可以解决在采集到的数据集不平衡时训练出有效的输卤管道泄漏判别模型。
Description
技术领域
本发明涉及输卤管道检测技术领域,特别涉及一种基于S变换/WGAN解决输卤管道泄漏数据不平衡的算法。
背景技术
输卤管道随着管道使用的年限增长,管道泄漏的事故不断增多而其泄漏不仅对环境造成严重污染,还会给企业带来巨大的经济损失。因此,对管道进行实时监测,及时的确定故障的发生并精确定位泄漏点具有重要的研究意义。
对于输卤管道系统,大多数时候它是正常运行的,这意味着故障数据远少于正常数据。故障数据和正常数据的不平衡直接导致基于神经网络的方法难以分类。基于S变换/WGAN的检测方法可以解决输卤管道泄漏数据不平衡,保证之后模型预测的准确性。
发明内容
发明目的:针对现有技术中存在的问题,本发明提供一种输卤管道泄漏检测的智能算法,可以解决在采集到的数据集不平衡时训练出有效的输卤管道泄漏判别模型。
技术方案:本发明提供了一种基于S变换/WGAN解决输卤管道泄漏数据不平衡的算法,包括以下步骤:
Step1:从输卤管道的历史数据集X中选取故障数据集Z;
Step2:通过S变换将Step1中故障数据集Z变为时-频-模三维的泄漏点图片;
Step3:将Step2中泄漏点图片放到WGAN模型中进行迭代训练,生成新的泄漏点样本z';
Step4:将Step3中泄漏点样本z'加入到原始的历史数据集X,形成新的数据集Y。
进一步地,所述Step2中S变换的离散形式如下所示:
其中,N为信号的采样总点数,T为采样周期,X[kT](k=0,1,2…N-1)为采样后的信号,n为第n个点的序号,m为向左平移的频率点,j为虚数单位。
进一步地,所述Step2中S变换的具体步骤如下:
Step1.1:采集输卤管道内壁的压力信号X[kT];
Step1.3:n=0时,转到Step1.4,执行Step1.4与Step1.5;n不为0时,对于给定的频率点n,计算高斯窗函数的FFT:
Step1.4:根据n=0的公式计算给定时间点k对应的时间序列的S变换S[kt,0](k=0,1,2,…,N-1表示时间采样点);
Step1.5:令k=k+1,重复Step1.4,直至完成所有点的S变换,并结束S变换;
Step1.8:令n=n+1,重复Step1.4、Step1.5,直到计算完所有的频率点的S变换。
进一步地,所述WGAN模型主要包括生成器G(z)和判别器D(x);
生成器G(z)用来学习真实的输卤管道泄漏点信号分布;
判别器D(x)是对生成的信号进行真假判断;
生成器G(z)和判别器D(x)相互博弈,最终达到两个网络的动态平衡,即生成器G(z)生成的泄露点数据接近真实分布,判别器D(x)则识别不出真假信号;在平衡点时,生成器G(z)生成数据,判别器D(x)认为生成器G(z)输出的结果是真实数据的概率为0.5。
进一步地,所述Step3中WGAN模型的目标函数、训练中的损失函数如下:
其中,f(x)表示判别器多图像的判别,x~Pr表示输卤管道真实泄漏数据集图像的分布、x~Pg表示生成器生成图像的分布。
进一步地,所述WGAN模型训练步骤包括:
步骤1)固定住生成器G(z),仅更新判别器D(x)的参数,其步骤包括:
Step2.3:根据下述公式,更新判别器的梯度:
其中,θ为判别器的参数,ω为生成器的参数;
Step2.4:采用RMSProp优化算法调节生成器G(z)的参数ω:
Step2.5:将ω限制在(-c,c)之间,即:ω←clip(w,-c,c),c为一个常数;
Step2.6:判断迭代次数是否达到判别器迭代次数的预设值,若没达到则转到Step2.1继续进行迭代,否则转到步骤2);
步骤2)固定判别器D(x),仅更新生成器G(z)的参数,其步骤包括:
Step3.2:根据下述公式,更新生成器的梯度:
其中,θ为判别器的参数,ω为生成器的参数;
Step3.3:采用RMSProp优化算法调节判别器的参数θ:
Step3.4:判断迭代次数是否达到生成器迭代次数的预设值,若没达到则转到步骤1)继续进行迭代,否则完成整个训练过程。
有益效果:
1、本发明通过S变换能充分的了解到输卤管道某一时刻数据时-频-模三维的特征。
2、本发明利用WGAN网络可以解决在采集到的数据集不平衡时训练出有效的输卤管道泄漏判别模型。
附图说明
图1为本发明S变换的流程图;
图2为本发明WGAN模型的框图;
图3为本发明WGAN的训练流程图;
图4为本发明S变换后真实的泄露数据图片;
图5为本发明WGAN生成器生成的图片。
具体实施方式
下面结合附图对本发明进行详细的介绍。
本发明涉及输卤管道检测技术,主要是为了解决故障数据和正常数据的不平衡直接导致基于神经网络的方法难以分类的问题。本发明公开了一种基于S变换/WGAN解决输卤管道泄漏数据不平衡的算法,主要包括以下步骤:
第一步:从输卤管道的历史数据集X中选取故障数据集Z。
第二步:通过S变换将输卤管道泄漏点的故障数据(故障数据集Z)变为时-频-模三维的图片。
输卤管道泄漏检测的智能检测终端采集的是离散信号,因此采用S变换的离散形式。设信号的采样总点数为N,采用周期为T,采样后的信号为X[kT](k=0,1,2…N-1)。S的离散形式如下所示:
其中,N为信号的采样总点数,T为采用周期,X[kT](k=0,1,2…N-1)为采样后的信号,n为第n个点的序号,m为向左平移的频率点,j为虚数单位。
第二步中S变换的具体步骤如下:
Step1.1:采集数据管道内壁的压力信号X[kT]。
Step1.3:n=0时,转到Step1.4,执行Step1.4与Step1.5;当n不为0时,对于给定的频率点n,计算高斯窗函数的FFT:
Step1.4:根据n=0的公式计算给定时间点k对应的时间序列的S变换S[kt,0](k=0,1,2,…,N-1表示时间采样点)。
Step1.5:令k=k+1,重复步骤7,直至完成所有点的S变换,结束S变换。
Step1.8:令n=n+1,重复Step1.4,Step1.5,直到计算完所有的频率点的S变换。
第三步:将S变换后的泄漏点图片放到WGAN模型中进行迭代训练,生成新的泄漏点样本z'。
WGAN模型主要包括两个部分:生成器G(z)和判别器D(x)。
生成器G(z)用来学习真实的输卤管道泄漏点信号分布,从而让自身生成的泄漏点的数据更加真实。
判别器D(x)则是需要对生成的信号进行真假判断。
在整个过程中,生成器G(z)和判别器D(x)相互博弈,最终达到两个网络的动态平衡,即生成器G(z)生成的泄露点数据接近真实分布,判别器D(x)则识别不出真假信号。在平衡点时,生成器G(z)生成数据,判别器D(x)认为生成器G(z)输出的结果是真实数据的概率为0.5。
WGAN的目标函数、训练中的损失函数如下:
其中,f(x)表示判别器多图像的判别,x~Pr表示输卤管道真实泄漏数据集图像的分布、x~Pg表示生成器生成图像的分布。
设定WGAN模型的生成器G(z)从随机噪声信号中接受一个100维的向量作为输入向量,生成的图像作为判别器D(x)的一个输入。判别器D(x)以真实泄漏图像作为另一个输入并返回“1”代表真实泄漏图像概率的标量。WGAN采用RMSProp优化算法调节生成器和判别器网络的参数θ和参数ω。
所以,WGAN网络的训练流程图如图3所示,包括以下步骤:
1)固定住生成器G(z),仅更新判别器D(x)的参数。
Step1.3:根据下述公式,更新判别器的梯度:
其中,θ为判别器的参数,ω为生成器的参数;
Step1.4:采用RMSProp优化算法调节生成器的参数ω:
Step1.5:将ω限制在(-c,c)之间,即:ω←clip(w,-c,c),其中c为一个常数。
Step1.6:判断迭代次数是否达到判别器迭代次数的预设值,若没达到则转到Step1.1继续进行迭代,否则转到步骤2)。
2)固定判别器D(x),仅更新生成器G(z)的参数;
Step2.2:根据下述公式,更新生成器的梯度:
其中,θ为判别器的参数,ω为生成器的参数;
Step2.3:采用RMSProp优化算法调节判别器的参数θ:
Step2.4:判断迭代次数是否达到生成器迭代次数的预设值,若没达到则转到步骤1)继续进行迭代,否则完成整个训练过程。
第四步:将新生成的样本z'加入到所述原始的历史数据集X,形成新的数据集Y,解决数据不平衡问题。
相关数据如下:
图4为S变换后的真实泄露图片,图5是WGAN生成器生成的图片。对比可知,WGAN生成器可以很好的学习输卤管道真实的泄漏数据集。所以将生成的图片加入到输卤管道原来的数据集中,可以很好的解决输卤管道数据不平衡的问题。
上述实施方式只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰,都应涵盖在本发明的保护范围之内。
Claims (1)
1.一种基于S变换/WGAN解决输卤管道泄漏数据不平衡的方法,其特征在于,包括以下步骤:
Step1:从输卤管道的历史数据集X中选取故障数据集Z;
Step2:通过S变换将Step1中故障数据集Z变为时-频-模三维的泄漏点图片;
S变换的离散形式如下所示:
其中,N为信号的采样总点数,T为采样周期,X[kT],k=0,1,2…N-1为采样后的信号,n为第n个点的序号,m为向左平移的频率点,j为虚数单位;
S变换的具体步骤如下:
Step1.1:采集输卤管道内壁的压力信号X[kT];
Step1.3:n=0时,转到Step1.4,执行Step1.4与Step1.5;n不为0时,对于给定的频率点n,计算高斯窗函数的FFT:
Step1.4:根据n=0的公式计算给定时间点k对应的时间序列的S变换S[kt,0],k=0,1,2,…,N-1表示时间采样点;
Step1.5:令k=k+1,重复Step1.4,直至完成所有点的S变换,并结束S变换;
Step 1.8:令n=n+1,重复Step1.6、Step1.7,直到计算完所有的频率点的S变换;
Step3:将Step2中泄漏点图片放到WGAN模型中进行迭代训练,生成新的泄漏点样本z';
WGAN模型包括生成器G(z)和判别器D(x);
生成器G(z)用来学习真实的输卤管道泄漏点信号分布;
判别器D(x)是对生成的信号进行真假判断;
生成器G(z)和判别器D(x)相互博弈,最终达到两个网络的动态平衡,即生成器G(z)生成的泄漏点数据接近真实分布,判别器D(x)则识别不出真假信号;在平衡点时,生成器G(z)生成数据,判别器D(x)认为生成器G(z)输出的结果是真实数据的概率为0.5;
WGAN模型的目标函数、训练中的损失函数如下:
其中,f(x)表示判别器多图像的判别,x~Pr表示输卤管道真实泄漏数据集图像的分布、x~Pg表示生成器生成图像的分布;
WGAN模型训练步骤包括:
步骤1)固定住生成器G(z),仅更新判别器D(x)的参数,其步骤包括:
Step2.3:根据下述公式,更新判别器的梯度:
其中,θ为判别器的参数,ω为生成器的参数;
Step2.4:采用RMSProp优化算法调节生成器G(z)的参数ω:
Step2.5:将ω限制在(-c,c)之间,即:ω←clip(w,-c,c),c为一个常数;
Step2.6:判断迭代次数是否达到判别器迭代次数的预设值,若没达到则转到Step2.1继续进行迭代,否则转到步骤2);
步骤2)固定判别器D(x),仅更新生成器G(z)的参数,其步骤包括:
Step3.2:根据下述公式,更新生成器的梯度:
其中,θ为判别器的参数,ω为生成器的参数;
Step3.3:采用RMSProp优化算法调节判别器的参数θ:
Step3.4:判断迭代次数是否达到生成器迭代次数的预设值,若没达到则转到步骤1)继续进行迭代,否则完成整个训练过程;
Step4:将Step3中泄漏点样本z'加入到原始的历史数据集X,形成新的数据集Y。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010202045.2A CN111460367B (zh) | 2020-03-20 | 2020-03-20 | 一种基于s变换/wgan解决输卤管道泄漏数据不平衡的算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010202045.2A CN111460367B (zh) | 2020-03-20 | 2020-03-20 | 一种基于s变换/wgan解决输卤管道泄漏数据不平衡的算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111460367A CN111460367A (zh) | 2020-07-28 |
CN111460367B true CN111460367B (zh) | 2023-05-30 |
Family
ID=71678427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010202045.2A Active CN111460367B (zh) | 2020-03-20 | 2020-03-20 | 一种基于s变换/wgan解决输卤管道泄漏数据不平衡的算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111460367B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113719764A (zh) * | 2021-08-04 | 2021-11-30 | 中国人民解放军陆军勤务学院 | 一种管道泄漏检测方法 |
CN114861722B (zh) * | 2022-04-29 | 2023-04-11 | 国网四川省电力公司成都供电公司 | 基于时频谱图分离的局部放电窄带干扰抑制方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104075122B (zh) * | 2014-06-12 | 2016-09-14 | 东北大学 | 一种便携式一体化管道泄漏检测装置及方法 |
CN109120652A (zh) * | 2018-11-09 | 2019-01-01 | 重庆邮电大学 | 基于差分wgan网络安全态势预测 |
CN109800785B (zh) * | 2018-12-12 | 2021-12-28 | 中国科学院信息工程研究所 | 一种基于自表达相关的数据分类方法和装置 |
CN109816044A (zh) * | 2019-02-11 | 2019-05-28 | 中南大学 | 一种基于wgan-gp和过采样的不平衡学习方法 |
-
2020
- 2020-03-20 CN CN202010202045.2A patent/CN111460367B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111460367A (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111460367B (zh) | 一种基于s变换/wgan解决输卤管道泄漏数据不平衡的算法 | |
CN110009171B (zh) | 用户行为模拟方法、装置、设备及计算机可读存储介质 | |
CN103353923B (zh) | 基于空间特征分析的自适应空间插值方法及其系统 | |
CN107293115B (zh) | 一种用于微观仿真的交通流量预测方法 | |
CN111008959A (zh) | 基于航拍图像的均压环缺陷检测方法、装置、介质和设备 | |
CN105572572B (zh) | 基于wknn-lssvm的模拟电路故障诊断方法 | |
CN111275108A (zh) | 基于生成对抗网络对局部放电数据进行样本扩展的方法 | |
CN112200038B (zh) | 一种基于cnn的电力系统振荡类型的快速辨识方法 | |
CN114595732B (zh) | 基于深度聚类的雷达辐射源分选方法 | |
CN114969995A (zh) | 一种基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法 | |
CN110728195A (zh) | 基于yolo算法的电能质量扰动检测方法 | |
CN105093095A (zh) | 模拟非线性直流电路的改进粒子群优化诊断方法及系统 | |
CN114818809B (zh) | 基于交叉小波的sca-svm电机滚动轴承的故障诊断方法 | |
CN110889207B (zh) | 一种基于深度学习的体系组合模型可信度智能评估方法 | |
CN116578660A (zh) | 一种基于稀疏数据的电磁目标态势地图构建方法 | |
CN112149869A (zh) | 一种直流输电线路空气间隙放电电压的预测方法及系统 | |
CN111967308A (zh) | 一种在线路面不平度辨识方法及系统 | |
Colby et al. | Counterfactual Exploration for Improving Multiagent Learning. | |
CN114090952A (zh) | 损失函数动态加权的方法、装置、设备和存储介质 | |
CN109061354A (zh) | 一种基于改进pso和svm的电能质量扰动识别方法 | |
CN117332324A (zh) | 管道漏损检测方法、装置、电子设备及存储介质 | |
CN115408949B (zh) | 一种负荷模型参数辨识方法、系统、设备和介质 | |
CN116029220A (zh) | 一种电压互感器运行误差评估方法、系统、设备及介质 | |
CN113852433B (zh) | 一种基于计算机视觉的无线信道阴影衰落模型预测方法 | |
Duan et al. | A novel adaptive fault diagnosis method for wind power gearbox |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20200728 Assignee: Shanghai Yanqiao Information Technology Co.,Ltd. Assignor: HUAIYIN INSTITUTE OF TECHNOLOGY Contract record no.: X2023980043538 Denomination of invention: An Algorithm Based on S-Transform/WGAN to Solve the Imbalance of Leakage Data in Halogen Pipeline Granted publication date: 20230530 License type: Common License Record date: 20231016 |
|
EE01 | Entry into force of recordation of patent licensing contract |