CN115640511A - 一种基于支持向量机的管道泄露检测方法及装置 - Google Patents
一种基于支持向量机的管道泄露检测方法及装置 Download PDFInfo
- Publication number
- CN115640511A CN115640511A CN202211669255.8A CN202211669255A CN115640511A CN 115640511 A CN115640511 A CN 115640511A CN 202211669255 A CN202211669255 A CN 202211669255A CN 115640511 A CN115640511 A CN 115640511A
- Authority
- CN
- China
- Prior art keywords
- pipeline
- vibration
- support vector
- vector machine
- time domain
- 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
Links
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 75
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 239000002245 particle Substances 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000005457 optimization Methods 0.000 claims abstract description 30
- 239000013598 vector Substances 0.000 claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000013507 mapping Methods 0.000 claims abstract description 23
- 238000004590 computer program Methods 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 18
- 238000000546 chi-square test Methods 0.000 description 10
- 238000001543 one-way ANOVA Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 241000755937 Corinna Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Landscapes
- Complex Calculations (AREA)
Abstract
本发明涉及一种基于支持向量机的管道泄露检测方法及装置，其方法包括：获取管道泄漏的振动数据，并根据其构建训练数据集；从所述振动数据中提取为一个或多个振动特征，并将所述振动特征映射为管道振动特征向量；对所述管道振动特征向量进行标准化；基于所述训练数据集构建并训练支持向量机模型，并通过粒子群优化算法对所述支持向量机模型；利用待预测管道的振动数据和优化后的支持向量机模型，对所述待预测管道进行泄漏预测。本发明通过粒子群算法优化支持向量机模型，从而提高了其预测的准确性和泛化性。
Description
技术领域
本发明属于管道检测与机器学习技术领域，具体涉及一种基于支持向量机的管道泄露检测方法及装置。
背景技术
通过对管道泄漏（泄露）检测问题的分析，管道泄漏检测的实质是区分管道泄漏状态，即等价于一个二分类识别问题。在众多分类识别方法中，支持向量机由于其良好的泛化能力，分类速度快，效果好，在解决有限样本分类问题中得到了广泛应用。支持向量机模型训练前的参数选择，会影响模型最终的分类效果。不同的参数组合，训练得到的模型，分类识别效果也会不同，因此对于支持向量机的优化问题，实质上是参数组的寻优问题。
SVM（Support Vector Machine，支持向量机）最早由广义肖像算法发展而来，1964年，Vapnik和Alexey Y.Chervonenkis对广义肖像算法进行了进一步讨论并建立了硬边距的线性SVM；1992年，Bernhard E.Boser、Isabelle M.Guyon和Vapnik引入核方法提出了非线性SVM；1995年，Corinna Cortes和Vapnik在前有的基础上又提出了软边界的非线性SVM。SVM是一种具有坚实理论基础的小样本学习方法，基本上不涉及概率测度及大数定律等，与现有的统计方法不同，并且SVM的优化目标是结构风险化最小，对于小样本学习避免了过度拟合问题，得到对数据分布的结构化描述，降低了对数据规模和数据分布的要求，由良好的泛化能力。因此，SVM被认为是机器学习理论中最成功的方法。
粒子群优化算法（PSO，Particle Swarm Optimization）是Kennedy和Eberhart教授在1995年提出的一种进化计算技术，源于对鸟群捕食的行为研究。该算法在对动物群体活动行为研究的基础上，利用群体中的个体信息共享使整个群体的运动在问题求解空间中产生由无序到有序演变的过程；在计算科学中，通过具有一定属性的粒子来模拟鸟群，粒子通过信息共享在整个目标空间搜索最优的解决方案。目前，粒子群算法主要应用于函数优化、图像处理等领域。
发明内容
为提高支持向量机模型预测管道泄漏的准确性和泛化性，在本发明的第一方面提供了一种基于支持向量机的管道泄露检测方法，包括：获取管道泄漏的振动数据，并根据其构建训练数据集；从所述振动数据中提取为一个或多个振动特征，并将所述振动特征映射为管道振动特征向量；对所述管道振动特征向量进行标准化；基于所述训练数据集构建并训练支持向量机模型，并通过粒子群优化算法对所述支持向量机模型；利用待预测管道的振动数据和优化后的支持向量机模型，对所述待预测管道进行泄漏预测。
在本发明的一些实施例中，所述从所述振动数据中提取为一个或多个振动特征，并将所述振动特征映射为管道振动特征向量包括：分别从管道振动的三个轴向提取多个时域特征和多个频域特征；至少将所述多个时域特征或多个频域特征中的一个特征映射为管道振动特征向量。
进一步的，所述至少将所述多个时域特征或多个频域特征中的一个特征映射为管道振动特征向量包括：将Y轴时域平均值、X轴时域方差和X轴频谱均值映射为管道振动特征向量。
在本发明的一些实施例中，所述通过粒子群优化算法对所述支持向量机模型包括：
确定粒子群优化算法和支持向量机模型的多个参数的初始值和取值区间，所述多个参数包括核函数gamma值、惩罚系数、种群粒子数和粒子速度；基于粒子群优化算法的多个参数的初始值和取值区间，通过支持向量机模型的分类准确率作为适应度函数，对支持向量机模型的核函数和惩罚系数进行迭代，直至找到一组最优的核函数gamma值和惩罚系数组合。
进一步的，所述核函数gamma值取值区间为[1,1000]，所述惩罚系数的取值区间为[1,500]。
在上述的实施例中，所述振动特征包括时域平均值、时域绝对平均值、时域方差、时域方根幅值、时域均方根值、时域峰峰值、频谱均值、中心频率、均方频率、频谱均方根值、频率方差或频域幅值偏度。
本发明的第二方面，提供了一种基于支持向量机的管道泄露检测装置，包括：获取模块，用于获取管道泄漏的振动数据，并根据其构建训练数据集；标准化模块，用于从所述振动数据中提取为一个或多个振动特征，并将所述振动特征映射为管道振动特征向量；对所述管道振动特征向量进行标准化；优化模块，用于基于所述训练数据集构建并训练支持向量机模型，并通过粒子群优化算法对所述支持向量机模型；预测模块，用于利用待预测管道的振动数据和优化后的支持向量机模型，对所述待预测管道进行泄漏预测。
本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明在第一方面提供的基于支持向量机的管道泄露检测方法。
本发明的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明在第一方面提供的基于支持向量机的管道泄露检测方法。
本发明的有益效果是：
首先用多特征量组合结合粒子群优化算法，寻找支持向量机模型的最优参数组合。然后再用多特征量进行管道泄漏检测模型的训练和测试，构建检测效果较好的支持向量机模型，应用于管道泄漏检测。
附图说明
图1为本发明的一些实施例中的基于支持向量机的管道泄露检测方法的基本流程示意图；
图2为本发明的一些实施例中的基于支持向量机的管道泄露检测方法的具体流程示意图；
图3为本发明的一些实施例中的粒子群优化算法的流程示意图；
图4为本发明的一些实施例中的利用卡方测试法和单因素方差分析法选取特征进行X轴管道泄漏检测的准确率对比图；
图5为本发明的一些实施例中的利用卡方测试法和单因素方差分析法选取特征进行Y轴管道泄漏检测的准确率对比图；
图6为本发明的一些实施例中的利用卡方测试法和单因素方差分析法选取特征进行Z轴管道泄漏检测的准确率对比图；
图7为本发明的一些实施例中的利用卡方测试法选取混合特征进行管道泄漏检测的准确率示意图；
图8为本发明的一些实施例中的利用单因素方差分析法选取混合特征进行管道泄漏检测的准确率示意图；
图9为本发明的一些实施例中的利用卡方测试法选取最佳混合特征进行道泄漏检测的准确率示意图；
图10为本发明的一些实施例中的基于支持向量机的管道泄露检测装置的结构示意图；
图11为本发明的一些实施例中的电子设备的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
参考图1，在本发明的第一方面，提供了一种基于支持向量机的管道泄露检测方法，包括：S100.获取管道泄漏的振动数据，并根据其构建训练数据集；S200.从所述振动数据中提取为一个或多个振动特征，并将所述振动特征映射为管道振动特征向量；对所述管道振动特征向量进行标准化；S300.基于所述训练数据集构建并训练支持向量机模型，并通过粒子群优化算法对所述支持向量机模型；S400.利用待预测管道的振动数据和优化后的支持向量机模型，对所述待预测管道进行泄漏预测。
可以理解，振动数据通常通过传感器在管道振动的三个轴向（XYZ）采集的振动信号，其通常可处理为时域信号或频域信号;一般地，X轴与管道中的流体的运动方向（管道的轴向）一致；而训练数据集通常包括训练样本和测试样本；其中，每个样本里包括一个或多个特征及其属性值，以及对应的标签（预测结果）的布尔值（0或1，真与假）或概率值。
参考图2，在本发明的一个实施例中，上述步骤可具体描述为：
步骤1：首先对管道振动特征进行标准化处理，将数据压缩到统一范围，避免某些数值过大导致样本空间不可分。
步骤2：将训练样本送入SVM优化算法中，其中的适应度评价为训练样本的分类准确率，最终返回最优的gamma和C的参数组合。
步骤3：将训练样本训练参数优化后的SVM模型，得到管道泄漏检测模型。
步骤4：利用预测样本对管道泄漏模型进行评价。
在本发明的一些实施例的步骤S200中，所述从所述振动数据中提取为一个或多个振动特征，并将所述振动特征映射为管道振动特征向量包括：S201.分别从管道振动的三个轴向提取多个时域特征和多个频域特征；S202.至少将所述多个时域特征或多个频域特征中的一个特征映射为管道振动特征向量。具体地，特征提取可以通过卡方检验、主成分分析法、方差分析法等利用统计学手段或降维方法从管道振动数据（信号）中提取一个或多个特征。
进一步的，在步骤S202中，所述至少将所述多个时域特征或多个频域特征中的一个特征映射为管道振动特征向量包括：将Y轴时域平均值、X轴时域方差和X轴频谱均值映射为管道振动特征向量。
参考图3，不失一般性，PSO算法中的每一个个体被称为粒子，它仅具有两个属性：速度和质量，其中速度代表移动速度，位置代表移动方向。每个粒子在空间中单独搜索最优解，并将其记为当前个体极值，每个个体极值与整个粒子群信息共享，选取最优的那个粒子极值当前的全局最优解，粒子进一步根据全局最优粒子的位置来调整自己的速度和方向。其中，粒子性能的评估由适应度函数来确定。
应理解，支持向量机中的核函数gamma和惩罚因子C的选择，决定了模型性能的好坏。核函数gamma影响原始空间映射后的高维空间结构；惩罚因子C表示对误差的容忍度，C越大，说明模型对误差的容忍度越低，但易出现过拟合问题，然而C越小，会导致欠拟合。因此，找到一组最优的gamma和C，是提高模型识别准确率的关键。
有鉴于此，在本发明的一些实施例的步骤S300中，所述通过粒子群优化算法对所述支持向量机模型包括：
确定粒子群优化算法和支持向量机模型的多个参数的初始值和取值区间，所述多个参数包括核函数gamma值、惩罚系数、种群粒子数和粒子速度；基于粒子群优化算法的多个参数的初始值和取值区间，通过支持向量机模型的分类准确率作为适应度函数，对支持向量机模型的核函数和惩罚系数进行迭代，直至找到一组最优的核函数gamma值和惩罚系数组合。
具体地，使用带有惯性权值
的PSO算法对SVM模型的核函数参数gamma和惩罚因
子C进行优化。仿真中gamma的取值范围为[1,1000]，C的取值范围为[1,500]，C1初始化为
1.2，C2初始化为1.3，k为1，wV为1.1,wP为1.1，v为10，最大进化数量为100，种群粒子数为
300。C1表示PSO参数的局部搜索能力，C2表示PSO参数全局搜索能力，k表示速度和位置的关
系，wV表示速率更新公式中速度的弹性系数，wP为种群更新公式中速率前面的弹性系数，v
表示SVM中交叉验证的参数。其中,训练样本与预测样本之比为6:4。
参考图4至图6，其示出了利用PSO算法对参数进行优化，振动信号分别在Chi-square Test（卡方测试）和ANOVA（单因素方差分析）方法选取单轴最优的八个特征组合下管道泄漏识别准确率。两种特征提取方式下都表明X轴上的特征组合效果较好，但只有73.3%的识别准确率，并且错误识别都集中在将泄漏样本识别成未泄露样本。该结果表明只考虑单轴上的特征进行管道泄漏检测效果相对较差。
参考图7至图8，两种情况下八个特征泄漏预测结果，较ANOVA方法，Chi-squareTest下的特征效果相对较好，且比单轴特征组合有所提升。下表为两种特征分析下不同特征数量管道泄漏预测结果：
表1 两种特征分析方式下管道泄漏预测结果
从表中可明显看出，在PSO参数优化后，根据Chi-square Test提取的特征组合明显优于ANOVA方法，除去第一个相同特征外，不论是最高准确率还是平均准确率，Chi-square Test结果都优于ANOVA方法。另外，随着特征数量的增加，平均准确率下降，并存在波动，既表明了特征数量的增加可能会增加SVM模型的结构风险，即导致样本空间结构更加复杂，难以找到最优的划分超平面。又表明不同的特征组合在一起有可能会构造更优的样本空间。
参考图9，由于单个特征进行管道泄漏预测过于简单，易受外因干扰，因此选取Chi-square Test下的前三个特征作为管道振动特征，即Y轴时域平均值、X轴时域方差、X轴频谱均值。其显示了在该特征向量下的预测结果，准确率为100%。同时，该模型也可对降噪处理后的振动信号实现泄漏检测。
在上述的实施例S100至S400中，所述振动特征包括时域平均值、时域绝对平均值、时域方差、时域方根幅值、时域均方根值、时域峰峰值、频谱均值、中心频率、均方频率、频谱均方根值、频率方差或频域幅值偏度。
实施例2
参考图10，本发明的第二方面，提供了一种基于支持向量机的管道泄露检测装置1，包括：获取模块11，用于获取管道泄漏的振动数据，并根据其构建训练数据集；标准化模块12，用于从所述振动数据中提取为一个或多个振动特征，并将所述振动特征映射为管道振动特征向量；对所述管道振动特征向量进行标准化；优化模块13，用于基于所述训练数据集构建并训练支持向量机模型，并通过粒子群优化算法对所述支持向量机模型；预测模块14，用于利用待预测管道的振动数据和优化后的支持向量机模型，对所述待预测管道进行泄漏预测。
进一步的，所述标准化模块12包括：提取单元，用于分别从管道振动的三个轴向提取多个时域特征和多个频域特征；映射单元，用于至少将所述多个时域特征或多个频域特征中的一个特征映射为管道振动特征向量。
实施例3
参考图11，本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明在第一方面的方法。
电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图11示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图11中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。需要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于支持向量机的管道泄露检测方法，其特征在于，包括：
获取管道泄漏的振动数据，并根据其构建训练数据集；
从所述振动数据中提取为一个或多个振动特征，并将所述振动特征映射为管道振动特征向量；对所述管道振动特征向量进行标准化；
基于所述训练数据集构建并训练支持向量机模型，并通过粒子群优化算法对所述支持向量机模型；
利用待预测管道的振动数据和优化后的支持向量机模型，对所述待预测管道进行泄漏预测。
2.根据权利要求1所述的基于支持向量机的管道泄露检测方法，其特征在于，所述从所述振动数据中提取为一个或多个振动特征，并将所述振动特征映射为管道振动特征向量包括：
分别从管道振动的三个轴向提取多个时域特征和多个频域特征；
至少将所述多个时域特征或多个频域特征中的一个特征映射为管道振动特征向量。
3.根据权利要求2所述的基于支持向量机的管道泄露检测方法，其特征在于，所述至少将所述多个时域特征或多个频域特征中的一个特征映射为管道振动特征向量包括：
将Y轴时域平均值、X轴时域方差和X轴频谱均值映射为管道振动特征向量。
4.根据权利要求1所述的基于支持向量机的管道泄露检测方法，其特征在于，所述通过粒子群优化算法对所述支持向量机模型包括：
确定粒子群优化算法和支持向量机模型的多个参数的初始值和取值区间，所述多个参数包括核函数gamma值、惩罚系数、种群粒子数和粒子速度；
基于粒子群优化算法的多个参数的初始值和取值区间，通过支持向量机模型的分类准确率作为适应度函数，对支持向量机模型的核函数和惩罚系数进行迭代，直至找到一组最优的核函数gamma值和惩罚系数组合。
5.根据权利要求4所述的基于支持向量机的管道泄露检测方法，其特征在于，所述核函数gamma值取值区间为[1,1000]，所述惩罚系数的取值区间为[1,500]。
6.根据权利要求1至5任一项所述的基于支持向量机的管道泄露检测方法，其特征在于，所述振动特征包括时域平均值、时域绝对平均值、时域方差、时域方根幅值、时域均方根值、时域峰峰值、频谱均值、中心频率、均方频率、频谱均方根值、频率方差或频域幅值偏度。
7.一种基于支持向量机的管道泄露检测装置，其特征在于，包括：
获取模块，用于获取管道泄漏的振动数据，并根据其构建训练数据集；
标准化模块，用于从所述振动数据中提取为一个或多个振动特征，并将所述振动特征映射为管道振动特征向量；对所述管道振动特征向量进行标准化；
优化模块，用于基于所述训练数据集构建并训练支持向量机模型，并通过粒子群优化算法对所述支持向量机模型；
预测模块，用于利用待预测管道的振动数据和优化后的支持向量机模型，对所述待预测管道进行泄漏预测。
8.根据权利要求7所述的基于支持向量机的管道泄露检测装置，其特征在于，所述标准化模块包括：
提取单元，用于分别从管道振动的三个轴向提取多个时域特征和多个频域特征；
映射单元，用于至少将所述多个时域特征或多个频域特征中的一个特征映射为管道振动特征向量。
9.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1至6任一项所述的基于支持向量机的管道泄露检测方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于支持向量机的管道泄露检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211669255.8A CN115640511A (zh) | 2022-12-24 | 2022-12-24 | 一种基于支持向量机的管道泄露检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211669255.8A CN115640511A (zh) | 2022-12-24 | 2022-12-24 | 一种基于支持向量机的管道泄露检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115640511A true CN115640511A (zh) | 2023-01-24 |
Family
ID=84949968
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211669255.8A Pending CN115640511A (zh) | 2022-12-24 | 2022-12-24 | 一种基于支持向量机的管道泄露检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115640511A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115795373A (zh) * | 2023-02-10 | 2023-03-14 | 武汉商启网络信息有限公司 | 一种管道泄漏监测方法、系统、电子设备及存储介质 |
| CN115952857A (zh) * | 2023-03-13 | 2023-04-11 | 海纳云物联科技有限公司 | 管道风险评估模型的训练方法、评估方法、设备及介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778694A (zh) * | 2017-01-18 | 2017-05-31 | 北京工业大学 | 一种基于集合经验模态分解和支持向量机的齿轮传动噪声分析方法 |
| CN111734961A (zh) * | 2020-06-24 | 2020-10-02 | 东北石油大学 | 一种天然气管道泄漏检测方法 |
| US20210010893A1 (en) * | 2019-01-29 | 2021-01-14 | Nanjing Tech University | Device and method for pipeline leak detection using particle swarm optimization-variational mode decomposition algorithm |
| CN115234850A (zh) * | 2022-07-20 | 2022-10-25 | 西安科技大学 | 一种基于声波振动的光纤传感器气体泄漏检测方法 |
-
2022
- 2022-12-24 CN CN202211669255.8A patent/CN115640511A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106778694A (zh) * | 2017-01-18 | 2017-05-31 | 北京工业大学 | 一种基于集合经验模态分解和支持向量机的齿轮传动噪声分析方法 |
| US20210010893A1 (en) * | 2019-01-29 | 2021-01-14 | Nanjing Tech University | Device and method for pipeline leak detection using particle swarm optimization-variational mode decomposition algorithm |
| CN111734961A (zh) * | 2020-06-24 | 2020-10-02 | 东北石油大学 | 一种天然气管道泄漏检测方法 |
| CN115234850A (zh) * | 2022-07-20 | 2022-10-25 | 西安科技大学 | 一种基于声波振动的光纤传感器气体泄漏检测方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115795373A (zh) * | 2023-02-10 | 2023-03-14 | 武汉商启网络信息有限公司 | 一种管道泄漏监测方法、系统、电子设备及存储介质 |
| CN115952857A (zh) * | 2023-03-13 | 2023-04-11 | 海纳云物联科技有限公司 | 管道风险评估模型的训练方法、评估方法、设备及介质 |
| CN115952857B (zh) * | 2023-03-13 | 2023-08-08 | 海纳云物联科技有限公司 | 管道风险评估模型的训练方法、评估方法、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860573B (zh) | 模型训练方法、图像类别检测方法、装置和电子设备 | |
| US20190370647A1 (en) | Artificial intelligence analysis and explanation utilizing hardware measures of attention | |
| US9715663B2 (en) | Predicting application performance on hardware accelerators | |
| CN115640511A (zh) | 一种基于支持向量机的管道泄露检测方法及装置 | |
| US20190188605A1 (en) | Machine Learning Model Understanding As-A-Service | |
| Zhou et al. | Generalized accelerated failure time spatial frailty model for arbitrarily censored data | |
| CN114925938B (zh) | 一种基于自适应svm模型的电能表运行状态预测方法、装置 | |
| WO2021084471A1 (en) | Artificial intelligence transparency | |
| De Wiljes et al. | An adaptive Markov chain Monte Carlo approach to time series clustering of processes with regime transition behavior | |
| CN111291715A (zh) | 基于多尺度卷积神经网络的车型识别方法、电子设备及存储介质 | |
| Rao et al. | An empirical evaluation of Shapley additive explanations: A military implication | |
| Zhang et al. | Estimating the rate constant from biosensor data via an adaptive variational Bayesian approach | |
| CN113450764B (zh) | 文本语音识别方法、装置、设备及存储介质 | |
| US20220321579A1 (en) | Methods and apparatus to visualize machine learning based malware classification | |
| CN116701935A (zh) | 敏感度预测模型训练方法、敏感信息处理方法及装置 | |
| US20210365790A1 (en) | Method and apparatus with neural network data processing | |
| CN118382858A (zh) | 软件中的间接函数调用目标识别 | |
| CN114449435B (zh) | 基于大间隔近邻的度量学习的指纹定位方法 | |
| US20210182696A1 (en) | Prediction of objective variable using models based on relevance of each model | |
| Loos et al. | Parameter estimation for reaction rate equation constrained mixture models | |
| CN116226260B (zh) | 一种大数据决策方法、系统及云端服务中心 | |
| CN117574098B (zh) | 一种学习专注度分析方法以及相关装置 | |
| Halitim et al. | Artificial neural network for tilt compensation in yaw estimation | |
| CN114217849B (zh) | 人工智能模型算法的解释方法、装置和计算机设备 | |
| CN118377787B (zh) | 区域碳排放核算系统及方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230124 |