CN116662894B - 一种基于直觉模糊加权最小二乘孪生多类别支持向量机的流体管道泄漏诊断方法 - Google Patents

一种基于直觉模糊加权最小二乘孪生多类别支持向量机的流体管道泄漏诊断方法 Download PDF

Info

Publication number
CN116662894B
CN116662894B CN202310630259.3A CN202310630259A CN116662894B CN 116662894 B CN116662894 B CN 116662894B CN 202310630259 A CN202310630259 A CN 202310630259A CN 116662894 B CN116662894 B CN 116662894B
Authority
CN
China
Prior art keywords
original vibration
vibration characteristic
sample
classification
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
CN202310630259.3A
Other languages
English (en)
Other versions
CN116662894A (zh
Inventor
杨泽远
杨刚
何晓鹏
熊心和
李帅永
匡海军
汪洋
杨一博
隆勇
朱海清
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.)
Chongqing Rongguan Technology Co ltd
Original Assignee
Chongqing Rongguan Technology Co ltd
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 Chongqing Rongguan Technology Co ltd filed Critical Chongqing Rongguan Technology Co ltd
Priority to CN202310630259.3A priority Critical patent/CN116662894B/zh
Publication of CN116662894A publication Critical patent/CN116662894A/zh
Application granted granted Critical
Publication of CN116662894B publication Critical patent/CN116662894B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Abstract

本发明涉及一种基于直觉模糊加权最小二乘孪生多类别支持向量机的流体管道泄漏诊断方法，包括：获取流体管道在正常状态和泄漏状态下的振动数据；从时域和波形两个方面提取振动数据的特征参数生成原始振动特征样本集；基于原始振动特征样本集利用基于k近邻的加权技术和直觉模糊理论计算原始振动特征样本的分类贡献值和类内权重，并重构LST‑KSVC分类模型的决策函数生成管道泄露诊断模型，将原始振动特征样本作为管道泄露诊断模型的输入，以管道泄露诊断模型的诊断精度最高为优化目标利用网格搜索法对管道泄露诊断模型进行训练，将待测振动特征样本输入训练好的管道泄露诊断模型判断流体管道是否发生泄漏。

Description

一种基于直觉模糊加权最小二乘孪生多类别支持向量机的流 体管道泄漏诊断方法
技术领域
本发明属于管道泄漏检测领域，具体涉及一种基于直觉模糊加权最小二乘孪生多类别支持向量机的流体管道泄漏诊断方法。
背景技术
流体管道是城市能源运输系统的重要组成部分，运输着水、天然气和石油等重要资源，其运行状态密切关联着城市发展和居民生活。但是，管网系统中的流体管道由于超期服役、化学腐蚀、老化和焊缝缺陷等因素，不可避免地收到一定程度的损坏，导致泄漏事故时有发生，不仅造成经济上的直接损失，而且会导致潜在的环境污染和危害公共健康问题。所以，及时诊断出流体管道疑似泄漏隐患，对于避免严重泄漏事故发生、保证管道安全运行具有重要意义。
目前，人工神经网络、深度学习模型和支持向量机等机器学习方法已经被用于管道泄漏诊断领域。由于基于神经网络模型的管道泄漏诊断方法需要大量的样本进行模型训练，而管道在大部分时间是处于正常运行状态的，泄漏样本的数量相对较少，因此支持向量机、孪生支持向量机及最小二乘孪生支持向量机等适用于小样本学习的分类方法更适合用于管道泄漏诊断。最小二乘孪生多类别支持向量机(Least Squared Twin K-classSupport Vector Classification；LST-KSVC)是一种新颖的分类方法，利用“一对一对余”结构对所有训练样本进行评估，不仅保留了最小二乘孪生支持向量机的高训练效率，而且具有更高的分类准确率。由于管道环境中噪声干扰的存在，泄漏样本中不可避免的存在一些异常值。在对LST-KSVC分类模型进行训练时，训练样本中的异常值将会误导分类超平面的生成，导致管道泄漏诊断的准确率较低。
发明内容
为了解决上述问题，本发明提出一种基于直觉模糊加权最小二乘孪生多类别支持向量机的流体管道泄漏诊断方法，利用直觉模糊数降低异常值影响的同时，考虑了数据点间的局部领域信息，提高了泛化性能，具体包括以下步骤：
S1：获取流体管道在正常状态和泄漏状态下的振动数据并打上类别标签生成原始振动样本数据集，从时域和波形两个方面提取原始振动样本数据的时域特征和波形特征生成原始振动样本数据的特征参数；对原始振动样本数据的特征参数进行归一化处理得到原始振动特征样本集；
S2：根据原始振动特征样本到其类别中心的距离、原始振动特征样本的总数量和每个类别下原始振动特征样本的数量利用直觉模糊理论计算原始振动特征样本的分类贡献值；根据原始振动特征样本和其所属类别下与其相邻的k个原始振动特征样本计算原始振动特征样本的类内权重；
S3：根据原始振动特征样本的类内权重和原始振动特征样本的分类贡献值重构LST-KSVC分类模型的决策函数生成管道泄露诊断模型；
S4：将原始振动特征样本作为管道泄露诊断模型的输入，以管道泄露诊断模型的诊断精度最高为优化目标利用网格搜索法对管道泄露诊断模型进行训练；
S5：获取流体管道的待测振动特征样本，将待测振动特征样本输入训练好的管道泄露诊断模型判断流体管道是否发生泄漏。
进一步地，所述对原始振动样本数据的特征参数进行归一化处理包括：
其中，xij表示第i个原始振动样本数据的特征参数的第j个元素，是xij对应的归一化值，/>和/>分别表示所有原始振动样本数据的特征参数的第j个元素中的最小值和最大值。
进一步地，所述利用直觉模糊理论计算原始振动特征样本的分类贡献值包括：
直觉模糊数定义为θ＝(μθ,vθ)，隶属度值μθ∈[0,1]，非隶属度值vθ∈[0,1]，0≤μθ+vθ≤1；
将原始振动特征样本到其类别中心的距离进行归一化处理作为原始振动特征样本的隶属度；
将原始振动特征样本所属类别下样本的数量与原始振动特征样本集中样本的总数量的比值作为原始振动特征样本的非隶属度，则θ表示原始振动特征样本的直觉模糊数；μθ表示原始振动特征样本的隶属度值；vθ表示原始振动特征样本的非隶属度值；
根据原始振动特征样本的隶属度值和非隶属度值计算原始振动特征样本的分类贡献值S(θ)；
进一步地，所述原始振动特征样本的类内权重包括：
其中，σ表示核参数，表示第c个类别下的第i个原始振动特征样本的类内权重，xi是xj的近邻表示为xi是与第j个原始振动特征样本xj距离最近的k个样本中的一个；xi表示第i个原始振动特征样本，xi和xj所属的类别均为类别c。
进一步地，所述直觉模糊加权LST-KSVC分类模型的决策函数包括：
定义原始振动特征样本集D＝{(x1,y1),(x2,y2),...,(xi,yi),...,(xm,ym)}，xi∈Rn表示原始振动特征样本，yi表示样本xi的类别标签；给定样本矩阵和/>分别由类别标签为+1、-1和0对应的原始振动特征样本组成，n表示原始振动特征样本中元素的数量；
对于线性直觉模糊加权LST-KSVC分类模型，构造两个分类超平面：
xTw1+b1＝0和xTw2+b2＝0
其中，x表示原始振动特征样本，T表示转置，w1、w2和b1、b2分别是两个超平面的权重和偏置；
根据原始振动特征样本的类内权重和原始振动特征样本的分类贡献值确定两个分类超平面：
s.t.-(X2w1+e2b1)+ξ＝e2
-(X3w1+e3b1)+δ＝e3(1-ε)
s.t.(X1w2+e1b2)+η＝e1
-(X3w2+e3b2)+γ＝e3(1-ε)
其中，ρ1和ρ2表示由两个类别标签下的原始振动特征样本的类内权重组成的矩阵；S1和S2表示由两个类别标签下的原始振动特征样本的分类贡献值组成的矩阵；ξ、δ、η、γ表示松弛变量；C1、C2、C3和C4表示惩罚参数；e1、e1和e3为维度为m1、m2和m3的全1向量；ε是先验选择的正参数；
则对于线性直觉模糊加权LST-KSVC分类模型其决策函数如下：
其中，f(x)表示直觉模糊加权LST-KSVC分类模型的决策函数。
进一步地，所述直觉模糊加权LST-KSVC分类模型的决策函数包括：
定义原始振动特征样本集D＝{(x1,y1),(x2,y2),...,(xi,yi),...,(xm,ym)}，xi∈Rn表示原始振动特征样本，yi表示样本xi的类别标签；给定样本矩阵和/>分别由类别标签为+1、-1和0对应的原始振动特征样本组成，n表示原始振动特征样本中元素的数量；
对于非线性直觉模糊加权LST-KSVC分类模型，构造两个分类超平面：
K(xT,AT)w1+b1＝0和K(xT,AT)w2+b2＝0
其中，K(,)表示核函数，A＝[X1；X2]，x表示原始振动特征样本，T表示转置，w1、w2和b1、b2分别表示两个超平面的权重和偏置；
根据原始振动特征样本的类内权重和原始振动特征样本的分类贡献值确定两个分类超平面：
s.t.-(X2w1+e2b1)+ξ＝e2
-(X3w1+e3b1)+δ＝e3(1-ε)
s.t.(X1w2+e1b2)+η＝e1
-(X3w2+e3b2)+γ＝e3(1-ε)
其中，ρ1和ρ2表示由两个类别标签下的原始振动特征样本的类内权重组成的矩阵；S1和S2表示由两个类别标签下的原始振动特征样本的分类贡献值组成的矩阵；ξ、δ、η、γ表示松弛变量；C1、C2、C3和C4表示惩罚参数；e1、e1和e3为维度为m1、m2和m3的全1向量；ε是先验选择的正参数；K表示核函数；σ为核参数。
则对于非线性直觉模糊加权LST-KSVC分类模型其决策函数如下：
其中，f(x)表示直觉模糊加权LST-KSVC分类模型的决策函数。
进一步地，所述对管道泄露诊断模型进行训练包括：
对于管道泄露诊断模型为线性直觉模糊加权LST-KSVC分类模型，将原始振动特征样本输入管道泄露诊断模型通过网格搜索法确定参数{Ci|i＝1,2,3,4}的最优组合，对最优参数组合下的线性直觉模糊加权LST-KSVC模型的优化问题进行求解，从而确定w1,b1和w2,b2的值得到训练好的管道泄露诊断模型；
对于管道泄露诊断模型为非线性直觉模糊加权LST-KSVC分类模型，将原始振动特征样本输入管道泄露诊断模型通过网格搜索法确定参数{Ci|i＝1,2,3,4}和σ的最优组合；确定两个最优非平行分类超曲面K(xT,CT)w1+b1＝0和K(xT,CT)w2+b2＝0得到训练好的管道泄露诊断模型。
本发明至少具有以下有益效果
本发明利用直觉模糊数给每个训练样本分配一个隶属度值和一个非隶属度值，以此确定所有训练样本对分类模型的分类贡献值，并利用该值对LST-KSVC模型的目标函数进行改进，实现给所有训练样本赋予相应的权重，降低了异常值对分类模型准确率的影响。并且，本发明提出的直觉模糊加权LST-KSVC模型基于k近邻的加权技术融入了数据样本之间的局部领域信息，从而提高了模型的泛化性能。在保留LST-KSVC较高训练效率和分类精度的同时，提出的直觉模糊加权LST-KSVC模型降低了异常值的影响，进一步提高了模型的分类精度和泛化性能。
附图说明
图1为本发明的整体流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
请参阅图1，本发明提供一种基于直觉模糊加权最小二乘孪生多类别支持向量机的流体管道泄漏诊断方法，包括：
S1：获取流体管道在正常状态和泄漏状态下的振动数据并打上类别标签生成原始振动样本数据集，从时域和波形两个方面提取原始振动样本数据的时域特征和波形特征生成原始振动样本数据的特征参数；对原始振动样本数据的特征参数进行归一化处理得到原始振动特征样本集；
所述打上类别标签包括：根据本领域专家的先验知识对振动数据打上标签，其中，对于泄漏状态的打上标签1，正常状态打上标签-1，异常状态打上标签0。
所述时域特征包括：均方根、有效值、能量、平均值等；所述波形特征包括：脉冲因子、峪度因子、峭度、峰值系数等。
S2：根据原始振动特征样本到其类别中心的距离、原始振动特征样本的总数量和每个类别下原始振动特征样本的数量利用直觉模糊理论计算原始振动特征样本的分类贡献值；根据原始振动特征样本所属类别下与其相邻的k个原始振动特征样本计算原始振动特征样本的类内权重；
原始特征样本的类别中心表示为：假如有一个类别的样本完全均匀分布在这个圆内，那么理想情况下这个类别的类中心差不多就在圆心处。实际样本分布的中心已经有一些成熟公式来求取，所以文档里只是简单提到了这个类中心，具体的不做赘述。
原始振动特征样本所属类别下相邻的k个原始振动特征样本表示为：
将原始振动特征样本作为目标样本，将目标样本所属类别下与目标样本距离最近的K个原始振动特征样本作为目标样本相邻的k个原始振动特征样本。
S3：根据原始振动特征样本的类内权重和原始振动特征样本的分类贡献值重构LST-KSVC分类模型的决策函数生成管道泄露诊断模型；
S4：将原始振动特征样本作为管道泄露诊断模型的输入，以管道泄露诊断模型的诊断精度最高为优化目标利用网格搜索法对管道泄露诊断模型进行训练；
S5：获取流体管道的待测振动特征样本，将待测振动特征样本输入训练好的管道泄露诊断模型判断流体管道是否发生泄漏。
进一步地，所述对原始振动样本数据的特征参数进行归一化处理包括：
其中，xij表示第i个原始振动样本数据的特征参数的第j个元素，是xij对应的归一化值，/>和/>分别表示所有原始振动样本数据的特征参数的第j个元素中的最小值和最大值。
进一步地，所述利用直觉模糊理论计算原始振动特征样本的分类贡献值包括：
直觉模糊数定义为θ＝(μθ,vθ)，隶属度值μθ∈[0,1]，非隶属度值vθ∈[0,1]，0≤μθ+vθ≤1；
将原始振动特征样本到其类别中心的距离进行归一化处理作为原始振动特征样本的隶属度；
将原始振动特征样本所属类别下样本的数量与原始振动特征样本集中样本的总数量的比值作为原始振动特征样本的非隶属度，则θ表示原始振动特征样本的直觉模糊数；μθ表示原始振动特征样本的隶属度值；vθ表示原始振动特征样本的非隶属度值；
根据原始振动特征样本的隶属度值和非隶属度值计算原始振动特征样本的分类贡献值S(θ)；
进一步地，所述原始振动特征样本的类内权重包括：
其中，σ表示核参数，表示第c个类别下的第i个原始振动特征样本的类内权重，xi是xj的近邻表示为xi是与第j个原始振动特征样本xj距离最近的k个点中的一个；xi表示第i个原始振动特征样本，xi和xj所属的类别均为类别c。
进一步地，所述直觉模糊加权LST-KSVC分类模型的决策函数包括：
定义原始振动特征样本集D＝{(x1,y1),(x2,y2),...,(xi,yi),...,(xm,ym)}，xi∈Rn表示原始振动特征样本，yi表示样本xi的类别标签；给定样本矩阵和/>分别由类别标签为“+1”、“-1”和“0”对应的原始振动特征样本组成，n表示原始振动特征样本中元素的数量；
对于线性直觉模糊加权LST-KSVC分类模型，构造两个分类超平面：
xTw1+b1＝0和xTw2+b2＝0
其中，x表示原始振动特征样本，T表示转置，w1、w2和b1、b2分别是两个超平面的权重和偏置；
根据原始振动特征样本的类内权重和原始振动特征样本的分类贡献值确定两个分类超平面：
s.t.-(X2w1+e2b1)+ξ＝e2
-(X3w1+e3b1)+δ＝e3(1-ε)
s.t.(X1w2+e1b2)+η＝e1
-(X3w2+e3b2)+γ＝e3(1-ε)
其中，ρ1和ρ2表示由两个类别标签下的原始振动特征样本的类内权重组成的矩阵；S1和S2表示由两个类别标签下的原始振动特征样本的分类贡献值组成的矩阵；ξ、δ、η、γ表示松弛变量；C1、C2、C3和C4表示惩罚参数；e1、e1和e3为维度为m1、m2和m3的全1向量；ε是先验选择的正参数；
则对于线性直觉模糊加权LST-KSVC分类模型其决策函数如下：
其中，f(x)表示直觉模糊加权LST-KSVC分类模型的决策函数。
进一步地，所述直觉模糊加权LST-KSVC分类模型的决策函数包括：
定义原始振动特征样本集D＝{(x1,y1),(x2,y2),...,(xi,yi),...,(xm,ym)}，xi∈Rn表示原始振动特征样本，yi表示样本xi的类别标签；给定样本矩阵和/>分别由类别标签为+1、-1和0对应的原始振动特征样本组成，n表示原始振动特征样本中元素的数量；
对于非线性直觉模糊加权LST-KSVC分类模型，构造两个分类超平面：
K(xT,AT)w1+b1＝0和K(xT,AT)w2+b2＝0
其中，K(,)表示核函数，A＝[X1；X2]，x表示原始振动特征样本，T表示转置，w1、w2和b1、b2分别表示两个超平面的权重和偏置；
根据原始振动特征样本的类内权重和原始振动特征样本的分类贡献值确定两个分类超平面：
s.t.-(X2w1+e2b1)+ξ＝e2
-(X3w1+e3b1)+δ＝e3(1-ε)
s.t.(X1w2+e1b2)+η＝e1
-(X3w2+e3b2)+γ＝e3(1-ε)
其中，ρ1和ρ2表示由两个类别标签下的原始振动特征样本的类内权重组成的矩阵；S1和S2表示由两个类别标签下的原始振动特征样本的分类贡献值组成的矩阵；ξ、δ、η、γ表示松弛变量；C1、C2、C3和C4表示惩罚参数；e1、e1和e3为维度为m1、m2和m3的全1向量；ε是先验选择的正参数；K表示核函数；σ为核参数。
则对于非线性直觉模糊加权LST-KSVC分类模型其决策函数如下：
其中，f(x)表示直觉模糊加权LST-KSVC分类模型的决策函数。
进一步地，所述对管道泄露诊断模型进行训练包括：
对于管道泄露诊断模型为线性直觉模糊加权LST-KSVC分类模型，将原始振动特征样本输入管道泄露诊断模型通过网格搜索法确定参数{Ci|i＝1,2,3,4}的最优组合，对最优参数组合下的线性直觉模糊加权LST-KSVC模型的优化问题进行求解，从而确定w1,b1和w2,b2的值得到训练好的管道泄露诊断模型；
对于管道泄露诊断模型为非线性直觉模糊加权LST-KSVC分类模型，将原始振动特征样本输入管道泄露诊断模型通过网格搜索法确定参数{Ci|i＝1,2,3,4}和σ的最优组合；确定两个最优非平行分类超曲面K(xT,CT)w1+b1＝0和K(xT,CT)w2+b2＝0得到训练好的管道泄露诊断模型。
本发明利用直觉模糊数给每个训练样本分配一个隶属度值和一个非隶属度值，以此确定所有训练样本对分类模型的分类贡献值，并利用该值对LST-KSVC模型的目标函数进行改进，实现给所有训练样本赋予相应的权重，降低了异常值对分类模型准确率的影响。并且，本发明提出的直觉模糊加权LST-KSVC模型基于k近邻的加权技术融入了数据样本之间的局部领域信息，从而提高了模型的泛化性能。在保留LST-KSVC较高训练效率和分类精度的同时，提出的直觉模糊加权LST-KSVC模型降低了异常值的影响，进一步提高了模型的分类精度和泛化性能。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (5)

1.一种基于直觉模糊加权最小二乘孪生多类别支持向量机的流体管道泄漏诊断方法，其特征在于，包括：
S1：获取流体管道在正常状态和泄漏状态下的振动数据并打上类别标签生成原始振动样本数据集，从时域和波形两个方面提取原始振动样本数据的时域特征和波形特征生成原始振动样本数据的特征参数；对原始振动样本数据的特征参数进行归一化处理得到原始振动特征样本集；
S2：根据原始振动特征样本到其类别中心的距离、原始振动特征样本的总数量和每个类别下原始振动特征样本的数量利用直觉模糊理论计算原始振动特征样本的分类贡献值；根据原始振动特征样本和其所属类别下与其相邻的k个原始振动特征样本计算原始振动特征样本的类内权重；
所述利用直觉模糊理论计算原始振动特征样本的分类贡献值包括：
直觉模糊数定义为θ＝(μθ,vθ)，隶属度值μθ∈[0,1]，非隶属度值vθ∈[0,1]，0≤μθ+vθ≤1；
将原始振动特征样本到其类别中心的距离进行归一化处理作为原始振动特征样本的隶属度；
将原始振动特征样本所属类别下样本的数量与原始振动特征样本集中样本的总数量的比值作为原始振动特征样本的非隶属度，则θ表示原始振动特征样本的直觉模糊数；μθ表示原始振动特征样本的隶属度值；vθ表示原始振动特征样本的非隶属度值；
根据原始振动特征样本的隶属度值和非隶属度值计算原始振动特征样本的分类贡献值S(θ)；
所述原始振动特征样本的类内权重包括：
其中，σ表示核参数，表示第c个类别下的第i个原始振动特征样本的类内权重，xi是xj的近邻表示为xi是与第j个原始振动特征样本xj距离最近的k个样本中的一个；xi表示第i个原始振动特征样本，xi和xj所属的类别均为类别c；
S3：根据原始振动特征样本的类内权重和原始振动特征样本的分类贡献值重构LST-KSVC分类模型的决策函数生成管道泄漏诊断模型；
S4：将原始振动特征样本作为管道泄漏诊断模型的输入，以管道泄漏诊断模型的诊断精度最高为优化目标利用网格搜索法对管道泄漏诊断模型进行训练；
S5：获取流体管道的待测振动特征样本，将待测振动特征样本输入训练好的管道泄漏诊断模型判断流体管道是否发生泄漏。
2.根据权利要求1所述的一种基于直觉模糊加权最小二乘孪生多类别支持向量机的流体管道泄漏诊断方法，其特征在于，所述对原始振动样本数据的特征参数进行归一化处理包括：
其中，xij表示第i个原始振动样本数据的特征参数的第j个元素，是xij对应的归一化值，/>和/>分别表示所有原始振动样本数据的特征参数的第j个元素中的最小值和最大值。
3.根据权利要求1所述的一种基于直觉模糊加权最小二乘孪生多类别支持向量机的流体管道泄漏诊断方法，其特征在于，所述直觉模糊加权LST-KSVC分类模型的决策函数包括：
定义原始振动特征样本集D＝{9x1,y1),(x2,y2),...,(xi,yi),...,(xm,ym)}，xi∈Rn表示原始振动特征样本，yi表示样本xi的类别标签；给定样本矩阵和分别由类别标签为“+1”、“-1”和“0”对应的原始振动特征样本组成，n表示原始振动特征样本中元素的数量；
对于线性直觉模糊加权LST-KSVC分类模型，构造两个分类超平面：
xTw1+b1＝0和xTw2+b2＝0
其中，x表示原始振动特征样本，T表示转置，w1、w2和b1、b2分别是两个超平面的权重和偏置；
根据原始振动特征样本的类内权重和原始振动特征样本的分类贡献值确定两个分类超平面：
s.t.-(X2w1+e2b1)+ξ＝e2
-(X3w1+e3b1)+δ＝e3(1-ε)
s.t.(X1w2+e1b2)+η＝e1
-(X3w2+e3b2)+γ＝e3(1-ε)
其中，ρ1和ρ2表示由两个类别标签下的原始振动特征样本的类内权重组成的矩阵；S1和S2表示由两个类别标签下的原始振动特征样本的分类贡献值组成的矩阵；ξ、δ、η、γ表示松弛变量；C1、C2、C3和C4表示惩罚参数；e1、e1和e3为维度为m1、m2和m3的全1向量；ε是先验选择的正参数；
则对于线性直觉模糊加权LST-KSVC分类模型其决策函数如下：
其中，f(x)表示直觉模糊加权LST-KSVC分类模型的决策函数。
4.根据权利要求1所述的一种基于直觉模糊加权最小二乘孪生多类别支持向量机的流体管道泄漏诊断方法，其特征在于，所述直觉模糊加权LST-KSVC分类模型的决策函数包括：
定义原始振动特征样本集D＝{(x1,y1),(x2,y2),...,(xi,yi),...,(xm,ym)}，xi∈Rn表示原始振动特征样本，yi表示样本xi的类别标签；给定样本矩阵和分别由类别标签为+1、-1和0对应的原始振动特征样本组成，n表示原始振动特征样本中元素的数量；
对于非线性直觉模糊加权LST-KSVC分类模型，构造两个分类超平面：
K(xT,AT)w1+b1＝0和K(xT,AT)w2+b2＝0
其中，K(,)表示核函数，A＝[X1；X2]，x表示原始振动特征样本，T表示转置，w1、w2和b1、b2分别表示两个超平面的权重和偏置；
根据原始振动特征样本的类内权重和原始振动特征样本的分类贡献值确定两个分类超平面：
s.t.-(X2w1+e2b1)+ξ＝e2
-(X3w1+e3b1)+δ＝e3(1-ε)
s.t.(X1w2+e1b2)+η＝e1
-(X3w2+e3b2)+γ＝e3(1-ε)
其中，ρ1和ρ2表示由两个类别标签下的原始振动特征样本的类内权重组成的矩阵；S1和S2表示由两个类别标签下的原始振动特征样本的分类贡献值组成的矩阵；ξ、δ、η、γ表示松弛变量；C1、C2、C3和C4表示惩罚参数；e1、e1和e3为维度为m1、m2和m3的全1向量；ε是先验选择的正参数；K表示核函数；σ为核参数；
则对于非线性直觉模糊加权LST-KSVC分类模型其决策函数如下：
其中，f(x)表示直觉模糊加权LST-KSVC分类模型的决策函数。
5.根据权利要求3或4所述的一种基于直觉模糊加权最小二乘孪生多类别支持向量机的流体管道泄漏诊断方法，其特征在于，所述对管道泄漏诊断模型进行训练包括：
对于管道泄漏诊断模型为线性直觉模糊加权LST-KSVC分类模型，将原始振动特征样本输入管道泄漏诊断模型通过网格搜索法确定参数{Ci|i＝1,2,3,4}的最优组合，对最优参数组合下的线性直觉模糊加权LST-KSVC模型的优化问题进行求解，从而确定w1,b1和w2,b2的值得到训练好的管道泄漏诊断模型；
对于管道泄漏诊断模型为非线性直觉模糊加权LST-KSVC分类模型，将原始振动特征样本输入管道泄漏诊断模型通过网格搜索法确定参数{Ci|i＝1,2,3,4}和σ的最优组合；确定两个最优非平行分类超曲面K(xT,CT)w1+b1＝0和K(xT,CT)w2+b2＝0得到训练好的管道泄漏诊断模型。
CN202310630259.3A 2023-05-31 2023-05-31 一种基于直觉模糊加权最小二乘孪生多类别支持向量机的流体管道泄漏诊断方法 Active CN116662894B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310630259.3A CN116662894B (zh) 2023-05-31 2023-05-31 一种基于直觉模糊加权最小二乘孪生多类别支持向量机的流体管道泄漏诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310630259.3A CN116662894B (zh) 2023-05-31 2023-05-31 一种基于直觉模糊加权最小二乘孪生多类别支持向量机的流体管道泄漏诊断方法

Publications (2)

Publication Number Publication Date
CN116662894A CN116662894A (zh) 2023-08-29
CN116662894B true CN116662894B (zh) 2024-03-26

Family

ID=87723687

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310630259.3A Active CN116662894B (zh) 2023-05-31 2023-05-31 一种基于直觉模糊加权最小二乘孪生多类别支持向量机的流体管道泄漏诊断方法

Country Status (1)

Country Link
CN (1) CN116662894B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103472867A (zh) * 2013-09-22 2013-12-25 浙江大学 支持向量机的农药生产废液焚烧炉炉温最佳化系统及方法
CN104502103A (zh) * 2014-12-07 2015-04-08 北京工业大学 一种基于模糊支持向量机的轴承故障诊断方法
WO2016061586A1 (en) * 2014-10-17 2016-04-21 Cireca Theranostics, Llc Methods and systems for classifying biological samples, including optimization of analyses and use of correlation
CN105572572A (zh) * 2015-12-19 2016-05-11 渤海大学 基于wknn-lssvm的模拟电路故障诊断方法
US11354599B1 (en) * 2021-06-25 2022-06-07 BRYTER GmbH Methods and systems for generating a data structure using graphical models
CN115690677A (zh) * 2022-10-26 2023-02-03 浙江工业大学 基于局部直觉模糊支持向量机的异常行为识别方法
CN115978466A (zh) * 2022-12-27 2023-04-18 重庆市荣冠科技有限公司 一种基于类别不平衡改进孪生支持向量机的流体管道泄漏检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103472867A (zh) * 2013-09-22 2013-12-25 浙江大学 支持向量机的农药生产废液焚烧炉炉温最佳化系统及方法
WO2016061586A1 (en) * 2014-10-17 2016-04-21 Cireca Theranostics, Llc Methods and systems for classifying biological samples, including optimization of analyses and use of correlation
CN104502103A (zh) * 2014-12-07 2015-04-08 北京工业大学 一种基于模糊支持向量机的轴承故障诊断方法
CN105572572A (zh) * 2015-12-19 2016-05-11 渤海大学 基于wknn-lssvm的模拟电路故障诊断方法
US11354599B1 (en) * 2021-06-25 2022-06-07 BRYTER GmbH Methods and systems for generating a data structure using graphical models
CN115690677A (zh) * 2022-10-26 2023-02-03 浙江工业大学 基于局部直觉模糊支持向量机的异常行为识别方法
CN115978466A (zh) * 2022-12-27 2023-04-18 重庆市荣冠科技有限公司 一种基于类别不平衡改进孪生支持向量机的流体管道泄漏检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"一种新的直觉模糊最小二乘支持向量机";张丹;《西安电子科技大学学报》;第49卷(第5期);全文 *
"孪生支持向量机综述";安悦瑄等;《计算机科学》;第45卷(第11期);全文 *

Also Published As

Publication number Publication date
CN116662894A (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN111709448B (zh) 一种基于迁移关系网络的机械故障诊断方法
CN112016251B (zh) 一种核动力装置故障的诊断方法及系统
Kang et al. Method of assessing the state of a rolling bearing based on the relative compensation distance of multiple-domain features and locally linear embedding
CN114358123B (zh) 一种基于深度对抗迁移网络的广义开放集故障诊断方法
CN110110768A (zh) 基于并行特征学习和多分类器的滚动轴承故障诊断方法
CN109255333B (zh) 一种大型风电机组滚动轴承故障混合诊断方法
CN110595778B (zh) 一种基于mmf与igra风电机组轴承故障诊断方法
CN110299192A (zh) 一种轻武器部件及其复合材料、高分子材料的环境适应性评价方法
CN111160457A (zh) 基于软一类极限学习机的涡轴发动机故障检测方法
CN116542170A (zh) 基于ssae和mlstm的排水管道淤积病害动态诊断方法
CN115978466A (zh) 一种基于类别不平衡改进孪生支持向量机的流体管道泄漏检测方法
CN111695288A (zh) 一种基于Apriori-BP算法的变压器故障诊断方法
CN116662894B (zh) 一种基于直觉模糊加权最小二乘孪生多类别支持向量机的流体管道泄漏诊断方法
CN111275204A (zh) 一种基于混合采样和集成学习的变压器状态识别方法
CN114444663A (zh) 一种基于时间卷积网络的供水管网泄漏检测与定位方法
Li et al. Transformer-based meta learning method for bearing fault identification under multiple small sample conditions
Shan et al. Semisupervised fault diagnosis of gearbox using weighted graph-based label propagation and virtual adversarial training
CN112001436A (zh) 一种基于改进的极限学习机的水质分类方法
Do et al. A comparative study of machine learning techniques in prediction of exhaust emissions and performance of a diesel engine fuelled with biodiesel blends
CN115165366A (zh) 一种旋转机械变工况故障诊断方法及系统
CN114139598A (zh) 基于深度代价敏感卷积网络的故障诊断方法及诊断框架
Rituraj et al. A Comprehensive Investigation into the Application of Convolutional Neural Networks (ConvNet/CNN) in Smart Grids
CN114372693B (zh) 一种基于云模型和改进ds证据理论的变压器故障诊断方法
Liu et al. Noisy labels co-detection and co-relabeling twin prototype networks for fault diagnosis of wind turbine gearboxes
CN117216949B (zh) 一种基于深度学习的跨传感器爆管定位域自适应方法

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