基于压力和声波信息融合的泄漏检测定位方法

摘要

基于压力和声波信息融合的泄漏检测定位方法，属于输油(气)管道故障诊断技术领域，其特征在于：均基于信息融合的泄漏检测和泄漏定位。前者包括：分别采集管道上、下游端压力和声波传感器的测量数据，送入计算机，经过数据滤波、特征级融合和决策级融合三个层次的处理获得最终的检测结果。如果检测结果显示有泄漏，则启动基于信息融合的泄漏定位过程。该过程首先分别利用两类不同传感器的信号和多种不同的泄漏定位算法进行泄漏定位，经过基于同类传感器和不同定位方法的定位结果的融合，以及基于两类不同传感器的定位结果的融合两个层次的处理，最终得到定位结果。该方法能够有效的降低误报率和漏报率，提高定位精度。

主权项

1、基于压力和声波信息融合的泄漏检测定位方法，其特征在于，依次含有以下步骤：步骤(1)向计算机输入Matlab中的统计学习软件包biolearing，用于进行支持向量机SVM运算；Matlab中的信号处理软件包signal，用于进行中值滤波运算；包括压力均值检验、小波分析方法和混沌时间序列关联维分析在内的基于压力传感器信号的泄漏检测结果R₁，R₂和R₃；包括小波分析方法和混沌时间序列预测方法在内的基于声波传感器信号的泄漏检测结果R₄和R₅；包括相关分析法、广义相关分析法、小波分析方法、仿射变换法、下降沿起点法、拐点法、混沌时间序列预测在内的7种基于压力传感器的输出信息进行泄漏定位的定位数据d_i⁽¹⁾，i＝1，....，7，其中，i表示基于第i种定位方法得到的定位结果，上标(1)表示定位结果由压力信号分析得到；包括相关分析法、广义相关分析法、小波分析方法、混沌时间序列预测等在内的4种基于声波传感器的输出信息进行泄漏定位的定位数据d_j⁽²⁾，j＝1，...，4，其中，j表示基于第j种定位方法得到的定位结果，上标(2)表示定位结果由压声波信号分析得到；步骤(2)按以下步骤进行基于信息融合的泄漏检测：步骤(2.1)在待泄漏检测定位的管道上游u和下游d分别用压力传感器测定在选定时间段内的压力的原始数据的时间序列，用P_0，u和P_0，d表示，其中下标0表示是原始数据，得到一个长度为L的数据序列，并分别将P_0，u和P_0，d输入信号处理软件包，得到中值滤波后的结果P_u和P_d；步骤(2.2)在待泄漏检测定位的管道上游u和下游d分别用声波传感器获得在给定时间段的声波信号原始数据，分别用A_0，u和A_0，d，并按以下步骤进行带通滤波，得到声波信号重构信号A_u和A_d：步骤(2.2.1)设定声波信号原始数据长度为L，泄漏后声波信号的频带范围为[f₁，f₂]；步骤(2.2.2)对所述声波信号原始数据A_0，u和A_0，d进行快速傅立叶变换，得到其傅立叶变换系数FA_0，u和FA_0，d：FA_0，u＝FFT(A_0，u)FA_0，d＝FFT(A_0，d)其中，FFT(·)表示对·进行快速傅立叶变换；步骤(2.2.3)保留频率在[f₁，f₂]内的傅立叶变换系数，其他频率范围内的系数置零，得到新的傅立叶变换系数FA′_0，u和FA′_0，d；步骤(2.2.4)对FA′_0，u和FA′_0，d进行傅立叶逆变换，得到重构信号A_u和A_d：A_u＝IFFT(FA′_0，u)A_d＝IFFT(FA′_0，d)其中，IFFT(·)表示对·进行快速傅立叶逆变换；步骤(2.3)选择特征向量：步骤(2.3.1)设定：步骤(2.1)得到的上下游压力信号序列分别为P_u和P_d；步骤(2.2.4)得到上下游声波信号序列分别为A_u和A_d：步骤(2.3.2)对P_u，P_d，A_u，A_d求出以下各值，构成特征向量X：信号的平均值P_au，P_ad，A_au和A_ad，其中下标a表示平均值；信号的最小值P_mu，P_md，A_mu和A_md，其中下标m表示最小值；信号的标准差P_σu，P_σd，A_σu和A_σd，其中下标σ表示标准差；声波信号功率谱最大值对应的频率A_fu和A_fd，其中下标f表示频率，得到：x＝[P_au P_mu P_σu A_au A_mu A_σu A_fu P_ad P_md P_σd A_ad A_md A_σd A_fd]步骤(2.4)按以下步骤使用所述biolearning软件包进行泄漏检测：步骤(2.4.1)支持向量机的训练，支持向量机的训练通过如下优化问题实现：$\left\{\begin{array}{c}Q\left({\alpha }^{\left[k\right]}\right)=\underset{i=1}{\overset{N}{\Sigma }}{\alpha }_i^{\left[k\right]}-\frac{1}{2}\underset{i,j=1}{\overset{N}{\Sigma }}{\alpha }_i^{\left[k\right]}{\alpha }_j^{\left[k\right]}{y}_i{y}_{j}K(X_i^{\left[k\right]},X_j^{\left[k\right]})\\ 0\le {\alpha }_i^{\left[k\right]}\le C,i=1\mathrm{KN}\\ \underset{i=1}{\overset{N}{\Sigma }}{y}_i{\alpha }_i^{\left[k\right]}=0\end{array}\right.$其中，N表示样本数，α^[k]，α_i^[k]，α_j^[k]表示权值，y_i，y_j∈{-1，1}表示分类号，C为松弛因子系数，Q为优化目标函数标识，K(X_i^[k]，X_j^[k]为核函数，X_i^[k]，X_j^[k]为样本的特征向量，[k]＝[1]，[2]，[3]为核函数编号，i，j均为序号；通过训练获得权值α_i^[k]，与非零α_i^[k]下标相同的的特征向量即为支持向量，不同类别的一对支持向量的中值即为分类阈值b^[k]；上述训练过程通过biolearning实现，向所述biolearning软件包输入以下数据：训练数据：按照步骤(2.3.2)选取的泄漏数据的特征向量X₁和按照步骤(2.3.2)选取的非泄漏数据的特征向量X_-1其中下标1表示泄漏，其中下标-1表示非泄漏；分类信息1和分类信息-1；核函数名称及参数：多项式核函数名称“polynomial”，对应的核函数形式为：$K^{\left[1\right]}(x,x_i^{\left[1\right]})={[(x·x_i^{\left[1\right]})+1]}^q,$其多项式阶数q选择软件包的默认值3；径向基函数名称名称“RBF”，对应的核函数形式为：$K^{\left[2\right]}(x,x_i^{\left[2\right]})=\exp \{-\frac{{\left|\right|x-x_i^{\left[2\right]}\left|\right|}^2}{{\sigma }^2}\},$其尺度因子σ选择软件包的默认值S形函数名称“MLP”和参数υ＝0.001，c＝-0.1，对应的核函数形式为：$K^{\left[3\right]}(x,x_i^{\left[3\right]})=\tanh (\upsilon (x,x_i^{\left[3\right]})+c)$其中上标[1]，[2]，[3]分别为核函数的编号；松弛因子系数选择软件包的默认值；分别得到三种核函数条件下包含权值、支持向量及分类阈值的三个分类信息结构Struct₁，Struct₂，Struct₃；步骤(2.4.2)基于支持向量机的泄漏检测：输入待检测数据的特征向量X_t和步骤(2.4.1)得到的分类信息结构Struct₁，得到检测结果R₆；其中下标t表示待检测数据；输入待检测数据的特征向量X_t和步骤(2.4.1)得到的分类信息结构Struct₂，得到检测结果R₇；输入待检测数据的特征向量X_t和步骤(2.4.1)得到的分类信息结构Struct₃，得到检测结果R₈；步骤(2.5)按以下步骤采用登普斯特-谢弗D-S证据理论进行决策级融合：步骤(2.5.1)设定，有泄漏的用l表示，无泄漏用l表示，构成D-S证据理论的识别框架Θ＝{l，l}；步骤(2.5.2)对于步骤(1)和步骤(2.4.2)的8个检测结果，将其表示为R_n，n＝1，...，8；步骤(2.5.3)根据步骤(2.5.2)所得的R_n，n＝1，...，8计算R_n，n＝1，...，8与阈值如-0.5之间的距离，并把该距离除以2以便转化为[0，1]中的数值p_l，n，n＝1，...，8，p_l，n，n＝1，...，8表示用该检测结果作证据时判断为泄漏的概率，则1-p_l，n，n＝1，...，8表示用该检测结果做证据是判断为非泄漏的概率；步骤(2.5.4)根据步骤(2.5.3)所得的p_l，n按照下式计算在证据理论框架下以R_n，n＝1，...，8作证据时判别结果不确定性的基本概率分配m_n(Θ)：m_n(Θ)＝-k_n[p_l，nlog₂p_l，n+(1-p_l，n)log₂(1-p_l，n)]，n＝1，...，8式中k_n∈(0，1)，n＝1，.，8为调节因子；计算在证据理论框架下以R_n，n＝1，...，8作证据时判别为泄漏的基本概率分配m_n(l)：m_n(l)＝p_l，n(1-m_n(Θ))，n＝1，...，8计算在证据理论框架下以R_n，n＝1，...，8作证据时判别为非泄漏的基本概率分配m_n(l)：m_n(l)＝(1-p_l，n)(1-m_n(Θ))，n＝1，...，8步骤(2.5.5)定义证据理论识别框架Θ中的的焦元元素S_nk(n＝1，2，…，8，k＝1，2，3)：焦点元素是集合Θ的基本概率分配m_j(S_jn)＞0的子集，即：$S_{\mathrm{nk}}⋐\{l,\bar{l},\Theta \},$且m_n(S_nk)＞0；步骤(2.5.6)按下式计算不一致因子：其中，符号∩表示求交集，∏表示连续做乘法，表示空集；步骤(2.5.7)按下式计算对应泄漏时的概率分配：$m\left(l\right)=\frac{I\underset{S_{\mathrm{nk}}=l}{\Sigma }\underset{n=1}{\overset{8}{\Pi }}{m}_n\left(S_{\mathrm{nk}}\right)}{1-K_1}$步骤(2.5.8)按下式计算对应非泄漏时的概率分配：$m\left(\bar{l}\right)=\frac{I\underset{S_{\mathrm{nk}}=\bar{l}}{\Sigma }\underset{n=1}{\overset{8}{\Pi }}{m}_n\left(S_{\mathrm{nk}}\right)}{1-K_1}$步骤(2.5.9)若，m(l)＞m(l)则存在泄漏；若，m(l)＜m(l)则不存在泄漏；步骤(3)若步骤(2)判断有泄漏发生，则按以下步骤进行基于信息融合的泄漏定位过程：步骤(3.1)按以下方式确定基于压力传感器数据的各个定位结果d_i⁽¹⁾，i＝1，....，7的权值w_i⁽¹⁾，i＝1，...，7：步骤(3.1.1)将所有定位结果d_i⁽¹⁾，i＝1，....，7均为拓展为以d_i⁽¹⁾，i＝1，....，7中心，管长的1％为半径r的对称区间[d_i⁽¹⁾-r，d_i⁽¹⁾+r]，i＝1，....，7；步骤(3.1.2)根据某一定位结果d_i⁽¹⁾的对称区间[d_i⁽¹⁾-r，d_i⁽¹⁾+r]与步骤(3.1.1)中所述所有7个区间的交集的个数作为该定位结果的权值w_i⁽¹⁾；步骤(3.2)对压力传感器按以下公式计算根据步骤(1)所述定位结果d_i⁽¹⁾，i＝1，....，7和步骤(3.1)所获得的权值w_i⁽¹⁾，i＝1，...，7，得到的定位融合结果：$d^{\left(1\right)}=\frac{\underset{i=1}{\overset{7}{\Sigma }}{\omega }_i^{\left(1\right)}\times d_i^{\left(1\right)}}{\underset{i=1}{\overset{7}{\Sigma }}{\omega }_i^{\left(1\right)}}$步骤(3.3)按以下方式确定基于声波传感器数据的各个定位结果d_j⁽²⁾，j＝1，....，4的权值w_j⁽²⁾，j＝1，...，4：步骤(3.3.1)将所有定位结果d_j⁽²⁾，j＝1，....，4均为拓展为以d_j⁽²⁾，j＝1，....，4中心，管长的1％为半径r的对称区间[d_j⁽²⁾-r，d_j⁽²⁾+r]，j＝1，....，4；步骤(3.3.2)根据某一定位结果d_j⁽²⁾的对称区间[d_j⁽²⁾-r，d_j⁽²⁾+r]与步骤(3.3.1)中所述所有4个区间的交集的个数作为该定位结果的权值w_j⁽²⁾；步骤(3.4)对压力传感器按以下公式计算根据步骤(1)所述定位结果d_j⁽²⁾，j＝1，....，4和步骤(3.1)所获得的权值w_j⁽²⁾，j＝1，...，4，得到的定位融合结果：$d^{\left(2\right)}=\frac{\underset{j=1}{\overset{4}{\Sigma }}{\omega }_j^{\left(2\right)}\times d_j^{\left(2\right)}}{\underset{j=1}{\overset{4}{\Sigma }}{\omega }_j^{\left(2\right)}}$步骤(3.5)按下式对压力和声波两类传感器的定位结果进行融合，得到最终的泄漏定位结果：$d=\frac{\underset{p=1}{\overset{2}{\Sigma }}{w}^{\left(p\right)}\times d^{\left(p\right)}}{\underset{p=1}{\overset{2}{\Sigma }}{w}^{\left(p\right)}}$其中权值w⁽¹⁾＝3，w⁽²⁾＝7；如果定位结果超出管道长度或者结果为负值，则认为没有泄漏发生，返回步骤(2)。