基于壓力和聲波信息融合的泄漏檢測定位方法

專利名稱：基于壓力和聲波信息融合的泄漏檢測定位方法
技術領域：
基于壓力和聲波信息融合的泄漏檢測定位方法屬于輸油(氣)管道故障診斷技術領域。

背景技術：
管道輸送是現代工業流體運輸的重要方式，和其他輸送方式相比，它具有經濟、方便、高效、安全和便于管理等多項優點，因此在石油、天然氣輸送等有著廣泛的應用。由于種種原因管道在運行過程中會發生泄漏，不僅造成巨大的資源損耗、經濟損失，還可能造成嚴重的環境污染問題，給國家帶來巨大的經濟損失，因此及時發現管道泄漏并進行泄漏定位，保障管道安全運行是十分必要的。
現有的泄漏檢測與定位方法大致可以分為以下3類 一類是通過檢測管壁完整性實現泄漏檢測和定位的管內檢測法，主要依靠磁通、渦流、攝像等技術，該類方法投資巨大，實時性差，而且只適用于較大口徑的水平管道，極易發生管道堵塞等事故。
第二類是通過直接檢測泄漏物質存在實現泄漏檢測和定位的管外檢測法，主要包括分布式光纖、特殊線纜，雷達，紅外、激光成像等，該類方法存在投資大或實時性不強的特點。
第三類通過監測管道泄漏之后管內流動狀態的變化實現泄漏檢測和定位，應用比較多的是質量/體積平衡法、壓力梯度法、負壓波法以及聲波法。
在上述三類方法中，第一類和第二類方法成本高并且除了基于分布光纖的方法外，其余方法都不具備實時監測的能力。第三類方法由于可實現在線實時檢測，并且成本較低，是目前研究和應用最多的一類方法。而第三類方法中應用最為廣泛的是基于負壓波的方法，基于負壓波的方法成本低、可以實時監測管道的泄漏，在實際中取得了良好的效果。但是，負壓波法也存在一些明顯的缺點，包括對小泄漏和緩慢泄漏的靈敏度和定位精度差、克服操作站擾動的能力差、誤報率高、難以有效檢測連續發生的泄漏等。基于聲波信號分析的方法也屬于第三類方法，它具有靈敏度高的特點，能夠顯著的提高對小泄漏、緩慢泄漏以及長距離管道泄漏的檢測能力，并且由于可以區分擾動和泄漏的聲波特征而具有更好的克服擾動的能力，但由于聲波信號沒有包含直流分量，信號和實際工況缺乏直觀的對應關系，一旦發生誤報，很難通過人工核查對報警結果進行進一步的判斷。
通過前面的分析可以看到，采用單一的傳感器，由于傳感器本身的局限性，造成泄漏檢測系統在工程應用中存在諸多問題。針對上述問題，本發明采用信息融合的思想，提出基于壓力和聲波信息融合的泄漏檢測與定位方法，有效地降低了系統的誤報率和漏報率，提高了定位精度。


發明內容
本發明的目的在于，提出一種基于壓力和聲波信息融合的管道泄漏檢測定位方法，其硬件連接圖如附圖1所示，通過數據采集卡采集壓力和聲波傳感器的數據，將采集的數據通過網絡送入計算機，在計算機中實現基于壓力和信息融合的管道泄漏檢測定位，采用該方法能夠有效降低誤報率和漏報率，提高定位精度。
本方法特征在于依次含有以下步驟 步驟(1)向計算機輸入 Matlab中的統計學習軟件包biolearing，用于進行支持向量機SVM運算； Matlab中的信號處理軟件包signal，用于進行中值濾波運算； 包括壓力均值檢驗、小波分析方法和混沌時間序列關聯維分析在內的基于壓力傳感器信號的泄漏檢測結果R1，R2和R3； 包括小波分析方法和混沌時間序列預測方法在內的基于聲波傳感器信號的泄漏檢測結果R4和R5； 包括相關分析法、廣義相關分析法、小波分析方法、仿射變換法、下降沿起點法、拐點法、混沌時間序列預測在內的7種基于壓力傳感器的輸出信息進行泄漏定位的定位數據di(1)，i＝1，....，7，其中，i表示基于第i種定位方法得到的定位結果，上標(1)表示定位結果由壓力信號分析得到； 包括相關分析法、廣義相關分析法、小波分析方法、混沌時間序列預測等在內的4種基于聲波傳感器的輸出信息進行泄漏定位的定位數據dj(2)，j＝1，...，4，其中，j表示基于第j種定位方法得到的定位結果，上標(2)表示定位結果由壓聲波信號分析得到； 步驟(2)按以下步驟進行基于信息融合的泄漏檢測 步驟(2.1)在待泄漏檢測定位的管道上游u和下游d分別用壓力傳感器測定在選定時間段內的壓力的原始數據的時間序列，用P0，u和P0，d表示，其中下標0表示是原始數據，得到一個長度為L的數據序列，并分別將P0，u和P0，d輸入信號處理軟件包，得到中值濾波后的結果Pu和Pd； 步驟(2.2)在待泄漏檢測定位的管道上游u和下游d分別用聲波傳感器獲得在給定時間段的聲波信號原始數據，分別用A0，u和A0，d，并按以下步驟進行帶通濾波，得到聲波信號重構信號Au和Ad 步驟(2.2.1)設定聲波信號原始數據長度為L，泄漏后聲波信號的頻帶范圍為[f1，f2]； 步驟(2.2.2)對所述聲波信號原始數據A0，u和A0，d進行快速傅立葉變換，得到其傅立葉變換系數FA0，u和FA0，d FA0，u＝FFT(Ao，u) FA0，d＝FFT(Ao，d) 其中，FFT(·)表示對·進行快速傅立葉變換； 步驟(2.2.3)保留頻率在[f1，f2]內的傅立葉變換系數，其他頻率范圍內的系數置零，得到新的傅立葉變換系數FAo，u′和FA0，d′； 步驟(2.2.4)對FAo，u和FA0，d進行傅立葉逆變換，得到重構信號Au和Ad Au＝IFFT(FAo，u′) Ad＝IFFT(FA0，d′) 其中，IFFT(·)表示對·進行快速傅立葉逆變換； 步驟(2.3)選擇特征向量 步驟(2.3.1)設定 步驟(2.1)得到的上下游壓力信號序列分別為Pu和Pd； 步驟(2.2.4)得到上下游聲波信號序列分別為Au和Ad 步驟(2.3.2)對Pu，Pd，Au，Ad求出以下各值，構成特征向量X 信號的平均值Pau，Pad，Aau和Aad，其中下標a表示平均值； 信號的最小值Pmu，Pmd，Amu和Amd，其中下標m表示最小值； 信號的標準差Pσu，Pσd，Aσu和Aσd，其中下標σ表示標準差； 聲波信號功率譜最大值對應的頻率Afu和Afd，其中下標f表示頻率，得到 x＝[Pau Pmu Pσu Aau Amu Aσu Afu Pad Pmd Pσd Aad Amd Aσd Afd] 步驟(2.4)按以下步驟使用所述biolearning軟件包進行泄漏檢測 步驟(2.4.1)支持向量機的訓練，支持向量機的訓練通過如下優化問題實現 其中，N表示樣本數，α[k]，αi[k]，αj[k]表示權值，yi，yj∈{-1，1}表示分類號，C為松弛因子系數，Q為優化目標函數標識，K(Xi[k]，Xj[k]為核函數，Xi[k]，Xj[k]為樣本的特征向量，[k]＝[1]，[2]，[3]為核函數編號，i，j均為序號； 通過訓練獲得權值αi[k]，與非零αi[k]下標相同的的特征向量即為支持向量，不同類別的一對支持向量的中值即為分類閾值b[k]； 上述訓練過程通過biolearning實現，向所述biolearning軟件包輸入以下數據 訓練數據按照步驟(2.3.2)選取的泄漏數據的特征向量X1和按照步驟(2.3.2)選取的非泄漏數據的特征向量X-1其中下標1表示泄漏，其中下標-1表示非泄漏； 分類信息1和分類信息-1； 核函數名稱及參數多項式核函數名稱“polynomial”，對應的核函數形式為 ，其多項式階數q選擇軟件包的默認值3； 徑向基函數名稱名稱“RBF”，對應的核函數形式為 ，其尺度因子σ選擇軟件包的默認值； S形函數名稱“MLP”和參數υ＝0.001，c＝-0.1，對應的核函數形式為 其中上標[1]，[2]，[3]分別為核函數的編號； 松弛因子系數選擇軟件包的默認值； 分別得到三種核函數條件下包含權值、支持向量及分類閾值的三個分類信息結構Struct1，Struct2，Struct3； 步驟(2.4.2)基于支持向量機的泄漏檢測輸入待檢測數據的特征向量Xt和步驟(2.4.1)得到的分類信息結構Struct1，得到檢測結果R6；其中下標t表示待檢測數據； 輸入待檢測數據的特征向量Xt和步驟(2.4.1)得到的分類信息結構Struct2，得到檢測結果R7； 輸入待檢測數據的特征向量Xt和步驟(2.4.1)得到的分類信息結構Struct3，得到檢測結果R8； 步驟(2.5)按以下步驟采用登普斯特-謝弗D-S證據理論進行決策級融合 步驟(2.5.1)設定，有泄漏的用1表示，無泄漏用

表示，構成D-S證據理論的識別框架 步驟(2.5.2)對于步驟(1)和步驟(2.4.2)的8個檢測結果，將其表示為Rn，n＝1，...，8； 步驟(2.5.3)根據步驟(2.5.2)所得的Rn，n＝1，...，8計算Rn，n＝1，...，8與閾值如-0.5之間的距離，并把該距離除以2以便轉化為
中的數值pl，n，n＝1，...，8，pl，n，n＝1，...，8表示用該檢測結果作證據時判斷為泄漏的概率，則1-pl，n，n＝1，...，8表示用該檢測結果做證據是判斷為非泄漏的概率； 步驟(2.5.4)根據步驟(2.5.3)所得的pl，n按照下式計算在證據理論框架下以Rn，n＝1，...，8作證據時判別結果不確定性的基本概率分配mn(Θ) mn(Θ)＝-kn[pl，nlog2pl，n+(1-pl，n)log2(1-pl，n)]，n＝1，...，8 式中kn∈(0，1)，n＝1，..，8為調節因子； 計算在證據理論框架下以Rn，n＝1，...，8作證據時判別為泄漏的基本概率分配mn(l) mn(l)＝pl，n(1-mn(Θ))，n＝1，...，8 計算在證據理論框架下以Rn，n＝1，...，8作證據時判別為非泄漏的基本概率分配
步驟(2.5.5)定義證據理論識別框架Θ中的的焦元元素Snk(n＝1，2，…，8，k＝1，2，3)焦點元素是集合Θ的基本概率分配mj(Sjn)＞0的子集，即，且mn(Snk)＞0； 步驟(2.5.6)按下式計算不一致因子
其中，符號∩表示求交集，∏表示連續做乘法，表示空集； 步驟(2.5.7)按下式計算對應泄漏時的概率分配 步驟(2.5.8)按下式計算對應非泄漏時的概率分配 步驟(2.5.9) 若，則存在泄漏； 若，則不存在泄漏； 步驟(3)若步驟(2)判斷有泄漏發生，則按以下步驟進行基于信息融合的泄漏定位過程 步驟(3.1)按以下方式確定基于壓力傳感器數據的各個定位結果di(1)，i＝1，....，7的權值wi(1)，i＝1，...，7 步驟(3.1.1)將所有定位結果di(1)，i＝1，...，7均為拓展為以di(1)，i＝1，....，7中心，管長的1％為半徑r的對稱區間[di(1)-r，di(1)+r]，i＝1，....，7； 步驟(3.1.2)根據某一定位結果di(1)的對稱區間[di(1)-r，di(1)+r]與步驟(3.1.1)中所述所有7個區間的交集的個數作為該定位結果的權值wi(1)； 步驟(3.2)對壓力傳感器按以下公式計算根據步驟(1)所述定位結果di(1)，i＝1，....，7和步驟(3.1)所獲得的權值wi(1)，i＝1，...，7，得到的定位融合結果 步驟(3.3)按以下方式確定基于聲波傳感器數據的各個定位結果dj(2)，j＝1，....，4的權值wj(2)，j＝1，...，4 步驟(3.3.1)將所有定位結果dj(2)，j＝1，....，4均為拓展為以dj(2)，j＝1，....，4中心，管長的1％為半徑r的對稱區間[dj(2)-r，dj(2)+r]，j＝1，....，4； 步驟(3.3.2)根據某一定位結果dj(2)的對稱區間[dj(2)-r，dj(2)+r]與步驟(3.3.1)中所述所有4個區間的交集的個數作為該定位結果的權值wj(2)； 步驟(3.4)對壓力傳感器按以下公式計算根據步驟(1)所述定位結果dj(2)，j＝1，....，4和步驟(3.1)所獲得的權值wj(2)，j＝1，...，4，得到的定位融合結果 步驟(3.5)按下式對壓力和聲波兩類傳感器的定位結果進行融合，得到最終的泄漏定位結果 其中權值w(1)＝3，w(2)＝7； 如果定位結果超出管道長度或者結果為負值，則認為沒有泄漏發生，返回步驟(2)。
本發明的效果在實踐中，針對162組實驗數據(其中泄漏數據104組，擾動數據58組)，原有的泄漏檢測系統僅僅能檢測出78組泄漏，有26次漏報，同時有20次誤報，應用本發明所提方法進行泄漏檢測時，漏報次數降為16次，而誤報次數降為8。泄漏定位的精度方面，采用傳統的單一的定位方法相關分析方法，定位誤差超過管長的1％以上的比例占總定位結果的28.5％，采用小波分析方法，定位誤差超過管長1％的比例站總定位結果比例的41％，而采用本發明所述方法定位誤差超過管長1％的比例僅為14％。由此可以看出，本發明所提方法有效的降低了誤報率和漏報率，顯著的提高了泄漏定位的精度。



圖1為系統的硬件連接圖。
圖2為基于信息融合泄漏檢測方框圖。
圖3為基于壓力和聲波信息融合的泄漏檢測定位方法的算法方框圖。

具體實施例方式 本系統在管道上游端和下游端分別各安裝一個壓力傳感器和一個聲波傳感器。由數據采集系統將采集的兩個壓力數據序列和兩個聲波數據序列實時的送入計算機，存儲到數據庫中。檢測系統從數據庫中讀取數據和系統信息，首先對兩類傳感器的測量數據，經過數據濾波、特征級融合和決策級融合三個層次的處理獲得最終的檢測結果。
如果檢測結果顯示有泄漏，則啟動基于信息融合的泄漏定位過程。首先分別利用兩類不同傳感器的信號和多種不同的泄漏定位算法進行泄漏定位，然后經過基于同類傳感器的不同定位方法的定位結果的融合，以及基于兩類不同傳感器的定位結果的融合兩個層次的處理，最終得到定位結果。該方法能夠有效的降低誤報率和漏報率，提高定位精度。下面介紹基于信息融合的泄漏檢測和泄漏定位的基本原理。
1基于信息融合的泄漏檢測 基于信息融合的泄漏檢測是通過對數據采集系統獲得的壓力和聲波數據進行實時處理，以確定管道是否發生了泄漏，其特征在于包含以下過程 (1)數據濾波 進行數據濾波的目的是為了保證測量信息的有效性，令下標u表示上游，下標d表示下游，下標0表示原始數據，對數據長度為L的壓力時間序列數據P0，u和P0，d采用中值濾波技術，以剔除野值；對數據長度為L的聲波時間序列數據A0，u和A0，d采用帶通濾波技術，以提高信噪比。其中對壓力時間序列數據P0，u和P0，d的中值濾波算法通過Matlab信號處理軟件包(signal軟件包)實現，分別輸入壓力時間序列數據P0，u和P0，d，輸出中值濾波后的結果Pu和Pd。
對聲波信號時間序列數據A0，u和A0，d的帶通濾波算法如下 [1.1]設聲波信號數據長度為L，泄漏后聲波信號的頻帶范圍為[f1，f2]，在本發明中f1＝0.2Hz，f2＝20Hz； [1.2]對上游和下游聲波信號A0，u和A0，d進行快速傅立葉變換得到傅立葉變換系數FA0，u和FA0，d FA0，u＝FFT(A0，u) FA0，d＝FFT(A0，d) 其中FFT(·)表示對·進行快速傅立葉變換。
[1.3]保留頻率在[f1，f2]的傅立葉變換系數，其他頻率的傅立葉變換系數均置零，得到新的傅立葉變換系數FA0，u′和FA0，d′； [1.4]對新的傅立葉變換系數FA0，u′和FA0，d′進行傅立葉逆變換獲得重構信號Au和Ad Au＝IFFT(FA0，u′) Ad＝IFFT(FA0，d′) 其中IFFT(·)表示對·進行快速傅立葉逆變換。
(2)特征級融合 特征級融合完成泄漏的局部診斷，此過程分兩步實現選取特征向量和實現基于支持向量機(SVM)的泄漏檢測。設上、下游壓力信號時間序列數據分別為Pu，Pd，聲波信號時間序列數據分別為為Au，Ad，對Pu，Pd，Au，Ad分別選取如下變量信號平均值Pau，Pad，Aau和Aad，信號最小值Pmu，Pmd，Amu和Amd，信號標準差Pσu，Pσd，Aσu和Aσd，聲波信號功率譜峰值頻率Afu和Afd組成特征向量X，即 X＝[Pau Pmu Pσu Pau Amu Aσu Afu Pad Pmd Pσd Aad Amd Aσd Afd] 泄漏檢測通過支持向量機(SVM)實現，也分兩步實現，即支持向量機的訓練和基于支持向量機的泄漏檢測。支持向量機是Vapnik等人根據統計學習理論提出的一種新的機器學習方法。它以結構風險最小化原則為理論基礎，通過適當選擇函數子集及其該子集中的判別函數使學習機的實際風險達到最小，保證了通過有限訓練樣本得到的小誤差分類器對獨立測試集的測試誤差仍然小，得到一個具有最優分類能力和推廣泛化能力的學習機。其基本原理如下 對于二分類問題，給定訓練樣本集(Xi，yi)，i＝1，...，N，Xi∈Rd，yi∈{-1，1}是類別標號，N表示樣本數目，Rd表示d維實數空間；在上述條件下，SVM的目標是設計一個最優分類器，保證能夠將兩類無錯誤的分開。當樣本集線性可分時，原問題為在線性可分空間上尋找一個廣義最優分類面的問題。而在實際應用中，由于樣本的復雜性，會出現輸入空間非線性以及輸入空間不可分的情況，此時需引入核函數K(Xi，Xj)將輸入空間變換到一個高維特征空間，在高維特征空間中構造最優分類面實現分類，并且允許在最優面和最小錯分樣本之間折衷，以實現經驗風險和推廣性能之間求得某種均衡。針對泄漏檢測，采用了如下三種核函數K[k](Xi，Xj[k])(k＝1，2，3，表示核函數的編號，增加上標的目的是為了區分不同核函數條件下的支持向量)分別為

采用多項式形式的內積 此時得到的支持向量機是一個q階多項式分類器，q軟件包的默認值為3；

采用徑向基函數型內積 得到的支持向量機是一種徑向基函數分類器，其中σ表示徑向基函數的尺度因子，在這里我們取軟件包的默認值σ＝；。


采用S形函數型內積 參數υ＞0，c＜0，軟件包中的默認值分別為1和-1； 對每一個具體的核函數K[k](Xi，Xj[k])(k＝1，2，3)，還需要確定相應的支持向量Xs[k]及其對應的權值αs[k](下標s表示支持向量)，可通過求解如下優化對偶問題實現 式中，k＝1，2，3，C為松弛因子系數，松弛因子的引入是為了允許錯樣本的存在。
上式是一個不等式約束下二次函數尋優的問題，存在唯一解。解中只有一部分(通常是少部分)αi[k]不為零，定義為αs[k]，對應的樣本為支持向量Xs[k]。
在完成上述訓練過程之后，通過下式實現泄漏檢測將αs[k]，Xs[k]，由待檢測的數據中提取的特征向量Xt(其中下標t表示待檢測數據)以及核函數K[k](Xi，Xj[k])(k＝1，2，3)送入下式 若出f[k](x)為1時表示存在泄漏，否則當f[k](x)為-1時表示沒有泄漏，上式中求和只對支持向量Xs[k]進行，b[k]是分類閾值，可以取兩類中任意一對支持向量取中值。
在本過程中，SVM算法均采用Matlab中統計學習軟件包biolearning實現，在訓練過程中，向所述biolearning軟件包輸入以下數據 訓練數據按照前面所述方式選取的9組泄漏數據的特征向量X1和6組非泄漏數據的特征向量X-1，其中下標1表示泄漏，其中下標-1表示非泄漏； 分類信息1和分類信息-1； 核函數名稱(每次訓練只輸入一個核函數名稱)多項式核函數名稱“polynomial”； 徑向基函數名稱名稱“RBF”； S形函數名稱“MLP”和參數υ＝0.001，c＝-0.1； 其他參數如多項式核函數的階數，徑向基函數的尺度因子以及松弛因子系數均選擇軟件包的默認值； 每次均輸出一個與輸入的核函數相對應的分類信息結構，此分類信息結構共三個，分別為Struct1，Struct2，Struct3，在分類信息結構Struct1，Struct2，Struct3中，共有七個單元，第一個單元為SupportVectors保存支持向量，第二個單元Alpha保存各個支持向量的權值，第三個單元Bias保存分類閾值，第四個單元KernelFunction保存核函數名稱，第五個單元KernelFunctionArgs保存核函數的參數信息，第六個單元GroupNames保存分類信息，第七個單元FigureHandles保存繪圖標志信息。
作為示例，當采用多項式形式的核函數時，輸出的Struct1中共有四個支持向量 其權值分別為 分類閾值為-8.485； 當采用徑向基函數形式的核函數時，輸出的Struct2中共有9個支持向量 其權值分別為 分類閾值為-0.442； 當采用S型函數形式的核函數時，輸出的Struct3中共有5個支持向量 其權值分別為 分類閾值為-8.90； 上述過程完成了支持向量機的訓練，完成上述訓練過程之后，通過biolearning軟件包實現基于支持向量機的泄漏檢測分別輸入待檢測數據的特征向量Xt和分類信息結構Struct1，得到檢測結果R6； 輸入待檢測數據的特征向量Xt和分類信息結構Struct2，得到檢測結果R7； 輸入待檢測數據的特征向量Xt和分類信息結構Struct3，得到檢測結果R8。
(3)決策級融合 在數據濾波的同時，對壓力傳感器信號采用壓力均值檢驗、小波分析方法和混沌時間序列關聯維分析得到泄漏檢測結果R1，R2和R3；對聲波傳感器信號采用小波分析方法和混沌時間序列預測方法得到泄漏檢測結果R4和R5，存在泄漏時檢測結果Rn，n＝1，...，5為1，不存在泄漏時檢測結果Rn，n＝1，...，5為-1，該檢測結果與過程(2)中的特征級融合的泄漏檢測結果Rn，n＝6，...，8一起作為證據用來實現決策級融合。決策級融合采用登普斯特-謝弗(D-S)證據理論，將泄漏1和非泄漏

作為D-S證據理論的識別框架Θ，即 在決策級融合過程中，首先計算Rn，n＝1，...，8與設定的閾值(如-0.5)之間的距離，并將該距離除以2以便轉化為
區間的一個數值pl，n，n＝1，...，8，pl，n，n＝1，...，8表示采用該檢測結果作證據判斷為泄漏的概率，則采用該該檢測結果作證據判斷為非泄漏的概率為1-pl，n，n＝l，...，8。然后確定在證據理論框架下采用該檢測結果作證掘判斷為泄漏的基本概率分配mn(1)，n＝1，...，8、采用該檢測結果作證據判斷為非泄漏的基本概率分配

n＝1，...，8以及采用該檢測結果作證據判別結果不確定性的基本概率分配mn(Θ)，n＝1，...，8。其中不確定性的基本概率分配計算公式采用 mn(Θ)＝-kn[pl，nlog2pl，n+(1-pl，n)log2(1-pl，n)]，n＝1，...，8 式中kn∈(0，1)，n＝1，...，8為調節因子。mn(1)和

計算公式為 mn(l)＝pl，n(1-mn(Θ))，n＝1，...，8 n＝1，...，8 得到上述基本概率分配之后，根據D-S融合準則得到多個證掘下泄漏的概率分配為 非泄漏的概率分配為 不確定的概率分配為 其中

為不一致因子。Snk(n＝1，2，…，8，k＝1，2，3)表示Θ中焦點元素，焦點元素定義為集合Θ中基本概率mn(Snk)＞0的子集，即且mn(Snk)＞0。
得到m(1)和

后，通過如下準則進行判斷如果則判斷為存在泄漏，如果則判斷為不存在泄漏。
對于某泄漏測試數據，泄漏檢測結果Rn，n＝1，...，8的數值如下R1＝0，R5＝0，R8＝0，R2＝1，R3＝1，R4＝1，R6＝1，R7＝1，通過D-S證據理論進行融合后，得到存在泄漏的概率為0.7032，不存在泄漏的概率為0.2967，根據所述判斷準則可以得到結論管道發生了泄漏。
2基于信息融合的泄漏定位 在1判斷有泄漏發生時，啟動基于信息融合的泄漏定位過程，進行泄漏定位。我們對壓力傳感器信號采用了包含相關分析，廣義相關分析，小波分析，仿射變換，下降沿起點法，拐點法，混沌時間序列預測在內的7中方法進行泄漏定位，得到了7個定位結果di(1)，i＝1，....，7，其中，i表示及基于第i中定位方法得到的定位結果，上標(1)表示定位結果由壓力信號分析得到；對聲波傳感器信號采用了包含相關分析，廣義相關分析，小波分析，混沌時間序列預測在內的4中方法進行泄漏定位，得到了4個定位結果dj(2)，j＝1，...，4，其中，j表示及基于第j中定位方法得到的定位結果，上標(2)表示定位結果由壓聲波信號分析得到。在得到基于兩類傳感器的信號、采用多種不同方法的定位結果di(1)和dj(2)后，采用信息融合的思想，對上述多個定位結果進行融合。其特征在于包含以下過程 ①對基于同類傳感器信號和多種不同方法的定位結果進行融合。
在融合過程中，首先對基于同類傳感器、不同算法的定位結果進行融合。對基于壓力傳感器數據的各個定位結果di(1)，i＝1，....，7，首先確定各個定位結果的權值wi(1)，i＝1，...，7將所有基于壓力傳感器信號的定位結果di(1)，i＝1，....，7均為拓展為以di(1)，i＝1，....，7中心，管長的1％為半徑r的對稱區間[di(1)-r，di(1)+r]，i＝1，...，7；然后根據某一定位結果di(1)的對稱區間[di(1)-r，di(1)+r]與所述所有7個區間的交集的個數作為該定位結果的權值wi(1)； 確定各個定位結果的權值后，對壓力傳感器定位結果按以下公式進行融合，得到的定位融合結果 對基于聲波傳感器數據的各個定位結果dj(2)，j＝1，....，4，首先確定各個定位結果的權值wj(2)，j＝1，...，4將所有基于聲波傳感器信號的定位結果dj(2)，j＝1，....，4均為拓展為以dj(2)，j＝1，....，4中心，管長的1％為半徑r的對稱區間[dj(2)-r，dj(2)+r]，j＝1，...，4；根據某一定位結果dj(2)的對稱區間[dj(2)-r，dj(2)+r]與所述所有4個區間的交集的個數作為該定位結果的權值wj(2)； 確定各個定位結果的權值后，對壓力傳感器定位結果按以下公式進行融合，得到的定位融合結果 ②對兩類傳感器定位結果的融合 在完成①的基礎上，進行兩類傳感器定位結果d(1)和d(2)的融合，該過程采用加權平均的方法，即 得到最終泄漏定位結果，其中權值w(1)＝3，w(2)＝7。如果定位結果超出管道長度或者結果為負值，則認為沒有泄漏發生，則返回基于信息融合的泄漏檢測部分。
權利要求
1.基于壓力和聲波信息融合的泄漏檢測定位方法，其特征在于，依次含有以下步驟
步驟(1)向計算機輸入
Matlab中的統計學習軟件包biolearing，用于進行支持向量機SVM運算；
Matlab中的信號處理軟件包signal，用于進行中值濾波運算；
包括壓力均值檢驗、小波分析方法和混沌時間序列關聯維分析在內的基于壓力傳感器信號的泄漏檢測結果R1，R2和R3；
包括小波分析方法和混沌時間序列預測方法在內的基于聲波傳感器信號的泄漏檢測結果R4和R5；
包括相關分析法、廣義相關分析法、小波分析方法、仿射變換法、下降沿起點法、拐點法、混沌時間序列預測在內的7種基于壓力傳感器的輸出信息進行泄漏定位的定位數據di(1)，i＝1，....，7，其中，i表示基于第i種定位方法得到的定位結果，上標(1)表示定位結果由壓力信號分析得到；
包括相關分析法、廣義相關分析法、小波分析方法、混沌時間序列預測等在內的4種基于聲波傳感器的輸出信息進行泄漏定位的定位數據dj(2)，j＝1，...，4，其中，j表示基于第j種定位方法得到的定位結果，上標(2)表示定位結果由壓聲波信號分析得到；
步驟(2)按以下步驟進行基于信息融合的泄漏檢測
步驟(2.1)在待泄漏檢測定位的管道上游u和下游d分別用壓力傳感器測定在選定時間段內的壓力的原始數據的時間序列，用P0，u和P0，d表示，其中下標0表示是原始數據，得到一個長度為L的數據序列，并分別將P0，u和P0，d輸入信號處理軟件包，得到中值濾波后的結果Pu和Pd；
步驟(2.2)在待泄漏檢測定位的管道上游u和下游d分別用聲波傳感器獲得在給定時間段的聲波信號原始數據，分別用A0，u和A0，d，并按以下步驟進行帶通濾波，得到聲波信號重構信號Au和Ad
步驟(2.2.1)設定聲波信號原始數據長度為L，泄漏后聲波信號的頻帶范圍為[f1，f2]；
步驟(2.2.2)對所述聲波信號原始數據A0，u和A0，d進行快速傅立葉變換，得到其傅立葉變換系數FA0，u和FA0，d
FA0，u＝FFT(Ao，u)
FA0，d＝FFT(Ao，d)
其中，FFT(·)表示對·進行快速傅立葉變換；
步驟(2.2.3)保留頻率在[f1，f2]內的傅立葉變換系數，其他頻率范圍內的系數置零，得到新的傅立葉變換系數FAo，u′和FA0，d′；
步驟(2.2.4)對FAo，u′和FA0，d′進行傅立葉逆變換，得到重構信號Au和Ad
Au＝IFFT(FAo，u′)
Ad＝IFFT(FA0，d′)
其中，IFFT(·)表示對·進行快速傅立葉逆變換；
步驟(2.3)選擇特征向量
步驟(2.3.1)設定
步驟(2.1)得到的上下游壓力信號序列分別為Pu和Pd；
步驟(2.2.4)得到上下游聲波信號序列分別為Au和Ad
步驟(2.3.2)對Pu，Pd，Au，Ad求出以下各值，構成特征向量X
信號的平均值Pau，Pad，Aau和Aad，其中下標a表示平均值；
信號的最小值Pmu，Pmd，Amu和Amd，其中下標m表示最小值；
信號的標準差Pσu，Pσd，Aσu和Aσd，其中下標σ表示標準差；
聲波信號功率譜最大值對應的頻率Afu和Afd，其中下標f表示頻率，得到
x＝[Pau Pmu Pσu Aau Amu Aσu Afu Pad Pmd Pσd Aad Amd Aσd Afd]
步驟(2.4)按以下步驟使用所述biolearning軟件包進行泄漏檢測
步驟(2.4.1)支持向量機的訓練，支持向量機的訓練通過如下優化問題實現
其中，N表示樣本數，α[k]，αi[k]，αj[k]表示權值，yi，yj∈{-1，1}表示分類號，C為松弛因子系數，Q為優化目標函數標識，K(Xi[k]，Xj[k]為核函數，Xi[k]，Xj[k]為樣本的特征向量，[k]＝[1]，[2]，[3]為核函數編號，i，j均為序號；
通過訓練獲得權值αi[k]，與非零αi[k]下標相同的的特征向量即為支持向量，不同類別的一對支持向量的中值即為分類閾值b[k]；
上述訓練過程通過biolearning實現，向所述biolearning軟件包輸入以下數據
訓練數據按照步驟(2.3.2)選取的泄漏數據的特征向量X1和按照步驟(2.3.2)選取的非泄漏數據的特征向量X-1其中下標1表示泄漏，其中下標-1表示非泄漏；
分類信息1和分類信息-1；
核函數名稱及參數多項式核函數名稱“polynomial”，對應的核函數形式為
，其多項式階數q選擇軟件包的默認值3；
徑向基函數名稱名稱“RBF”，對應的核函數形式為
，其尺度因子σ選擇軟件包的默認值；
S形函數名稱“MLP”和參數υ＝0.001，c＝-0.1，對應的核函數形式為
其中上標[1]，[2]，[3]分別為核函數的編號；
松弛因子系數選擇軟件包的默認值；
分別得到三種核函數條件下包含權值、支持向量及分類閾值的三個分類信息結構Struct1，Struct2，Struct3；
步驟(2.4.2)基于支持向量機的泄漏檢測輸入待檢測數據的特征向量Xt和步驟(2.4.1)得到的分類信息結構Struct1，得到檢測結果R6；其中下標t表示待檢測數據；
輸入待檢測數據的特征向量Xt和步驟(2.4.1)得到的分類信息結構Struct2，得到檢測結果R7；
輸入待檢測數據的特征向量Xt和步驟(2.4.1)得到的分類信息結構Struct3，得到檢測結果R8；
步驟(2.5)按以下步驟采用登普斯特-謝弗D-S證據理論進行決策級融合
步驟(2.5.1)設定，有泄漏的用1表示，無泄漏用
表示，構成D-S證據理論的識別框架
步驟(2.5.2)對于步驟(1)和步驟(2.4.2)的8個檢測結果，將其表示為Rn，n＝1，...，8；
步驟(2.5.3)根據步驟(2.5.2)所得的Rn，n＝1，...，8計算Rn，n＝1，...，8與閾值如-0.5之間的距離，并把該距離除以2以便轉化為
中的數值pl，n，n＝1，...，8，pl，n，n＝1，...，8表示用該檢測結果作證據時判斷為泄漏的概率，則1-pl，n，n＝1，...，8表示用該檢測結果做證據是判斷為非泄漏的概率；
步驟(2.5.4)根據步驟(2.5.3)所得的pl，n按照下式計算在證據理論框架下以Rn，n＝1，...，8作證據時判別結果不確定性的基本概率分配mn(Θ)
mn(Θ)＝-kn[pl，nlog2pl，n+(1-pl，n)log2(1-pl，n)]，n＝1，...，8
式中kn∈(0，1)，n＝1，..，8為調節因子；
計算在證據理論框架下以Rn，n＝1，...，8作證據時判別為泄漏的基本概率分配mn(l)
mn(l)＝pl，n(1-mn(Θ))，n＝1，...，8
計算在證據理論框架下以Rn，n＝1，...，8作證據時判別為非泄漏的基本概率分配
步驟(2.5.5)定義證據理論識別框架Θ中的的焦元元素Snk(n＝1，2，…，8，k＝1，2，3)焦點元素是集合Θ的基本概率分配mj(Sjn)＞0的子集，即且mn(Snk)＞0；
步驟(2.5.6)按下式計算不一致因子
其中，符號∩表示求交集，∏表示連續做乘法，表示空集；
步驟(2.5.7)按下式計算對應泄漏時的概率分配
步驟(2.5.8)按下式計算對應非泄漏時的概率分配
步驟(2.5.9)
若，則存在泄漏；
若，則不存在泄漏；
步驟(3)若步驟(2)判斷有泄漏發生，則按以下步驟進行基于信息融合的泄漏定位過程
步驟(3.1)按以下方式確定基于壓力傳感器數據的各個定位結果di(1)，i＝1，....，7的權值wi(1)，i＝1，...，7
步驟(3.1.1)將所有定位結果di(1)，i=1，....，7均為拓展為以di(1)，i＝1，...，7中心，管長的1％為半徑r的對稱區間[di(1)-r，di(1)+r]，i＝1，....，7；
步驟(3.1.2)根據某一定位結果di(1)的對稱區間[di(1)-r，di(1)+r]與步驟(3.1.1)中所述所有7個區間的交集的個數作為該定位結果的權值wi(1)；
步驟(3.2)對壓力傳感器按以下公式計算根據步驟(1)所述定位結果di(1)，i＝1，....，7和步驟(3.1)所獲得的權值wi(1)，i＝1，...，7，得到的定位融合結果
步驟(3.3)按以下方式確定基于聲波傳感器數據的各個定位結果dj(2)，j＝1，...，4的權值wj(2)，j＝1，...，4
步驟(3.3.1)將所有定位結果dj(2)，j＝1，....，4均為拓展為以dj(2)，j＝1，....，4中心，管長的1％為半徑r的對稱區間[dj(2)-r，dj(2)+r]，j＝1，....，4；
步驟(3.3.2)根據某一定位結果dj(2)的對稱區間[dj(2)-r，dj(2)+r]與步驟(3.3.1)中所述所有4個區間的交集的個數作為該定位結果的權值wj(2)；
步驟(3.4)對壓力傳感器按以下公式計算根據步驟(1)所述定位結果dj(2)，j＝1，....，4和步驟(3.1)所獲得的權值wj(2)，j＝1，...，4，得到的定位融合結果
步驟(3.5)按下式對壓力和聲波兩類傳感器的定位結果進行融合，得到最終的泄漏定位結果
其中權值w(1)＝3，w(2)＝7；
如果定位結果超出管道長度或者結果為負值，則認為沒有泄漏發生，返回步驟(2)。
全文摘要
基于壓力和聲波信息融合的泄漏檢測定位方法，屬于輸油(氣)管道故障診斷技術領域，其特征在于均基于信息融合的泄漏檢測和泄漏定位。前者包括分別采集管道上、下游端壓力和聲波傳感器的測量數據，送入計算機，經過數據濾波、特征級融合和決策級融合三個層次的處理獲得最終的檢測結果。如果檢測結果顯示有泄漏，則啟動基于信息融合的泄漏定位過程。該過程首先分別利用兩類不同傳感器的信號和多種不同的泄漏定位算法進行泄漏定位，經過基于同類傳感器和不同定位方法的定位結果的融合，以及基于兩類不同傳感器的定位結果的融合兩個層次的處理，最終得到定位結果。該方法能夠有效的降低誤報率和漏報率，提高定位精度。
文檔編號G06F17/00GK101196872SQ20071017761
公開日2008年6月11日 申請日期2007年11月19日 優先權日2007年11月19日
發明者葛傳虎, 昊 葉, 王桂增 申請人:清華大學