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

背景技術(shù)：
管道輸送是現(xiàn)代工業(yè)流體運(yùn)輸?shù)闹匾绞剑推渌斔头绞较啾?，它具有?jīng)濟(jì)、方便、高效、安全和便于管理等多項(xiàng)優(yōu)點(diǎn)，因此在石油、天然氣輸送等有著廣泛的應(yīng)用。由于種種原因管道在運(yùn)行過(guò)程中會(huì)發(fā)生泄漏，不僅造成巨大的資源損耗、經(jīng)濟(jì)損失，還可能造成嚴(yán)重的環(huán)境污染問(wèn)題，給國(guó)家?guī)?lái)巨大的經(jīng)濟(jì)損失，因此及時(shí)發(fā)現(xiàn)管道泄漏并進(jìn)行泄漏定位，保障管道安全運(yùn)行是十分必要的。
現(xiàn)有的泄漏檢測(cè)與定位方法大致可以分為以下3類 一類是通過(guò)檢測(cè)管壁完整性實(shí)現(xiàn)泄漏檢測(cè)和定位的管內(nèi)檢測(cè)法，主要依靠磁通、渦流、攝像等技術(shù)，該類方法投資巨大，實(shí)時(shí)性差，而且只適用于較大口徑的水平管道，極易發(fā)生管道堵塞等事故。
第二類是通過(guò)直接檢測(cè)泄漏物質(zhì)存在實(shí)現(xiàn)泄漏檢測(cè)和定位的管外檢測(cè)法，主要包括分布式光纖、特殊線纜，雷達(dá)，紅外、激光成像等，該類方法存在投資大或?qū)崟r(shí)性不強(qiáng)的特點(diǎn)。
第三類通過(guò)監(jiān)測(cè)管道泄漏之后管內(nèi)流動(dòng)狀態(tài)的變化實(shí)現(xiàn)泄漏檢測(cè)和定位，應(yīng)用比較多的是質(zhì)量/體積平衡法、壓力梯度法、負(fù)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(shí)時(shí)監(jiān)測(cè)的能力。第三類方法由于可實(shí)現(xiàn)在線實(shí)時(shí)檢測(cè)，并且成本較低，是目前研究和應(yīng)用最多的一類方法。而第三類方法中應(yīng)用最為廣泛的是基于負(fù)壓波的方法，基于負(fù)壓波的方法成本低、可以實(shí)時(shí)監(jiān)測(cè)管道的泄漏，在實(shí)際中取得了良好的效果。但是，負(fù)壓波法也存在一些明顯的缺點(diǎn)，包括對(duì)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(dòng)的能力差、誤報(bào)率高、難以有效檢測(cè)連續(xù)發(fā)生的泄漏等?；诼暡ㄐ盘?hào)分析的方法也屬于第三類方法，它具有靈敏度高的特點(diǎn)，能夠顯著的提高對(duì)小泄漏、緩慢泄漏以及長(zhǎng)距離管道泄漏的檢測(cè)能力，并且由于可以區(qū)分?jǐn)_動(dòng)和泄漏的聲波特征而具有更好的克服擾動(dòng)的能力，但由于聲波信號(hào)沒(méi)有包含直流分量，信號(hào)和實(shí)際工況缺乏直觀的對(duì)應(yīng)關(guān)系，一旦發(fā)生誤報(bào)，很難通過(guò)人工核查對(duì)報(bào)警結(jié)果進(jìn)行進(jìn)一步的判斷。
通過(guò)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(cè)系統(tǒng)在工程應(yīng)用中存在諸多問(wèn)題。針對(duì)上述問(wèn)題，本發(fā)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(cè)與定位方法，有效地降低了系統(tǒng)的誤報(bào)率和漏報(bào)率，提高了定位精度。


發(fā)明內(nèi)容
本發(fā)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(cè)定位方法，其硬件連接圖如附圖1所示，通過(guò)數(shù)據(jù)采集卡采集壓力和聲波傳感器的數(shù)據(jù)，將采集的數(shù)據(jù)通過(guò)網(wǎng)絡(luò)送入計(jì)算機(jī)，在計(jì)算機(jī)中實(shí)現(xiàn)基于壓力和信息融合的管道泄漏檢測(cè)定位，采用該方法能夠有效降低誤報(bào)率和漏報(bào)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(jì)算機(jī)輸入 Matlab中的統(tǒng)計(jì)學(xué)習(xí)軟件包biolearing，用于進(jìn)行支持向量機(jī)SVM運(yùn)算； Matlab中的信號(hào)處理軟件包signal，用于進(jìn)行中值濾波運(yùn)算； 包括壓力均值檢驗(yàn)、小波分析方法和混沌時(shí)間序列關(guān)聯(lián)維分析在內(nèi)的基于壓力傳感器信號(hào)的泄漏檢測(cè)結(jié)果R1，R2和R3； 包括小波分析方法和混沌時(shí)間序列預(yù)測(cè)方法在內(nèi)的基于聲波傳感器信號(hào)的泄漏檢測(cè)結(jié)果R4和R5； 包括相關(guān)分析法、廣義相關(guān)分析法、小波分析方法、仿射變換法、下降沿起點(diǎn)法、拐點(diǎn)法、混沌時(shí)間序列預(yù)測(cè)在內(nèi)的7種基于壓力傳感器的輸出信息進(jìn)行泄漏定位的定位數(shù)據(jù)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(jié)果，上標(biāo)(1)表示定位結(jié)果由壓力信號(hào)分析得到； 包括相關(guān)分析法、廣義相關(guān)分析法、小波分析方法、混沌時(shí)間序列預(yù)測(cè)等在內(nèi)的4種基于聲波傳感器的輸出信息進(jìn)行泄漏定位的定位數(shù)據(jù)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(jié)果，上標(biāo)(2)表示定位結(jié)果由壓聲波信號(hào)分析得到； 步驟(2)按以下步驟進(jìn)行基于信息融合的泄漏檢測(cè) 步驟(2.1)在待泄漏檢測(cè)定位的管道上游u和下游d分別用壓力傳感器測(cè)定在選定時(shí)間段內(nèi)的壓力的原始數(shù)據(jù)的時(shí)間序列，用P0，u和P0，d表示，其中下標(biāo)0表示是原始數(shù)據(jù)，得到一個(gè)長(zhǎng)度為L(zhǎng)的數(shù)據(jù)序列，并分別將P0，u和P0，d輸入信號(hào)處理軟件包，得到中值濾波后的結(jié)果Pu和Pd； 步驟(2.2)在待泄漏檢測(cè)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(shí)間段的聲波信號(hào)原始數(shù)據(jù)，分別用A0，u和A0，d，并按以下步驟進(jìn)行帶通濾波，得到聲波信號(hào)重構(gòu)信號(hào)Au和Ad 步驟(2.2.1)設(shè)定聲波信號(hào)原始數(shù)據(jù)長(zhǎng)度為L(zhǎng)，泄漏后聲波信號(hào)的頻帶范圍為[f1，f2]； 步驟(2.2.2)對(duì)所述聲波信號(hào)原始數(shù)據(jù)A0，u和A0，d進(jìn)行快速傅立葉變換，得到其傅立葉變換系數(shù)FA0，u和FA0，d FA0，u＝FFT(Ao，u) FA0，d＝FFT(Ao，d) 其中，F(xiàn)FT(·)表示對(duì)·進(jìn)行快速傅立葉變換； 步驟(2.2.3)保留頻率在[f1，f2]內(nèi)的傅立葉變換系數(shù)，其他頻率范圍內(nèi)的系數(shù)置零，得到新的傅立葉變換系數(shù)FAo，u′和FA0，d′； 步驟(2.2.4)對(duì)FAo，u和FA0，d進(jìn)行傅立葉逆變換，得到重構(gòu)信號(hào)Au和Ad Au＝IFFT(FAo，u′) Ad＝IFFT(FA0，d′) 其中，IFFT(·)表示對(duì)·進(jìn)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(shè)定 步驟(2.1)得到的上下游壓力信號(hào)序列分別為Pu和Pd； 步驟(2.2.4)得到上下游聲波信號(hào)序列分別為Au和Ad 步驟(2.3.2)對(duì)Pu，Pd，Au，Ad求出以下各值，構(gòu)成特征向量X 信號(hào)的平均值Pau，Pad，Aau和Aad，其中下標(biāo)a表示平均值； 信號(hào)的最小值Pmu，Pmd，Amu和Amd，其中下標(biāo)m表示最小值； 信號(hào)的標(biāo)準(zhǔn)差Pσu，Pσd，Aσu和Aσd，其中下標(biāo)σ表示標(biāo)準(zhǔn)差； 聲波信號(hào)功率譜最大值對(duì)應(yīng)的頻率Afu和Afd，其中下標(biāo)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(jìn)行泄漏檢測(cè) 步驟(2.4.1)支持向量機(jī)的訓(xùn)練，支持向量機(jī)的訓(xùn)練通過(guò)如下優(yōu)化問(wèn)題實(shí)現(xiàn) 其中，N表示樣本數(shù)，α[k]，αi[k]，αj[k]表示權(quán)值，yi，yj∈{-1，1}表示分類號(hào)，C為松弛因子系數(shù)，Q為優(yōu)化目標(biāo)函數(shù)標(biāo)識(shí)，K(Xi[k]，Xj[k]為核函數(shù)，Xi[k]，Xj[k]為樣本的特征向量，[k]＝[1]，[2]，[3]為核函數(shù)編號(hào)，i，j均為序號(hào)； 通過(guò)訓(xùn)練獲得權(quán)值αi[k]，與非零αi[k]下標(biāo)相同的的特征向量即為支持向量，不同類別的一對(duì)支持向量的中值即為分類閾值b[k]； 上述訓(xùn)練過(guò)程通過(guò)biolearning實(shí)現(xiàn)，向所述biolearning軟件包輸入以下數(shù)據(jù) 訓(xùn)練數(shù)據(jù)按照步驟(2.3.2)選取的泄漏數(shù)據(jù)的特征向量X1和按照步驟(2.3.2)選取的非泄漏數(shù)據(jù)的特征向量X-1其中下標(biāo)1表示泄漏，其中下標(biāo)-1表示非泄漏； 分類信息1和分類信息-1； 核函數(shù)名稱及參數(shù)多項(xiàng)式核函數(shù)名稱“polynomial”，對(duì)應(yīng)的核函數(shù)形式為 ，其多項(xiàng)式階數(shù)q選擇軟件包的默認(rèn)值3； 徑向基函數(shù)名稱名稱“RBF”，對(duì)應(yīng)的核函數(shù)形式為 ，其尺度因子σ選擇軟件包的默認(rèn)值； S形函數(shù)名稱“MLP”和參數(shù)υ＝0.001，c＝-0.1，對(duì)應(yīng)的核函數(shù)形式為 其中上標(biāo)[1]，[2]，[3]分別為核函數(shù)的編號(hào)； 松弛因子系數(shù)選擇軟件包的默認(rèn)值； 分別得到三種核函數(shù)條件下包含權(quán)值、支持向量及分類閾值的三個(gè)分類信息結(jié)構(gòu)Struct1，Struct2，Struct3； 步驟(2.4.2)基于支持向量機(jī)的泄漏檢測(cè)輸入待檢測(cè)數(shù)據(jù)的特征向量Xt和步驟(2.4.1)得到的分類信息結(jié)構(gòu)Struct1，得到檢測(cè)結(jié)果R6；其中下標(biāo)t表示待檢測(cè)數(shù)據(jù)； 輸入待檢測(cè)數(shù)據(jù)的特征向量Xt和步驟(2.4.1)得到的分類信息結(jié)構(gòu)Struct2，得到檢測(cè)結(jié)果R7； 輸入待檢測(cè)數(shù)據(jù)的特征向量Xt和步驟(2.4.1)得到的分類信息結(jié)構(gòu)Struct3，得到檢測(cè)結(jié)果R8； 步驟(2.5)按以下步驟采用登普斯特-謝弗D-S證據(jù)理論進(jìn)行決策級(jí)融合 步驟(2.5.1)設(shè)定，有泄漏的用1表示，無(wú)泄漏用

表示，構(gòu)成D-S證據(jù)理論的識(shí)別框架 步驟(2.5.2)對(duì)于步驟(1)和步驟(2.4.2)的8個(gè)檢測(cè)結(jié)果，將其表示為Rn，n＝1，...，8； 步驟(2.5.3)根據(jù)步驟(2.5.2)所得的Rn，n＝1，...，8計(jì)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(zhuǎn)化為
中的數(shù)值pl，n，n＝1，...，8，pl，n，n＝1，...，8表示用該檢測(cè)結(jié)果作證據(jù)時(shí)判斷為泄漏的概率，則1-pl，n，n＝1，...，8表示用該檢測(cè)結(jié)果做證據(jù)是判斷為非泄漏的概率； 步驟(2.5.4)根據(jù)步驟(2.5.3)所得的pl，n按照下式計(jì)算在證據(jù)理論框架下以Rn，n＝1，...，8作證據(jù)時(shí)判別結(jié)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(diào)節(jié)因子； 計(jì)算在證據(jù)理論框架下以Rn，n＝1，...，8作證據(jù)時(shí)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(jì)算在證據(jù)理論框架下以Rn，n＝1，...，8作證據(jù)時(shí)判別為非泄漏的基本概率分配
步驟(2.5.5)定義證據(jù)理論識(shí)別框架Θ中的的焦元元素Snk(n＝1，2，…，8，k＝1，2，3)焦點(diǎn)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(jì)算不一致因子
其中，符號(hào)∩表示求交集，∏表示連續(xù)做乘法，表示空集； 步驟(2.5.7)按下式計(jì)算對(duì)應(yīng)泄漏時(shí)的概率分配 步驟(2.5.8)按下式計(jì)算對(duì)應(yīng)非泄漏時(shí)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(fā)生，則按以下步驟進(jìn)行基于信息融合的泄漏定位過(guò)程 步驟(3.1)按以下方式確定基于壓力傳感器數(shù)據(jù)的各個(gè)定位結(jié)果di(1)，i＝1，....，7的權(quán)值wi(1)，i＝1，...，7 步驟(3.1.1)將所有定位結(jié)果di(1)，i＝1，...，7均為拓展為以di(1)，i＝1，....，7中心，管長(zhǎng)的1％為半徑r的對(duì)稱區(qū)間[di(1)-r，di(1)+r]，i＝1，....，7； 步驟(3.1.2)根據(jù)某一定位結(jié)果di(1)的對(duì)稱區(qū)間[di(1)-r，di(1)+r]與步驟(3.1.1)中所述所有7個(gè)區(qū)間的交集的個(gè)數(shù)作為該定位結(jié)果的權(quán)值wi(1)； 步驟(3.2)對(duì)壓力傳感器按以下公式計(jì)算根據(jù)步驟(1)所述定位結(jié)果di(1)，i＝1，....，7和步驟(3.1)所獲得的權(quán)值wi(1)，i＝1，...，7，得到的定位融合結(jié)果 步驟(3.3)按以下方式確定基于聲波傳感器數(shù)據(jù)的各個(gè)定位結(jié)果dj(2)，j＝1，....，4的權(quán)值wj(2)，j＝1，...，4 步驟(3.3.1)將所有定位結(jié)果dj(2)，j＝1，....，4均為拓展為以dj(2)，j＝1，....，4中心，管長(zhǎng)的1％為半徑r的對(duì)稱區(qū)間[dj(2)-r，dj(2)+r]，j＝1，....，4； 步驟(3.3.2)根據(jù)某一定位結(jié)果dj(2)的對(duì)稱區(qū)間[dj(2)-r，dj(2)+r]與步驟(3.3.1)中所述所有4個(gè)區(qū)間的交集的個(gè)數(shù)作為該定位結(jié)果的權(quán)值wj(2)； 步驟(3.4)對(duì)壓力傳感器按以下公式計(jì)算根據(jù)步驟(1)所述定位結(jié)果dj(2)，j＝1，....，4和步驟(3.1)所獲得的權(quán)值wj(2)，j＝1，...，4，得到的定位融合結(jié)果 步驟(3.5)按下式對(duì)壓力和聲波兩類傳感器的定位結(jié)果進(jìn)行融合，得到最終的泄漏定位結(jié)果 其中權(quán)值w(1)＝3，w(2)＝7； 如果定位結(jié)果超出管道長(zhǎng)度或者結(jié)果為負(fù)值，則認(rèn)為沒(méi)有泄漏發(fā)生，返回步驟(2)。
本發(fā)明的效果在實(shí)踐中，針對(duì)162組實(shí)驗(yàn)數(shù)據(jù)(其中泄漏數(shù)據(jù)104組，擾動(dòng)數(shù)據(jù)58組)，原有的泄漏檢測(cè)系統(tǒng)僅僅能檢測(cè)出78組泄漏，有26次漏報(bào)，同時(shí)有20次誤報(bào)，應(yīng)用本發(fā)明所提方法進(jìn)行泄漏檢測(cè)時(shí)，漏報(bào)次數(shù)降為16次，而誤報(bào)次數(shù)降為8。泄漏定位的精度方面，采用傳統(tǒng)的單一的定位方法相關(guān)分析方法，定位誤差超過(guò)管長(zhǎng)的1％以上的比例占總定位結(jié)果的28.5％，采用小波分析方法，定位誤差超過(guò)管長(zhǎng)1％的比例站總定位結(jié)果比例的41％，而采用本發(fā)明所述方法定位誤差超過(guò)管長(zhǎng)1％的比例僅為14％。由此可以看出，本發(fā)明所提方法有效的降低了誤報(bào)率和漏報(bào)率，顯著的提高了泄漏定位的精度。



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

具體實(shí)施例方式 本系統(tǒng)在管道上游端和下游端分別各安裝一個(gè)壓力傳感器和一個(gè)聲波傳感器。由數(shù)據(jù)采集系統(tǒng)將采集的兩個(gè)壓力數(shù)據(jù)序列和兩個(gè)聲波數(shù)據(jù)序列實(shí)時(shí)的送入計(jì)算機(jī)，存儲(chǔ)到數(shù)據(jù)庫(kù)中。檢測(cè)系統(tǒng)從數(shù)據(jù)庫(kù)中讀取數(shù)據(jù)和系統(tǒng)信息，首先對(duì)兩類傳感器的測(cè)量數(shù)據(jù)，經(jīng)過(guò)數(shù)據(jù)濾波、特征級(jí)融合和決策級(jí)融合三個(gè)層次的處理獲得最終的檢測(cè)結(jié)果。
如果檢測(cè)結(jié)果顯示有泄漏，則啟動(dòng)基于信息融合的泄漏定位過(guò)程。首先分別利用兩類不同傳感器的信號(hào)和多種不同的泄漏定位算法進(jìn)行泄漏定位，然后經(jīng)過(guò)基于同類傳感器的不同定位方法的定位結(jié)果的融合，以及基于兩類不同傳感器的定位結(jié)果的融合兩個(gè)層次的處理，最終得到定位結(jié)果。該方法能夠有效的降低誤報(bào)率和漏報(bào)率，提高定位精度。下面介紹基于信息融合的泄漏檢測(cè)和泄漏定位的基本原理。
1基于信息融合的泄漏檢測(cè) 基于信息融合的泄漏檢測(cè)是通過(guò)對(duì)數(shù)據(jù)采集系統(tǒng)獲得的壓力和聲波數(shù)據(jù)進(jìn)行實(shí)時(shí)處理，以確定管道是否發(fā)生了泄漏，其特征在于包含以下過(guò)程 (1)數(shù)據(jù)濾波 進(jìn)行數(shù)據(jù)濾波的目的是為了保證測(cè)量信息的有效性，令下標(biāo)u表示上游，下標(biāo)d表示下游，下標(biāo)0表示原始數(shù)據(jù)，對(duì)數(shù)據(jù)長(zhǎng)度為L(zhǎng)的壓力時(shí)間序列數(shù)據(jù)P0，u和P0，d采用中值濾波技術(shù)，以剔除野值；對(duì)數(shù)據(jù)長(zhǎng)度為L(zhǎng)的聲波時(shí)間序列數(shù)據(jù)A0，u和A0，d采用帶通濾波技術(shù)，以提高信噪比。其中對(duì)壓力時(shí)間序列數(shù)據(jù)P0，u和P0，d的中值濾波算法通過(guò)Matlab信號(hào)處理軟件包(signal軟件包)實(shí)現(xiàn)，分別輸入壓力時(shí)間序列數(shù)據(jù)P0，u和P0，d，輸出中值濾波后的結(jié)果Pu和Pd。
對(duì)聲波信號(hào)時(shí)間序列數(shù)據(jù)A0，u和A0，d的帶通濾波算法如下 [1.1]設(shè)聲波信號(hào)數(shù)據(jù)長(zhǎng)度為L(zhǎng)，泄漏后聲波信號(hào)的頻帶范圍為[f1，f2]，在本發(fā)明中f1＝0.2Hz，f2＝20Hz； [1.2]對(duì)上游和下游聲波信號(hào)A0，u和A0，d進(jìn)行快速傅立葉變換得到傅立葉變換系數(shù)FA0，u和FA0，d FA0，u＝FFT(A0，u) FA0，d＝FFT(A0，d) 其中FFT(·)表示對(duì)·進(jìn)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(shù)，其他頻率的傅立葉變換系數(shù)均置零，得到新的傅立葉變換系數(shù)FA0，u′和FA0，d′； [1.4]對(duì)新的傅立葉變換系數(shù)FA0，u′和FA0，d′進(jìn)行傅立葉逆變換獲得重構(gòu)信號(hào)Au和Ad Au＝IFFT(FA0，u′) Ad＝IFFT(FA0，d′) 其中IFFT(·)表示對(duì)·進(jìn)行快速傅立葉逆變換。
(2)特征級(jí)融合 特征級(jí)融合完成泄漏的局部診斷，此過(guò)程分兩步實(shí)現(xiàn)選取特征向量和實(shí)現(xiàn)基于支持向量機(jī)(SVM)的泄漏檢測(cè)。設(shè)上、下游壓力信號(hào)時(shí)間序列數(shù)據(jù)分別為Pu，Pd，聲波信號(hào)時(shí)間序列數(shù)據(jù)分別為為Au，Ad，對(duì)Pu，Pd，Au，Ad分別選取如下變量信號(hào)平均值Pau，Pad，Aau和Aad，信號(hào)最小值Pmu，Pmd，Amu和Amd，信號(hào)標(biāo)準(zhǔn)差Pσu，Pσd，Aσu和Aσd，聲波信號(hào)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(cè)通過(guò)支持向量機(jī)(SVM)實(shí)現(xiàn)，也分兩步實(shí)現(xiàn)，即支持向量機(jī)的訓(xùn)練和基于支持向量機(jī)的泄漏檢測(cè)。支持向量機(jī)是Vapnik等人根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論提出的一種新的機(jī)器學(xué)習(xí)方法。它以結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則為理論基礎(chǔ)，通過(guò)適當(dāng)選擇函數(shù)子集及其該子集中的判別函數(shù)使學(xué)習(xí)機(jī)的實(shí)際風(fēng)險(xiǎn)達(dá)到最小，保證了通過(guò)有限訓(xùn)練樣本得到的小誤差分類器對(duì)獨(dú)立測(cè)試集的測(cè)試誤差仍然小，得到一個(gè)具有最優(yōu)分類能力和推廣泛化能力的學(xué)習(xí)機(jī)。其基本原理如下 對(duì)于二分類問(wèn)題，給定訓(xùn)練樣本集(Xi，yi)，i＝1，...，N，Xi∈Rd，yi∈{-1，1}是類別標(biāo)號(hào)，N表示樣本數(shù)目，Rd表示d維實(shí)數(shù)空間；在上述條件下，SVM的目標(biāo)是設(shè)計(jì)一個(gè)最優(yōu)分類器，保證能夠?qū)深悷o(wú)錯(cuò)誤的分開(kāi)。當(dāng)樣本集線性可分時(shí)，原問(wèn)題為在線性可分空間上尋找一個(gè)廣義最優(yōu)分類面的問(wèn)題。而在實(shí)際應(yīng)用中，由于樣本的復(fù)雜性，會(huì)出現(xiàn)輸入空間非線性以及輸入空間不可分的情況，此時(shí)需引入核函數(shù)K(Xi，Xj)將輸入空間變換到一個(gè)高維特征空間，在高維特征空間中構(gòu)造最優(yōu)分類面實(shí)現(xiàn)分類，并且允許在最優(yōu)面和最小錯(cuò)分樣本之間折衷，以實(shí)現(xiàn)經(jīng)驗(yàn)風(fēng)險(xiǎn)和推廣性能之間求得某種均衡。針對(duì)泄漏檢測(cè)，采用了如下三種核函數(shù)K[k](Xi，Xj[k])(k＝1，2，3，表示核函數(shù)的編號(hào)，增加上標(biāo)的目的是為了區(qū)分不同核函數(shù)條件下的支持向量)分別為

采用多項(xiàng)式形式的內(nèi)積 此時(shí)得到的支持向量機(jī)是一個(gè)q階多項(xiàng)式分類器，q軟件包的默認(rèn)值為3；

采用徑向基函數(shù)型內(nèi)積 得到的支持向量機(jī)是一種徑向基函數(shù)分類器，其中σ表示徑向基函數(shù)的尺度因子，在這里我們?nèi)≤浖哪J(rèn)值σ＝；。


采用S形函數(shù)型內(nèi)積 參數(shù)υ＞0，c＜0，軟件包中的默認(rèn)值分別為1和-1； 對(duì)每一個(gè)具體的核函數(shù)K[k](Xi，Xj[k])(k＝1，2，3)，還需要確定相應(yīng)的支持向量Xs[k]及其對(duì)應(yīng)的權(quán)值αs[k](下標(biāo)s表示支持向量)，可通過(guò)求解如下優(yōu)化對(duì)偶問(wèn)題實(shí)現(xiàn) 式中，k＝1，2，3，C為松弛因子系數(shù)，松弛因子的引入是為了允許錯(cuò)樣本的存在。
上式是一個(gè)不等式約束下二次函數(shù)尋優(yōu)的問(wèn)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(duì)應(yīng)的樣本為支持向量Xs[k]。
在完成上述訓(xùn)練過(guò)程之后，通過(guò)下式實(shí)現(xiàn)泄漏檢測(cè)將αs[k]，Xs[k]，由待檢測(cè)的數(shù)據(jù)中提取的特征向量Xt(其中下標(biāo)t表示待檢測(cè)數(shù)據(jù))以及核函數(shù)K[k](Xi，Xj[k])(k＝1，2，3)送入下式 若出f[k](x)為1時(shí)表示存在泄漏，否則當(dāng)f[k](x)為-1時(shí)表示沒(méi)有泄漏，上式中求和只對(duì)支持向量Xs[k]進(jìn)行，b[k]是分類閾值，可以取兩類中任意一對(duì)支持向量取中值。
在本過(guò)程中，SVM算法均采用Matlab中統(tǒng)計(jì)學(xué)習(xí)軟件包biolearning實(shí)現(xiàn)，在訓(xùn)練過(guò)程中，向所述biolearning軟件包輸入以下數(shù)據(jù) 訓(xùn)練數(shù)據(jù)按照前面所述方式選取的9組泄漏數(shù)據(jù)的特征向量X1和6組非泄漏數(shù)據(jù)的特征向量X-1，其中下標(biāo)1表示泄漏，其中下標(biāo)-1表示非泄漏； 分類信息1和分類信息-1； 核函數(shù)名稱(每次訓(xùn)練只輸入一個(gè)核函數(shù)名稱)多項(xiàng)式核函數(shù)名稱“polynomial”； 徑向基函數(shù)名稱名稱“RBF”； S形函數(shù)名稱“MLP”和參數(shù)υ＝0.001，c＝-0.1； 其他參數(shù)如多項(xiàng)式核函數(shù)的階數(shù)，徑向基函數(shù)的尺度因子以及松弛因子系數(shù)均選擇軟件包的默認(rèn)值； 每次均輸出一個(gè)與輸入的核函數(shù)相對(duì)應(yīng)的分類信息結(jié)構(gòu)，此分類信息結(jié)構(gòu)共三個(gè)，分別為Struct1，Struct2，Struct3，在分類信息結(jié)構(gòu)Struct1，Struct2，Struct3中，共有七個(gè)單元，第一個(gè)單元為SupportVectors保存支持向量，第二個(gè)單元Alpha保存各個(gè)支持向量的權(quán)值，第三個(gè)單元Bias保存分類閾值，第四個(gè)單元KernelFunction保存核函數(shù)名稱，第五個(gè)單元KernelFunctionArgs保存核函數(shù)的參數(shù)信息，第六個(gè)單元GroupNames保存分類信息，第七個(gè)單元FigureHandles保存繪圖標(biāo)志信息。
作為示例，當(dāng)采用多項(xiàng)式形式的核函數(shù)時(shí)，輸出的Struct1中共有四個(gè)支持向量 其權(quán)值分別為 分類閾值為-8.485； 當(dāng)采用徑向基函數(shù)形式的核函數(shù)時(shí)，輸出的Struct2中共有9個(gè)支持向量 其權(quán)值分別為 分類閾值為-0.442； 當(dāng)采用S型函數(shù)形式的核函數(shù)時(shí)，輸出的Struct3中共有5個(gè)支持向量 其權(quán)值分別為 分類閾值為-8.90； 上述過(guò)程完成了支持向量機(jī)的訓(xùn)練，完成上述訓(xùn)練過(guò)程之后，通過(guò)biolearning軟件包實(shí)現(xiàn)基于支持向量機(jī)的泄漏檢測(cè)分別輸入待檢測(cè)數(shù)據(jù)的特征向量Xt和分類信息結(jié)構(gòu)Struct1，得到檢測(cè)結(jié)果R6； 輸入待檢測(cè)數(shù)據(jù)的特征向量Xt和分類信息結(jié)構(gòu)Struct2，得到檢測(cè)結(jié)果R7； 輸入待檢測(cè)數(shù)據(jù)的特征向量Xt和分類信息結(jié)構(gòu)Struct3，得到檢測(cè)結(jié)果R8。
(3)決策級(jí)融合 在數(shù)據(jù)濾波的同時(shí)，對(duì)壓力傳感器信號(hào)采用壓力均值檢驗(yàn)、小波分析方法和混沌時(shí)間序列關(guān)聯(lián)維分析得到泄漏檢測(cè)結(jié)果R1，R2和R3；對(duì)聲波傳感器信號(hào)采用小波分析方法和混沌時(shí)間序列預(yù)測(cè)方法得到泄漏檢測(cè)結(jié)果R4和R5，存在泄漏時(shí)檢測(cè)結(jié)果Rn，n＝1，...，5為1，不存在泄漏時(shí)檢測(cè)結(jié)果Rn，n＝1，...，5為-1，該檢測(cè)結(jié)果與過(guò)程(2)中的特征級(jí)融合的泄漏檢測(cè)結(jié)果Rn，n＝6，...，8一起作為證據(jù)用來(lái)實(shí)現(xiàn)決策級(jí)融合。決策級(jí)融合采用登普斯特-謝弗(D-S)證據(jù)理論，將泄漏1和非泄漏

作為D-S證據(jù)理論的識(shí)別框架Θ，即 在決策級(jí)融合過(guò)程中，首先計(jì)算Rn，n＝1，...，8與設(shè)定的閾值(如-0.5)之間的距離，并將該距離除以2以便轉(zhuǎn)化為
區(qū)間的一個(gè)數(shù)值pl，n，n＝1，...，8，pl，n，n＝1，...，8表示采用該檢測(cè)結(jié)果作證據(jù)判斷為泄漏的概率，則采用該該檢測(cè)結(jié)果作證據(jù)判斷為非泄漏的概率為1-pl，n，n＝l，...，8。然后確定在證據(jù)理論框架下采用該檢測(cè)結(jié)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(cè)結(jié)果作證據(jù)判斷為非泄漏的基本概率分配

n＝1，...，8以及采用該檢測(cè)結(jié)果作證據(jù)判別結(jié)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(jì)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(diào)節(jié)因子。mn(1)和

計(jì)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(jù)D-S融合準(zhǔn)則得到多個(gè)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(diǎn)元素，焦點(diǎn)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(guò)如下準(zhǔn)則進(jìn)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(duì)于某泄漏測(cè)試數(shù)據(jù)，泄漏檢測(cè)結(jié)果Rn，n＝1，...，8的數(shù)值如下R1＝0，R5＝0，R8＝0，R2＝1，R3＝1，R4＝1，R6＝1，R7＝1，通過(guò)D-S證據(jù)理論進(jìn)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(jù)所述判斷準(zhǔn)則可以得到結(jié)論管道發(fā)生了泄漏。
2基于信息融合的泄漏定位 在1判斷有泄漏發(fā)生時(shí)，啟動(dòng)基于信息融合的泄漏定位過(guò)程，進(jìn)行泄漏定位。我們對(duì)壓力傳感器信號(hào)采用了包含相關(guān)分析，廣義相關(guān)分析，小波分析，仿射變換，下降沿起點(diǎn)法，拐點(diǎn)法，混沌時(shí)間序列預(yù)測(cè)在內(nèi)的7中方法進(jìn)行泄漏定位，得到了7個(gè)定位結(jié)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(jié)果，上標(biāo)(1)表示定位結(jié)果由壓力信號(hào)分析得到；對(duì)聲波傳感器信號(hào)采用了包含相關(guān)分析，廣義相關(guān)分析，小波分析，混沌時(shí)間序列預(yù)測(cè)在內(nèi)的4中方法進(jìn)行泄漏定位，得到了4個(gè)定位結(jié)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(jié)果，上標(biāo)(2)表示定位結(jié)果由壓聲波信號(hào)分析得到。在得到基于兩類傳感器的信號(hào)、采用多種不同方法的定位結(jié)果di(1)和dj(2)后，采用信息融合的思想，對(duì)上述多個(gè)定位結(jié)果進(jìn)行融合。其特征在于包含以下過(guò)程 ①對(duì)基于同類傳感器信號(hào)和多種不同方法的定位結(jié)果進(jìn)行融合。
在融合過(guò)程中，首先對(duì)基于同類傳感器、不同算法的定位結(jié)果進(jìn)行融合。對(duì)基于壓力傳感器數(shù)據(jù)的各個(gè)定位結(jié)果di(1)，i＝1，....，7，首先確定各個(gè)定位結(jié)果的權(quán)值wi(1)，i＝1，...，7將所有基于壓力傳感器信號(hào)的定位結(jié)果di(1)，i＝1，....，7均為拓展為以di(1)，i＝1，....，7中心，管長(zhǎng)的1％為半徑r的對(duì)稱區(qū)間[di(1)-r，di(1)+r]，i＝1，...，7；然后根據(jù)某一定位結(jié)果di(1)的對(duì)稱區(qū)間[di(1)-r，di(1)+r]與所述所有7個(gè)區(qū)間的交集的個(gè)數(shù)作為該定位結(jié)果的權(quán)值wi(1)； 確定各個(gè)定位結(jié)果的權(quán)值后，對(duì)壓力傳感器定位結(jié)果按以下公式進(jìn)行融合，得到的定位融合結(jié)果 對(duì)基于聲波傳感器數(shù)據(jù)的各個(gè)定位結(jié)果dj(2)，j＝1，....，4，首先確定各個(gè)定位結(jié)果的權(quán)值wj(2)，j＝1，...，4將所有基于聲波傳感器信號(hào)的定位結(jié)果dj(2)，j＝1，....，4均為拓展為以dj(2)，j＝1，....，4中心，管長(zhǎng)的1％為半徑r的對(duì)稱區(qū)間[dj(2)-r，dj(2)+r]，j＝1，...，4；根據(jù)某一定位結(jié)果dj(2)的對(duì)稱區(qū)間[dj(2)-r，dj(2)+r]與所述所有4個(gè)區(qū)間的交集的個(gè)數(shù)作為該定位結(jié)果的權(quán)值wj(2)； 確定各個(gè)定位結(jié)果的權(quán)值后，對(duì)壓力傳感器定位結(jié)果按以下公式進(jìn)行融合，得到的定位融合結(jié)果 ②對(duì)兩類傳感器定位結(jié)果的融合 在完成①的基礎(chǔ)上，進(jìn)行兩類傳感器定位結(jié)果d(1)和d(2)的融合，該過(guò)程采用加權(quán)平均的方法，即 得到最終泄漏定位結(jié)果，其中權(quán)值w(1)＝3，w(2)＝7。如果定位結(jié)果超出管道長(zhǎng)度或者結(jié)果為負(fù)值，則認(rèn)為沒(méi)有泄漏發(fā)生，則返回基于信息融合的泄漏檢測(cè)部分。
權(quán)利要求
1.基于壓力和聲波信息融合的泄漏檢測(cè)定位方法，其特征在于，依次含有以下步驟
步驟(1)向計(jì)算機(jī)輸入
Matlab中的統(tǒng)計(jì)學(xué)習(xí)軟件包biolearing，用于進(jìn)行支持向量機(jī)SVM運(yùn)算；
Matlab中的信號(hào)處理軟件包signal，用于進(jìn)行中值濾波運(yùn)算；
包括壓力均值檢驗(yàn)、小波分析方法和混沌時(shí)間序列關(guān)聯(lián)維分析在內(nèi)的基于壓力傳感器信號(hào)的泄漏檢測(cè)結(jié)果R1，R2和R3；
包括小波分析方法和混沌時(shí)間序列預(yù)測(cè)方法在內(nèi)的基于聲波傳感器信號(hào)的泄漏檢測(cè)結(jié)果R4和R5；
包括相關(guān)分析法、廣義相關(guān)分析法、小波分析方法、仿射變換法、下降沿起點(diǎn)法、拐點(diǎn)法、混沌時(shí)間序列預(yù)測(cè)在內(nèi)的7種基于壓力傳感器的輸出信息進(jìn)行泄漏定位的定位數(shù)據(jù)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(jié)果，上標(biāo)(1)表示定位結(jié)果由壓力信號(hào)分析得到；
包括相關(guān)分析法、廣義相關(guān)分析法、小波分析方法、混沌時(shí)間序列預(yù)測(cè)等在內(nèi)的4種基于聲波傳感器的輸出信息進(jìn)行泄漏定位的定位數(shù)據(jù)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(jié)果，上標(biāo)(2)表示定位結(jié)果由壓聲波信號(hào)分析得到；
步驟(2)按以下步驟進(jìn)行基于信息融合的泄漏檢測(cè)
步驟(2.1)在待泄漏檢測(cè)定位的管道上游u和下游d分別用壓力傳感器測(cè)定在選定時(shí)間段內(nèi)的壓力的原始數(shù)據(jù)的時(shí)間序列，用P0，u和P0，d表示，其中下標(biāo)0表示是原始數(shù)據(jù)，得到一個(gè)長(zhǎng)度為L(zhǎng)的數(shù)據(jù)序列，并分別將P0，u和P0，d輸入信號(hào)處理軟件包，得到中值濾波后的結(jié)果Pu和Pd；
步驟(2.2)在待泄漏檢測(cè)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(shí)間段的聲波信號(hào)原始數(shù)據(jù)，分別用A0，u和A0，d，并按以下步驟進(jìn)行帶通濾波，得到聲波信號(hào)重構(gòu)信號(hào)Au和Ad
步驟(2.2.1)設(shè)定聲波信號(hào)原始數(shù)據(jù)長(zhǎng)度為L(zhǎng)，泄漏后聲波信號(hào)的頻帶范圍為[f1，f2]；
步驟(2.2.2)對(duì)所述聲波信號(hào)原始數(shù)據(jù)A0，u和A0，d進(jìn)行快速傅立葉變換，得到其傅立葉變換系數(shù)FA0，u和FA0，d
FA0，u＝FFT(Ao，u)
FA0，d＝FFT(Ao，d)
其中，F(xiàn)FT(·)表示對(duì)·進(jìn)行快速傅立葉變換；
步驟(2.2.3)保留頻率在[f1，f2]內(nèi)的傅立葉變換系數(shù)，其他頻率范圍內(nèi)的系數(shù)置零，得到新的傅立葉變換系數(shù)FAo，u′和FA0，d′；
步驟(2.2.4)對(duì)FAo，u′和FA0，d′進(jìn)行傅立葉逆變換，得到重構(gòu)信號(hào)Au和Ad
Au＝IFFT(FAo，u′)
Ad＝IFFT(FA0，d′)
其中，IFFT(·)表示對(duì)·進(jìn)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(shè)定
步驟(2.1)得到的上下游壓力信號(hào)序列分別為Pu和Pd；
步驟(2.2.4)得到上下游聲波信號(hào)序列分別為Au和Ad
步驟(2.3.2)對(duì)Pu，Pd，Au，Ad求出以下各值，構(gòu)成特征向量X
信號(hào)的平均值Pau，Pad，Aau和Aad，其中下標(biāo)a表示平均值；
信號(hào)的最小值Pmu，Pmd，Amu和Amd，其中下標(biāo)m表示最小值；
信號(hào)的標(biāo)準(zhǔn)差Pσu，Pσd，Aσu和Aσd，其中下標(biāo)σ表示標(biāo)準(zhǔn)差；
聲波信號(hào)功率譜最大值對(duì)應(yīng)的頻率Afu和Afd，其中下標(biāo)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(jìn)行泄漏檢測(cè)
步驟(2.4.1)支持向量機(jī)的訓(xùn)練，支持向量機(jī)的訓(xùn)練通過(guò)如下優(yōu)化問(wèn)題實(shí)現(xiàn)
其中，N表示樣本數(shù)，α[k]，αi[k]，αj[k]表示權(quán)值，yi，yj∈{-1，1}表示分類號(hào)，C為松弛因子系數(shù)，Q為優(yōu)化目標(biāo)函數(shù)標(biāo)識(shí)，K(Xi[k]，Xj[k]為核函數(shù)，Xi[k]，Xj[k]為樣本的特征向量，[k]＝[1]，[2]，[3]為核函數(shù)編號(hào)，i，j均為序號(hào)；
通過(guò)訓(xùn)練獲得權(quán)值αi[k]，與非零αi[k]下標(biāo)相同的的特征向量即為支持向量，不同類別的一對(duì)支持向量的中值即為分類閾值b[k]；
上述訓(xùn)練過(guò)程通過(guò)biolearning實(shí)現(xiàn)，向所述biolearning軟件包輸入以下數(shù)據(jù)
訓(xùn)練數(shù)據(jù)按照步驟(2.3.2)選取的泄漏數(shù)據(jù)的特征向量X1和按照步驟(2.3.2)選取的非泄漏數(shù)據(jù)的特征向量X-1其中下標(biāo)1表示泄漏，其中下標(biāo)-1表示非泄漏；
分類信息1和分類信息-1；
核函數(shù)名稱及參數(shù)多項(xiàng)式核函數(shù)名稱“polynomial”，對(duì)應(yīng)的核函數(shù)形式為
，其多項(xiàng)式階數(shù)q選擇軟件包的默認(rèn)值3；
徑向基函數(shù)名稱名稱“RBF”，對(duì)應(yīng)的核函數(shù)形式為
，其尺度因子σ選擇軟件包的默認(rèn)值；
S形函數(shù)名稱“MLP”和參數(shù)υ＝0.001，c＝-0.1，對(duì)應(yīng)的核函數(shù)形式為
其中上標(biāo)[1]，[2]，[3]分別為核函數(shù)的編號(hào)；
松弛因子系數(shù)選擇軟件包的默認(rèn)值；
分別得到三種核函數(shù)條件下包含權(quán)值、支持向量及分類閾值的三個(gè)分類信息結(jié)構(gòu)Struct1，Struct2，Struct3；
步驟(2.4.2)基于支持向量機(jī)的泄漏檢測(cè)輸入待檢測(cè)數(shù)據(jù)的特征向量Xt和步驟(2.4.1)得到的分類信息結(jié)構(gòu)Struct1，得到檢測(cè)結(jié)果R6；其中下標(biāo)t表示待檢測(cè)數(shù)據(jù)；
輸入待檢測(cè)數(shù)據(jù)的特征向量Xt和步驟(2.4.1)得到的分類信息結(jié)構(gòu)Struct2，得到檢測(cè)結(jié)果R7；
輸入待檢測(cè)數(shù)據(jù)的特征向量Xt和步驟(2.4.1)得到的分類信息結(jié)構(gòu)Struct3，得到檢測(cè)結(jié)果R8；
步驟(2.5)按以下步驟采用登普斯特-謝弗D-S證據(jù)理論進(jìn)行決策級(jí)融合
步驟(2.5.1)設(shè)定，有泄漏的用1表示，無(wú)泄漏用
表示，構(gòu)成D-S證據(jù)理論的識(shí)別框架
步驟(2.5.2)對(duì)于步驟(1)和步驟(2.4.2)的8個(gè)檢測(cè)結(jié)果，將其表示為Rn，n＝1，...，8；
步驟(2.5.3)根據(jù)步驟(2.5.2)所得的Rn，n＝1，...，8計(jì)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(zhuǎn)化為
中的數(shù)值pl，n，n＝1，...，8，pl，n，n＝1，...，8表示用該檢測(cè)結(jié)果作證據(jù)時(shí)判斷為泄漏的概率，則1-pl，n，n＝1，...，8表示用該檢測(cè)結(jié)果做證據(jù)是判斷為非泄漏的概率；
步驟(2.5.4)根據(jù)步驟(2.5.3)所得的pl，n按照下式計(jì)算在證據(jù)理論框架下以Rn，n＝1，...，8作證據(jù)時(shí)判別結(jié)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(diào)節(jié)因子；
計(jì)算在證據(jù)理論框架下以Rn，n＝1，...，8作證據(jù)時(shí)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(jì)算在證據(jù)理論框架下以Rn，n＝1，...，8作證據(jù)時(shí)判別為非泄漏的基本概率分配
步驟(2.5.5)定義證據(jù)理論識(shí)別框架Θ中的的焦元元素Snk(n＝1，2，…，8，k＝1，2，3)焦點(diǎn)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(jì)算不一致因子
其中，符號(hào)∩表示求交集，∏表示連續(xù)做乘法，表示空集；
步驟(2.5.7)按下式計(jì)算對(duì)應(yīng)泄漏時(shí)的概率分配
步驟(2.5.8)按下式計(jì)算對(duì)應(yīng)非泄漏時(shí)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(fā)生，則按以下步驟進(jìn)行基于信息融合的泄漏定位過(guò)程
步驟(3.1)按以下方式確定基于壓力傳感器數(shù)據(jù)的各個(gè)定位結(jié)果di(1)，i＝1，....，7的權(quán)值wi(1)，i＝1，...，7
步驟(3.1.1)將所有定位結(jié)果di(1)，i=1，....，7均為拓展為以di(1)，i＝1，...，7中心，管長(zhǎng)的1％為半徑r的對(duì)稱區(qū)間[di(1)-r，di(1)+r]，i＝1，....，7；
步驟(3.1.2)根據(jù)某一定位結(jié)果di(1)的對(duì)稱區(qū)間[di(1)-r，di(1)+r]與步驟(3.1.1)中所述所有7個(gè)區(qū)間的交集的個(gè)數(shù)作為該定位結(jié)果的權(quán)值wi(1)；
步驟(3.2)對(duì)壓力傳感器按以下公式計(jì)算根據(jù)步驟(1)所述定位結(jié)果di(1)，i＝1，....，7和步驟(3.1)所獲得的權(quán)值wi(1)，i＝1，...，7，得到的定位融合結(jié)果
步驟(3.3)按以下方式確定基于聲波傳感器數(shù)據(jù)的各個(gè)定位結(jié)果dj(2)，j＝1，...，4的權(quán)值wj(2)，j＝1，...，4
步驟(3.3.1)將所有定位結(jié)果dj(2)，j＝1，....，4均為拓展為以dj(2)，j＝1，....，4中心，管長(zhǎng)的1％為半徑r的對(duì)稱區(qū)間[dj(2)-r，dj(2)+r]，j＝1，....，4；
步驟(3.3.2)根據(jù)某一定位結(jié)果dj(2)的對(duì)稱區(qū)間[dj(2)-r，dj(2)+r]與步驟(3.3.1)中所述所有4個(gè)區(qū)間的交集的個(gè)數(shù)作為該定位結(jié)果的權(quán)值wj(2)；
步驟(3.4)對(duì)壓力傳感器按以下公式計(jì)算根據(jù)步驟(1)所述定位結(jié)果dj(2)，j＝1，....，4和步驟(3.1)所獲得的權(quán)值wj(2)，j＝1，...，4，得到的定位融合結(jié)果
步驟(3.5)按下式對(duì)壓力和聲波兩類傳感器的定位結(jié)果進(jìn)行融合，得到最終的泄漏定位結(jié)果
其中權(quán)值w(1)＝3，w(2)＝7；
如果定位結(jié)果超出管道長(zhǎng)度或者結(jié)果為負(fù)值，則認(rèn)為沒(méi)有泄漏發(fā)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(cè)定位方法，屬于輸油(氣)管道故障診斷技術(shù)領(lǐng)域，其特征在于均基于信息融合的泄漏檢測(cè)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(cè)量數(shù)據(jù)，送入計(jì)算機(jī)，經(jīng)過(guò)數(shù)據(jù)濾波、特征級(jí)融合和決策級(jí)融合三個(gè)層次的處理獲得最終的檢測(cè)結(jié)果。如果檢測(cè)結(jié)果顯示有泄漏，則啟動(dòng)基于信息融合的泄漏定位過(guò)程。該過(guò)程首先分別利用兩類不同傳感器的信號(hào)和多種不同的泄漏定位算法進(jìn)行泄漏定位，經(jīng)過(guò)基于同類傳感器和不同定位方法的定位結(jié)果的融合，以及基于兩類不同傳感器的定位結(jié)果的融合兩個(gè)層次的處理，最終得到定位結(jié)果。該方法能夠有效的降低誤報(bào)率和漏報(bào)率，提高定位精度。
文檔編號(hào)G06F17/00GK101196872SQ20071017761
公開(kāi)日2008年6月11日 申請(qǐng)日期2007年11月19日 優(yōu)先權(quán)日2007年11月19日
發(fā)明者葛傳虎, 昊 葉, 王桂增 申請(qǐng)人:清華大學(xué)