络的输入输出可以表示为：
式中，?!为样本个数，:为网络学习速率设置为〇. 6, ^!为网络动量因子设置 为 0.04。
[0027] 所述步骤4中所述的量子粒子优化的小波神经网络中将小波神经网络连接权值 以及参数映射为量子粒子群中的个体粒子；所述的粒子位置进化方程为： _f 运:___鍵:丨一:麵(id 式中，III:丨为迭代次数为I时粒子群的当前位置，I为个体粒子最佳位置，表示为
，《为〖GJ〗之间的随机数，I:为第I个粒子的最优位置，I为粒子群的全局最 优位置，I为III之间的随机数，I为收缩-扩张因子，迭代次数为&时取为
丨为迭代最大次数，Ini为粒子群的平均最优位置，当种群规模为Il对，Sp#:表 示为：
所述步骤4中所述的量子粒子群优化算法中引入了正态分布的干扰因子来改变当前 搜索粒子的位置，从而提高粒子群的多样性，所述的干扰因子表示为：
其中，I:为控制参数，为输出为正态分布值的随机函数；干扰因子引入判断基准为： 当重复迭代次数大于早熟因子时，启动干扰因子，早熟因子根据实际数据进行设置。
[0028] 本步骤的具体实现步骤为： Φ初始化粒子群，映射小波神经网络连接权值以及参数:_映射为量子粒子群中的 个体粒子； 设置最大迭代次数为1〇〇〇,即计算粒子的适应度值； @比较个体粒子最优位置I与整体粒子群最优位置|，如果个体粒子位置优于整体 粒子群最优位置则更新整体粒子群最优位置； _更新; 更新粒子位置； ?判断迭代次数是否大于早熟因子，若是则对粒子群加入干扰因子； _判断迭代次数是否达到最大值，若否则重复步骤? - ?。
[0029] #判断是否得到最优位置，若是则将结果映射为小波神经网络连接权值以及参数 α υ 〇
[0030] _将管道泄漏历史数据的2/3作为测试样本，1/3作为检验样本，测试预测模型的 性能。
[0031] 所述的加入干扰因子的量子粒子群算法当到达最大迭代次数或者允许误差范围 时，停止迭代得到最优粒子，通过最优粒子分解映射获取所述的小波神经网络连接权值以 及参数·丨::|的最优值。
[0032] 所述步骤5中所述的石油管道泄漏状态与定位信息由训练好的小波神经网络输 出反归一化获取。
[0033] 以上所述实施例为本发明的优选实施例，应当指出：对于本领域的技术人员来说， 其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同 替换，凡在本发明的精神和原则之内，所做的修改或等同替换，均应属于本发明的权利要求 范围内。
【主权项】
1. 一种改进的基于小波分析的石油管道泄漏检测方法，其特征在于，所述方法包括： 步骤1，采集石油管道泄漏信号； 步骤2,将采集的信号进行小波降噪处理； 步骤3,利用小波包对降噪后的信号进行特征提取； 步骤4,将提取后的信号输入训练好的量子粒子优化的小波神经网络；所述的量子粒 子优化的小波神经网络包括输入层、隐含层及输出层；所述小波神经网络参数包括输入 层神经元*、隐含层神经元及输出层神经元所述输入层神经元为归一化的管道压力值、 5-35kHz的泄漏信号均值、泄漏信号的小波分解第2级细节信号与泄漏信号的小波分解第 3级细节信号；所述隐含层神经元为9个隐含层节点；所述输出层神经元为泄漏状态与定位 信息；所述的量子粒子优化的小波神经网络中所述隐含层神经元小波基函数为：式中f为样本个数，fi:、麵、_丨、義为网络学习速率，？为网络动量因子； 步骤5,输出石油管道泄漏状态与定位信息。2. 根据权利要求1所述的改进的基于小波分析的石油管道泄漏检测方法，其特征在 于，所述步骤2中将采集的信号进行小波降噪处理的方法，具体包括： 步骤2. 1，石油管道泄漏信号的4层小波分解； 步骤2. 2,对分解的高频系数阈值进行量化； 步骤2. 3,根据分解的最低频系数以及量化后的高频系数进行小波重构。3. 根据权利要求1所述的改进的基于小波分析的石油管道泄漏检测方法，其特征在 于，所述步骤3中的利用小波包对降噪后的信号进行特征提取采用4级小波包进行分解。4.根据权利要求1或2或3所述的改进的基于小波分析的石油管道泄漏检测方法，其 特征在于，所述步骤4中的量子粒子优化的小波神经网络中将小波神经网络连接权值以及 参数_ @映射为量子粒子群中的个体粒子；所述的粒子位置进化方程为：式中，III为迭代次数为I时粒子群的当前位置，I为个体粒子最佳位置，表示为1=?|+|^_|，§为_|之间的随机数，|为第|:个粒子的最优位置，||为粒子群的全局最 优位置，I为ili之间的随机数，I为收缩-扩张因子，迭代次数为I时取为1?为迭代最大次数，为粒子群的平均最优位置，当种群规模为_时，表示 为：5.根据权利要求4所述的改进的基于小波分析的石油管道泄漏检测方法，其特征在 于，所述步骤4中的量子粒子优化的小波神经网络中引入了正态分布的干扰因子来改变当 前搜索粒子的位置，从而提高粒子群的多样性，所述的干扰因子表示为： 翁:戀(13) 其中，《为控制参数，为输出为正态分布值的随机函数；干扰因子引入判断基准为： 当重复迭代次数大于早熟因子时，启动干扰因子，早熟因子根据实际数据进行设置。6.根据权利要求5所述的改进的基于小波分析的石油管道泄漏检测方法，其特征在 于，所述的加入干扰因子的量子粒子群算法当到达最大迭代次数或者允许误差范围时，停 止迭代得到最优粒子，通过最优粒子分解映射获取所述的小波神经网络连接权值以及参数 ?、&的最优值。7.根据权利要求6所述的改进的基于小波分析的石油管道泄漏检测方法，其特征在 于，所述步骤5中的石油管道泄漏状态与定位信息由训练好的小波神经网络输出反归一化 获取。
【专利摘要】本发明涉及的是一种改进的基于小波分析的石油管道泄漏检测方法，这种改进的基于小波分析的石油管道泄漏检测方法包括以下步骤：采集石油管道泄漏信号；将采集的信号进行小波降噪处理；利用小波包对降噪后的信号进行特征提取；将提取后的信号输入训练好的量子粒子优化的小波神经网络；输出石油管道泄漏状态与定位信息。本发明提供的石油管道泄漏检测方法，具有检测精度高、抗干扰性好的优点，能够有效检测石油管道泄漏，可以应用于石油管道泄漏的检测与处理。
【IPC分类】F17D5/02
【公开号】CN105135217
【申请号】CN201510499926
【发明人】李贤丽, 刘斌, 严晓波, 黄乃兴, 吴桐, 贾茹
【申请人】东北石油大学
【公开日】2015年12月9日
【申请日】2015年8月16日