专利名称：基于遗传神经网络的管道压力缺失数据补偿方法及装置的制作方法
技术领域：
本发明属于管道检测技术领域，特别涉及一种基于遗传神经网络的管道压力缺失数据补偿方法及装置。
背景技术：
随着十几年来经济的飞速发展，输油管道泄漏检测技术也有着长足的进步，但是在输油管道运行过程中，腐蚀、自然与地质灾害、违章施工、打孔盗油等多种情况，都可能造成管道泄漏，甚至引起爆炸、燃烧，导致人员伤亡和环境污染等严重事故，产生较大经济损失和恶劣社会影响。因此，对于输油管道安全性的要求也日益提高。输油管道的压力数据对于检测管道泄漏和漏点定位有着重要的研究意义和价值。运用当今的技术手段，可以从这些数据中分析出输油管道系统在某一时刻的运行状态，这便于工作人员第一时间发现和解决不安全因素。然而，在管道压力数据采集的过程中可能出现传感器故障、AD采集故障、 数据存储故障和网络通信故障等未知情况，这些情况都可以造成管道压力数据的不完整， 使管道的实时信息失去连续性，进而管道的压力数据不能构成完整的、有效的时间序列，这将对管道实时信息的获取和研究产生严重的影响。目前，在输油管道泄漏检测技术领域，针对压力数据的缺失问题还没有很好的解决办法。
发明内容
针对现有技术存在的不足，本发明提供了一种基于遗传神经网络的管道压力缺失数据补偿方法及装置。该装置包括A/D数据采集单元、DSP数据处理单元和ARM-Linux数据采集控制单元；其中A/D数据采集单元包括变送器、多路复用器、仪表放大器和A/D数据采集模块；DSP数据处理单元包括数据缓存器、DSP芯片和扫描表；ARM-Linux数据采集控制单元包括ARM处理器、ARM液晶显示屏和GPS模块；该装置中采集压力、流量、密度参数的变送器安装在管道内，采集压力、流量、密度参数的变送器输出端接入多路复用器的输入端，多路复用器的输出端连接到仪表放大器的输入端，仪表放大器的输出端连接A/D数据采集模块输入端，A/D数据采集模块的输出端连接数据缓存器的输入端，数据缓存器的输出端连接到DSP芯片的输入端，DSP芯片的输出端连接到ARM处理器的输入端，ARM处理器的输入输出端连接GPS模块的输入输出端，ARM液晶显示屏的输出输入端连接ARM处理器的输入输出端，DSP芯片的输出端连接扫描表的输入端，扫描表的输出端分别连接多路复用器和仪表放大器的输入端。采用该装置进行管道压力缺失数据补偿方法，按如下步骤进行步骤一变送器采集的模拟信号通过多路复用器后，其中压力信号被选中，进入仪表放大器，放大之后进入A/D数据采集模块；
7
步骤二 经过A/D数据采集模块转换后的数据通过数据缓存器进入DSP芯片进行处理，DSP芯片采用低通切比雪夫滤波算法对传送来的数据进行滤波，将大于IKHz的高频信号滤除，消除外界对输油管道信号造成的较大扰动；步骤三根据输油管道的压力信号呈现出的统计特性，选取压力特征提取指标， 尽管特征指标能够反映管道压力所包含的信息，但是对于管道压力缺失数据补偿并不一定都有效。对这些已选取的特征指标进行进一步的提取，即主成分分析PCA(Principal Component Analysis)；步骤四设步骤三所得到的m个特征指标为，…，Xm，将要通过PCA提取得到的特征指标为t1; t2，…，tk，其中k < m，采用累积方差贡献率法对步骤三所得到的特征指标进行降维处理；方法按如下步骤进行步骤1、由第三步得到的m个特征指标、η个数据向量样本组成检测数据矩阵X，对检测数据矩阵中的数据作归一化处理，设X的均值向量为μ，标准差向量为σ，则归一化的过程变量为Xlj = (xy ~μ])/σ] i = 1,2Λ ,η; j = 1,2Λ，m(1)其中Xij为检测数据矩阵X的元素，i为矩阵X的行数，j为矩阵X的列数；h和σ彳分别为第i个数据向量Xi的均值和标准差；m为特征指标的数量，η为数据向量样本个数；i，j，m，n 均属实数；记归一化后的检测数据矩阵为X，X的协方差矩阵为E，通过MATLAB软件中的 EIG函数来计算协方差矩阵EWm个特征值λ」，进而得到对应的单位化正交特征向量Pj ；步骤2、计算第j个主元q} = XP1(2)步骤3、建立如下主元模型1 = qX + q2P2T +Λ+ qmPTm ⑶其中 为第j个主元；Ρ」为第j个负荷向量，每对qj，Pj都是按特征向量Pj的特征值λ ^的降幂排列，其中第一对截获了所有分解的负荷向量和主元向量对中最大信息量；步骤4、通过计算累积方差贡献率确定主元
kj m累积方差贡献率-Jh=[ΣΛ /ΣΛ]χ100%
；=1 / ；=1其中k表示含最大信息量的最少主元数通过以上过程计算后，由各主元的累计方差贡献率的大小确定k值，最终确定遗传神经网络训练的输入矩阵的特征指标t1; t2，…，tk ；步骤五将步骤四得到的特征指标作为遗传神经网络训练的输入矩阵，按4 1的比例将样本矩阵分成训练数据和测试数据，由遗传神经网络预测输油管道压力缺失数据， 网络的训练具体过程如下步骤1、GIF Elman神经网络参数编码采用实数编码，一个实数对应于一个具体的待优化的网络参数，编码串的长度为参数个数的总和，GIF Elman全信息反馈神经网络的输出层节点数R，隐含层节点数Si，输
8出层节点数S2，承接层1节点数Sl和承接层2的节点数S2，以及它们的连接权组成的编码长度如下S = RXS1+S1 XSl+Sl XS2+S2XS2+S2XS1+S1+S2 (4)其中RXS1为输入层至隐含层连接权IW{1，1}中权值的个数，Sl XSl为承接层1 至隐含层连接权LW{1，1}中权值的个数，S1XS2为隐含层至输出层连接权LW{2，1}中权值的个数，S2XS2为承接层2至输出层的连接权LW{2，2}中权值的个数，S2XS1为承接层2 至隐含层连接权LW{1，2}中权值的个数；步骤2、产生初始种群设M为种群的大小，即种群中所含个体的数量，整数M—般取值为[20，100]之间， 遗传优化程序中选取M= 50 ；G为遗传算法终止进化代数，G的取值范围为[100，500]之间的整数，遗传优化程序中选取G= 100 ；随机产生T个染色体串，染色体串的编码长度由式 (4)确定；步骤3、计算个体适应值在遗传算法中，以个体适应度的大小来确定该个体被遗传到下一代个体中的概率。适应度函数是遗传算法指导搜索的唯一信息，它的好坏是衡量算法优劣的关键。将适应度函数取为输出端的平方误差的倒数，即对第i个体，其适应度函数为
权利要求
1.一种基于遗传神经网络的管道压力缺失数据补偿装置，其特征在于该装置包括A/ D数据采集单元、DSP数据处理单元和ARM-Linux数据采集控制单元；其中A/D数据采集单元包括变送器、多路复用器、仪表放大器和A/D数据采集模块； DSP数据处理单元包括数据缓存器、DSP芯片和扫描表； ARM-Linux数据采集控制单元包括ARM处理器、ARM液晶显示屏和GPS模块； 该装置中采集压力、流量、密度参数的变送器输出端接入多路复用器的输入端，多路复用器的输出端连接到仪表放大器的输入端，仪表放大器的输出端连接A/D数据采集模块输入端，A/D数据采集模块的输出端连接数据缓存器的输入端，数据缓存器的输出端连接到 DSP芯片的输入端，DSP芯片的输出端连接到ARM处理器的输入端，ARM处理器的输入输出端连接GPS模块的输入输出端，ARM液晶显示屏的输出输入端连接ARM处理器的输入输出端，DSP芯片的输出端连接扫描表的输入端，扫描表的输出端分别连接多路复用器和仪表放大器的输入端。
2.采用权利要求1所述的基于遗传神经网络的管道压力缺失数据补偿方法，其特征在于按如下步骤进行步骤一变送器采集的模拟信号通过多路复用器后，其中压力信号被选中，进入仪表放大器，放大之后进入A/D数据采集模块；步骤二 经过A/D数据采集模块转换后的数据通过数据缓存器进入DSP芯片进行处理， DSP芯片采用低通切比雪夫滤波算法对传送来的数据进行滤波，将大于IKHz的高频信号滤除，消除外界对输油管道信号造成的较大扰动；步骤三根据输油管道的压力信号呈现出的统计特性，选取压力特征提取指标，对这些已选取的特征指标进行进一步的提取，即主成分分析PCA ；步骤四设步骤三所得到的m个特征指标为，…，Xm，将要通过PCA提取得到的特征指标为t1; t2，…，tk，其中k < m，采用累积方差贡献率法对步骤三所得到的特征指标进行降维处理；步骤五将步骤四得到的特征指标作为遗传神经网络训练的输入矩阵，按4 1的比例将样本矩阵分成训练数据和测试数据，由遗传神经网络预测输油管道压力缺失数据；步骤六按步骤一至步骤五建立遗传神经网络模型，实时检测管道压力数据，判断有无缺失数据，如有数据缺失，则平台采用该遗传神经网络模型进行数据补偿，反之，将本站数据发送到管线上各监控站的上位机，上位机以相同的方式对管道数据进行检测和补偿。
3.根据权利要求2所述的基于遗传神经网络的管道压力缺失数据补偿方法，其特征在于所述的步骤四，按如下步骤进行步骤1、由第三步得到的m个特征指标、η个数据向量样本组成检测数据矩阵X，对检测数据矩阵中的数据作归一化处理，设X的均值向量为μ，标准差向量为σ，则归一化的过程变量为Xij = (x1} - μ])/σ] i = 1,2Λ , ;_/+ = 1,2Λ，m(1)其中为检测数据矩阵X的元素，i为矩阵X的行数，j为矩阵X的列数； μ」和ο彳分别为第i个数据向量Xi的均值和标准差； m为特征指标的数量，η为数据向量样本个数； i，j，m，n均属实数；记归一化后的检测数据矩阵为X，X的协方差矩阵为E，通过MATLAB软件中的EIG函数来计算协方差矩阵E的m个特征值λ ρ进而得到对应的单位化正交特征向量Pj ； 步骤2、计算第j个主元其中叫为第j个主元；Pj为第j个负荷向量，每对qj，Pj都是按特征向量Pj的特征值 Aj的降幂排列，其中第一对截获了所有分解的负荷向量和主元向量对中最大信息量； 步骤4、通过计算累积方差贡献率确定主元其中k表示含最大信息量的最少主元数通过以上过程计算后，由各主元的累计方差贡献率的大小确定k值，最终确定遗传神经网络训练的输入矩阵的特征指标t1; t2，…，tk。
4.根据权利要求2所述的基于遗传神经网络的管道压力缺失数据补偿方法，其特征在于所述的步骤五，按如下步骤进行步骤1、GIF Elman神经网络参数编码采用实数编码，一个实数对应于一个具体的待优化的网络参数，编码串的长度为参数个数的总和，GIF Elman全信息反馈神经网络的输出层节点数R，隐含层节点数Si，输出层节点数S2，承接层1节点数Sl和承接层2的节点数S2，以及它们的连接权组成的编码长度如下S = RXS1+S1 XSl+Sl XS2+S2XS2+S2XS1+S1+S2 (4)其中RX Sl为输入层至隐含层连接权IW{1，1}中权值的个数，Sl X Sl为承接层1至隐含层连接权LW{1，1}中权值的个数，S1XS2为隐含层至输出层连接权LW{2，1}中权值的个数，S2XS2为承接层2至输出层的连接权LW{2，2}中权值的个数，S2XS1为承接层2至隐含层连接权LW{1，2}中权值的个数； 步骤2、产生初始种群设M为种群的大小，即种群中所含个体的数量，整数M取值为[20，100]之间，G为遗传算法终止进化代数，G的取值范围为[100，500]之间的整数；随机产生T个染色体串，染色体串的编码长度由式(4)确定； 步骤3、计算个体适应值将适应度函数取为输出端的平方误差的倒数，即对第i个体，其适应度函数为 /=^rj-= ^~1--⑶ΣI eW I Σοfi为第i个染色体串的适应度值，i = 1，2. . .，T，&越大，适应度越高，Yi (k) ,Yffli (k)分别是对应第i个染色体串样本k的期望输出和GIF Elman网络输出，其中，N为训练样本总数；步骤4、选择操作^ = XP1步骤3、建立如下主元模型 X = qlPlT +q2P2T +A+qmPn采用比例选择方法，根据每个个体的适应度计算其被选择的概率Pi ；
全文摘要
一种基于遗传神经网络的管道压力缺失数据补偿方法及装置，属于管道检测技术领域。包括A/D数据采集单元、DSP数据处理单元和ARM-Linux数据采集控制单元；A/D数据采集单元包括变送器、多路复用器、仪表放大器和A/D数据采集模块；DSP数据处理单元包括数据缓存器、DSP芯片和扫描表；ARM-Linux数据采集控制单元包括ARM处理器、ARM液晶显示屏和GPS模块；采用该装置的补偿方法，包括1、采集模拟信号；2、对采集信号滤波；3、提取特征指标；4、对特征指标进行降维处理；5、对网络训练；6、检测管道压力数据，判断有无缺失数据。本发明优点用于远程传输文件，效果不失真，还原系统当时运行状态。
文档编号G05B13/04GK102269972SQ20111007642
公开日2011年12月7日 申请日期2011年3月29日 优先权日2011年3月29日
发明者关福生, 冯健, 刘金海, 张化光, 马大中, 高丁 申请人:东北大学