一种管道泄漏检测方法与流程

本发明涉及管道泄漏检测技术领域，尤其涉及一种管道泄漏检测方法。

背景技术：

管道泄漏的检测与定位涉及管道流体力学、热力学、传感技术、微弱信号检测、信号处理等多个学科，现有的管道泄漏检测方法有声学原理法、红外检测法、机器学习法，声学原理法依赖专家经验和已有知识库进行检测，检测精度低；红外检测法对不同管径管道需使用不同信号的检测器，成本高、检测复杂；机器学习法有神经网络法、人工智能法、支持向量机法，神经网络法的监测准确率低，人工智能法需要大量样本数据进行统计分析，支持向量机法只能对是否泄漏进行判断，不能确定泄漏点位置。

技术实现要素：

本发明提供一种管道泄漏检测方法，解决现有方法检测准确率低的问题。

一种管道泄漏检测方法，包含以下步骤：对泄漏情况已知的管道中的各监测点采集应力波信号，提取特征值，构建训练样本，得到样本特征值；将所述样本特征值作为支持向量机分类器的输入信号，根据各监测点实际泄漏情况，得到对泄漏情况判断的支持向量机最优分类面函数；将所述样本特征值作为神经网络回归器的输入信号，根据泄漏点实际位置，得到对泄漏点位置计算的神经网络模型、泄漏点模型位置。

进一步地，在所述将样本特征值作为支持向量机分类器的输入信号，并根据已知的各监测点泄漏情况，得到对泄漏情况判断的支持向量机最优分类面函数的步骤之前，所述方法，还包含：对所述样本特征值，通过主成分分析的方法，进行降维处理，得到降维样本特征值和降维矩阵，并将所述降维样本特征值作为所述支持向量机分类器的输入信号。

进一步地，所述方法还包含：根据已知的泄漏点实际位置，采用adagrad方法，对所述泄漏点模型位置进行优化，得到对泄漏点位置优化的优化模型。

优选地，所述支持向量机分类器的核函数为多项式内积函数、径向基函数、s型内积函数。

优选地，所述神经网络模型采用三层人工神经网络，激活函数为relu函数。

进一步地，所述神经网络模型采用标准bp算法、自适应调整学习速率bp算法、动量改进bp算法、共轭梯度法、高斯牛顿法、levenbergmarquardt法。

进一步地，所述特征值包含：所述应力波信号的峰值、平均幅值、方差、方均根、方根幅值、无量纲波形指标、峰值因子、脉冲因子、裕度因子、峭度、峭度因子。

优选地，对泄漏情况已知的管道中的各监测点采集应力波信号的采集频率为0.1hz。

优选地，所述对样本特征值，通过主成分分析的方法，进行降维处理，得到降维样本特征值和降维矩阵，并将所述降维样本特征值作为所述支持向量机分类器的输入信号的步骤，进一步包含：对所述样本特征值进行标准化预处理，得到标准化样本特征值；从所述标准化样本特征值中筛选出降维空间数据，并按照方差贡献率降序排序，得到所述降维样本特征值；根据所述降维样本特征值是所述降维矩阵与所述标准化样本特征值线性乘积，计算得到所述降维矩阵。

优选地，降维后与降维前的维度比例为0.75。

本发明有益效果包括：本发明创新的提出了将支持向量机和神经网络相结合的检测方法，利用支持向量机对实时数据进行是否泄漏的判断，对已泄漏的泄漏点数据进一步通过神经网络计算泄漏点位置，判断准确率高；同时对神经网络进行了优化，进一步提高了泄漏点泄漏情况判断和泄漏位置计算的准确率，方法简单、检测成本低。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为一种管道泄漏检测方法流程实施例；

图2为一种包含特征值降维处理的管道泄漏检测方法流程实施例；

图3为一种包含泄漏点位置优化的管道泄漏检测方法流程实施例。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

以下结合附图，详细说明本发明各实施例提供的技术方案。

图1为一种管道泄漏检测方法流程实施例，用于对管道泄漏情况进行检测，作为本申请实施例，一种管道泄漏检测方法，包含以下步骤：

步骤101，对泄漏情况已知的管道中的各监测点采集应力波信号，提取特征值，构建训练样本，得到样本特征值。

在步骤101中，管道中流体的泄漏主要特征是在泄漏处形成多相湍射流，与管道相互作用后在管壁上产生高频的应力波，无泄漏时的应力波时频曲线与有泄漏时的应力波时频曲线之间存在明显差异，因此通过提取应力波信号的特征值，可以判断管道是否泄漏。

作为本发明实施例，所述特征值包含：所述应力波信号的峰值、平均幅值、方差、方均根、方根幅值、无量纲波形指标、峰值因子、脉冲因子、裕度因子、峭度、峭度因子。需要说明的是，所述特征值还可以包含其他与泄漏检测有关的指标，这里不做特别限定。

在步骤101中，所述训练样本为先验信息，根据已知的泄漏情况和泄漏位置构建训练样本。对于实时的管道泄漏检测，同样需要对各监测点的应力波信号进行采集，并进行特征提取，提取的特征与所述样本特征值对应。

在步骤101中，作为本发明实施例，对泄漏情况已知的管道中的各监测点采集应力波信号的采集频率为0.1hz，需要说明的是，采集频率也可以是其他数值，这里不做特别限定。

步骤103，将所述样本特征值作为支持向量机分类器的输入信号，根据各监测点实际泄漏情况，得到对泄漏情况判断的支持向量机最优分类面函数。

在步骤103中，支持向量机就是过用内积函数定义的非线性变换，即核函数，将输入空间变换到一个高维空间，在这个空间中求最优分类面得到所述支持向量机最优分类面函数。最优分类面能够对所有所述样本特征值正确分类，且使所述样本特征值中离最优分类面最近的点到最优分类面的距离最大，即推广性界的置信范围最小。

作为本发明实施例，所述支持向量机分类器的核函数为多项式内积函数、径向基函数、s型内积函数；所述核函数的变量为所述样本特征值。需要说明的是，所述核函数也可以是其他形式的核函数，这里不做特别限定。

在步骤103中，根据所述样本特征值、实际泄漏情况能够得到所述支持向量机最优分类面函数，对实时采集提取特征得到的特征值，根据所述支持向量机最优分类面函数可以确定采集信号的泄漏情况。

步骤104，将所述样本特征值作为神经网络回归器的输入信号，根据泄漏点实际位置，得到对泄漏点位置计算的神经网络模型、泄漏点模型位置。

神经网络模块是一个多输入单输出的非线性关系的函数，输入分量通过和对应的权值分量相乘后再和阈值进行相加，得到激活函数，通过改变权值分量和阈值的数值，使输出值与目标值误差最小，从而得到神经网络模型。

在步骤104中，所述神经网络回归器的输入信号是所述样本特征值，目标值是所述泄漏点实际位置，输出值是泄漏点模型位置，通过改变权值分量和阈值的数值使泄漏点模型位置最接近所述泄漏点实际位置，得到了所述神经网络模型。

作为本申请实施例，所述神经网络模型采用标准bp算法，需要说明的是，所述神经网络模型也可采用其他算法，如自适应调整学习速率bp算法、动量改进bp算法、共轭梯度法、高斯牛顿法、levenbergmarquardt法，这里不做特别限定。

作为本申请实施例，所述神经网络模型采用三层人工神经网络，所述激活函数选择relu函数，relu函数的优点是节省计算量、缓解过拟合问题，所述激活函数也可选择其他函数，这里不做特别限定。

在步骤104中，根据所述训练样本的所述样本特征值、所述泄漏点实际位置得到了所述神经网络模型，对泄漏点进行了定位。对于实时采集的应力波信号，当通过支持向量机分类器被泄漏情况被判定为泄漏时，进一步根据所述神经网络回归器对泄漏点的位置进行计算。

本发明实施例提供了一种管道泄漏点检测方法，将支持向量机和神经网络相结合，支持向量机有效的对泄漏情况进行了判断，在此基础上对判断为泄漏的监测点数据通过神经网络进行计算泄漏点位置，检测结果准确率高。

图2为一种包含特征值降维处理的管道泄漏检测方法流程实施例，对进入支持向量机分类器的输入信号进行降维处理，作为本申请实施例，一种管道泄漏检测方法，包含以下步骤：

步骤101，对泄漏情况已知的管道中的各监测点采集应力波信号，提取特征值，构建训练样本，得到样本特征值。

步骤102，对所述样本特征值，通过主成分分析的方法，进行降维处理，得到降维样本特征值和降维矩阵，并将所述降维样本特征值作为所述支持向量机分类器的输入信号。

在步骤102中，对所述样本特征值进行降维处理的目的是使输入所述支持向量机分类器的输入信号种类减少，加快运算量。

主成分分析方法的基本思想是对一个维数较高、各维变量之间相互关联的数据集进行降维处理，且降维后数据集尽量保留原始信息。主成分分析方法通过线性转换，将原始空间转换到低维的主成分空间，转换后的新特征称为主成分，满足各个主成分之间不相关，并按照其对应方向的方差贡献率降序排列。

在步骤102中，在所述样本特征值中进行筛选，得到所述降维样本特征值，作为本发明实施例，所述样本特征值的维度为20，所述降维样本特征值的维度为15，筛选比例为0.75。需要说明的是，筛选比例一般为0.7～0.95，本发明实施例选择0.75，也可以选择其他数值，这里不做特别限定。

在步骤102中，对所述样本特征值进行降维处理，得到所述降维样本特征值作为所述支持向量机分类器的输入信号，相应地，对实时采集的应力波信号提取的特征值也需做降维处理，乘以所述降维矩阵即可。

步骤204，将降维后的样本特征值作为支持向量机分类器的输入信号，根据各监测点实际泄漏情况，得到对泄漏情况判断的支持向量机最优分类面函数。

在步骤204中，所述支持向量机分类器的输入信号为所述降维样本特征值。

步骤104，将所述样本特征值作为神经网络回归器的输入信号，根据泄漏点实际位置，得到对泄漏点位置计算的神经网络模型、泄漏点模型位置。

在步骤104中，所述神经网络回归器的输入信号为所述样本特征值，由于神经网络多输入单输出的特性，不需进行降维处理。

本发明实施例提供的管道泄漏检测方法，对特征值进行降维处理后输入给支持向量机分类器，提高了支持向量机分类器的计算速率。

图3为一种包含泄漏点位置优化的管道泄漏检测方法流程实施例，对泄漏点位置进行了优化计算，作为本申请的实施例，一种管道泄漏检测方法，包含以下步骤：

步骤101，对泄漏情况已知的管道中的各监测点采集应力波信号，提取特征值，构建训练样本，得到样本特征值。

在步骤101中，对泄漏情况已知的管道中的各监测点采集应力波信号，提取特征值，相应地，对各监测点实时回传应力波信号，也需提取相同的特征值。

步骤201，对所述样本特征值进行标准化预处理，得到标准化样本特征值。

在步骤201中，对所述样本特征值进行标准化预处理可以消除不同量纲之间的影响。

在步骤201中，对所述样本特征值进行标准化预处理，相应地，对实时得到的应力波信号的特征值，也需进行标准化预处理。

步骤202，从所述标准化样本特征值中筛选出降维空间数据，并按照方差贡献率降序排序，得到所述降维样本特征值。

步骤203，根据所述降维样本特征值是所述降维矩阵与所述标准化样本特征值线性乘积，计算得到所述降维矩阵。

在步骤203中，所述降维矩阵可根据线性代数中的拉格朗日因子法求解得到。

在步骤203中，对实时得到的应力波信号的特征值也需乘以所述降维矩阵，进行降维处理。

步骤204，将所述降维样本特征值作为支持向量机分类器的输入信号，根据各监测点实际泄漏情况，得到对泄漏情况判断的支持向量机最优分类面函数。

在步骤204中，所述降维样本特征值作为所述支持向量机分类器的输入信号，相应地，对实时得到的应力波信号的特征值的降维后，输入所述支持向量机分类器，根据所述支持向量机最优分类面函数，确定输入信号的泄漏情况。

步骤104，将所述样本特征值作为神经网络回归器的输入信号，根据泄漏点实际位置，得到对泄漏点位置计算的神经网络模型、泄漏点模型位置。

步骤105，根据已知的泄漏点实际位置，采用adagrad方法，对所述泄漏点模型位置进行优化，得到对泄漏点位置优化的优化模型。

在步骤105中，对泄漏点位置进行优化计算，采用adagrad方法的原因是针对多种泄漏情况，可以对有的泄漏点位置进行位置优化更新，对有的泄漏点位置不进行位置优化，即adagrad方法对输入参数可以保持不同的输出更新速率。

在步骤105中，相应地，对实时采集的应力波信号进行泄漏分类，并对泄漏点位置进行计算后，需要采用adagrad方法对泄漏点位置进行优化。

本发明实施例提供的管道泄漏检测方法，包含对泄漏点位置的优化计算，可以更准确的提供泄漏点位置。

需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。