基于改进UPEMD和DTWSVM的埋地输油管道泄漏检测方法与流程

基于改进upemd和dtwsvm的埋地输油管道泄漏检测方法
技术领域
1.本发明涉及管道泄漏检测和声波信号处理技术领域，尤其涉及基于 改进upemd和dtwsvm的埋地输油管道泄漏检测方法。


背景技术：

2.管道作为一种兼顾便捷性、经济性的运输方式，在各个领域得到了 众多的应用。由于埋地管道所处的环境较为复杂，且管道在地下容易受 雨水等腐蚀，管道很容易出现泄漏。输油管道出现泄漏，不仅造成资源 的浪费，还会对土壤、植被产生巨大影响，因此对埋地管道进行泄漏检 测具有重要的意义。
3.声波法具有误报率低、漏报率低、传播距离远、良好的灵敏度等诸 多优点，所以采用声波法对管道进行泄漏检测得到了广泛的应用。由于 声波在传播的过程中，易受噪声的影响，所以对声波信号进行去噪处理 十分重要。upemd(uniform phase empirical mode decomposition，均匀相 位经验模态分解)是在emd(empirical mode decomposition，经验模态分 解)的基础上进行优化和改进的一种信号处理方法，它采用相位均匀分 布的正弦信号作为辅助信号，并且通过增加正弦波的相位数以达到更好 的抑制模态混叠现象。但是upemd将信号分解为若干个imf(intrinsicmodal function，本征模态函数)后，没有给出一个合适的筛选方法。在 重构信号时，若选择重构的imf包含的有用信息少，则会导致误差增 大，信号的分析效果达不到预期。


技术实现要素：

4.鉴于现有技术的上述缺点、不足，本发明提供一种基于改进 upemd和dtwsvm的埋地输油管道泄漏检测方法，其解决了现有埋地 输油管道泄漏检测技术所存在的误差大、信号分析效果差的技术问题。 本发明能够提高对管道的泄漏检测能力，并准确判断管道的工况。
5.为了达到上述目的，本发明采用的主要技术方案包括：
6.本发明实施例提供基于改进upemd和dtwsvm的埋地输油管道泄 漏检测方法。该方法包括以下步骤：
7.步骤1，采用声压传感器获取输油管道在正常工况和泄漏时的声波 信号数据；
8.步骤2，采用upemd算法对步骤1采集的声波信号数据进行分解， 直到残余不能在分解，得到若干个imf；
9.步骤3，计算步骤2中所得到的各imf与管道泄漏时和正常工作时 的声波信号的互信息值，根据得到的互信息值计算各个imf的相似系 数，通过相似系数选取包含泄漏信息多的imf进行信号重构；
10.步骤4，根据深度学习dl和孪生双子支持向量机twsvm，建立网 络模型dtwsvm；
11.步骤5，根据步骤3得到的重构信号，建立dtwsvm模型的训练样 本和测试样本；将训练样本输入到dtwsvm模型中，通过监督学习和 无监督学习调整dtwsvm模型中的参数，得
到训练好的dtwsvm模 型；然后将测试样本输入到训练好的dtwsvm模型中，对埋地输油管道 的工况进行判断。
12.进一步地，所述步骤2中采用upemd算法对声波信号分解的具体 步骤如下：
13.步骤2.1、计算upemd算法的循环周期tc和循环次数nc；
14.nc＝log2(n)
ꢀꢀꢀ
(1)
15.tc＝2m,m＝1:ncꢀꢀꢀ
(2)
16.式中n表示信号数据的总长度，掩膜频率的数值等于循环周期的倒 数，即fc＝1/tc，m为循环次数的倒数。
17.步骤2.2、对相位的个数n
p
和幅值ε进行设置，其中，n
p
∈n,n
p
＞1，且 n
p
的个数必须为2的整数次方，当n
p
的取值为2时，upemd就是掩膜emd；
18.步骤2.3、令原始信号x(t)＝r0(t)，同时，构造掩蔽信号，即：
19.w(t；εm；fc；θk)＝εm·
cos(2π
·
fc·
t+θk)
ꢀꢀꢀ
(3)
20.其中，εm＝ε
×rm-1
(t)，r
m-1
(t)是标准偏差，相位θk在[0,2π]范围内被均匀 的分成n
p
份，故
[0021]
θk＝2π(k-1)/n
p
,k＝1:n
p
ꢀꢀꢀ
(4)
[0022]
步骤2.4、扰乱信号yk(t)的表达式为：
[0023]
yk(t)＝x(t)+εm·
cos(2π
·
fc·
t+θk)
ꢀꢀꢀ
(5)
[0024]
步骤2.5、用emd对扰乱信号yk(t)进行分解，将分解得到的第i个imf 分量定义为ei(
·
)；因此，emd分解得到的第一个分量为：
[0025]cm,k
(t)＝e1(x(t)+w(t；εm；fc；θk)),k＝1,2...n
p
,m＝1:ncꢀꢀꢀ
(6)
[0026]
步骤2.6、从得到的c
m,k
(t)中减去掩蔽信号w(t；εm；fc；θk)后，再进行集成 平均就可以得到imf1，即：
[0027][0028]
步骤2.7、将步骤2.6中计算得到的余项作为新的待分解的扰乱信号， 循环步骤2.1-步骤2.6，直到分解出所有的imf后，停止循环。
[0029]
进一步地，所述步骤3的具体方法为：
[0030]
计算各个imf与管道泄漏时和正常工作时的声波信号的互信息值：
[0031][0032]
式中x和y是两个随机信号，p(x,y)表示x和y的联合分布，且x和y的 边缘概率密度函数分别为p(x)和p(y)；
[0033]
将imf与泄漏信号的互信息定义为li，将imf与正常工况时信号的 互信息定义为hi，根据得到的互信息值计算相似系数βi，βi＝l
i-hi； i＝1,2
…
,k；
[0034]
根据相似系数选择包含泄漏信息多的imf重构信号，相似系数越大 的imf包含的泄漏信息越多。
[0035]
进一步地，所述步骤4的具体方法为：
[0036]
在深度学习和twsvm的基础上，通过分析各种网络结构和网络层 数对检测精度的影响，建立一种新的网络模型dtwsvm，通过对模型训 练确定模型中各个参数的最优值；
[0037]
所述dtwsvm模型是一个包含输入层、隐含层和输出层的三层网络 模型，隐含层中设置三个twsvm来提取输入数据的特征，输出层设置 一个主twsvm来对管道的工况进行判别；
[0038]
所述隐含层中的twsvm分为两类，输入数据为线性数据时， twsvm为线性，生成三对超平面，将原始数据映射到6维空间中，记录 原始数据的6维位置信息；输入的是非线性数据时，twsvm为非线性， 引入核函数数据将原始数据映射到6维空间；
[0039]
原始数据t＝[(x1,y1),
…
,(x
m+k
,y
m+k
)]输入到模型的输入层，隐含层中三个 twsvm进行数据的特征提取，生成一个特征数据集：
[0040]
x＝f(x)＝(f(x)
1,+
,f(x)
1,-,f(x)
2,+
,f(x)
2,-,f(x)
3,+
,f(x)
3,-)
t
ꢀꢀꢀ
(27)
[0041]
f(x)
i,j
＝(w
i,j
·
x)+b
i,j
，i＝1,2,3,j＝+,
‑ꢀꢀꢀ
(28)
[0042]
式中，b
i,j
和w
i,j
均为dtwsvm模型中的参数，训练后得到具体数值；
[0043]
非线性情况下，隐含层中的twsvm通过核函数进行映射：
[0044]
f(x)
i,j
＝k(x
t
,c
t
)z
i,j
+b
i,j
，i＝1,2,3,j＝+,
‑ꢀꢀꢀ
(29)
[0045]
式中，k(x
t
,c
t
)表示核函数，z
i,j
是dtwsvm模型中的参数；
[0046]
所述twsvm中的参数是通过交叉验证和网格搜索的方法来确定参 数的最优值；
[0047]
所述输出层的主twsvm分为两类，线性twsvm和非线性 twsvm；类别与隐含层中的tesvm保持一致，主twsvm是用来对管 道的工况进行判断；
[0048]
主twsvm在线性和非线性状态下的判别公式分别为：
[0049][0050][0051]
式中，k(x
t
,c
t
)表示核函数。
[0052]
进一步地，所述步骤5中，模型的训练通过自下而上的非监督学习 和自上而下的监督学习来调整网络模型中的各项参数；其中，非监督学 习是逐个对模型的每一层进行训练，调整各层的每项参数，训练时，前 一层的输出作为后一层的输入，直到所有的层训练完成；监督学习是在 非监督学习的基础上，对模型各个层的参数进行调整，使得各层参数到 达最优值，进而将误差最小化。
[0053]
本发明的有益效果是：本发明的基于改进upemd和dtwsvm的埋 地输油管道泄漏检测方法，采用基于互信息优化的upemd算法对采集 的声波信号进行去噪处理，upemd将信号分解为若干个imf，根据互 信息得到各imf的相似系数，根据相似系数选择包含泄漏信息多的imf 进行信号重构，重构后的信号能够准确反映管道的泄漏信息，且含噪声 极少。
[0054]
本发明根据dl(deep learning，深度学习)和twsvm(twin supportvector machine，孪生双子支持向量机)，建立了一种dtwsvm(deeptwin support vector machine，深度孪生双子支持向量机)模型，dtwsvm 模型结合了深度学习和twsvm的优点，能够准确判断管道的工况。
附图说明
[0055]
图1为本发明基于改进upemd和dtwsvm的埋地输油管道泄漏检 测方法的流程图；
[0056]
图2为本发明所提供的改进upemd对信号进行去噪的流程图；
[0057]
图3为本发明提供的dtwsvm模型的结构图；
[0058]
图4为本发明所提供的检测原理图；
[0059]
图5为本发明所提供的现场图；
[0060]
图6为本发明所提供的传感器1在管道首站采集的原始信号(即去 噪前的管道泄漏声波信号)图；
[0061]
图7为本发明所提供的分解得到的部分imf及其对应的频谱图；
[0062]
图8为本发明所提供的各imf的相似系数数值示意图；
[0063]
图9为本发明的重构后的信号与采用emd、upemd去噪后的信号 进行对比的泄漏声波信号曲线图；其中，图9(a)为采用emd去噪后的 泄漏声波信号曲线图；图9(b)为采用upemd去噪后的泄漏声波信号 曲线图；图9(c)为采用本发明方法去噪后的泄漏声波信号曲线图。
具体实施方式
[0064]
为了更好的解释本发明，以便于理解，下面结合附图，通过具体实 施方式，对本发明作详细描述。
[0065]
如图1所示，本实施例提供了一种基于改进upemd和dtwsvm的 埋地输油管道泄漏检测方法，包括以下步骤：
[0066]
步骤1，使用声压传感器对输油管道在正常工作时和泄漏时的声波 信号进行采集。
[0067]
步骤2，采用upemd算法对采集的声波信号进行分解，直到残余不 能再分解时停止分解。
[0068]
emd是一种常用的信号处理方法，但是其存在模态混叠现象会导致 重构后的信号掺有较多噪声和其它间断信号，导致出现误差。upemd是 在emd的基础上进行优化和改进的一种信号处理方法，它采用相位均匀 分布的正弦信号作为辅助信号，并且通过增加正弦波的相位数以达到更 好的抑制模态混叠现象。upemd的具体步骤如下：
[0069]
(1)首先，计算upemd算法的循环周期tc和循环次数nc。
[0070]
nc＝log2(n)
ꢀꢀꢀ
(1)
[0071]
tc＝2m,m＝1:ncꢀꢀꢀ
(2)
[0072]
式中n表示信号数据的总长度，掩膜频率的数值等于循环周期的倒数， 即fc＝1/tc，m为循环次数的倒数。
[0073]
(2)对相位的个数n
p
和幅值ε进行设置。其中，n
p
∈n,n
p
＞1，且n
p
的个 数必须为2的整数次方，当n
p
的取值为2时，upemd就是掩膜emd。
[0074]
(3)令原始信号x(t)＝r0(t)，同时，构造掩蔽信号，即
[0075]
w(t；εm；fc；θk)＝εm·
cos(2π
·
fc·
t+θk)
ꢀꢀꢀ
(3)
[0076]
其中，εm＝ε
×rm-1
(t)，r
m-1
(t)是标准偏差，相位θk在[0,2π]范围内被均匀 的分成n
p
份，故
[0077]
θk＝2π(k-1)/n
p
,k＝1:n
p
ꢀꢀꢀ
(4)
[0078]
(4)由以上可以得到扰乱信号yk(t)的表达式：
[0079]
yk(t)＝x(t)+εm·
cos(2π
·
fc·
t+θk)
ꢀꢀꢀ
(5)
[0080]
(5)采用emd对扰乱信号进行分解，将分解得到的第i个imf分量 定义为ei(
·
)。因此，emd分解得到的第一个分量为：
[0081]cm,k
(t)＝e1(x(t)+w(t；εm；fc；θk)),k＝1,2...n
p
,m＝1:ncꢀꢀꢀ
(6)
[0082]
此时，从式(5)得到的c
m,k
(t)中减去w(t；εm；fc；θk)后，再对其进行集成 平均就可以得到imf1，即
[0083][0084]
(6)将计算得到的余项作为新的待分解的扰乱信号，循环步骤 (1)-(5)，直到分解出所有的imf后停止循环。
[0085]
步骤3，采用互信息优化upemd算法，根据各imf的互信息值计 算相似系数，并根据相似系数来选择合适的imf进行信号重构，改进 upemd算法的流程图如图2所示。
[0086]
互信息可以度量两个变量或者系统之间的相关程度。互信息值越大， 则表明两个变量或系统之间的依赖程度越大，且两者之间互相包含的共 同信息也越多。定义x和y是两个随机信号，它们的联合分布用p(x,y)来 表示，且x和y的边缘概率密度函数分别为p(x)和p(y)。互信息可由下式求 得：
[0087][0088]
对管道首末站传感器采集的信号进行去噪时，首先采用upemd算 法对信号进行分解，得到的每个imf中含有的泄漏信息多少不同。 upemd算法仅仅是对信号进行分解，没有给出imf的筛选方法。一般 情况下，是将所有imf重构或者通过频域分析选择位于某特定频段内的 imf进行重构。但是这种选择方法得到的信号中，仍然含有一定的噪 声，不能有效减小误差。所以，在重构信号时，需要确定一个能够筛选 出包含泄漏信息多的imf的方法，减小噪声引起的误差。互信息可以反 映两个变量之间相关程度。因此，本发明采用互信息对upemd算法进 行优化，具体步骤如下：
[0089]
1)将首末站传感器采集的信号采用upemd算法进行分解，得到k 个imf；
[0090]
2)计算每个imf与正常工况信号之间的互信息值，并将其定义为 hi。imf中包含泄漏信息越多时hi的数值就越小，相反则越大；
[0091]
3)计算每个imf与泄漏信号之间的互信息值，并将其定义为li。 imf包含的泄漏信息越多时，li的数值就越大，相反则越小；
[0092]
4)定义相似系数βi＝l
i-hi，i＝1,2
…
,k。然后，根据步骤2)和3)得 到的互信息值来计算各个imf对应的相似系数。imf包含泄漏信息越 多，li越大，hi越小，相似系数也就越大。
[0093]
5)根据步骤4)得到的相似系数对imf进行筛选。相似系数βi的数 值越大，表明imf包含的泄漏信息越多。因此，选取相似系数大的imf 进行重构，得到含噪声更少的信号。
[0094]
步骤4，根据深度学习dl和孪生双子支持向量机twsvm，建立 dtwsvm模型，模型结构如图3所示。
[0095]
孪生双子支持向量机twsvm借鉴了支持向量机svm的分类思想， 通过建立两个超平面对样本进行分类。在svm中，正负样本是采用同一 个超平面进行分类，而twsvm分别为
正负样本各建立了一个超平面来 进行分类。一个超平面对应一个二次规划问题，所以twsvm需要求解 两个二次规划问题，这就使得其在准确率上得到了极大的提升。此外， svm是一次性求解一个二次规划问题，而twsvm是将一个问题分成两 个小的二次规划问题，提高了模型的训练速度和检测能力。
[0096]
twsvm是通过生成两个超平面来实现对数据的分类，定义数据集 为：
[0097]
t＝[(x1,y1),
…
,(x
m+k
,y
m+k
)]
ꢀꢀꢀ
(9)
[0098]
式中，x
l
∈rn,l＝1,2,
…
,m+k，ys＝+1,s＝1,2,
…
,m，yq＝-1,q＝m+1,m+2,
…
,m+k，定义 a＝(x1,x2,
…
,xm)
t
，b＝(x
m+1
,x
m+2
,
…
,x
m+k
)
t
。
[0099]
由以上分析可得，对于twsvm要求解的两个二次规划问题。可以 根据式(10)-(11)得到一对超平面(w
+
·
x)+b
+
＝0和(w-·
x)+b-＝0。
[0100][0101][0102]
式中，c1和c2是控制ξ大小的惩罚参数，e
+
和e-是两个组成元素均为1 的列向量，ξ
+
和ξ-是控制对噪点容忍程度的松弛变量，e
+
,ξ
+
∈rm，e-,ξ-∈rk。 由以上两式可得，一个目标函数的约束由另一个目标函数的模式确定， 两个超平面互相限制。线性状态下，twsvm的拉格朗日对偶问题为：
[0103][0104][0105]
其中，h＝[a e
+
]，g＝[b e-]。
[0106]
综合以上，可以得到线性条件下，为了线性规划问题能有最优解， 由kkt条件可得：
[0107][0108][0109]
此时，当有待判定新样本输入时，线性twsvm可以根据下式判断 样本所属标签。
[0110][0111]
式中，|
·
|表示进行绝对值运算。
[0112]
当数据在低维空间线性不可分时，svm利用核函数将其映射到高维 空间，再对数据进行分类。和svm的处理方法相同，twsvm也是采用 核函数对数据进行映射，再利用在线性条件下的方法对数据进行分类。 引入核函数后，twsvm的两个超平面可以表示为：
[0113][0114]
非线性twsvm的两个二次规划问题如下所示：
[0115][0116][0117]
非线性情况下，定义：
[0118][0119]
此时，twsvm对应的朗格朗日对偶问题为：
[0120][0121][0122]
通过上述分析，为了非线性规划问题能有最优解，由kkt条件可得
[0123][0124][0125]
此时，当有待判定新样本输入时，twsvm可以根据下式判断样本 所属标签。
[0126][0127]
式中，|
·
|是样本点到超平面的垂直距离。
[0128]
twsvm和svm(support vector machine，支持向量机)相比，其训 练速度更快、分类精度更高，且具有良好的泛化能力。深度学习dl不 需要人为去提取特征，而是自动对数据进行筛选、提取特征。此外，与 传统神经网络相比，深度学习具有更好的学习能力、适应性和可移植 性。在深度学习和twsvm的基础上，本发明结合两者的优点，组建了 一种新的网络模型dtwsvm。
[0129]
步骤5，采用训练样本对dtwsvm进行训练，确定各项参数最优 值，再使用测试样本得到分类结果，确定埋地输油管道的工况。
[0130]
dtwsvm是一个包含输入层、隐含层和输出层的网络模型。输入 层输入管道两端传感器测得的数据。在模型的隐含层中，设置了三个 twsvm，这三个twsvm之间的唯一的区别是参数的不同，它们主要 是用来进行特征提取。三个twsvm生成6个超平面，可以把原始数据 映射到6维空间中。输出层中设置一个twsvm，用于进行分类。本模 型不仅充分发挥了dl和twsvm的优点，还克服了浅层模型的不足， 具有良好的准确性。dtwsvm的模型如图3所示。
[0131]ci1
,c
i2
,i＝1,2,3分别为隐含层中三个twsvm的参数，本发明采用交叉验 证和网格搜索的方法来确定其最优值。管道泄漏时，传感器采集的数据 基本上为非线性数据，而rbf核函数(radial basis function，径向基函数) 具有良好的非线性映射能力、泛化能力，所以，在非线性情况下，本发 明采用rbf核函数k(xi,xj)＝exp(-λ||x
i-xj||2)。
[0132]
在线性情况下，根据式(10)-(11)可得，隐含层中的每一个twsvm 都会生成一对超平面。
[0133][0134]
隐含层中twsvm生成的6个超平面可以将传感器采集的原始数据 x投射到6维空间中，得到原始数据的6维位置信息，生成一个新的数据 集x。
[0135]
x＝f(x)＝(f(x)
1,+
,f(x)
1,-,f(x)
2,+
,f(x)
2,-,f(x)
3,+
,f(x)
3,-)
t
ꢀꢀꢀ
(27)
[0136]
f(x)
i,j
＝(w
i,j
·
x)+b
i,j
，i＝1,2,3,j＝+,
‑ꢀꢀꢀ
(28)
[0137]
式中，b
i,j
和w
i,j
均为dtwsvm模型中的参数，训练后得到具体数值。
[0138]
非线性情况下，隐含层中的每个twsvm通过式(18)-(19)生成两 个曲面，将传感器采集得到的原始数据x投射到生成的6维空间中，生成一 个新的数据集x。
[0139]
f(x)
i,j
＝k(x
t
,c
t
)z
i,j
+b
i,j
，i＝1,2,3,j＝+,
‑ꢀꢀꢀ
(29)
[0140]
式中，k(x
t
,c
t
)表示核函数，z
i,j
是dtwsvm模型中的参数。
[0141]
根据以上分析可得，数据集x是隐含层中三个twsvm从原始数据x 中提取的数据特征，x将作为输出层的输入，用来判断管道的工况。
[0142]
模型的训练可以分为两部分：自下而上的非监督学习和自上而下的 监督学习。非监督学习是逐个对模型的每一层进行训练，调整各层的每 项参数。训练时，前一层的输出作为后一层的输入，直到所有的层训练 完成。监督学习是在非监督学习的基础上，对模型各个层的参数进行调 整，使得各层参数到达最优值，进而将误差最小化。dtwsvm的基本步 骤如下：
[0143]
《1》在线性情况下，将隐含层中三个twsvm的参数c
i1
,c
i2
,i＝1,2,3代入到 式(12)-(13)中进行运算，再通过式(14)-(15)就可以得到参数w
i,+
,b
i,+
,w
i,-,b
i,-。 在非线性情况下，将参数c
i1
,c
i2
代入式(21)-(22)中，并通过式(23)-(24) 得到参数z
i,+
,b
i,+
,z
i,-,b
i,-。
[0144]
《2》线性情况下，根据步骤《1》得到的各项参数和式(28)，将传感器采 集到的原始数据x
l
转换成f(x
l
)。非线性情况下，采用式(29)对原始数据进 行转换。将转换得到的数据样本(f(x
l
),y
l
)作为输出层主twsvm的输入。
[0145]
《3》在线性情况下，通过交叉验证和网格搜索方法得到主twsvm的 参数c1,c2的最优值。根据式(12)-(15)，可以得到参数w
+
,b
+
,w-,b-的数 值。非线性情况下，根据式(20)-(23)，得到参数z
+
,b
+
,z-,b-的数值。
[0146]
《4》线性情况下，将步骤《3》中得到的w
+
,b
+
,w-,b-代入式(16)，对管 道工况进行判断。非线性情况下将z
+
,b
+
,z-,b-代入式(25)，对管道工况 进行判断。
[0147]
实施例
[0148]
本发明采用某航油管道公司的航油管道进行了泄漏实验。航油管道 长度10km，管
径为200mm，管道内为3号航空煤油，管道首末端的压力 分别为2.3kpa和0.53kpa。在管道的1km、4km和7km处各有一个口径 为8mm和5mm的球阀，用于模拟泄漏的产生。管道首末端各安装一个 pcb106b型声压传感器，用来采集泄漏信号，其量程为0-57kpa，灵敏度 为43.5mv/kpa，工作的温度范围为-54-+121℃，采样频率设为1000hz。 数据采集装置采用的是ni-daq9181数据采集器，其与labview软件 配合使用，对数据进行采集。其原理图和现场图如图4和图5所示。
[0149]
在所有阀门关闭时，采集管道内的声波信号，即正常工况下的声波 信号。在管道的1km、3km和7km处分别打开不同的泄漏阀门模拟泄 漏，即泄漏时的声波信号。
[0150]
以传感器1采集到的信号为例，进行去噪实验。打开管道3km处的 8mm阀门，模拟管道出现泄漏，传感器1在管道首站采集的原始信号如 图6所示。
[0151]
从图6中可以看出，原始信号含有较多的噪声，信号波动较大，无 法判断管道是否泄漏。现采用基于互信息优化的upemd算法对原始信 号进行去噪处理。首先，采用upemd算法对原始信号进行分解，将原 始信号分解为12个不同尺度的imf和一个残余项。图7为分解得到的部 分imf及其频谱图。
[0152]
相似系数可以反映每个imf包含泄漏信息的多少，所以可以根据相 似系数来选择包含泄漏信息多的imf。首先，计算每个imf与正常信号 互信息值。再计算与泄漏信号的互信息。最后，计算相似系数的数值。 根据相似系数的定义可得，相似系数的数值越大，则表明imf中含有的 泄漏信息越多。经过计算，得到的各个imf的相似系数值如图8所示。
[0153]
从图8可以看出imf7-imf12的相似系数明显大于imf1-imf6的相 似系数。因此，选择imf7-imf12进行信号重构。将重构后的信号与采用 emd、upemd去噪后的信号进行对比，对比结果如图9所示。
[0154]
从图9(a)、图9(b)、图9(c)中可以明显看出，采用本发明的 方法得到的曲线更加平滑，含噪声更少，可以明显的看出信号的变化趋 势以及拐点。
[0155]
在管道1km、3km和7km处分别打开8mm和5mm阀门模拟泄漏， 各采集1500组泄漏声波信号。在管道正常工况下，同样采集1500组数 据。采用基于互信息优化的upemd算法对信号进行去噪。
[0156]
线性情况下，隐含层中三个twsvm的参数取值为：c
11
＝0.3,c
12
＝0.1， c
21
＝c
22
＝0.2，c
31
＝0.3,c
32
＝0.25。输出层twsvm的参数c1＝c2＝1。非线性情况 下，c
11
＝0.1,c
12
＝0.3，c
21
＝c
31
＝0.35,c
22
＝c
32
＝0.1。输出层twsvm的参数 c1＝1,c2＝10。隐含层中三个twsvm均采用rbf核函数，且参数λ的取值 分别为1、0.1、0.1。
[0157]
将前800组去噪后的数据用于dtwsvm模型的训练，通过监督学习 和无监督学习来调整模型中的各个参数，直至误差最小化。训练完成 后，将剩余700组去噪后的数据作为测试样本输入到训练好的dtwsvm 中进行管道工况识别，将dtwsvm的识别精度和twsvm、dsvm的识 别精度进行对比，对比结果如表1所示。
[0158]
表1识别精度对比结果
[0159][0160]
根据表1可得，不论是不同位置的泄漏，还是同一位置不同大小的 泄漏，dtwsvm对管道泄漏的识别准确性明显要高于twsvm和dsvm 的准确性，最高可达99.6％。
[0161]
本发明采用互信息对upemd方法进行了优化，得到了基于互信息 优化的upemd滤波方法，此方法可以有效去除信号中的噪声，极大的 保留了泄漏信息。此外，本发明将深度学习与twsvm相结合，得到了 一种新的网络模型dtwsvm。经实验验证，将去噪后的信号输入到 dtwsvm中，可以准确判断管道工况，识别准确率高，为智慧管网的建 设和管理提供了便捷。