一种基于直觉模糊加权最小二乘孪生多类别支持向量机的流体管道泄漏诊断方法与流程

本发明属于管道泄漏检测领域，具体涉及一种基于直觉模糊加权最小二乘孪生多类别支持向量机的流体管道泄漏诊断方法。

背景技术：

1、流体管道是城市能源运输系统的重要组成部分，运输着水、天然气和石油等重要资源，其运行状态密切关联着城市发展和居民生活。但是，管网系统中的流体管道由于超期服役、化学腐蚀、老化和焊缝缺陷等因素，不可避免地收到一定程度的损坏，导致泄漏事故时有发生，不仅造成经济上的直接损失，而且会导致潜在的环境污染和危害公共健康问题。所以，及时诊断出流体管道疑似泄漏隐患，对于避免严重泄漏事故发生、保证管道安全运行具有重要意义。

2、目前，人工神经网络、深度学习模型和支持向量机等机器学习方法已经被用于管道泄漏诊断领域。由于基于神经网络模型的管道泄漏诊断方法需要大量的样本进行模型训练，而管道在大部分时间是处于正常运行状态的，泄漏样本的数量相对较少，因此支持向量机、孪生支持向量机及最小二乘孪生支持向量机等适用于小样本学习的分类方法更适合用于管道泄漏诊断。最小二乘孪生多类别支持向量机(least squared twin k-classsupport vector classification；lst-ksvc)是一种新颖的分类方法，利用“一对一对余”结构对所有训练样本进行评估，不仅保留了最小二乘孪生支持向量机的高训练效率，而且具有更高的分类准确率。由于管道环境中噪声干扰的存在，泄漏样本中不可避免的存在一些异常值。在对lst-ksvc分类模型进行训练时，训练样本中的异常值将会误导分类超平面的生成，导致管道泄漏诊断的准确率较低。

技术实现思路

1、为了解决上述问题，本发明提出一种基于直觉模糊加权最小二乘孪生多类别支持向量机的流体管道泄漏诊断方法，利用直觉模糊数降低异常值影响的同时，考虑了数据点间的局部领域信息，提高了泛化性能，具体包括以下步骤：

2、s1：获取流体管道在正常状态和泄漏状态下的振动数据并打上类别标签生成原始振动样本数据集，从时域和波形两个方面提取原始振动样本数据的时域特征和波形特征生成原始振动样本数据的特征参数；对原始振动样本数据的特征参数进行归一化处理得到原始振动特征样本集；

3、s2：根据原始振动特征样本到其类别中心的距离、原始振动特征样本的总数量和每个类别下原始振动特征样本的数量利用直觉模糊理论计算原始振动特征样本的分类贡献值；根据原始振动特征样本和其所属类别下与其相邻的k个原始振动特征样本计算原始振动特征样本的类内权重；

4、s3：根据原始振动特征样本的类内权重和原始振动特征样本的分类贡献值重构lst-ksvc分类模型的决策函数生成管道泄露诊断模型；

5、s4：将原始振动特征样本作为管道泄露诊断模型的输入，以管道泄露诊断模型的诊断精度最高为优化目标利用网格搜索法对管道泄露诊断模型进行训练；

6、s5：获取流体管道的待测振动特征样本，将待测振动特征样本输入训练好的管道泄露诊断模型判断流体管道是否发生泄漏。

7、进一步地，所述对原始振动样本数据的特征参数进行归一化处理包括：

8、

9、其中，xij表示第i个原始振动样本数据的特征参数的第j个元素，是xij对应的归一化值，和分别表示所有原始振动样本数据的特征参数的第j个元素中的最小值和最大值。

10、进一步地，所述利用直觉模糊理论计算原始振动特征样本的分类贡献值包括：

11、直觉模糊数定义为θ＝(μθ,vθ)，隶属度值μθ∈[0,1]，非隶属度值vθ∈[0,1]，0≤μθ+vθ≤1；

12、将原始振动特征样本到其类别中心的距离进行归一化处理作为原始振动特征样本的隶属度；

13、将原始振动特征样本所属类别下样本的数量与原始振动特征样本集中样本的总数量的比值作为原始振动特征样本的非隶属度，则θ表示原始振动特征样本的直觉模糊数；μθ表示原始振动特征样本的隶属度值；vθ表示原始振动特征样本的非隶属度值；

14、根据原始振动特征样本的隶属度值和非隶属度值计算原始振动特征样本的分类贡献值s(θ)；

15、

16、进一步地，所述原始振动特征样本的类内权重包括：

17、

18、

19、其中，σ表示核参数，表示第c个类别下的第i个原始振动特征样本的类内权重，xi是xj的近邻表示为xi是与第j个原始振动特征样本xj距离最近的k个样本中的一个；xi表示第i个原始振动特征样本，xi和xj所属的类别均为类别c。

20、进一步地，所述直觉模糊加权lst-ksvc分类模型的决策函数包括：

21、定义原始振动特征样本集d＝{(x1,y1),(x2,y2),...,(xi,yi),...,(xm,ym)}，xi∈rn表示原始振动特征样本，yi表示样本xi的类别标签；给定样本矩阵和分别由类别标签为+1、-1和0对应的原始振动特征样本组成，n表示原始振动特征样本中元素的数量；

22、对于线性直觉模糊加权lst-ksvc分类模型，构造两个分类超平面：

23、xtw1+b1＝0和xtw2+b2＝0

24、其中，x表示原始振动特征样本，t表示转置，w1、w2和b1、b2分别是两个超平面的权重和偏置；

25、根据原始振动特征样本的类内权重和原始振动特征样本的分类贡献值确定两个分类超平面：

26、

27、s.t.-(x2w1+e2b1)+ξ＝e2

28、-(x3w1+e3b1)+δ＝e3(1-ε)

29、

30、s.t.(x1w2+e1b2)+η＝e1

31、-(x3w2+e3b2)+γ＝e3(1-ε)

32、其中，ρ1和ρ2表示由两个类别标签下的原始振动特征样本的类内权重组成的矩阵；s1和s2表示由两个类别标签下的原始振动特征样本的分类贡献值组成的矩阵；ξ、δ、η、γ表示松弛变量；c1、c2、c3和c4表示惩罚参数；e1、e1和e3为维度为m1、m2和m3的全1向量；ε是先验选择的正参数；

33、则对于线性直觉模糊加权lst-ksvc分类模型其决策函数如下：

34、

35、其中，f(x)表示直觉模糊加权lst-ksvc分类模型的决策函数。

36、进一步地，所述直觉模糊加权lst-ksvc分类模型的决策函数包括：

37、定义原始振动特征样本集d＝{(x1,y1),(x2,y2),...,(xi,yi),...,(xm,ym)}，xi∈rn表示原始振动特征样本，yi表示样本xi的类别标签；给定样本矩阵和分别由类别标签为+1、-1和0对应的原始振动特征样本组成，n表示原始振动特征样本中元素的数量；

38、对于非线性直觉模糊加权lst-ksvc分类模型，构造两个分类超平面：

39、k(xt,at)w1+b1＝0和k(xt,at)w2+b2＝0

40、其中，k(,)表示核函数，a＝[x1；x2]，x表示原始振动特征样本，t表示转置，w1、w2和b1、b2分别表示两个超平面的权重和偏置；

41、根据原始振动特征样本的类内权重和原始振动特征样本的分类贡献值确定两个分类超平面：

42、

43、s.t.-(x2w1+e2b1)+ξ＝e2

44、-(x3w1+e3b1)+δ＝e3(1-ε)

45、

46、s.t.(x1w2+e1b2)+η＝e1

47、-(x3w2+e3b2)+γ＝e3(1-ε)

48、其中，ρ1和ρ2表示由两个类别标签下的原始振动特征样本的类内权重组成的矩阵；s1和s2表示由两个类别标签下的原始振动特征样本的分类贡献值组成的矩阵；ξ、δ、η、γ表示松弛变量；c1、c2、c3和c4表示惩罚参数；e1、e1和e3为维度为m1、m2和m3的全1向量；ε是先验选择的正参数；k表示核函数；σ为核参数。

49、则对于非线性直觉模糊加权lst-ksvc分类模型其决策函数如下：

50、

51、其中，f(x)表示直觉模糊加权lst-ksvc分类模型的决策函数。

52、进一步地，所述对管道泄露诊断模型进行训练包括：

53、对于管道泄露诊断模型为线性直觉模糊加权lst-ksvc分类模型，将原始振动特征样本输入管道泄露诊断模型通过网格搜索法确定参数{ci|i＝1,2,3,4}的最优组合，对最优参数组合下的线性直觉模糊加权lst-ksvc模型的优化问题进行求解，从而确定w1,b1和w2,b2的值得到训练好的管道泄露诊断模型；

54、对于管道泄露诊断模型为非线性直觉模糊加权lst-ksvc分类模型，将原始振动特征样本输入管道泄露诊断模型通过网格搜索法确定参数{ci|i＝1,2,3,4}和σ的最优组合；确定两个最优非平行分类超曲面k(xt,ct)w1+b1＝0和k(xt,ct)w2+b2＝0得到训练好的管道泄露诊断模型。

55、本发明至少具有以下有益效果

56、本发明利用直觉模糊数给每个训练样本分配一个隶属度值和一个非隶属度值，以此确定所有训练样本对分类模型的分类贡献值，并利用该值对lst-ksvc模型的目标函数进行改进，实现给所有训练样本赋予相应的权重，降低了异常值对分类模型准确率的影响。并且，本发明提出的直觉模糊加权lst-ksvc模型基于k近邻的加权技术融入了数据样本之间的局部领域信息，从而提高了模型的泛化性能。在保留lst-ksvc较高训练效率和分类精度的同时，提出的直觉模糊加权lst-ksvc模型降低了异常值的影响，进一步提高了模型的分类精度和泛化性能。