[發明專利]基于壓力和聲波信息融合的泄漏檢測定位方法

有效

• 申請號: 200710177617.0
• 申請日: 2007-11-19
• 公開（公告）號: CN101196872A
• 公開（公告）日: 2008-06-11
• 發明（設計）人: 葛傳虎;葉昊;王桂增
• 申請（專利權）人: 清華大學
• 主分類號: G06F17/00
• 分類號: G06F17/00;F17D5/06
• 代理公司: 北京眾合誠成知識產權代理有限公司
• 代理人: 朱琨

1.基于壓力和聲波信息融合的泄漏檢測定位方法，其特征在于，依次含有以下步驟：

步驟(1)向計算機輸入

Matlab中的統計學習軟件包biolearing，用于進行支持向量機SVM運算；

Matlab中的信號處理軟件包signal，用于進行中值濾波運算；

包括壓力均值檢驗、小波分析方法和混沌時間序列關聯維分析在內的基于壓力傳感器信號的泄漏檢測結果R₁，R₂和R₃；

包括小波分析方法和混沌時間序列預測方法在內的基于聲波傳感器信號的泄漏檢測結果R₄和R₅；

包括相關分析法、廣義相關分析法、小波分析方法、仿射變換法、下降沿起點法、拐點法、混沌時間序列預測在內的7種基于壓力傳感器的輸出信息進行泄漏定位的定位數據d_i⁽¹⁾，i＝1，....，7，其中，i表示基于第i種定位方法得到的定位結果，上標(1)表示定位結果由壓力信號分析得到；

包括相關分析法、廣義相關分析法、小波分析方法、混沌時間序列預測等在內的4種基于聲波傳感器的輸出信息進行泄漏定位的定位數據d_j⁽²⁾，j＝1，...，4，其中，j表示基于第j種定位方法得到的定位結果，上標(2)表示定位結果由壓聲波信號分析得到；

步驟(2)按以下步驟進行基于信息融合的泄漏檢測：

步驟(2.1)在待泄漏檢測定位的管道上游u和下游d分別用壓力傳感器測定在選定時間段內的壓力的原始數據的時間序列，用P_0，u和P_0，d表示，其中下標0表示是原始數據，得到一個長度為L的數據序列，并分別將P_0，u和P_0，d輸入信號處理軟件包，得到中值濾波后的結果P_u和P_d；

步驟(2.2)在待泄漏檢測定位的管道上游u和下游d分別用聲波傳感器獲得在給定時間段的聲波信號原始數據，分別用A_0，u和A_0，d，并按以下步驟進行帶通濾波，得到聲波信號重構信號A_u和A_d：

步驟(2.2.1)設定聲波信號原始數據長度為L，泄漏后聲波信號的頻帶范圍為[f₁，f₂]；

步驟(2.2.2)對所述聲波信號原始數據A_0，u和A_0，d進行快速傅立葉變換，得到其傅立葉變換系數FA_0，u和FA_0，d：

FA_0，u＝FFT(A_o，u)

FA_0，d＝FFT(A_o，d)

其中，FFT(·)表示對·進行快速傅立葉變換；

步驟(2.2.3)保留頻率在[f₁，f₂]內的傅立葉變換系數，其他頻率范圍內的系數置零，得到新的傅立葉變換系數FA_o，u′和FA_0，d′；

步驟(2.2.4)對FA_o，u′和FA_0，d′進行傅立葉逆變換，得到重構信號A_u和A_d：

A_u＝IFFT(FA_o，u′)

A_d＝IFFT(FA_0，d′)

其中，IFFT(·)表示對·進行快速傅立葉逆變換；

步驟(2.3)選擇特征向量：

步驟(2.3.1)設定：

步驟(2.1)得到的上下游壓力信號序列分別為P_u和P_d；

步驟(2.2.4)得到上下游聲波信號序列分別為A_u和A_d：

步驟(2.3.2)對P_u，P_d，A_u，A_d求出以下各值，構成特征向量X：

信號的平均值P_au，P_ad，A_au和A_ad，其中下標a表示平均值；

信號的最小值P_mu，P_md，A_mu和A_md，其中下標m表示最小值；

信號的標準差P_σu，P_σd，A_σu和A_σd，其中下標σ表示標準差；

聲波信號功率譜最大值對應的頻率A_fu和A_fd，其中下標f表示頻率，得到：

x＝[P_au?P_mu?P_σu?A_au?A_mu?A_σu?A_fu?P_ad?P_md?P_σd?A_ad?A_md?A_σd?A_fd]

步驟(2.4)按以下步驟使用所述biolearning軟件包進行泄漏檢測：

步驟(2.4.1)支持向量機的訓練，支持向量機的訓練通過如下優化問題實現：

Q(α[k])=Σi=1Nαi[k]-12Σi,j=1Nαi[k]αj[k]yiyjK(Xi[k],Xj[k])0≤αi[k]≤C,i=1KNΣi=1Nyiαi[k]=0]]>

其中，N表示樣本數，α^[k]，α_i^[k]，α_j^[k]表示權值，y_i，y_j∈{-1，1}表示分類號，C為松弛因子系數，Q為優化目標函數標識，K(X_i^[k]，X_j^[k]為核函數，X_i^[k]，X_j^[k]為樣本的特征向量，[k]＝[1]，[2]，[3]為核函數編號，i，j均為序號；

通過訓練獲得權值α_i^[k]，與非零α_i^[k]下標相同的的特征向量即為支持向量，不同類別的一對支持向量的中值即為分類閾值b^[k]；

上述訓練過程通過biolearning實現，向所述biolearning軟件包輸入以下數據：

訓練數據：按照步驟(2.3.2)選取的泄漏數據的特征向量X₁和按照步驟(2.3.2)選取的非泄漏數據的特征向量X_-1其中下標1表示泄漏，其中下標-1表示非泄漏；

分類信息1和分類信息-1；

核函數名稱及參數：多項式核函數名稱“polynomial”，對應的核函數形式為：

K[1](x,xi[1])=[(x·xi[1])+1]q]]>，其多項式階數q選擇軟件包的默認值3；

徑向基函數名稱名稱“RBF”，對應的核函數形式為：

K[2](x,xi[2])=exp{-||x-xi[2]||2σ2}]]>，其尺度因子σ選擇軟件包的默認值；

S形函數名稱“MLP”和參數υ＝0.001，c＝-0.1，對應的核函數形式為：

K[3](x,xi[3])=tanh(υ(x,xi[3])+c)]]>

其中上標[1]，[2]，[3]分別為核函數的編號；

松弛因子系數選擇軟件包的默認值；

分別得到三種核函數條件下包含權值、支持向量及分類閾值的三個分類信息結構Struct₁，Struct₂，Struct₃；

步驟(2.4.2)基于支持向量機的泄漏檢測：輸入待檢測數據的特征向量X_t和步驟(2.4.1)得到的分類信息結構Struct₁，得到檢測結果R₆；其中下標t表示待檢測數據；

輸入待檢測數據的特征向量X_t和步驟(2.4.1)得到的分類信息結構Struct₂，得到檢測結果R₇；

輸入待檢測數據的特征向量X_t和步驟(2.4.1)得到的分類信息結構Struct₃，得到檢測結果R₈；

步驟(2.5)按以下步驟采用登普斯特-謝弗D-S證據理論進行決策級融合：

步驟(2.5.1)設定，有泄漏的用1表示，無泄漏用表示，構成D-S證據理論的識別框架Θ={l,l‾};]]>

步驟(2.5.2)對于步驟(1)和步驟(2.4.2)的8個檢測結果，將其表示為R_n，n＝1，...，8；

步驟(2.5.3)根據步驟(2.5.2)所得的R_n，n＝1，...，8計算R_n，n＝1，...，8與閾值如-0.5之間的距離，并把該距離除以2以便轉化為[0，1]中的數值p_l，n，n＝1，...，8，p_l，n，n＝1，...，8表示用該檢測結果作證據時判斷為泄漏的概率，則1-p_l，n，n＝1，...，8表示用該檢測結果做證據是判斷為非泄漏的概率；

步驟(2.5.4)根據步驟(2.5.3)所得的p_l，n按照下式計算在證據理論框架下以R_n，n＝1，...，8作證據時判別結果不確定性的基本概率分配m_n(Θ)：

m_n(Θ)＝-k_n[p_l，nlog₂p_l，n+(1-p_l，n)log₂(1-p_l，n)]，n＝1，...，8

式中k_n∈(0，1)，n＝1，..，8為調節因子；

計算在證據理論框架下以R_n，n＝1，...，8作證據時判別為泄漏的基本概率分配m_n(l)：

m_n(l)＝p_l，n(1-m_n(Θ))，n＝1，...，8

計算在證據理論框架下以R_n，n＝1，...，8作證據時判別為非泄漏的基本概率分配

mn(l‾)=(1-pl,n)(1-mn(Θ)),n=1,...,8]]>

步驟(2.5.5)定義證據理論識別框架Θ中的的焦元元素S_nk(n＝1，2，…，8，k＝1，2，3)：焦點元素是集合Θ的基本概率分配m_j(S_jn)＞0的子集，即：Snk⋐{l,l‾,Θ},]]>且m_n(S_nk)＞0；

步驟(2.5.6)按下式計算不一致因子：

其中，符號∩表示求交集，∏表示連續做乘法，表示空集；

步驟(2.5.7)按下式計算對應泄漏時的概率分配：

m(l)=IΣSnk=lΠn=18mn(Snk)1-K1]]>

步驟(2.5.8)按下式計算對應非泄漏時的概率分配：

m(l-)=IΣSnk=l-Πn=18mn(Snk)1-K1]]>

步驟(2.5.9)

若，m(1)>m(l‾)]]>則存在泄漏；

若，m(1)<m(l‾)]]>則不存在泄漏；

步驟(3)若步驟(2)判斷有泄漏發生，則按以下步驟進行基于信息融合的泄漏定位過程：

步驟(3.1)按以下方式確定基于壓力傳感器數據的各個定位結果d_i⁽¹⁾，i＝1，....，7的權值w_i⁽¹⁾，i＝1，...，7：

步驟(3.1.1)將所有定位結果d_i⁽¹⁾，i=1，....，7均為拓展為以d_i⁽¹⁾，i＝1，...，7中心，管長的1％為半徑r的對稱區間[d_i⁽¹⁾-r，d_i⁽¹⁾+r]，i＝1，....，7；

步驟(3.1.2)根據某一定位結果d_i⁽¹⁾的對稱區間[d_i⁽¹⁾-r，d_i⁽¹⁾+r]與步驟(3.1.1)中所述所有7個區間的交集的個數作為該定位結果的權值w_i⁽¹⁾；

步驟(3.2)對壓力傳感器按以下公式計算根據步驟(1)所述定位結果d_i⁽¹⁾，i＝1，....，7和步驟(3.1)所獲得的權值w_i⁽¹⁾，i＝1，...，7，得到的定位融合結果：

d(1)=Σi=17ωi(1)×di(1)Σi=17ωi(1)]]>

步驟(3.3)按以下方式確定基于聲波傳感器數據的各個定位結果d_j⁽²⁾，j＝1，...，4的權值w_j⁽²⁾，j＝1，...，4：

步驟(3.3.1)將所有定位結果d_j⁽²⁾，j＝1，....，4均為拓展為以d_j⁽²⁾，j＝1，....，4中心，管長的1％為半徑r的對稱區間[d_j⁽²⁾-r，d_j⁽²⁾+r]，j＝1，....，4；

步驟(3.3.2)根據某一定位結果d_j⁽²⁾的對稱區間[d_j⁽²⁾-r，d_j⁽²⁾+r]與步驟(3.3.1)中所述所有4個區間的交集的個數作為該定位結果的權值w_j⁽²⁾；

步驟(3.4)對壓力傳感器按以下公式計算根據步驟(1)所述定位結果d_j⁽²⁾，j＝1，....，4和步驟(3.1)所獲得的權值w_j⁽²⁾，j＝1，...，4，得到的定位融合結果：

d(2)=Σj=14ωj(2)×dj(2)Σj=14ωj(2)]]>

步驟(3.5)按下式對壓力和聲波兩類傳感器的定位結果進行融合，得到最終的泄漏定位結果：

d=Σp=12ω(p)×d(p)Σp=12ω(p)]]>

其中權值w⁽¹⁾＝3，w⁽²⁾＝7；

如果定位結果超出管道長度或者結果為負值，則認為沒有泄漏發生，返回步驟(2)。