[發(fā)明專利]一種小樣本條件下管道微弱泄漏檢測方法

有效

• 申請?zhí)枺?/td>: 201910778384.2
• 申請日: 2019-08-22
• 公開（公告）號: CN110514366B
• 公開（公告）日: 2021-03-05
• 發(fā)明（設(shè)計）人: 劉金海;臧東;付明芮;馬艷娟;馬大中;馮健;朱和貴
• 申請（專利權(quán)）人: 東北大學
• 主分類號: G01M3/28
• 分類號: G01M3/28;F17D5/02;G06K9/62
• 代理公司: 沈陽東大知識產(chǎn)權(quán)代理有限公司 21109
• 代理人: 李在川

本發(fā)明提供一種小樣本條件下管道微弱泄漏檢測方法，涉及管道泄漏檢測技術(shù)領(lǐng)域。本發(fā)明步驟如下：步驟1：獲取真實樣本集，并根據(jù)真實樣本集生成虛擬樣本集；步驟2：對真實樣本集和虛擬樣本集進行組合特征提取，所述組合特征提取包括7種統(tǒng)計特征和1組符號化變換特征；步驟3：根據(jù)7種統(tǒng)計特征和1組符號化變換特征采用樸素貝葉斯方法和最小二乘支持向量機方法分別建立樸素貝葉斯網(wǎng)絡(luò)管道小泄漏辨識模型和最小二乘支持向量機管道小泄漏辨識模型，并利用模型對管道進行小泄漏檢測。本方法從增加微弱泄漏樣本數(shù)量和深度挖掘微弱泄漏樣本特征兩方面來構(gòu)造微弱泄漏辨識模型，大大提高了管道微弱泄漏的檢測準確率，保障輸油管道的安全運行。

技術(shù)領(lǐng)域

本發(fā)明涉及管道泄漏檢測技術(shù)領(lǐng)域，尤其涉及一種少量樣本條件下管道微弱泄漏檢測方法。

背景技術(shù)

管道運輸是油氣資源的主要運輸方式，其安全穩(wěn)定運行具有重大意義，對油氣傳輸過程中的管道小泄漏的精確檢測是保障管道安全穩(wěn)定運行的一種切實有效的手段。近年來，機器學習方法在數(shù)據(jù)驅(qū)動建模方面得到廣泛應用，但是也存在一些弊端；

在管道微弱泄漏檢測時，存在著如下兩個問題：

(1)實際生產(chǎn)過程中，微弱泄漏的樣本較少，無法滿足機器學習對于高精度建模的需求，而微弱泄漏往往也會導致較為嚴重的后果，是必須要準確檢測并及時處理的。

(2)微弱泄漏信號的特征往往比較隱晦，傳統(tǒng)的特征提取方法對于特征的挖掘不夠充分，無法滿足高精度微弱泄漏辨識模型的需求。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題是針對上述現(xiàn)有技術(shù)的不足，提供一種小樣本條件下管道微弱泄漏檢測方法，本方法從增加微弱泄漏樣本數(shù)量和深度挖掘微弱泄漏樣本特征兩方面來構(gòu)造微弱泄漏辨識模型，大大提高了管道微弱泄漏的檢測準確率，保障輸油管道的安全運行。

為解決上述技術(shù)問題，本發(fā)明所采取的技術(shù)方案是：

本發(fā)明提供一種小樣本條件下管道微弱泄漏檢測方法，包括如下步驟：

步驟1：獲取真實樣本集，并根據(jù)真實樣本集生成虛擬樣本集，所述真實樣本集包括真實正常樣本集X^N和真實微弱泄漏樣本集X^S，所述虛擬樣本集包括初代虛擬正常樣本集G^N和初代虛擬微弱泄漏樣本集G^S；

步驟2：對真實樣本集和虛擬樣本集進行組合特征提取，所述組合特征提取包括7種統(tǒng)計特征和1組符號化變換特征；

步驟3：根據(jù)步驟2中得到的7種統(tǒng)計特征和1組符號化變換特征采用樸素貝葉斯方法和最小二乘支持向量機方法分別建立樸素貝葉斯網(wǎng)絡(luò)管道小泄漏辨識模型和最小二乘支持向量機管道小泄漏辨識模型，根據(jù)辨識模型對管道進行泄漏檢測。

所述步驟1具體步驟如下：

步驟1.1：獲取真實正常樣本集X^N，并根據(jù)該樣本集中的真實正常樣本生成粗糙的虛擬正常樣本,生成粗糙的虛擬正常樣本集

通過對真實正常樣本集內(nèi)的樣本進行統(tǒng)計分析、數(shù)據(jù)的擬合、相似性的評價的分析，發(fā)現(xiàn)已知真實正常樣本的數(shù)據(jù)規(guī)律,生成粗糙的虛擬正常樣本

其中t表示時間，即樣本的檢測長度，t＝{1,2,…,L}；k₁表示真實正常樣本的斜率；ε為傳輸過程中各種噪聲引起的數(shù)據(jù)波動；Y_O1為設(shè)定的壓力初值，該值根據(jù)輸油管道正常的壓力范圍設(shè)定；

步驟1.2：根據(jù)正常樣本的約束對步驟1.1中生成的粗糙虛擬正常樣本集內(nèi)的數(shù)據(jù)進行調(diào)整，將不符合約束條件的樣本剔除，生成初代虛擬正常樣本集

其中根據(jù)正常樣本約束，初代虛擬正常樣本滿足：