[发明专利]基于光纤传感数据挖掘的输气管道泄漏检测识别方法

权利要求书

1.一种基于光纤传感数据挖掘的输气管道泄漏检测识别方法，其特征在于，如下步骤：

步骤1、沿管道铺设的探测光缆，感知和采集各空间点上的声波/振动信号；

步骤2、基于构建好的典型事件数据库构建关联规则分类器；

步骤3、对构建好的关联规则分类器对声波/振动信号进行在线识别和分类，若出现新的未知事件，更新典型事件数据库；

所述步骤2的具体步骤如下：

步骤2.1、基于输气管道实际发生的典型事件类型，分别构建不同类型事件的样本数据库；

步骤2.2、对样本数据库中的每条数据记录，进行信号特征提取和特征选择；

步骤2.3、对提取和选择后得到的优化特征矩阵及不同类型事件标签进行二值化处理，并将二值化处理后的结果进行拼接，得到二值化训练集；

步骤2.4、基于二值化特征训练集进行关联分析并构建关联规则分类器；

所述步骤2.1的具体步骤如下：

步骤2.11、对某空间点内采集的时间序列进行分帧处理，将每一帧时间信号作为一条数据记录放在样本数据库中；

步骤2.12、根据实际发生的典型事件类型对每条数据记录分别进行标注，构建不同类型事件的样本数据库；

所述步骤2.2的具体步骤如下：

步骤2.21、对每条数据记录提取N₁阶Mel频率倒谱系数；

步骤2.22、对每条数据记录提取N₂阶AR模型系数；

步骤2.23、将步骤2.21和步骤2.22提取的特征值合并进行特征选择；

所述步骤2.23的具体步骤如下：

将步骤2.21提取的C＝{C(i),i＝1,2,…N₁}和步骤2.22提取的A＝{A(j),j＝1,2,…,N₂}特征值合并，构成每条数据记录的N^*维特征向量{F(l),l＝1,2,…,N^*}＝{C(i),A(j),(i＝1,2,…,N₁,j＝1,2,…,N₂)}，对样本数据库中的Cnum条数据记录，都分别进行以上特征值提取的操作，得到典型泄漏事件训练数据的特征矩阵F＝{F(c)(l),(c＝1,2,…,Cnum,l＝1,2,…,N^*)}，特征矩阵F中的行代表数据记录序数，列代表特征维数；

对特征矩阵F＝{F(c)(l),(c＝1,2,…,Cnum,l＝1,2,…,N^*)}中的每一个特征列F_l＝{F_l(c),c＝1,2,…,Cnum}，分别按照：(F_l(c)-min(F_l))/(max(F_l)-min(F_l))进行最大/最小规范化，得到N^*维取值在0-1范围内的特征列F_l′＝{F_l′(c),c＝1,2,…,Cnum}，然后求其方差其中Fsev是该列特征的平均值对每一个特征列的方差值FT_l(l＝1,2,…,N^*)从大到小排序，选取其中方差较大的前N个特征，0N≤N^*，所选特征在原特征矩阵F中的对应列的标号{n₁,n₂,…n_N}∈{1,2,…,N^*}，删除原特征矩阵F中未选择的特征列，得到一个Cnum×N维的优化特征矩阵F_s＝{F_s(c)(n),(c＝1,2,…,Cnum,n＝1,2,…,N)}；

所述步骤2.3的具体步骤如下：

步骤2.31、基于模糊C均值聚类算法对选取的特征矩阵进行二值化处理，具体如下：

通过模糊C均值聚类算法将提取和选择后的特征矩阵F_s＝{F_s(c)(n),(c＝1,2,…,Cnum,n＝1,2,…,N)}转换成二值化特征矩阵FA＝{FA(c)(n),(c＝1,2,…,Cnum,n＝1,2,…,N)}，具体操作如下：将某一列的特征值F_s(:,n)＝{F_s(c)(n),(c＝1,2,…,Cnum)}通过模糊C均值聚类算法分为两堆，每一堆各有一个中心点，较大的中心点的值为big(n)，较小中心点的值为sma(n)，与当前特征值F_s(c)(n)比较大小，若|F_s(c)(n)-big(n)||F_s(c)(n)-sma(n)|，则令FA(c)(n)＝1，反之则令FA(c)(n)＝0；另设一个与FA取值相反的二值化特征矩阵后续关联规则挖掘时将综合两组二值化特征矩阵的分析结果；将二值化特征矩阵的每一列，作为后续数据挖掘事务的一项，记为：feature(n),n＝1,2,…,N；另外，保存特征矩阵F_s的N对特征聚类中心点{Cen(n)＝{big(n),sma(n)},n＝1,2,…,N}，作为后续在线检测和识别时的特征二值化参考依据；

步骤2.32、对不同类型事件标签进行二值化处理，具体如下：

将V类事件分别表示为一个V位的二值化数值，若当前数据记录c为第β类，则第β位为1，其余都为0；以此类推，Cnum条样本记录的事件类型标注将转化为一个Cnum×V的二值矩阵，最终得到二值化事件标签矩阵L_Cnum×V；

将二值化事件标签矩阵的每一列，也作为后续数据挖掘的一项，记为：label(β),β＝1,2,…,V；

步骤2.33、拼接特征矩阵与事件标签矩阵，具体如下：

将记为feature(n),n＝1,2,…,N的特征列与记为label(β),β＝1,2,…,V的事件标签列拼接，对已有的两个取值相反的二值化特征矩阵FA_Cnum×N和FB_Cnum×N，分别与二值化事件标签矩阵L_Cnum×V对应拼接，得到两个包含特征列和事件标签的二值化训练集：FA′_Cnum×(N+V),FB′_Cnum×(N+V)。