[发明专利]一种基于KPCA和Cas-SVDD的多工况管道泄漏检测方法

说明书

本发明公开了一种基于KPCA和Cas‑SVDD的多工况管道泄漏检测方法。包括：采集管道正常运行过程的样本数据，通过局部均值分解(LMD)降噪和信号重构以提取可靠的特征变量；通过核主元分析(KPCA)对特征变量进行降维和非线性主元提取；通过K‑means聚类算法自动识别多个工况，并分别对各个工况建立相应的支持向量数据描述模型(SVDD)，以得到不同操作工况相应SVDD超球体的决策边界；基于串级支持向量数据描述模型(Cas‑SVDD)实现管道泄漏的检测。本发明方法能有效检测管道小泄漏，泄漏检测的准确性高，具有广泛的应用价值。

技术领域

本发明涉及管道泄漏检测方法技术领域，具体涉及一种基于KPCA和Cas-SVDD的多工况管道泄漏检测方法。

背景技术

管道是一种安全、高效、节能的输送流体的方式之一，在国民经济中发挥着越来越重要的作用。然而管道常常由于老化、腐蚀、焊接不好、第三方破坏等因素产生泄漏问题。而管道运行过程存在多种工况，操作工况的变化会引起管道测量信号的变化，这会使管道泄漏的检测准确性下降。因此，准确判断管道的运行工况，对提高泄漏检测准确性具有重要的意义。

从检测模型建立的角度来看，管道泄漏检测的方法可分为基于机理模型和数据驱动模型两大类。基于机理模型的方法高度依赖于模型参数和传感器的准确性，需要大量的模拟和校准工作，需要高计算负荷来解决这种复杂的非线性模型；基于数据驱动的方法依赖于数据收集来执行信号处理和用于泄漏检测的统计分析，但它不需要任何关于系统的具体深入知识，只需要通过机器学习算法或人工智能算法，从采集的历史数据中获取管道泄漏特征和知识，再加上统计或模式识别工具；然而现有的数据驱动方法，一般需要对管道泄漏信号样本数据进行特征提取，建立分类或预测的泄漏检测模型。但是实际过程中的泄漏数据样本很少，难以对泄漏信号进行特征提取和诊断建模；另外，管道运行过程往往存在多种操作工况，各个工况的特征空间中训练样本性质不同并且分布不均匀，而且工况调整产生的特征与管道泄漏的特征有一定的相似性，导致管道泄漏检测系统的准确性下降。

发明内容

针对实际管道泄漏信号样本数据难以获取，无法对泄漏信号进行特征提取和诊断建模，以及管道正常输送过程也常常存在调阀、操作条件改变等多工况等问题，本发明提出了一种基于KPCA(核主元分析)和Cas-SVDD(串级支持向量数据描述模型)的多工况管道泄漏检测方法。

一种基于KPCA和Cas-SVDD的多工况管道泄漏检测方法，包括以下步骤：

步骤1.1：采集管道正常运行历史压力信号数据并标准化，设定LMD(局部均值分解)算法、KPCA(核主元分析)算法、K-means(K均值聚类算法)算法和SVDD(支持向量数据描述模型)算法的初始参数；

步骤1.2：将标准化的压力信号通过LMD算法进行降噪和特征重构，提取特征变量；

步骤1.3：采用KPCA算法对压力信号的特征变量进行特征降维和非线性主元提取；

步骤1.4：采用K-means算法对核主元进行聚类分析，识别多个工况；

步骤1.5：针对各个工况建立相应的SVDD模型，得到各个SVDD超球体的中心和半径，构建Cas-SVDD检测模型；

步骤1.6：将在线采集管道运行数据，分别采用LMD算法对信号降噪和重构，提取特征变量，KPCA算法进行降维，采用步骤1.5构建的Cas-SVDD检测模型进行泄漏检测。

步骤1.1中，首先对管道正常运行历史压力信号数据进行采集，然后对其进行标准化至(0，1)之间。

步骤1.2中，将标准化的压力信号通过LMD算法进行降噪和特征重构，提取特征变量，具体包括：

步骤1.2.1将标准化的压力信号x(t)进行LMD算法降噪，LMD分解后PF分量PF_i(t)写成如下形式，如式(1)所示：