[发明专利]一种基于LS-KNN的管道漏磁内检测缺失数据插补方法

摘要

本发明提供一种基于LS‑KNN的管道漏磁内检测缺失数据插补方法，涉及故障诊断和人工智能技术领域。包括：对原始数据预处理后作为数据样本；提取样本数据特征；设定K值对模型进行训练，得到满足条件的KNN模型；归一化处理分到每类中的特征样本及其对应的数据集，再用最小二乘法对处理后的数据进行拟合建模；计算拟合结果的损失函数，设定误差阈值，令所有样本的长度相同，得到满足条件的LS拟合模型；将含缺失的数据输入到LS‑KNN回归器中，实现对缺失数据的插补；对插补结果进行反归一化得到最终的插补数据。本方法克服了实际数据的缺失随机性，并克服了训练样本与待插补样本维度不同的问题，同时提高了数据插补精度，对信号噪声具有很强的鲁棒性。

主权项

1.一种基于LS‑KNN的管道漏磁内检测缺失数据插补方法，其特征在于，包括以下步骤：步骤1：从海底管道漏磁检测仪中直接采集原始漏磁检测数据，并且对数据进行预处理，包括二次基线校正和异常数据剔除；步骤2：分析漏磁数据不同数据的特征，对样本数据进行特征提取，得到法兰数据特征样本T1、焊缝数据特征样本T2、缺陷数据特征样本T3和正常数据特征样本T4，特征样本Ti对应的数据集为Di，其中，i＝1，...，4；步骤3：将特征样本Ti分为两部分，一部分特征样本TTrain用于训练KNN模型，另一部分特征样本TTest用于测试KNN模型，得到训练完成的KNN模型；步骤4：对于分到每类中的特征样本Ti，其中，i＝1，...，4，其对应的数据集为Di，对数据集Di进行归一化处理得到D′i，再用最小二乘法对归一化处理后的数据集D′i进行拟合建模得到D″i，具体步骤如下：步骤4.1：将特征样本Ti进行归一化处理，得到归一化处理后的特征样本Ti′；步骤4.2：对特征样本Ti对应的数据集Di进行归一化处理，使所有样本数据都在0‑1之间，得到归一化处理后的数据集D′i；步骤4.3：根据归一化处理后的数据集D′i中的样本数据长度，将样本数据按照从小到大的顺序排序l1，l2，...，ln，取最小样本数据长度l1为第i组样本数据的标准长度；步骤4.4：利用最小二乘法对归一化处理后的数据集D′i中的每个样本数据以l1为样本数据长度进行拟合建模，得到拟合建模后的数据集D″i；步骤5：计算步骤4中对测试数据的拟合结果的损失函数，设定误差阈值P，调整设定的横坐标长度，令所有样本的长度相同，确定最终LS拟合模型，具体步骤如下：步骤5.1：将测试特征样本数据TTest进行归一化处理，得到归一化处理后的试特特征样本T′Test；步骤5.2：对测试特征样本数据TTest对应的数据集DTest进行归一化处理，使所有样本数据都在0‑1之间，得到归一化处理后的数据集D′Test；步骤5.3：根据归一化处理后的特征样本Ti′与测试特征样本T′Test之间的最小二乘拟合系数以及预测D′Test，得到缺失数据的预测结果A′；步骤5.4：建立测试数据拟合结果的损失函数L(A′)；所述损失函数L(A′)的公式如下；步骤5.5：计算预测结果的损失函数；步骤5.6：判断预测结果的损失函数值是否大于设定误差阈值P，若是，则将样本标准长度l1调整为lx，返回步骤4.4，若否，则输出建立完成的LS拟合模型；步骤6：将含缺失的数据输入到LS‑KNN回归器中，实现对缺失数据的插补；步骤7：对步骤6中插补后的数据进行反归一化处理，实现对缺失数据的插补。