The invention provides a pipeline weak leakage detection method under the condition of small sample, which relates to the technical field of pipeline leakage detection. The steps of the invention are as follows: Step 1: obtain the real sample set and generate the virtual sample set according to the real sample set; step 2: extract the combined features of the real sample set and the virtual sample set, the combined feature extraction includes 7 kinds of statistical features and 1 group of symbolic transformation features; step 3: adopt the naive Bayesian method and the most efficient method according to the 7 kinds of statistical features and 1 group of symbolic transformation features The small leak identification model based on Naive Bayesian network and the small leak identification model based on least square support vector machine are established respectively, and the model is used to detect the small leak. This method constructs the identification model of weak leakage from two aspects: increasing the number of weak leakage samples and deeply mining the characteristics of weak leakage samples, which greatly improves the detection accuracy of weak leakage of pipelines and ensures the safe operation of oil pipelines.
【技术实现步骤摘要】
一种小样本条件下管道微弱泄漏检测方法
本专利技术涉及管道泄漏检测
，尤其涉及一种少量样本条件下管道微弱泄漏检测方法。
技术介绍
管道运输是油气资源的主要运输方式，其安全稳定运行具有重大意义，对油气传输过程中的管道小泄漏的精确检测是保障管道安全稳定运行的一种切实有效的手段。近年来，机器学习方法在数据驱动建模方面得到广泛应用，但是也存在一些弊端；在管道微弱泄漏检测时，存在着如下两个问题：(1)实际生产过程中，微弱泄漏的样本较少，无法满足机器学习对于高精度建模的需求，而微弱泄漏往往也会导致较为严重的后果，是必须要准确检测并及时处理的。(2)微弱泄漏信号的特征往往比较隐晦，传统的特征提取方法对于特征的挖掘不够充分，无法满足高精度微弱泄漏辨识模型的需求。
技术实现思路
本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种小样本条件下管道微弱泄漏检测方法，本方法从增加微弱泄漏样本数量和深度挖掘微弱泄漏样本特征两方面来构造微弱泄漏辨识模型，大大提高了管道微弱泄漏的检测准确率，保障输油管道的安全运行。为解决上述技术问题，本专利技术所采取的技术方案是：本专利技术提供一种小样本条件下管道微弱泄漏检测方法，包括如下步骤：步骤1：获取真实样本集，并根据真实样本集生成虚拟样本集，所述真实样本集包括真实正常样本集XN和真实微弱泄漏样本集XS，所述虚拟样本集包括初代虚拟正常样本集GN和初代虚拟微弱泄漏样本集GS；步骤2：对真实样本集和虚拟样本集进行组合特征提...
【技术保护点】
1.一种小样本条件下管道微弱泄漏检测方法，其特征在于：包括如下步骤：/n步骤1：获取真实样本集，并根据真实样本集生成虚拟样本集，所述真实样本集包括真实正常样本集X
【技术特征摘要】
1.一种小样本条件下管道微弱泄漏检测方法，其特征在于：包括如下步骤：
步骤1：获取真实样本集，并根据真实样本集生成虚拟样本集，所述真实样本集包括真实正常样本集XN和真实微弱泄漏样本集XS，所述虚拟样本集包括初代虚拟正常样本集GN和初代虚拟微弱泄漏样本集GS；
步骤2：对真实样本集和虚拟样本集进行组合特征提取，所述组合特征提取包括7种统计特征和1组符号化变换特征；
步骤3：根据步骤2中得到的7种统计特征和1组符号化变换特征采用朴素贝叶斯方法和最小二乘支持向量机方法分别建立朴素贝叶斯网络管道小泄漏辨识模型和最小二乘支持向量机管道小泄漏辨识模型，根据辨识模型对管道进行泄漏检测。
2.根据权利要求1所述的一种小样本条件下管道微弱泄漏检测方法，其特征在于：所述步骤1具体步骤如下：
步骤1.1：获取真实样本集XN，并根据该样本集中的真实正常样本生成粗糙的虚拟正常样本,生成粗糙的虚拟正常样本集
通过对真实正常样本集内的样本进行统计分析、数据的拟合、相似性的评价的分析，发现已知真实正常样本的数据规律,生成粗糙的虚拟正常样本
其中t表示时间，即样本的检测长度，t＝{1,2,…,L}；k1表示真实正常样本的斜率；ε为传输过程中各种噪声引起的数据波动；YO1为设定的压力初值，该值根据输油管道正常的压力范围设定；
步骤1.2：根据正常样本的约束对步骤1.1中生成的粗糙虚拟正常样本集内的数据进行调整，将不符合约束条件的样本剔除，生成初代虚拟正常样本集
其中根据正常样本约束，虚拟正常样本满足：
其中，表示粗糙虚拟正常样本GN内样本的最小取值和最大取值，t(GN)代表粗糙的虚拟正常样本XN′的检测长度；tmin、tmax表示粗糙的虚拟正常样本的最小检测长度和最大检测长度；表示任意正常样本XN中元素的最小波动，表示任意正常样本的均值,代表常数，表示任意正常样本XN中元素的最大波动，代表常数，σ1表示泄漏报警阈值，△Ymin表示强干扰信号的最小值；表示正常样本波动的最大值；
步骤1.3：根据真实微弱泄漏样本约束对初代虚拟正常样本集内的数据进行调整，将不符合真实微弱泄漏样本约束条件的样本剔除，生成初代虚拟微弱泄漏样本集
根据真实微弱泄漏样本约束，虚拟微弱泄漏样本满足：
其中，表示虚拟微弱泄漏样本集GS内样本的最小取值和最大取值；表示虚拟微弱泄漏样本集GS内样本的最小检测长度和最大检测长度；表示虚拟微弱泄漏样本中元素的最小取值，表示任意小泄漏样本的均值，代表常数，表示虚拟微弱泄漏样本中元素的最大取值，代表常数，σ2表示正常样本数据波动的最大值；△GS表示虚拟微弱泄漏的数据波动；△Z表示工况调整引起数据波动的最小值；
步骤1.4：根据皮尔森相关系数ρ和真实正常样本集XN对初代虚拟正常样本集GN中的每一个虚拟正常样本进行筛选，若筛选合格，则保留虚拟正常样本，若不合格，则剔除；根据皮尔森相关系数ρ和真实微弱泄漏样本集XS对初代虚拟微弱泄漏样本集GS中的每一个虚拟微弱泄漏样本进行筛选，若筛选合格，则保留虚拟正常样本，若不合格，则剔除；得到虚拟正常样本集和虚拟微弱泄漏样本集
3.根据权利要求2所述的一种小样本条件下管道微弱泄漏检测方法，其特征在于：所述步骤1.4中筛选方法为根据皮尔森相关系数公式计算初代虚拟正常样本与真实正常样本集XN内的每一个真实正常样本的皮尔森相关系数ρ，若ρ∈[0.6,0.8]，则认为合格，，将初代虚拟正常样本集GN内的每一个虚拟正常样本按照筛选方法逐一计算；根据皮尔森相关系数公式计算初代虚拟微弱泄漏样本与真实微弱泄漏样本集XS内的每一个真实正常样本的皮尔森相关系数ρ，若ρ∈[0.6,0.8]，则认为合格，将虚拟微弱泄漏样本集GS内的每一个虚拟微弱泄漏样本按照筛选方法逐一计算；
所述皮尔森相关系数公式如下：
其中，xU表示任意的真实样本，其中U＝(N,S)；E(·)为期望计算；表示样本xU的均值；gU表示任意的生成样本，表示样本gU的均值；表示样本xU内的第a个元素；表示样本gU内的第l个元素。
4.根据权利要求2所述的一种小样本条件下管道微弱泄漏检测方法，其特征在于：所述步骤2具体步骤如下：
步骤2.1：分别对真实正常样本集XN、真实微弱泄漏样本集XS、虚拟正常样本集GN′、虚拟微弱泄漏样本...
【专利技术属性】
技术研发人员：刘金海，臧东，付明芮，马艳娟，马大中，冯健，朱和贵，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁;21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。