一种管线故障诊断方法和系统技术方案

本申请公开了一种管线故障诊断方法，构建故障诊断训练数据集，根据故障类别和故障成因，形成贝叶斯网络初始结构，确定最匹配的贝叶斯网络结构和参数；对监测数据和故障类别的对应关系进行学习，确定SVM故障分类模型；基于管线中各节点实时监测数据，根据所述SVM故障分类模型对故障进行分类；根据分类的结果，用贝叶斯网络结构和参数进行推理，确定所述各节点发生故障的概率，以故障发生概率最大的节点和发生的故障类别作为故障诊断结果。本申请还提出一种管线故障诊断系统。本申请解决故障诊断的历史故障数据量不充分的问题。断的历史故障数据量不充分的问题。断的历史故障数据量不充分的问题。

【技术实现步骤摘要】
一种管线故障诊断方法和系统


[0001]本申请涉及管线故障诊断
，尤其涉及一种基于机器学习和贝叶斯网络的管线故障诊断系统及方法。

技术介绍

[0002]管线故障或失效的影响因素繁杂，故障类型众多，且故障与故障之间存在一定的因果联系。绝大多数情况下，并不能通过明显的故障现象直接进行故障诊断和定位。使用特定传感器监测管线运行指标是故障诊断的基本方法，故障的发生会导致指标参数的变化，不同的故障会引起指标参数不同的变化特征，但特定类型传感器往往只能对特定类别故障进行感知。然而，在实际应用中，往往只能通过几种常规传感器进行故障诊断。要基于这些不完全信息对管线故障进行诊断甚至预测，是很困难的。
[0003]近几年来，神经网络方法凭借其较强的自学习和自适应能力成功应用于很多系统的故障诊断和故障预测。但神经网络是一个黑箱系统，不具有解释性，且需要大量的数据训练才能有效。而很多时候，可用于故障诊断算法学习的历史故障数据量并不充足，因此神经网络方法的效果较差。因此，如何在故障事件不太多的情况下实现观想故障诊断，是需要解决的技术问题。

技术实现思路

[0004]本申请提出一种管线故障诊断方法和系统，解决故障事件发生量较少的情况下如何实现故障诊断的问题。
[0005]本申请实施例提供一种管线故障诊断方法，包括以下步骤：
[0006]构建故障诊断训练数据集，其中第一数据集包含故障类别和对应的监测数据，第二数据集包含管线故障类别和故障成因的历史记录；
[0007]根据故障类别和故障成因，形成贝叶斯网络初始结构；再基于第二数据集，确定最匹配的贝叶斯网络结构和参数；
[0008]基于第一数据集，对监测数据和故障类别的对应关系进行学习，确定支持向量机(Support Vector Machine,简称SVM)故障分类模型；
[0009]基于管线中各节点实时监测数据，根据所述SVM故障分类模型对故障进行分类；根据分类的结果，用贝叶斯网络结构和参数进行推理，确定所述各节点发生故障的概率，以故障发生概率最大的节点和发生的故障类别作为故障诊断结果。
[0010]优选地，所述贝叶斯网络结构对所述第二数据集使用评分搜索的K2算法得到的。
[0011]优选地，所述贝叶斯网络的参数是对所述第二数据集使用极大似然估计方法确定的条件分布值，表示各节点之间发生故障的依赖关系。
[0012]优选地，所述SVM故障分类模型使用一个或多个二分类器对故障进行分类。
[0013]进一步地，所述的管线故障诊断方法，还包含以下步骤：
[0014]按照所述故障诊断结果对所述故障发生概率最大的节点进行检修，确定此节点作
为故障成因是否真实；
[0015]根据故障成因是否真实，调整节点参数，再次使用贝叶斯网络结构进行推理。
[0016]进一步优选地，
[0017]如果故障成因不真实，则设置此节点的参数为100％不发生；
[0018]如果故障成因真实，且存在作为故障成因的上一级故障，则设置此节点的参数为100％发生；
[0019]如果故障成因真实，且没有作为故障成因的上一级故障，则故障诊断结束。
[0020]本申请实施例还提出一种管线故障诊断系统，使用本申请任意一项实施例所述的管线故障诊断方法，包括传感器监测模块、故障分类模块、故障诊断模块；
[0021]所述传感器监测模块，包含温度传感器、压力传感器、噪声传感器中至少一种，用于生成所述监测数据；
[0022]所述故障分类模块，用于采集所述监测数据；还用于，基于管线中各节点实时监测数据，根据所述SVM故障分类模型对故障进行分类；
[0023]所述故障诊断模块，用于根据分类的结果，用贝叶斯网络结构和参数进行推理，确定所述节点发生故障的概率。
[0024]优选地，所述管线故障诊断系统中包含诊断数据采集模块，用于构建故障诊断训练数据集，包含所述第一数据集和所述第二数据集。
[0025]进一步优选地，所述故障分类模块进一步包含第一模型自学习模块；所述第一模型自学习模块用于：基于第一数据集，对监测数据和故障类别的对应关系进行学习，确定SVM故障分类模型。
[0026]进一步优选地，所述故障诊断模块进一步包含第二模型自学习模块；所述第二模型自学习模块用于：基于第二数据集，确定最匹配的贝叶斯网络结构和参数。
[0027]本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
[0028]贝叶斯网络是基于概率分析、图论的一种不确定性知识表达和推理模型，是一种将因果知识和概率知识相结合的信息表示框架，对基于不完全信息的推理问题十分有效。通过贝叶斯网络将管线泄漏的故障诊断问题表示为不确定的决策问题，兼顾信息的不确定性和不完备性，为管线的故障诊断提供了一种实用方法。
[0029]本专利技术提供的管线故障诊断系统及方法，基于机器学习方法对故障进行分类，并利用贝叶斯网络对故障原因进行概率推理，辅助管线运维人员对管线故障进行智能诊断和高效排查。系统具有自学习能力，能随着诊断数据的积累进行自学习，实现模型的持续优化。
附图说明
[0030]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0031]图1为本专利技术的管线故障诊断方法流程示意图；
[0032]图2为管线故障贝叶斯网络初始结构拓扑图；
[0033]图3为管线故障诊断系统的实施例示意图。
具体实施方式
[0034]为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0035]本专利技术提供的一种智能故障诊断方法和系统，基于SVM机器学习、贝叶斯网络构建管线故障诊断模型，利用有限的传感器监测数据，对管线故障进行智能诊断和高效排查。系统具有自学习能力，能随着诊断数据集的不断丰富进行自学习，对模型进行持续优化。
[0036]以下结合附图，详细说明本申请各实施例提供的技术方案。
[0037]图1为本专利技术的管线故障诊断方法流程示意图；
[0038]本申请实施例提供一种管线故障诊断方法，包括以下步骤10～20：
[0039]步骤10、根据故障诊断训练数据集进行自学习；
[0040]进一步地，步骤10包含步骤101～103。
[0041]步骤101、构建故障诊断训练数据集，其中第一数据集包含故障类别和对应的监测数据，第二数据集包含管线故障类别和故障成因的历史记录；
[0042]所述故障类别，包括但不限于以下至少一部分：管线泄露、穿孔、断裂、钢管缺陷、腐蚀减薄、应力腐蚀、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种管线故障诊断方法，其特征在于，包括以下步骤：构建故障诊断训练数据集，其中第一数据集包含故障类别和对应的监测数据，第二数据集包含管线故障类别和故障成因的历史记录；根据故障类别和故障成因，形成贝叶斯网络初始结构；再基于第二数据集，确定最匹配的贝叶斯网络结构和参数；基于第一数据集，对监测数据和故障类别的对应关系进行学习，确定SVM故障分类模型；基于管线中各节点实时监测数据，根据所述SVM故障分类模型对故障进行分类；根据分类的结果，用贝叶斯网络结构和参数进行推理，确定所述各节点发生故障的概率，以故障发生概率最大的节点和发生的故障类别作为故障诊断结果。2.如权利要求1所述的管线故障诊断方法，其特征在于，还包含以下步骤：按照所述故障诊断结果对所述故障发生概率最大的节点进行检修，确定此节点作为故障成因是否真实；根据故障成因是否真实，调整节点参数，再次使用贝叶斯网络结构进行推理。3.如权利要求1所述的管线故障诊断方法，其特征在于，所述贝叶斯网络结构对所述第二数据集使用评分搜索的K2算法得到的。4.如权利要求1所述的管线故障诊断方法，其特征在于，所述贝叶斯网络的参数是对所述第二数据集使用极大似然估计方法确定的条件分布值，表示各节点之间发生故障的依赖关系。5.如权利要求1所述的管线故障诊断方法，其特征在于，所述SVM故障分类模型使用一个或多个二分类器对故障进行分类。6.如权利要求2所述的管线故障诊断方法，...

【专利技术属性】
技术研发人员：王超楠，韩一梁，倪娜，刘伟，
申请(专利权)人：北京无线电计量测试研究所，
类型：发明
国别省市：