[发明专利]基于样本生成和间隔Markov特征的管道异常检测方法

摘要

本发明的目的是提供一种基于样本生成和间隔Markov特征的管道异常检测方法，涉及管道异常检测领域。本发明的方法包括：步骤1.历史数据样本的提取及滤波处理；步骤2.历史数据样本的规则化及降采样处理；步骤3.ELM模型的建立与训练；步骤4.基于ELM模型进行样本生成，得到扩充后的输入样本集；步骤5.对扩充后的输入样本集中每个样本，当t＞Q时，将每一时刻的状态用前Q个时间间隔内的平均状态代替，进行间隔Markov特征的提取；步骤6.基于SVM模型或RF模型对管道异常进行识别。本发明解决了现有技术中复杂工况条件下微弱的管道泄漏信号和工况调整信号识别困难的技术问题，能够提高管道异常检测的精度。

主权项

1.一种基于样本生成和间隔Markov特征的管道异常检测方法，其特征在于，包括下述步骤：步骤1：历史数据样本的提取及滤波处理：提取管道压力的历史数据样本，构成初始历史数据样本集，所述历史数据样本为离散时间序列，所述初始历史数据样本集包括泄漏样本和工况调整样本；使用低通滤波器，对所述初始历史数据样本集进行滤波处理，获取低频信息；再用高斯滤波的方法对所述初始历史数据样本集进行滤波去噪，最终得到滤波处理后的历史数据样本集；步骤2：历史数据样本的规则化及降采样处理：对滤波处理后的历史数据样本集进行规则化处理，得到样本集X＝[X₁；X₂；...；X_M]；对所述样本集X进行降采样处理，得到样本集Y＝[Y₁；Y₂；...；Y_M]；其中，M为所述样本集X和所述样本集Y中样本的个数，所述样本集X和所述样本集Y中样本的长度分别为m和v；步骤3：ELM模型的建立与训练：将所述样本集X＝[X₁；X₂；...；X_M]作为初始输入样本集，将所述样本集Y＝[Y₁；Y₂；...；Y_M]作为初始输出样本集，构成训练样本集S＝(X_i,Y_i)， i＝1,2,...,M；通过训练，得到ELM模型的隐含层到输出层的权重β；步骤4：基于ELM模型的样本生成：基于ELM模型进行样本泛化，从输出层返回到输入层，得到新的输入样本X'_g＝[X'_g1，X'_g2，...，X'_gt，...，X'_gm']，g∈[1，M']，构成新的输入样本集X'＝[X'₁，X'₂，...，X'_g，...，X'_M']；其中，M'为新的输入样本的数量，X'_g为离散时间序列，X'_gt为输入样本X'_g中第t时刻的压力数据，t∈{1,2,...,m'}，m'为输入样本X'_g的长度；所述新的输入样本集X'与所述初始输入样本集X共同构成扩充后的输入样本集X_e；步骤5：间隔Markov特征的提取：步骤5.1：对所述输入样本集X'中每个样本对应的窗体选取上下边界；步骤5.2：对所述输入样本集X'中每个样本对应的窗体，采取四分位数和标准分数相结合的方法来划分状态区间；步骤5.3：对所述输入样本集X'中的每个样本，当t＞Q时，将每一时刻的状态用前Q个时间间隔内的平均状态代替，得到每个样本对应的间隔Markov链，提取每个样本的间隔Markov特征，形成所述输入样本集X'的间隔Markov特征集；步骤5.4：对所述初始输入样本集X中的每个样本，进行上述步骤5.1、步骤5.2、步骤5.3的处理，得到所述初始输入样本集X的间隔Markov特征集，从而得到所述扩充后的输入样本集X_e的间隔Markov特征集；步骤6：管道异常的识别：构建SVM模型和RF模型，将所述扩充后的输入样本集X_e的间隔Markov特征集输入所述SVM模型或所述RF模型中，随机选取该间隔Markov特征集的80％作为训练样本、20％作为测试样本，进行管道异常的识别。