原创《基于非平衡数据处理管道泄漏检测和定位》：关于免费数据处理论文范文在这里免费下载与阅读,为您的数据处理相关论文写作提供资料。
摘 要：针对管道运行状态数据的非平衡性会造成管道泄漏诊断准确率下降的问题,提出了一种基于非平衡数据的管道泄漏检测和定位方法.首先,将管道各工况非平衡数据采用基于K均值聚类的欠采样方法处理,使其达到数据平衡.然后,将Fischer-Burmeister函数引入到双支持向量机学习过程中,以避免目标函数求解时矩阵的求逆计算,并将平衡数据作为改进双支持向量机算法的输入,识别管道泄漏.采用相关分析法实现泄漏点定位.根据Flowmaster搭建的管道模型,运用该方法识别管道泄漏.仿真实验表明,和经典双支持向量机和拉格朗日双支持向量机相比,该方法能更快速识别管道泄漏孔径及定位.
关键词：非平衡数据；K均值聚类；双支持向量机；泄漏检测；泄漏点定位
中图分类号：TP277 文献标志码：A
Abstract：As the data imbalance of pipeline working conditions decreases the accuracy of the pipeline leakage diagnosis, a method of pipeline leak detection and location based on imbalance data was proposed. First, the imbalance data of different working conditions were processed by K-means clustering algorithm and under-sampling to achieve the balance data. Then, the Fischer-Burmeister function was introduced into the learning process of the twin support vector machine （TWSVM）, in order to avoid the matrix inversion calculation, and the balance data were input into the improved TWSVM to distinguish the pipeline leakage. Leak location was obtained by the cross-correlation function method. Moreover, a flow model of pipeline was put forward based on the Flowmaster software, and the proposed method was used to identify pipeline leakage. The experimental results show that the proposed method is more effective than the classical TWSVM and the Lagrange TWSVM to identify the pipeline leakage aperture and location.
Key words：imbalance data； K-means； twin support vector machine； leak detection； leakage location
管道運输以安全可靠,经济实用的特点在油气运输中被广泛应用[1-2].由于输送介质具有易燃易爆的特性,一旦管道发生泄漏,可能引发人员伤亡和环境污染等重大事故,所以需要对管道运行状态进行在线监控,及时发现泄漏并做相应处理.
管道运行过程的监控数据具有明显的分布不均衡的特征,即正常运行状态的样本数量远远多于泄漏样本及其他工况样本的数量.采用经典支持向量机方法建立管道泄漏检测模型时,多数方法是以平衡数据作为学习样本.文献[3]通过获取管道同沟敷设光纤振动信号的特征向量,建立管道泄漏、人工挖掘和人走动3种情况的平衡数据样本,用于支持向量机（SVM）的学习和测试,从而判断管道沿线是否有异常事件发生；文献[4]通过建立管道机理模型,根据泄漏点的不同位置,以管道的入口流量值和出口压力值作为特征向量,建立平衡的学习和测试样本数据,采用基于SVM的方法识别管道泄漏和泄漏点定位,利用粒子群优化算法（PSO）对SVM的惩罚参数和核参数进行优化；文献[5]提出采用局域均值分解（LMD）方法对天然气管道泄漏信号进行分解,根据各乘积函数（PF）的峭度值选择主PF分量,对主PF分量进行包络谱分析并计算熵值,以不同泄漏孔径信号的归一化熵值作为特征向量,建立平衡数据样本,采用SVM来识别管道泄漏孔径；文献[6]将泄漏音波信号的时域特征信息作为特征向量,建立平衡的学习和测试样本数据,通过最小二乘支持向量机来识别管道泄漏孔径.以上的研究均未考虑实际管道运行工况中,管道监测数据的非平衡性特征.目前,解决非平衡分类问题方法可以分为两大类[7-8]：一类是改变训练集样本分布,降低非平衡程度；另一类是依据算法适应非平衡分类.
双支持向量机（TWSVM）是在支持向量机基础上提出的一种机器学习算法[9-11].TWSVM和SVM根本的区别是TWSVM解决两个规模相对更小的二次规划问题,而SVM解决一个规模较大的二次规划问题,所以TWSVM能将训练时间缩减到原来SVM的1/4.本文提出采用Fischer-Burmeister函数将双支持向量机的二次规划问题变成无约束的最小化问题,以提高计算速度.TWSVM在处理多分类问题时,和SVM处理方式一样,构造一系列二分类器,如“一对一”,“一对多”和“有向无环图”等[9].
针对管道监测数据非平衡性特征和泄漏检测对于准确性和实时性的要求,本文采用Flowmaster软件建立管道模型,根据管道首末两端采集的压力原始信号,建立不同工况下的非平衡数据样本,采用K均值聚类算法对非平衡数据进行欠采样处理,然后利用改进的双支持向量机算法对管道泄漏进行识别,并采用相关分析法进行泄漏点定位.
数据处理论文参考资料：
结论：基于非平衡数据处理管道泄漏检测和定位为大学硕士与本科数据处理毕业论文开题报告范文和相关优秀学术职称论文参考文献资料下载，关于免费教你怎么写大数据分析工具方面论文范文。
