基于混沌-灰狼优化支持向量机的非金属管道泄漏尺寸识别实验装置及方法

1.本发明涉及管道泄漏声学检测领域，尤其涉及一种基于混沌-灰狼优化支持向量机的非金属管道泄漏尺寸识别实验装置及方法。


背景技术：

2.管道作为水油气的传输载体，是连接上游资源和下游用户的纽带。随着时间的推移，受外界环境、土壤特性及地形沉降等因素的影响，管道会发生腐蚀、穿孔、泄漏等现象。泄漏的发生会造成环境污染、资源浪费、经济损失等问题，严重时还会导致地面坍塌、人员伤亡。管道泄漏尺寸越大泄漏量越大，则泄漏造成的危害程度越大。因此，管道泄漏尺寸的准确识别对快速估算泄漏危害程度、避免重大事故发生具有重要意义。
3.目前管道泄漏检测方法主要有电磁法，红外检测法，探地雷达法、声学法等。电磁法具有检测时间较短、范围大等优势，主要用于金属管道的泄漏检测；红外检测法对管道材料要求不高，对管道埋深有要求，适用于存在温度差的管道，在实际应用中具有一定局限性；探地雷达法具有抗干扰能力强、空间分辨率高等优势，对金属和非金属管道都能实现探测，但管道周围土壤特性的改变对检测结果影响较大；而声学法对管道材料及管道内介质没有要求，具有操作简单、应用方式多样、灵敏度高和精度高等优点，在管道泄漏检测中具有较好的应用前景。
4.然而，工业管道运行环境极为复杂，干扰因素很多，泄漏声信号的特征多种多样，现有声学方法主要采用单种或两种泄漏声信号特征进行分析，鲜有将时域、频域和形状多种维度下的泄漏信号进行综合并应用于非金属管道泄漏中。同时，在实际管道泄漏问题发生后，为诊断泄漏危害程度并迅速准确地判断泄漏尺寸，需在有限的时间内采集数据量较少的信号样本，现有处理小样本数据的方法包括支持向量机(support vector machine，svm)等，具有性能稳定、开发成本低、理论基础成熟等优势，但关键参数的确定依赖于经验选取。
5.有鉴于此，本发明提出了一种适用于非金属管道泄漏尺寸的识别方法，其综合考虑了时域、频域及形状多个维度，并基于混沌局部搜索(chaotic local search)和灰狼优化算法(grey wolf optimization algorithm，gwo)实现了svm的参数优化，所提方法能够快速、精确识别非金属管道泄漏尺寸。具体包括：首先利用灰色关联度理论对时域、频域及形状多个指标进行提取筛选，建立可用于识别非金属管道泄漏尺寸的特征指标集；其次基于混沌局部搜索、灰狼优化算法以及筛选后的指标数据集优化svm惩罚因子c和核函数尺度参数g；最终基于混沌-灰狼优化的支持向量机模型(c-g-svm)实现泄漏尺寸识别。上述工作有助于进一步提升非金属管道泄漏尺寸识别结果的精度与鲁棒性。


技术实现要素：

6.本发明的目的是提供一种基于混沌-灰狼优化支持向量机的非金属管道泄漏尺寸
识别实验装置及方法；
7.实验装置包括：管道材料为聚乙烯(pe)、总长度为40m、直径为110mm、壁厚为5mm；选取其中6m长的直管段作为泄漏测试管道，并配备水箱将其包围；测试段包括依次相连的进水口处调节阀、压力计、预设的泄漏口、水听器传感器以及出水口处调节阀；所述调节阀用于控制管道内的压力和流速，压力计用于保持测试段压力值恒定，通过在泄漏口位置安装不同直径的圆孔(0-6mm)模拟泄漏尺寸大小，距离泄漏0.1m处安装型号为b&k8103的水听器传感器以及bk pusle 3050多路信号采集仪，采集泄漏声信号；
8.识别方法考虑泄漏声信号的多维度特征，并在保证精度的前提下基于灰色关联度理论进行降维提取，建立了基于c-g-svm识别模型，得到有效精确的非金属管道泄漏尺寸确定方法；
9.识别方法包括：
10.步骤1、测量实验装置的压力值，调节阀门以设定实验装置的压力为固定值0.1mpa；
11.步骤2、安装不同直径的圆孔(0、1、2、3、4、5、6mm)，采集在相同泄漏压力下7个泄漏声信号；
12.步骤3、利用水听器将声信号转化为电信号，提取7种泄漏尺寸电信号数据的时域、频域以及形状特征指标，并进行归一化处理；
13.步骤4、综合考虑不同维度下指标表征特征的独特性，利用灰色关联度理论进行筛选，建立可用于识别非金属管道泄漏尺寸的特征指标集；
14.步骤5、基于混沌局部搜索、灰狼优化算法以及上述指标数据集，对支持向量机惩罚因子c和核函数尺度参数g寻优，将归一化后不同泄漏尺寸下的特征指标集作为输入，以泄漏尺寸大小作为输出，建立混沌-灰狼优化的支持向量机模型；
15.步骤6、基于建立的混沌-灰狼优化的支持向量机模型实现泄漏尺寸识别，并对比不同方法以验证了该方法对非金属管道泄漏尺寸识别的精度。
16.本发明的有益效果是：
17.(1)综合考虑了非金属管道泄漏信号时空特征，并利用灰色关联分析法进行约简，在满足识别精度的基础上优化了指标结构，节约了数据存储空间，一定程度上简化了数据处理过程；
18.(2)采用混沌灰狼优化算法对svm模型的惩罚因子c和核函数参数g进行寻优，提高了模型的搜索能力和鲁棒性，进一步提升了识别精度；
19.(3)本发明在精度要求分别为90％与95％时，采样时间仅需设置为20s与40s时足以满足要求。
附图说明
20.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
21.图1为本发明实施例提供的实验平台示意图；
22.图2为本发明实施例提供的管道泄漏信号特征指标关联度混淆矩阵图；
23.图3为本发明实施例提供的管道泄漏信号特征指标平均关联度曲线图；
24.图4为本发明实施例提供的c-g-svm算法流程图图；
25.图5为本发明实施例提供的不同方法下非金属管道泄漏尺寸识别正确率混淆矩阵图；
26.图6为本发明实施例提供的不同方法下非金属管道泄漏尺寸平均识别正确率折线图；
27.图7为本发明实施例提供的不同方法下100次随机划分识别正确率直方图；
28.图8为本发明实施例提供的不同采样时间的识别结果箱线图。
具体实施方式
29.下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，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，都属于本发明的保护范围。
30.下面将结合附图对本发明实施例作进一步地详细描述，具体分析过程如下所示：
31.所述步骤3、利用水听器将声信号转化为电信号，提取7种泄漏尺寸电信号数据的时域、频域以及形状特征指标，并进行归一化处理；
32.根据如图1所示的实验平台中，选用不同直径(0～6mm)圆孔模拟泄漏源尺寸大小，采用水听器和信号采集设备采集不同尺寸泄漏源产生的声信号，采样频率为8192hz，单次采样时间为30s，分别从时域、频域和形状三个方面提取声信号的特征指标，构造特征指标集，包括：均方值(mean square value，msv)，如公式(1)；均值(average value，avg)，如公式(2)标准差(standard deviation，std)，如公式(3)；峰值(peak，pek)，如公式(4)；重心频率(center frequency，cf)，如公式(5)；均方根频率(root-mean-square frequency，rmsf)，如公式(6)；频率标准差(root-variance frequency rvf)，如公式(7)；峭度因子(kurtosis factor，kuf)，如公式(8)；峰均比(peak-to-average ratio par)，如公式(9)；波形因子(waveform factor，waf)，如公式(10)；脉冲因子(pulse factor，puf)，如公式(11)；裕度因子(margin factor，maf)，如公式(12)；偏度因子(skewness factor，skf)，如公式(13)；
33.各特征指标公式如下所示：
[0034][0035][0036][0037]
pek＝max(xi)-min(xi)
ꢀꢀꢀꢀꢀꢀ
(4)
[0038]
[0039][0040][0041][0042][0043][0044][0045][0046][0047]
所述步骤4、综合考虑不同维度下指标表征特征的独特性，利用灰色关联度理论进行筛选，建立可用于识别非金属管道泄漏尺寸的特征指标集；
[0048]
针对泄漏声信号表征问题中，已知上述各特征指标之间具有相关性，但未知其相关程度的强弱。灰色关联度分析是一种综合多因素判断指标间关联程度的方法。其基本思想是根据序列曲线的相似程度来判断不同序列之间的联系是否紧密。针对非金属管道泄漏尺寸识别问题的灰色关联度计算过程如下：
[0049]
(1)分别选取上述13个特征指标之一作为参考序列ai(k)，i＝1，2，
…
，13，其余的12个特征指标作为比较序列aj(k)，j＝1，2，
…
，13；
[0050]
(2)计算两指标之间的灰色关联度ξ(i，j)：
[0051][0052]
其中，ρ为分辨系数，取值为[0，1]，通常取0.5；
[0053]
(3)计算指标的平均关联度：
[0054][0055]
若ri越小，则说明该指标与其他指标之间冗余度较低，反之则越高；
[0056]
根据(14)和(15)，计算得到关联度混淆矩阵图和平均关联度曲线，分别如图2和图3所示；
[0057]
从图2中可以看出，在1-4时域指标中，ξ(1，2)最小为0.47，说明msv和avg的相关程度最低；在5-7频域指标中，ξ(5，7)最小为0.7，说明cf和rvf的相关程度最低；在8-13形状指标中，ξ(8，13)最小为0.66，ξ(11，12)最大为0.95，说明kuf和skf的相关程度最低，puf和maf的相关程度最高；
[0058]
这里设定关联度阈值为0.6，则满足要求的时域指标有msv、avg、std和pek，频域指标有cf和rvf，形状指标有kuf和skf。因此，经过灰色关联分析法约简后的管道泄漏特征指标集为ac＝{msv，avg，std，pek，cf，rvf，kuf，skf}。
[0059]
所述步骤5、基于混沌局部搜索、灰狼优化算法以及上述指标数据集，对支持向量机惩罚因子c和核函数尺度参数g寻优，将归一化后不同泄漏尺寸下的特征指标集作为输入，以泄漏尺寸大小作为输出，建立混沌-灰狼优化的支持向量机模型；
[0060]
svm是定义在特征空间上间隔最大的二分类线性分类器。针对管道泄漏尺寸的识别分类问题，在每两类样本之间设计二分类模型，通过组合多个二分类器来实现不同泄漏尺寸的识别；
[0061]
考虑到在实际分类中难以实现样本数据完全线性可分，引入软间隔的概念，构造并求解带约束的二次凸优化问题：
[0062][0063]
式中，c为惩罚因子，并构造决策函数：
[0064][0065]
式中，g核函数尺度参数；
[0066]
在利用svm进行建模时，惩罚因子c和尺度参数g起到决定性作用，它们直接控制着训练算法的行为，对svm的分类精度及性能有较大影响。因此，在传统svm的基础上，采用混沌局部搜索和灰狼优化算法对其进行优化，混沌-灰狼优化算法(c-gwo)具体形式如下：
[0067]
(1)假定初始狼群总数为n，设置n
×
2维狼群位置向量x(0)＝(ci，gi)
i＝1，2，...，n
，ci和gi表示第i匹狼svm模型参数，依据svm识别正确率对各灰狼进行适应度评估并排序，选出初始最优狼位置x
α，β，δ
；
[0068]
(2)狼群追随最优狼位置进行更新，在第t次灰狼搜索时，根据前次获取的最优狼位置x
α，β，δ
更新狼群位置，如x(t)
→
x(t+1)，具体如下：
[0069]
ex
α，β，δ
＝e(c
α，β，δ
，g
α，β，δ
)
ꢀꢀꢀꢀꢀꢀ
(18)
[0070]
a＝2-2t/t
max
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(19)
[0071]
[0072][0073][0074]
式中，x(t+1)为第t次搜索后更新的狼群位置；x
α，β，δ
分别为第t次搜索时α，β，δ狼的1
×
2维位置向量；t
max
为最大迭代次数；a为收敛因子，在迭代过程中在[0，2]内线性下降；e为n维单位列向量；a、c为系数矩阵，r1、r2为随机数列向量，数值位于[0，1]之间，i为n阶单位阵；a
1，2，3
、c
1，2，3
为α，β，δ狼对应的系数矩阵；x
1，2，3
分别α，β，δ狼对应的位置更新中间向量；
[0075]
3)基于第t次搜索后的狼群各狼位置信息(ci，gi)∈x(t+1)进行如下式所示的混沌局部搜索：
[0076][0077]
其中，选取p＝0.4。结合适应度评估对混沌局部搜索更新的x(t+1)进行筛选，要求x(t+1)至少具备较之前更优异的适应度；
[0078]
4)对更新后的x(t+1)中的狼群位置进行适应度评估并排序，最终输出x
α.best
＝(c
best
，g
best
)，即得到惩罚因子c和核函数参数g的最优取值，并用于对svm进行优化；图4为基于c-gwo算法的svm参数c，g优化的流程图。
[0079]
所述步骤6、基于建立的混沌-灰狼优化的支持向量机模型实现泄漏尺寸识别，并对比不同方法以验证了该方法对非金属管道泄漏尺寸识别的精度；
[0080]
为了验证方法的有效性，并评估本方法的性能，分别利用bp神经网络(bpnn)、svm和c-g-svm三种方法对非金属管道不同泄漏尺寸(0～6mm)进行识别，结果如图5和图6所示；
[0081]
图5与图6对比了不同方法对单一泄漏尺寸的识别正确率。从图7和图8中可以看出，当管道未出现泄漏(0mm)时，由c-g-svm得到的识别正确率最高，为99.8％，当泄漏尺寸从0mm增大到6mm的过程中，c-g-svm得到的识别正确率最高，最大高达100％，均高于bpnn与svm方法下的识别正确率；
[0082]
为综合考虑所有泄漏尺寸(0mm-6mm)的识别结果，进行100次随机划分识别，对比不同方法下正确率最高、最低以及平均正确率的值，结果如图7所示；
[0083]
从图7中可以看出，在100次分类识别中，bpnn的识别正确率最差，平均识别正确率仅为70.05％，同时出现了识别正确率为35.71％的样本，基于bpnn的多次识别正确率的分布较分散，表明其鲁棒性较低；svm的识别正确率优于bpnn，平均识别正确率为88.90％，其模型鲁棒性有所提高；c-g-svm的识别正确率最高，平均识别正确率达到9996.11％，最低为90.18％，其模型鲁棒性最好；
[0084]
考虑到实际管道泄漏大多数为突发情况，为满足快速预警、及时抢修的要求，需要
在较短的采样时间t下实现较高精度的识别，因此本发明进一步基于所提出的方法分析不同t下对100组测试样本的分类识别结果，如图8所示；
[0085]
从图8中可以看出，当t＝5s时，100组的识别正确率均小于90％，大部分的识别正确率小于80％；当t≥20s时，所有组的识别正确率均能达到90％精度要求；当t≥40s时，大部分的识别正确率达到95％；当t达到60s时，所有组的识别正确率均达到95％以上。因此，在工程应用中，可以根据工程精度要求选取相应的采样时间t。
[0086]
综上，本发明提出了一种基于混沌-灰狼优化的支持向量机的非金属管道泄漏尺寸识别方法。其综合考虑了管道泄漏信号时空特征，并利用灰色关联分析法对管道泄漏特征指标进行约简，一定程度上简化了数据处理过程；并采用混沌灰狼优化算法对svm模型的惩罚因子c和核函数参数g进行寻优，提高了模型的搜索能力和鲁棒性，进一步提升了管道泄漏尺寸的识别精度；本发明在精度要求分别为90％与95％时，采样时间仅需设置为20s与40s时足以满足要求。
[0087]
值得注意的是，本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
[0088]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

技术特征：
1.一种基于混沌-灰狼优化支持向量机的非金属管道泄漏尺寸识别实验装置，其特征在于，包括：管道材料为聚乙烯(pe)、总长度为40m、直径为110mm、壁厚为5mm；选取其中6m长的直管段作为泄漏测试管道，并配备水箱将其包围；测试段包括依次相连的进水口处调节阀、压力计、预设的泄漏口、水听器传感器以及出水口处调节阀；所述调节阀用于控制管道内的压力和流速，压力计用于保持测试段压力值恒定，通过在泄漏口位置安装不同直径的圆孔(0-6mm)模拟泄漏尺寸大小，距离泄漏0.1m处安装型号为b&k8103的水听器传感器以及bk pusle3050多路信号采集仪，采集泄漏声信号。2.一种基于混沌-灰狼优化支持向量机的非金属管道泄漏尺寸识别方法，所述方法包括：步骤1、测量实验装置的压力值，调节阀门以设定实验装置的压力为固定值0.1mpa；步骤2、安装不同直径的圆孔(0、1、2、3、4、5、6mm)，采集在相同泄漏压力下7个泄漏声信号；步骤3、利用水听器将声信号转化为电信号，提取7种泄漏尺寸电信号数据的时域、频域以及形状特征指标，并进行归一化处理；步骤4、综合考虑不同维度下指标表征特征的独特性，利用灰色关联度理论进行筛选，建立可用于识别非金属管道泄漏尺寸的特征指标集；步骤5、基于混沌局部搜索(chaotic local search)、灰狼优化算法(grey wolf optimization algorithm，gwo)以及上述指标数据集，对支持向量机(support vector machine，svm)惩罚因子c和核函数尺度参数g寻优，将归一化后不同泄漏尺寸下的特征指标集作为输入，以泄漏尺寸大小作为输出，建立混沌-灰狼优化的支持向量机(c-g-svm)模型；步骤6、基于建立的c-g-svm模型实现泄漏尺寸识别，并对比不同方法以验证了该方法对非金属管道泄漏尺寸识别的精度。3.根据要求2所述的基于混沌-灰狼优化支持向量机的非金属管道泄漏尺寸识别方法，其特征在于：所述步骤4中，综合考虑不同维度下指标表征特征的独特性，利用灰色关联度理论进行筛选，建立可用于识别非金属管道泄漏尺寸的特征指标集；针对非金属管道泄漏尺寸识别问题的灰色关联度计算过程如下；(1)分别选取上述13个特征指标之一作为参考序列a
i
(k)，i＝1，2，
…
，13，其余的12个特征指标作为比较序列a
j
(k)，j＝1，2，
…
，13；(2)计算两指标之间的灰色关联度ξ(i，j)；其中，ρ为分辨系数，取值为[0，1]，通常取0.5；(3)计算指标的平均关联度；若r
i
越小，则说明该指标与其他指标之间冗余度较低，反之则越高。4.根据要求2所述的基于混沌-灰狼优化支持向量机的非金属管道泄漏尺寸识别方法，其特征在于：所述步骤5中，基于混沌局部搜索、灰狼优化算法以及上述指标数据集，对svm
惩罚因子c和核函数尺度参数g寻优，将归一化后不同泄漏尺寸下的特征指标集作为输入，以泄漏尺寸大小作为输出，建立c-g-svm模型；混沌-灰狼优化算法(c-gwo)具体形式如下：(1)假定初始狼群总数为n，设置n
×
2维狼群位置向量x(0)＝(c
i
，g
i
)
i＝1，2，...，n
，c
i
和g
i
表示第i匹狼svm模型参数，依据svm识别正确率对各灰狼进行适应度评估并排序，选出初始最优狼位置x
α，β，δ
；(2)狼群追随最优狼位置进行更新，在第t次灰狼搜索时，根据前次获取的最优狼位置x
α，β，δ
更新狼群位置，如x(t)
→
x(t+1)，具体如下：ex
α.β.δ
＝e(c
α.β.δ
，g
α.β.δ
)
ꢀꢀꢀ
(18)a＝2-2t/t
max
ꢀꢀꢀ
(19)(19)(19)式中，x(t+1)为第t次搜索后更新的狼群位置；x
α，β，δ
分别为第t次搜索时α，β，δ狼的1
×
2维位置向量；t
max
为最大迭代次数；a为收敛因子，在迭代过程中在[0，2]内线性下降；e为n维单位列向量；a、c为系数矩阵，r1、r2为随机数列向量，数值位于[0，1]之间，i为n阶单位阵；a
1，2，3
、c
1，2，3
为α，β，δ狼对应的系数矩阵；x
1，2，3
分别α，β，δ狼对应的位置更新中间向量；3)基于第t次搜索后的狼群各狼位置信息(c
i
，g
i
)∈x(t+1)进行如下式所示的混沌局部搜索：其中，选取p＝0.4。结合适应度评估对混沌局部搜索更新的x(t+1)进行筛选，要求x(t+1)至少具备较之前更优异的适应度；4)对更新后的x(t+1)中的狼群位置进行适应度评估并排序，最终输出x
α.best
＝(c
best
，g
best
)，即得到惩罚因子c和核函数参数g的最优取值，并用于对svm进行优化。5.根据要求2所述的基于混沌-灰狼优化支持向量机的非金属管道泄漏尺寸识别方法，其特征在于：所述步骤6中：基于建立的c-g-svm模型实现泄漏尺寸识别，并对比不同方法以验证了该方法对非金属管道泄漏尺寸识别的精度；考虑到实际管道泄漏大多数为突发情况，为满足快速预警、及时抢修的要求，需要在较短的采样时间t下实现较高精度的识别，因此本发明进一步基于所提出的方法分析不同t下
对100组测试样本的分类识别结果，如图8所示；从图8中可以看出，当t＝5s时，100组的识别正确率均小于90％，大部分的识别正确率小于80％；当t≥20s时，所有组的识别正确率均能达到90％精度要求；当t≥40s时，大部分的识别正确率达到95％；当t达到60s时，所有组的识别正确率均达到95％以上。因此，在工程应用中，可以根据工程精度要求选取相应的采样时间t。

技术总结
本发明公开了一种基于混沌-灰狼优化支持向量机的非金属管道泄漏尺寸识别实验装置及方法，包括在非金属管道预设泄漏点一侧安装水听器获取泄漏声信号；提取泄漏声信号的多维度特征；基于灰色关联度理论进行降维提取，建立可用于识别非金属管道泄漏尺寸的特征指标集；建立了基于混沌-灰狼优化的支持向量机识别模型，得到有效精确的非金属管道泄漏尺寸确定方法。结果表明该方法一定程度上简化了数据处理过程，并进一步提升了管道泄漏尺寸的识别精度与鲁棒性，降低了采样时间要求。降低了采样时间要求。降低了采样时间要求。


技术研发人员：韩晓娟 刘珺曾璟 郭思琪
受保护的技术使用者：华北电力大学
技术研发日：2023.06.14
技术公布日：2023/8/14