基于独立分量分析和支持向量机的管道泄漏识别方法

doi:10.7623/syxb201004027

石油学报 ›› 2010, Vol. 31 ›› Issue (4): 659-663.DOI: 10.7623/syxb201004027

基于独立分量分析和支持向量机的管道泄漏识别方法

王明达张来斌梁伟陈志刚

中国石油大学油气安全工程技术研究中心北京 102249

收稿日期:2009-10-03 修回日期:2010-01-18 出版日期:2010-07-25 发布日期:2010-09-25
作者简介:王明达，男，1984年2月生，2006年毕业于中国石油大学（华东），现为中国石油大学（北京）在读博士研究生，主要研究方向为油气管道与动力机组在线故障监测与安全评价。
基金资助:
国家高技术研究发展计划(863)项目(2008AA06Z209)和北京市教育委员会共建项目“天然气主管线泄漏诊断系统研究”联合资助。

Pipeline leakage detection method based on independent component analysis and support vector machine

WANG Mingda ZHANG Laibin LIANG Wei CHEN Zhigang

Received:2009-10-03 Revised:2010-01-18 Online:2010-07-25 Published:2010-09-25

摘要/Abstract

摘要：

将独立分量分析(ICA)方法应用到管道泄漏检测压力信号的降噪中。分析了压力波信号源的独立性，探讨了运用ICA方法的可行性。利用现场采集的压力信号对该方法进行降噪效果检验。结果表明，该方法较好地保留了泄漏拐点信息且降噪效果明显。将支持向量机(SVM)方法应用到泄漏检测的识别过程中，首先采取微分进化算法优化了SVM模型参数，然后利用现场泄漏实验数据，验证了基于SVM方法的识别模型具有很好的识别准确率和泛化能力。在实验的基础上，对噪声源合并和泄漏信号源不可分问题作了初步讨论。

关键词: 管道泄漏检测, 信号降噪, 独立分量分析, 支持向量机, 模式识别

Abstract:

The independent component analysis (ICA) was introduced to the noise reduction process in pipeline leakage detection. The application feasibility of the ICA was researched by analyzing the signal source,then the noise reduction effect using the ICA was checked by the field pressure signal. The check results indicated that this method could maintain the preferable information at the leak inflection point and has the obvious noise reduction effectiveness. The support vector machine (SVM) was introduced to the recognition of pipeline leakage. The SVM model parameters were optimized by the use of the differential evolution algorithm. The favorable recognition precision ratio and the generalization ability of the SVM model were verified by the field leakage experiments. The noise source merge and indivisibility of the leakage signal source were discussed based on the experiments.

Key words: pipeline leakage detection, signal noise reduction, independent component analysis, support vector machine, model recognition

王明达张来斌梁伟陈志刚. 基于独立分量分析和支持向量机的管道泄漏识别方法[J]. 石油学报, 2010, 31(4): 659-663.

WANG Mingda ZHANG Laibin LIANG Wei CHEN Zhigang. Pipeline leakage detection method based on independent component analysis and support vector machine[J]. Editorial office of ACTA PETROLEI SINICA, 2010, 31(4): 659-663.

参考文献

[1]靳世久, 王立宁, 李健, 等.原油管道漏点定位技术[J]. 石油学报,1998,19(3):93-97.

Jin Shijiu,Wang Lining,Li Jian,et al.A study on leak point location of crude oil pipelines[J].Acta Petrolei Sinica,1998,19(3):93-97.

[2]余东亮,张来斌,梁伟,等.长输管道信号降噪及工况识别方法研究[J].石油学报,2009,30(6):937-941.

Yu Dongliang,Zhang Laibin,Liang Wei,et al.Noise reduction of signal and condition recognition of long-distance pipeline[J].Acta Petrolei Sinica,2009,30(6):937-941.

[3]杨福生,洪波.独立分量分析的原理与应用[M].北京: 清华大学出版社,2006:33-34.

Yang Fusheng,Hong Bo.The theory and application of the independent component analysis[M].Beijing: Tsinghua University Press,2006:33-34.

[4]王乐,顾学迈.基于负熵最大化的卫星测控信号盲识别算法[J].南京理工大学学报：自然科学版,2008,32(6):777-781.

Wang Le,Gu Xuemai.Blind recognition algorithm of telemetry,track and control signals of satellite based on Negentropy-maximization[J].Journal of Nanjing University of Science and Technology：Natural Science,2008,32(6):777-781.

[5]彭善碧,廖柯熹,李长俊,等.输油管道负压波法泄漏检测中的误报警排除法[J].西南石油学院学报,2006,28(1):83-84,90.

Peng Shanbi,Liao Kexi,Li Changjun,et al.How to rule out the false alarm of oil pipeline leak detection based rarefaction wave

[J].Journal of Southwest Petroleum Institute,2006,28(1):83-84,90.

[6]梅建新,段汕,潘继斌,等.支持向量机在小样本预测中的应用[J].武汉大学学报：理学版,2002,48(6):732-735.

Mei Jianxin,Duan Shan,Pan Jibin,et al.The application of support vector machines in recognition of small sample[J].Wuhan University Journal:Natural Science Edition,2002,48(6):732-735.

[7]克里斯特安尼.支持向量机导论[M].北京:电子工业出版社,2004:82-106.

Cristianini N.An introduction to support vector machines and other kernel-based learning methods[M].Beijing:Publishing House of Electronics Industry,2004:82-106.

[8]林连雷,姜守达,刘晓东.基于微分进化算法的SVM参数选择[J].哈尔滨工程大学学报,2009,30(2):138-141.

Lin Lianlei,Jiang Shouda,Liu Xiaodong.Parameter selection for an SVM based on a differential evolution algorithm[J].Journal of Harbin Engineering University,2009,30(2):138-141.

[9]邵煜,葛传虎,叶昊,等.基于负压波的管道泄漏检测与定位系统评价[J].油气储运,2008,27(4):5-9.

Shao Yu,Ge Chuanhu,Ye Hao,et al.Evaluation on the performance of negative pressure wave-based leakage detection and location system[J].Oil & Gas Storage and Transportation,2008,27(4):5-9.

[10]汤广发,赵福云,刘娣,等.流体非线性碰撞研究初步——流体对喷[J].湖南大学学报：自然科学版,2004,31(3):62-67.

Tang Guangfa,Zhao Fuyun,Liu Di,et al.Preliminary study of fluid nonlinear dynamical collide-fluid flow interactions[J].Journal of Hunan University:Natural Science,2004,31(3):62-67.

[11]白象忠,郝亚娟.非线性流体弹性力学研究进展[J].力学进展,2008,38(5):545-556.

Bai Xiangzhong,Hao Yajuan.Advances in nonlinear hydroelasticity[J].Advances in Mechanics,2008,38(5):545-556.

[12]马建仓,牛奕龙,陈海洋.盲信号处理[M].北京:国防工业出版社,2006:23.

Ma Jiancang,Niu Yilong,Chen Haiyang.Blind signal processing[M].Beijing:National Defence Industry Press,2006:23.

[1]	周斌, 王延江, 刘伟锋, 刘宝弟. 基于Hessian正则化支持向量机的多视角协同识别抽油机井工况方法[J]. 石油学报, 2018, 39(12): 1429-1436.
[2]	邢海燕, 党永斌, 王犇, 葛桦, 王尊策. 基于K-近邻隶属度模糊支持向量机的再造抽油杆损伤等级磁记忆定量识别[J]. 石油学报, 2015, 36(11): 1427-1432,1456.
[3]	林伟国, 王晓东, 戚元华, 吴海燕. 管道泄漏信号和干扰信号的数字化判别方法[J]. 石油学报, 2014, 35(6): 1197-1203.
[4]	朱怡翔石广仁. 火山岩岩性的支持向量机识别[J]. 石油学报, 2013, 34(2): 312-322.
[5]	蒋官澄吴雄军王晓军张卫行李洋洋王金树. 确定储层损害预测评价指标权值的层次分析法[J]. 石油学报, 2011, 32(6): 1037-1041.
[6]	于德亮齐维贵邓盛川张永明张凤武王新民. 基于支持向量机的潜油柱塞泵沉没度预测[J]. 石油学报, 2011, 32(3): 534-538.
[7]	易方李著信吕宏庆马维平. 基于模糊核支持向量机的管道磁记忆检测缺陷识别[J]. 石油学报, 2010, 31(5): 863-866.
[8]	孙良王建林赵利强. 负压波法在液体管道上的可检测泄漏率分析[J]. 石油学报, 2010, 31(4): 654-658.
[9]	余东亮, 张来斌, 梁伟, 叶迎春, 王朝晖. 长输管道信号降噪及工况识别方法研究[J]. 石油学报, 2009, 30(6): 937-941.
[10]	李洪奇, 郭海峰, 郭海敏, 孟照旭, 谭锋奇, 张军. 复杂储层测井评价数据挖掘方法研究[J]. 石油学报, 2009, 30(4): 542-549.
[11]	马海, 王延江, 魏茂安, 胡睿. 地层可钻性级值预测新方法[J]. 石油学报, 2008, 29(5): 761-765.
[12]	王任一, 梅廉夫. 利用独立分量分析技术对油气富集区进行地震识别[J]. 石油学报, 2008, 29(4): 544-548.
[13]	石广仁. 支持向量机在多地质因素分析中的应用[J]. 石油学报, 2008, 29(2): 195-198.
[14]	李海燕, 彭仕宓. 苏里格气田低渗透储层成岩储集相特征[J]. 石油学报, 2007, 28(3): 100-104.
[15]	闫铁, 毕雪亮, 王长江. 基于支持向量机和聚类分析理论的钻具失效分析方法[J]. 石油学报, 2007, 28(3): 135-140.

基于独立分量分析和支持向量机的管道泄漏识别方法

Pipeline leakage detection method based on independent component analysis and support vector machine

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价