本发明专利技术公布了电学技术领域一种基于大数据的管道泄漏诊断组合算法，步骤一：将压力变送器、声波传感器以及流量计分别安装在管道上，实时获取管道的压力数据、声波数据及流量数据；步骤二：将GPS系统的PPS接口与通信接口连接，用来同步存储压力数据、声波数据及流量数据；步骤三：分别采用负压波法、声波法、质量平衡法得出测量数据，并将步骤二中的压力数据、声波数据及流量数据在多个数据源融合后采用神经网络算法进行泄漏诊断，同时得到多个算法诊断结果；步骤四：综合步骤三中的各算法诊断结果，采用结构风险最小化的模式判别的方法得到最终诊断结果；使用基于多种数据源输入量的神经网络模型及相应算法对管道中可能存在的泄漏作出诊断和定位。的泄漏作出诊断和定位。
【技术实现步骤摘要】
一种基于大数据的管道泄漏诊断组合算法
[0001]本专利技术涉及电学
主要涉及管道泄漏诊断与神经网络方面，具体为一种基于大数据的管道泄漏诊断组合算法。
技术介绍
[0002]石油管道的泄漏对于日常的生产和生活来说是一种潜在的威胁，会给人们带来极大的损失。只有及时地发现输油管道泄漏以及泄漏点位置，才能有效及时地保障管道安全生产。管道泄漏检测技术的研究在我国起步比较晚，然而发展却很快。按照检测原理的不同，主要有负压波法、声波法、质量流量平衡法等多种检测算法。由于现场实施条件限制和仪表自身的灵敏度，单一算法总存在某些不足，主要体现在现场的检测灵敏度与误报之间的矛盾以及定位精度低等，为此，我们提出一种基于大数据的管道泄漏诊断组合算法。
技术实现思路
[0003]本专利技术的目的在于提供一种基于大数据的管道泄漏诊断组合算法，在一定程度上弥补了传统泄漏检测方法的不足，改善了管道泄漏监测系统的性能，可降低系统误报率、消除漏报警、提升定位准确度，从而解决上述
技术介绍
中提出的问题。
[0004]为实现上述目的，本专利技术提供如下技术方案：一种基于大数据的管道泄漏诊断组合算法，具体包括以下步骤：步骤一：将压力变送器、声波传感器以及流量计分别安装在管道上，实时获取管道的压力数据、声波数据及流量数据；步骤二：将GPS系统的PPS接口与通信接口连接，用来同步存储压力数据、声波数据及流量数据；步骤三：分别采用负压波法、声波法、质量平衡法得出测量数据，并将步骤二中的压力数据、声波数据及流量数据在多个数据源融合后采用神经网络算法进行泄漏诊断，同时得到多个算法诊断结果；步骤四：综合步骤三中的各算法诊断结果，采用结构风险最小化的模式判别的方法得到最终诊断结果；步骤五：综合各路定位距离，通过统计分析的方法得到组合算法定位结果。
[0005]进一步的：在步骤三中将压力、声波、流量等多路数据整合，作为算法的数据输入，建立起对应的神经网络输入矩阵。
[0006]进一步的：在步骤三中建立基于管道状态物理量的神经网络模型，对当前数据进行诊断。
[0007]进一步的：在步骤三中将负压波、声波法、质量平衡法等其他方法的诊断结果也输入神经网络，使其获得自适应的在线学习能力。
[0008]进一步的：在步骤四中将四种方法的结果汇总，输入支持向量机SVM。
[0009]进一步的：基于结构风险最小化理论在特征空间中建构最优分割超平面，对输入
的多路结果使用该SVM进行分类，得到组合算法的诊断结果。
[0010]进一步的：在步骤五中将不同算法的诊断定位距离汇总，结合历史定位距离与历史误差，运用统计分析的方法，得到组合算法的定位结果，使得定位误差最小化。
[0011]进一步的：在步骤一中提出的压力变送器、声波传感器分别安装在管道首末站。
[0012]进一步的：在步骤一中提出的提出的流量计安装在管道中部。
[0013]与现有技术相比，本专利技术的有益效果是：该基于大数据的管道泄漏诊断组合算法，使用基于多种数据源输入量的神经网络模型及相应算法对管道中可能存在的泄漏作出诊断和定位。
具体实施方式
[0014]对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。
实施例
[0015]一种基于大数据的管道泄漏诊断组合算法：具体包括以下步骤：S1，通过压力变送器、声波传感器与流量计等传感设备获取管道的实时压力、声波、流量数据，压力变送器、声波传感器分别安装在管道首末站，流量计安装在管道中部；各传感器检测管道两端的实时压力、声波、流量信号。
[0016]S2，使用GPS的PPS接口将管道的压力、声波、流量数据同步储存；GPS的PPS接口按时序定时同步储存管道的压力、声波、流量信号。
[0017]S3，采用负压波法、声波法、质量平衡法等多种管道泄漏诊断算法分别得到诊断结果；对于各路信号，分别使用对应的负压波、声波和质量平衡泄漏诊断算法；S4，使用多路数据，采用大数据的方法得到诊断结果；将压力、声波、流量等多路数据整合，作为算法的数据输入，建立起对应的神经网络输入矩阵，建立基于管道状态物理量的神经网络模型，对当前数据进行诊断，将负压波、声波法、质量平衡法等其他方法的诊断结果也输入神经网络，使其获得自适应的在线学习能力。
[0018]S5，综合各方法诊断结果，通过模式识别的方法得到组合算法诊断结果，将四种方法的结果汇总，输入支持向量机SVM，基于结构风险最小化理论在特征空间中建构最优分割超平面，对输入的多路结果使用该SVM进行分类，得到组合算法的诊断结果。
[0019]S6，综合各路定位距离，通过统计分析的方法得到组合算法定位结果，将不同算法的诊断定位距离汇总，结合历史定位距离与历史误差，运用统计分析的方法，得到组合算法的定位结果，使得定位误差最小化。
[0020]本专利技术中提出的组合算法采用多种检验方法相结合的手段，基于管道信号大数据，运用机器学习的方法，融合多种算法的优点，互相弥补不足，来提高泄漏检测的灵敏度和定位精度。
[0021]尽管已经示出和描述了本专利技术的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本专利技术的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本专利技术的范围由所附权利要求及其等同物限定。
本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于大数据的管道泄漏诊断组合算法，其特征在于：具体包括以下步骤：步骤一：将压力变送器、声波传感器以及流量计分别安装在管道上，实时获取管道的压力数据、声波数据及流量数据；步骤二：将GPS系统的PPS接口与通信接口连接，用来同步存储压力数据、声波数据及流量数据；步骤三：分别采用负压波法、声波法、质量平衡法得出测量数据，并将步骤二中的压力数据、声波数据及流量数据在多个数据源融合后采用神经网络算法进行泄漏诊断，同时得到多个算法诊断结果；步骤四：综合步骤三中的各算法诊断结果，采用结构风险最小化的模式判别的方法得到最终诊断结果；步骤五：综合各路定位距离，通过统计分析的方法得到组合算法定位结果。2.根据权利要求1所述的一种基于大数据的管道泄漏诊断组合算法，其特征在于：在步骤三中将压力、声波、流量等多路数据整合，作为算法的数据输入，建立起对应的神经网络输入矩阵。3.根据权利要求1所述的一种基于大数据的管道泄漏诊断组合算法，其特征在于：在步骤三中建立基于管道状态物理量的神经网络模型，对当前数据进行诊断。4.根据权利要求1所述的一种基...
【专利技术属性】
技术研发人员：舒莉莉，王梅，田新韬，田红波，
申请(专利权)人：湖南虹桥工业科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。