基于聚类支持向量机的气体泄漏检测

　　1　引　　言

　　在石油、化工等行业,及时而准确地检测出有毒或易燃气体的泄漏现象具有重要意义。过去常采用气体传感器检测气体泄漏,但气体传感器受检测现场的风向、风速以及气体的种类和密度等因素影响较大,经常出现误报、漏报等现象,检测精度难以提高[1]。近年来,人们开始尝试利用声学信号进行气体泄漏检测,通过在现场设置麦克风采集气体泄漏的声学信号,声学信号处理较为方便,并且可以实现非接触性检测,因此,该方法逐渐开始引起人们的重视[2]。

　　然而,采用声学信号进行气体泄漏检测的主要困难在于检测现场通常具有较强的背景噪声,不仅如此,当现场工作环境发生变化时,背景噪声也随之变化,这进一步加剧了气体泄漏检测的复杂性。为解决这一问题,研究者做了不少研究,提出了许多检测方法,如小波分析法[3]、相关分析法[4]、神经网络法[5]等。其中,支持向量机是一种基于统计学习理论的新型机器学习算法,它根据结构风险最小化准则取得最小的实际风险,其拓扑结构由支持向量决定,克服了神经网络法拓扑结构难以确定的缺陷,较好地解决了机器学习中小样本、非线性、高维数和局部极小点等实际问题[6]。目前支持向量机在故障诊断领域得到了成功的应用[7],已有研究者将支持向量机应用于气体泄漏检测中,并取得了良好的效果[8]。但是,标准支持向量机在训练过程中要借助二次规划求解支持向量,此时需要反复计算一个m维的内积矩阵(其中m是样本个数),当训练样本数较多时,计算开销非常大,常导致训练时间过长[9]。而气体泄漏检测时,为提高检测系统的鲁棒性,其训练样本要求包括各种复杂现场环境下的声音信号,此时样本数目较大,制约了支持向量机在气体泄漏检测中的进一步应用。

　　针对上述问题,本文提出一种基于聚类支持向量机的气体泄漏检测方法。该方法首先通过在现场安置麦克风采集不同现场环境下的声音信号,对这些信号进行快速傅里叶变换获取其频谱作为聚类支持向量机的输入样本,然后利用聚类算法对训练样本集进行聚类分析,将训练样本空间分为若干个子空间(即子类),每一子空间的样本具有相似特性,而不同子类之间具有尽可能大的差异性。最后针对每一子类构造一个聚类支持向量机(CS-VM),利用对应子类的样本集训练CSVMs。由于每个CSVMs仅需对特定类进行检测,因此该模型训练较为简单,不仅如此,由于整个训练样本集充分考虑了现场变化多样性的影响,因此,该方法具有较强的鲁棒性。

　　2　气体泄漏的声学检测

　　当管道损坏造成气体泄漏时,气体泄漏的声音受裂口形状、管内气体压力、泄漏气体种类等因素影响。因此,本文采用图1所示实验装置研究管道损坏造成气体泄漏的声学检测。