在线字典学习matlab,1 在线字典学习的基本原理 - 计算机应用研究.doc

1 在线字典学习的基本原理 - 计算机应用研究

基于在线字典学习的管道微弱泄漏检测方法

姜 华，何风行+，吴 波，徐志广

(中国科学院上海高等研究院 城市公共安全中心,上海 201210)

摘 要:针对离线字典学习方法存在对管道泄漏检测长时期运行信号的适应性不足、计算量大的缺点，进行了基于在线字典学习的检测方法研究。借鉴参数化字典训练方法的思想，对管道泄漏动态压力信号多分辨率分解，对分解的子频带信号进行稀疏编码，并进行快速的在线字典训练与更新，根据稀疏编码结果进行微弱泄漏检测。现场实验数据的测试结果表明，本文提出的方法可检测出泄漏低频响应为0.2Hz以上，流量变化量大于0.4%的微弱泄漏，有效提高了微弱泄漏的检出率，降低虚警率。

关键词:在线字典学习；微弱泄漏检测；稀疏编码；多分辨率分解

中图分类号:TP391.4

Method of pipeline weak leak detection based on online dictionary learning

Jiang Hua, He Fenghang+, Wu Bo, Xu Zhiguang

(Center for Urban Public Safety, Shanghai Advanced Research Institute, Chinese Academy of Science, Shanghai, 201210, China)

Abstract: The traditional algorithm of offline dictionary learning has the disadvantage of massive computation and lack of adaptability to long term run signal. This paper put forward a new method of oil and gas pipeline weak leak detection based on online dictionary learning. Firstly, it decomposed the signal of pipeline dynamic pressure by multi-resolution wavelet, and sparsely coded each sub-band signals. Secondly, it designed the algorithm of over-complete dictionary training. At last, it performed weak leak detection by sparse coding results. Simulation results show that the proposed method can detect low frequency response of the weak leak greater than 0.2Hz, flow changes greater than 0.4%, the proposed method can improve the weak leak detection rate and reduce the false alarm rate.

Key words: online dictionary learning; weak leak detection; sparse coding; multi-resolution decomposition

引言

随着管道建设规模和服役年限的增长，管道泄漏检测技术受到日益广泛的关注。负压波法只需检测管线两端的压力信号，不需检测管道其他参数，在快速泄漏时具有较高的灵敏度和精度，在工程实际中取得广泛应用。负压波法实际应用中面临的主要问题是缓慢泄漏检测效果不佳。由于泄漏位置、管道结构特征、管材摩阻、周围环境等因素影响，以及各种工况调节引起的压力脉动干扰，缓慢泄漏时微弱的负压波信号经常被复杂噪声和干扰所淹没。

在信号处理领域国内外学者针对管道泄漏检测进行了大量研究，分别采用了卡尔曼滤波方法[1]、神经网络方法[2-3]、结构模式识别方法[4]、经验模式分解方法[5]、小波多尺度分析方法[6]、混沌关联维数分析方法[7]、基于频域特征分析方法[8-9]、基于粗糙集和支持向量机(SVM)的方法[10-11]等分析负压波管道泄漏检测和故障识别。这些方法在快速泄漏时起到了较好的检测效果，但是微弱泄漏检测问题还没有很好解决[4]。

信号表示是信号处理的基础性问题，在一定程度上对信号处理和模式识别算法的性能起决定性作用，稀疏编码成为信号处理领域新的研究热点和方向。基于字典学习的稀疏编码方法比基于正交基