文文献综述范例2
文献综述
——基于SVM和证据理论的管线故障诊断班级：测控0701 学号：200740030 姓名：韩静文指导老师：王建林
摘要：建立管线故障监测诊断系统，及时准确报告事故的范围和程度，可以最大限度地减少经济损失和环境污染。D-S证据理论在信息融合方面极具优势，是管线故障诊断中一种重要的方法，但其基本信度分配的确定已成为实际应用的瓶颈问题，针对此，采用了基于多类支持向量机的基本信度分配确定方法。基于SVM和证据理论的管线故障诊断方法，具有较高的准确性和可靠性，将在管道泄漏检测中扮演十分重要的角色。
关键词：支持向量机；证据理论；管线故障
Abstract:Establishing pipeline monitoring and diagnosis system fault, accurately and timely report the accident the scope and extent, can minimize the economic loss and environmental pollution. D-s evidence theory in information fusion aspect very has the advantage, is an important line fault diagnosis method, but its basic reliability allocation to determine the actual application has become the bottleneck problem. Based on SVM and evidence theory of pipelines, fault diagnosis method has high accuracy and reliability, will be in the pipeline leak detection plays very important role.
Key words: SVM (support vector machine);D-S evidence theory; pipelines fault
引言
管道运输是国际货物运输方式之一，是随着石油生产的发展而产生的一种特殊运输方式。具有运量大、不受气候和地面其他因素限制、可连续作业以及成本低等优点。现已成为与铁路、公路、航空、水运并驾齐驱的五大运输手段之一。
然而，随着设备老化，人为损失以及环境的影响，管线故障在所难免，而管道泄漏则是长管道运输中最重要的故障之一。特别是石油化工行业的输送管道一旦发生泄漏事故，将造成严重的环境污染和危险事故，同时也因输送物料的大量泄漏带来重大的经济损失。对已运行管线进行检测是预防管道失效、降低管道风险的重要手段。管道投入运行后，在服役期间对管道进行检测是保障油气管道安全运营的重要环节之一。
建立管线故障监测诊断系统，及时准确报告事故的范围和程度，可以最大限度地减少经济损失和环境污染。因此，管线的故障诊断特别是对管道泄漏检测技术的研究有着突出的实际意义[1,2]。
工况的改变势必造成泄漏监测仪的背景信号复杂、多变，增加了管道泄漏检测的难度。因此，在管道泄漏检测中如何识别正常的工况（诸如调阀、启动加压泵）和泄漏工况对提高泄漏报警率和降低误报率显得尤为重要。
1.管道泄漏的相关研究
自20世纪70年代末，国外已经开始了管道泄漏检测技术进行研究，经过几十年时间的发展，管道泄漏检测技术得到了充分地发展和完善。
管道泄漏检测技术存在的主要问题是管道微小泄漏的检测，技术上还需要发展改进。泄漏检测的响应速度、系统鲁棒性和可靠性、泄漏检测定位精度和系统成本之间的关系还没有很好地得到解决。单一的检漏方法很难满足现场的不同管道工况条件的需要，对各种方法需要做适当的权衡和取舍，最后选定最优解决方案[3,4]。
根据测量手段、测量媒介、检测装置所处的位置和检测对象的不同，油气管道泄漏检测方法大体上可分为直接检测法与间接检测法、基于硬件与软件的检测法、内部检测法与外部检测法、监测管壁状况和监测内部流体状态的方法[5-8]。这些方法的检测基理和技术手段都有着明显的差别，但多数只能对管道是否泄漏进行判断，而不能正确识别不同工况，应用中存在一定的局限。
到目前为止，已经研究的对于管道工况的经典分类方法主要包括：决策树方法、神经网络方法、遗传算法、贝叶斯分类、K近邻算法和基于案例的推理等，粗糙集方法、模糊集方法和支持向量机则是较新的分类方法[9,10]。
2006年大庆石油学院的王永涛[11]提出基于小波包与神经网络的长输油管道泄漏检测方法，在有效提取输油管道泄漏与调泵特征的基础上，经过神经网络训练后，可以有效地对输油管道进行泄漏检测，并具有较高的准确率。
2008年范晓静等[12]针对小样本情形下难以建立可靠的管道泄漏检测识别模型，提出了基于支持向量机的管道泄漏负压波检测方法，SVM可较好的解决非线性数据分类问题，在小样本和二元分类方面优势突出，非常适合于管道泄漏检测。
2.基于SVM和D-S证据理论的管线故障诊断方法
D-S证据理论是由Dempster最早提出，后由其学生Shafer补充后发展起来的一种处理不确定性问题的理论。它和概率决策理论相比，不但能够处理由于先验知识不精确引起的不确定性，而且能够处理由不知道引起的不确定性。证据理论中需要的先验数据比概率决策理论中的更直观，更容易获得。证据理论满足比概率论更弱的公理系统，当概率已知时，证据理论就退化成了概率论。。然而证据理论并没有给出基本概率分配函数的一般形式，而且存在潜在的复杂度，当推理链较长时，推理效率低等问题。
SVM由Vapnik等人于1995年首先提出。它建立在统计学习理论基础上，采用结构风险最小化原则，具有很好的泛化能力；并引入正定核函数方法和优化理论，有效克服了维数灾难及局部极小和计算量大的问题。SVM在处理非线性分类问题时具有其它方法不可比拟的优越性[13,14]。目前,支持向量机算法在模式识别、回归估计、概率密度函数估计等方面都得到了广泛应用。
2007年，张金泽等[15]首次提出了支持向量机与证据理论相结合的观点，建立了SVM与证据理论集成的故障诊断系统。
马大中等[16]针对目前油气管道的预警与泄漏判断误报率和漏报率高的问题，采用一种基于多传感器信息融合的方法来进行诊断。该方法依据加权证据理论，分析融合诊断组建时应遵循的原则。保证了各特征域故障诊断过程中存在的不确定性经过融合后能够最大限度相互削弱，从而降低了故障诊断的不确定性，同时最大限度的利用了已知信息增强了系统的容错性。
梁伟等[17]针对成品油干扰工况较多的特点，提出基于D-S证据理论的成品油管道泄漏融合识别方法，基于证据理论的多证据体融合后的基本可信度分配较融合前各单一证据的基本可信度分配具有较好的峰值性和可分性。实现对泄漏过程和于扰工况的有效区分，降低了误报警率。
用SVM(支持向量机)与D-S证据理论相结合来诊断管线故障的方法，建立的SVM与证据理论集成的故障诊断系统，通过设置在诊断对象中的多个传感器（或一个传感器）采集信号作为故障诊断的数据源。在对管线各个故障特征子空间上的诊断过程中充分发挥SVM基于结构风险最小化和小样本学习能力强的特点，得到初步的诊断结论，作为证据理论的独立证据体；诊断决策层整合各特征子空间的故障信息，得到诊断结论，具有较高的诊断准确性和可靠性[18-20] 。
3.结论
实践中，基于硬件的道线故障检测具有直接快速等优点，但由于噪声干扰和传感器性能的局限，各传感器独立获取的信息一般是残缺而模糊的，蕴含着大量的不确定性信息。因此，信息融合已经成为当前信息处理的必然方向。基于SVM和证据理论的管线故障诊断方法，综合了D-S证据理论在多特征信息融合方面的优势以及支持向量机在小样本学习能力和泛化性方面的优势，在和管线故障检测和诊断方向极具发展潜力。
参考文献
[1] 高宏扬．管道泄漏检测技术的应用与发展[J]．油气储运，2004，23 (11)：1-2．
[2] 隋溪，韩冬．输油管道泄漏检测技术综述[J]．内蒙古石油化工，2009（20）：92-93．
[3]高宏扬．管道泄漏检测技术的应用与发展[J]．油气储运，2004，23 (11)：1-2．
[4] 郑志伟，刘丽川，刘鎏，等．油气管道泄漏检测技术概述[J]．化工设备与管道，
2009，46(5)：41-48．
[5] 常景龙．输气管道泄漏检测技术的选择和优化[J]．油气储运，2000，19(5)：9-13．
[6] ELLUL I R．Advances in pipeline leak detection techniques．Pipes&Pipelines
International，1989，34．
[7] Zhang Jun．Designing a Cost-efective and Reliable Pipeline Leak-detection
System．Pipelines International ，1997．
[8] 李文军，王学英．油气管道泄漏检测与定位技术的现状与展望[J]．炼油技术与工
程，2005，35(9)：49-52．
[9] 李炜,邝鹏.基于模糊神经网络的管道泄漏检测方法研究[J]．计算机仿真，2009，26
（2）：190-192．
[10] 苏欣，袁宗明．油气长输管道检漏技术综述[J]．石油化工安技术，2005，21（4）：
14-18．
[11] 王永涛．基于小波包与神经网络的长输油管道泄漏检测方法[J]．大庆石油学院学
报，2006，30（4）：129-131．
[12] 范晓静，张来斌，梁伟，等．基于支持向量机的管道泄漏检测方法研究[J]．仪器
仪表学报，2008，29（4）：236-239．
[13] QI Hengnian．Support vector machines and application researchoverview[J]．Computer
Engineering，2004，30(10)：6-9．
[14] 姜万录，吴胜强．基于SVM和证据理论的多数据融合故障诊断方法[J]．仪器仪
表学报，2010，31(8)：1738-1743．
[15] 张金泽，单甘霖．SVM与证据理论集成的信息融合故障诊断技术研究[J]．电光
与控制，2007，14(4)：187-190．
[16] 马大中，张化光，冯健．一种基于多传感器信息融合的故障诊断方法[J]．智能系
统学报，2009，4(1)：71-75．
[17] 梁伟，张来斌，王朝晖．基于D-S证据理论的成品油管道泄漏融合识别方法研究
[J]．机械强度，2010，32(3)：485-490．
[18] 李烨，蔡云泽，尹汝泼，等．基于证据理论的多类分类支持向量机集成[J]．计算
机研究与发展，2008，45(4)：571-578．
[19] Lingmei Aia,Jue Wang a，Xuelian Wang b．Multi-features fusion diagnosis of tremor
based on artificial neural network and D-S evidence theory．Signal Processing．88 (2008) 2927–2935．
[20] Otman Basir，Xiaohong Yuan．Engine fault diagnosis based on multi-sensor
information fusion using Dempster–Shafer evidence theory．Information Fusion 8 (2007) 379–386．