基于GMM-SVM的管道泄漏检测技术研究

摘要

管道运输凭借其高安全性、低油气损耗、连续平稳、占地面积小、大运输量以及低成本等优点，已经成为了当今油气运输的主要方式。然而，管道一旦发生泄漏事故，极容易造成巨大的经济损失和人员伤亡。因此，开发可靠的管道泄漏检测技术显的尤为重要。目前，管道运输泄漏检测常用的方法有人工巡视和基于计算机技术的检测方法。
　　在参考了大量相关文献后，本文提出了一种新的管道泄漏检测技术——通过采集管道周围声音来识别管道所处的状态。与以往以泄漏后产生的变化进行检测不同，本文研究的对象是管道周围声音的变化情况。在检测泄漏的同时，该方法还能起到预防泄漏的作用。相比目前常用的泄漏检测方法，本文提出的技术具有移植性强、经济、敏感度好等特点。
　　本文参考了说话人识别的相关理论，提出了基于GMM-SVM的管道泄漏检测技术，这种混合模型不但具有很强的逼近能力，而且又能克服由训练样本不足导致错误分类的情况，具有很强的识别能力。此外，本文对常用的声学特征(LPC、LPCC、MFCC、PLP)进行了分析比较后提出了一种表征能力更好的基于静态MFCC参数和一阶PIP差分和二阶PLP差分的组合特征。本文没有直接用特征样本进行SVM分类，而是先对特征样本进行GMM聚类，然后用聚类后的参数进行SVM分类，从而大大降低了噪声的干扰。实验结果表明，本文提出的技术达到了工程化的要求。

目录

声明

摘要

图表目录

绪论

1．1 研究目的和意义

1．2 发展历史和研究现状

1．3 论文工作的主要内容

1．4 论文的组织结构

第二章 数据的准备

2．1 声音数据的预处理

2．1．1 预加重

2．1．2 声音信号的加窗分帧

2．2 声音数据的端点检测

2．2．1 短时过零率和短时能量

2．2．2 基于短时过零率和短时能量的端点检测

2．3 声音数据的特征提取

2．3．1 线性预测及其倒谱系数

2．3．2 梅尔倒谱系数

2．3．3 感知线性预测

2．3．4 动态参数

2．4 实验数据集的建立

2．4．1 目标音与噪声的划分

2．4．2 声学特征的选取

2．5 本章小结

第三章 基于GMM的管道测漏检测技术研究

3．1 系统基本结构

3．2 训练阶段

3．2．1 GMM模型的相关理论

3．2．2 GMM模型参数的初始化

3．2．3 GMM模型的参数估计

3．2．4 异常样本的处理

3．3 识别阶段

3．4 本章小结

第四章 基于GMM-SVM的管道泄漏检测技术研究

4．1 支持向量机(SVM)

4．1．1 线性分类器

4．1．2 非线性分类器

4．2 SVM的多类分类方法

4．3 基于GMM-SVM的管道泄漏检测系统设计

4．4 本章小结

第五章 实验结果分析

5．1 实验平台及识别结果的平均标准

5．2 实验结果分析

5．2．1 不同特征对比实验

5．2．2 加入动态信息和能量的特征的识别实验

5．2．3 不同混合特征的对比实验

5．2．4 基于GMM和GMM+SVM识别系统的对比实验

第六章 总结与展望

6．1 总结

6．2 展望

参考文献

致谢