管道作为流体介质有效、经济的运输方法之一,由于常常受到腐蚀、老化、焊缝缺陷、第三方破坏等因素影响,造成泄漏事故频发。因此,有效的管道泄漏检测方法是保证管道完整性和安全运行的强有力手段。由于实际管道运行过程中,泄漏信号样本较少、现场情况复杂引起多种工况变化增加了泄漏检测难度,如何在缺少泄漏样本的情况下进行各种工况的检测是目前研究的热点。本文的主要贡献在于提出一种基于核主元分析和串级支持向量数据描述的多工况管道泄漏检测方法,通过数值仿真实验验证了所提出的方法在管道泄漏检测的有效性。主要工作内容如下:(1)通过查阅收集国内外相关文献资料,介绍了管道运输的发展趋势、在泄漏检测中的研究背景和管道泄漏检测方法,分析了基于支持向量数据描述的管道泄漏检测方法的研究现状。综述了局部均值分解算法、核主元分析法以及支持向量数据描述的基本原理和内容。(2)针对管道泄漏检测过程中泄漏信号的样本较难获取和运行工况的多样性问题,本文基于管道运行过程的非泄漏样本数据,提出了一种基于核主元分析(Kernel Principal Component Analysis,KPCA)和支持向量数据描述(Support Vector Data Description,SVDD)的多工况管道泄漏检测方法。首先,对测量信号进行局部均值分解降噪,并求解降噪信号的时域和波形特征值,通过KPCA进行降维提取非线性核主元以获得更好的信号描述特征值;其次,通过K均值(K-means)聚类算法识别出多个工况并分别针对不同工况数据进行训练,建立多个支持向量数据描述模型,以得到相应超球体的决策边界;最后,依据工况发生概率大小对多个SVDD模型进行了排序,实现了Cas-SVDD模型的多工况管道泄漏的检测。(3)针对实际训练正常样本中含有少量异常点对所建立的Cas-SVDD模型产生负作用导致KPCA-Cas-SVDD方法检测管道泄漏精度下降问题,本文提出了一种基于串级模糊支持向量数据描述(Cascade Fuzzy Support Vector Data Description,Cas-FSVDD)管道泄漏检测方法。该方法先通过模糊K均值算法区分出各种工况;然后将模糊隶属度函数引入到支持向量数据描述中,利用数据样本的相对密度来计算模糊隶属度值,根据不同训练样本对模型有不同的贡献率,赋予每个样本合适的模糊隶属度值,将含有异常点样本分配较小的模糊隶属度值,其他样本分配较大的模糊隶属度值,从而利用不同工况数据样本的模糊隶属度值建立多个FSVDD模型,得到更为紧凑的超球体描述边界,提高管道泄漏检测精度。