能源在国家经济发展中扮演了不可或缺的角色,而管道又是保证能源运输的一种重要途径。目前随着管道在役时间的增加,管道外力,自然腐蚀等原因造成的不同损伤会使管道状况逐年恶化,潜在危险激增。一旦发生泄漏,经济严重损失的同时还会带来环境污染。因此,管道的安全运维不容忽视。在复杂管网中,压力波长距离传播带来的信号衰减以及频繁的调阀、调泵动作使得管道泄漏的识别存在一定的误报和漏报。同时,由于信号采集精度不够和外界干扰,小泄漏故障识别精度不高;对于工况识别也仅靠专家经验。因此,如何在复杂工况条件下识别微弱的管道泄漏故障和工况调整故障,从而提高管道异常检测的精度、降低漏报率与误报率,是保证管道安全运维前提下的亟待解决问题之一。本文针对现有的管道泄漏故障诊断方法中存在的复杂工况条件下微弱的管道泄漏故障和工况调整故障识别困难的技术问题,分别从小样本泛化生成和深层次特征提取方面进行研究,结合人工智能识别,提出一种基于样本生成和区间Markov特征的管道故障诊断方法。具体研究内容如下:1.提出了一种基于ELM的样本生成方法。首先,从历史数据中提取故障样本,并利用降采样和升采样方式获得样本训练集,并训练ELM模型。然后,获得训练权重,并对输出做加权处理。最后,将加权后的输出与权重进行模型反向操作,推导出生成样本。2.提出了一种区间Markov故障特征提取方法。为了进一步寻找更能体现时间序列变化的特征,克服传统Markov特征对于单个压力点状态变化的依赖,基于传统Markov链,改进Markov特征,以区间的状态代替单点的状态,并将分位数的概念引入到状态划分中,提高故障特征提取的准确性。3.基于样本生成和区间Markov故障特征设计了管道泄漏故障诊断算法。利用SVM模型对管道故障的区间Markov特征进行识别,根据识别结果,设计了基于区间Markov特征的同源信号相似性匹配方法,并和小波异常检测相结合完成故障定位。实验结果证明了提出方法的有效性,并讨论了算法中参数对结果的影响。