吳文凱，徐科軍，葉國陽

（合肥工業(yè)大學(xué) 電氣與自動(dòng)化工程學(xué)院，安徽 合肥 230009）

1 引言

閥門在當(dāng)代電力、石油化工等行業(yè)應(yīng)用廣泛，其密封性的好壞，對工業(yè)生產(chǎn)系統(tǒng)的安全和高效運(yùn)行影響巨大。閥門泄漏往往是重大工業(yè)生產(chǎn)事故的隱患，同時(shí)也會造成生產(chǎn)資源的浪費(fèi)和自然環(huán)境的污染［1］。為了防止閥門泄漏造成的安全事故，學(xué)者們將聲發(fā)射技術(shù)引入閥門內(nèi)漏的在線檢測，這種無損檢測技術(shù)能夠?yàn)殚y門的維護(hù)提供前瞻性的預(yù)測和分析［2，3］。聲發(fā)射技術(shù)探測到的信號能量來自被測對象本身，因此，對于閥門內(nèi)部泄漏問題具有良好的適用性［4］。為了實(shí)現(xiàn)聲發(fā)射技術(shù)的在線檢測，必須構(gòu)建閥門內(nèi)漏檢測的數(shù)學(xué)模型，即確立聲發(fā)射信號特征量與泄漏量之間的關(guān)系［5］。

目前，對閥門泄漏聲發(fā)射信號進(jìn)行處理主要分為兩類方法。一類是回歸建模的方法，即建立閥門泄漏聲發(fā)射信號特征量與泄漏量之間準(zhǔn)確的定量數(shù)學(xué)模型，即根據(jù)分析得到的聲發(fā)射信號特征量定量計(jì)算泄漏量。例如：Kaewwaewno W 等建立了基于聲發(fā)射源幾何分布關(guān)系的閥門液體泄漏速率預(yù)測模型，在其研究過程中推導(dǎo)出信號均方根（RMS）和泄漏率Q之間的關(guān)系，為閥門泄漏故障特征庫的建立及閥門泄漏率定量診斷奠定了理論基礎(chǔ)［6］；Ye G Y等研究了泄漏率為0～1 000 mL／min，壓力為0.35，0.50，0.80 MPa時(shí)，閥門泄漏聲發(fā)射信號的標(biāo)準(zhǔn)差與閥門泄漏率之間的關(guān)系，采用最小二乘線性擬合方法建立數(shù)學(xué)模型，建模的最佳擬合度為0.980 8［7］。雖然根據(jù)回歸建模方法可以得到閥門泄漏量的經(jīng)驗(yàn)公式；但是，由于被測對象、測試手段和實(shí)驗(yàn)條件等多方面因素的影響，經(jīng)驗(yàn)公式計(jì)算的泄漏量與實(shí)際泄漏量之間的誤差較大。另一類是分類建模的方法，即對閥門泄漏按照泄漏量大小劃分等級，建立閥門泄漏聲發(fā)射信號特征量與泄漏等級之間準(zhǔn)確的分類數(shù)學(xué)模型。例如：李振林等針對天然氣的球閥泄漏問題，提出了核主成分分析和支持向量機(jī)分類器的泄漏識別方法，該方法得到的分類模型預(yù)測準(zhǔn)確率可達(dá)96.5%［8］；Zhu S B等采用因子分析與kmedoids聚類方法，對球閥的氣體泄漏量進(jìn)行分類，分析結(jié)果的準(zhǔn)確度為96.28%［9］。

分類建模方法避免了回歸方法精確定量建模的困難，而只是判斷被測泄漏量是否在某個(gè)已劃分的泄漏范圍內(nèi)，這與實(shí)際檢漏過程中只需要判斷閥門是否超過允許泄漏標(biāo)準(zhǔn)的要求是契合的。但是，目前分類的建模方法主要應(yīng)用于閥門氣體介質(zhì)泄漏的檢測，還沒有應(yīng)用于閥門液體介質(zhì)泄漏的檢測［10］?？紤]到液體閥門在工業(yè)現(xiàn)場也被廣泛使用，且液體與氣體這兩種介質(zhì)的性質(zhì)有所不同。所以，本文提出應(yīng)用支持向量機(jī)方法對閥門液體泄漏信號進(jìn)行泄漏等級的分類建模研究。為建立閥門內(nèi)漏時(shí)聲發(fā)射信號特征量與閥門內(nèi)漏不同等級之間的支持向量機(jī)分類模型，在重慶川儀自動(dòng)化有限公司提供的液壓閥門檢漏平臺上進(jìn)行閥門泄漏聲發(fā)射信號采集實(shí)驗(yàn)，對信號進(jìn)行預(yù)處理，提取信號特征量，再進(jìn)行支持向量機(jī)分類建模，數(shù)據(jù)處理結(jié)果表明支持向量機(jī)分類建模方法對閥門液體泄漏檢測是有效的。

2 閥門內(nèi)漏聲發(fā)射檢測機(jī)理

聲發(fā)射是物體或材料損傷時(shí)迅速釋放能量而產(chǎn)生應(yīng)力波的一種物理現(xiàn)象，而聲發(fā)射信號則是聲發(fā)射現(xiàn)象發(fā)生時(shí)信號被傳感器捕捉并經(jīng)系統(tǒng)處理后以另一種形式出現(xiàn)的電信號［1］。聲發(fā)射是正在擴(kuò)展的材料缺陷（裂紋）的指示器，只有當(dāng)物體的缺陷擴(kuò)展成永久損傷之后才會產(chǎn)生聲發(fā)射［11］。當(dāng)閥門密封面出現(xiàn)磨損或者裂痕時(shí)，泄漏的流體通過有破損的密封面便會產(chǎn)生聲發(fā)射信號。液體在閥門泄漏的過程中，激發(fā)的聲發(fā)射信號是連續(xù)型聲發(fā)射信號，該信號攜帶著液體泄漏的信息，經(jīng)過液體介質(zhì)、閥門內(nèi)壁和耦合劑的傳播之后被聲發(fā)射傳感器采集。

通過大量實(shí)驗(yàn)研究閥門泄漏聲發(fā)射信號，分析得出聲發(fā)射信號具有如下特點(diǎn)：1）閥門泄漏時(shí)所產(chǎn)生聲發(fā)射信號頻率成分復(fù)雜，信號能量主要集中在超聲頻帶。并且，泄漏聲發(fā)射信號頻帶會受到許多其他因素的影響，如進(jìn)口壓力大小、閥門類型、泄漏大小、閥體內(nèi)介質(zhì)類型等。2）閥門泄漏所產(chǎn)生聲發(fā)射信號波形都具有一個(gè)陡峭的尖峰，超聲頻帶信號能量最多，信號集中的具體頻帶由閥門類型及流體介質(zhì)決定。3）閥門泄漏聲發(fā)射信號是一種隨機(jī)信號，波形十分復(fù)雜。傳播路徑、傳輸介質(zhì)和環(huán)境噪聲等因素都會對聲發(fā)射信號造成影響［4，12～17］。

3 閥門內(nèi)漏聲發(fā)射信號采集實(shí)驗(yàn)

閥門內(nèi)漏聲發(fā)射信號采集實(shí)驗(yàn)的實(shí)驗(yàn)平臺由2部分組成，其中，液壓閥門試驗(yàn)臺由重慶川儀調(diào)節(jié)閥有限公司提供，聲發(fā)射信號采集與處理系統(tǒng)由本文搭建。實(shí)驗(yàn)裝置框圖如圖1所示，閥門泄漏檢測實(shí)驗(yàn)平臺現(xiàn)場如圖2所示。

圖1 實(shí)驗(yàn)裝置框圖Fig.1 Block diagram of experimental device

圖2 閥門泄漏檢測實(shí)驗(yàn)平臺Fig.2 Valve Leak Detection Platform

液壓閥門檢漏平臺通過液壓系統(tǒng)推動(dòng)夾緊工作盤固定閥門，并通過增壓水泵和水循環(huán)系統(tǒng)來給閥門提供恒定的前端壓力，調(diào)節(jié)增壓水泵功率控制閥門的前端壓力。聲發(fā)射信號采集與處理系統(tǒng)由聲發(fā)射傳感器、電壓放大器、抗混疊濾波器、數(shù)據(jù)采集、線性電源和筆記本電腦組成。聲發(fā)射傳感器為美國物理聲學(xué)公司的R15a壓電式傳感器，其工作頻率范圍為50～400 kHz，能夠有效地檢測閥門泄漏信號。電壓放大器對聲發(fā)射傳感器的輸出信號具有放大作用，放大倍數(shù)為40 dB，能夠提高整個(gè)系統(tǒng)中的信噪比。數(shù)據(jù)采集卡選用的是NI公司開發(fā)的高性能數(shù)據(jù)采集卡，采樣頻率為1.25 MHz。聲發(fā)射傳感器的固定方式為磁夾固定。聲發(fā)射信號采集系統(tǒng)的工作過程為：傳感器捕捉信號后傳輸至電壓放大器，進(jìn)行阻抗變換和放大，然后通過截止頻率為600 kHz抗混疊濾波器后，由數(shù)據(jù)采集卡以1.25 MHz的頻率進(jìn)行采樣，轉(zhuǎn)換成數(shù)字信號。最后，采用Matlab程序?qū)?shù)字信號進(jìn)行分析。

在重慶川儀調(diào)節(jié)閥有限公司的工業(yè)生產(chǎn)現(xiàn)場，選擇型號為HTS、公稱直徑為50 mm、流量系數(shù)為17的單座閥（簡稱閥門HTS50）進(jìn)行實(shí)驗(yàn)。在泄漏實(shí)驗(yàn)中，為了使實(shí)驗(yàn)?zāi)軌蚍从硨?shí)際工況下的閥門泄漏現(xiàn)象，一般可以選擇以下方法進(jìn)行模擬：1）選擇生產(chǎn)中出現(xiàn)的閥門次品進(jìn)行實(shí)驗(yàn)；2）對泄漏檢測合格的閥門產(chǎn)品進(jìn)行人為損壞來模擬實(shí)際泄漏；3）通過調(diào)節(jié)閥門來控制閥門的開度以模擬實(shí)際泄漏。由于生產(chǎn)技術(shù)的提高，鮮有不合格的閥門出現(xiàn)，對合格閥門進(jìn)行破壞實(shí)驗(yàn)成本高，所以，本實(shí)驗(yàn)采用調(diào)節(jié)手輪的方法來進(jìn)行泄漏實(shí)驗(yàn)。

將閥門HTS50安裝在液壓閥門試驗(yàn)平臺上，利用磁夾將聲發(fā)射傳感器固定在閥體平面處。在閥體與傳感器之間涂抹耦合劑以減少信號能量損失。傳感器安裝如圖3所示。

圖3 傳感器安裝圖Fig.3 Sensor installation diagram

調(diào)節(jié)手輪使閥門處于密封狀態(tài)，開啟增壓水泵使閥門正常工作，轉(zhuǎn)動(dòng)調(diào)壓扳手給予閥門適當(dāng)?shù)膲毫?，保持該壓力，然后轉(zhuǎn)動(dòng)手輪使閥門開始泄漏，采集聲發(fā)射信號，同時(shí)測量泄漏量。調(diào)節(jié)手輪逐漸減小開度，并采集聲發(fā)射信號和測量泄漏量。重復(fù)以上過程直至閥門關(guān)死不再泄漏，然后調(diào)節(jié)閥門前端壓力，繼續(xù)下一輪實(shí)驗(yàn)。

實(shí)驗(yàn)過程中使閥門HTS50分別在0.60，0.65，0.70，0.75 MPa的壓力下進(jìn)行泄漏實(shí)驗(yàn)。液體泄漏范圍在0～575 mL／min以內(nèi)。測量泄漏量的方法是使用量筒測量泄漏液體的體積，使用手機(jī)進(jìn)行計(jì)時(shí)，然后計(jì)算泄漏量。為了提高數(shù)據(jù)采集的準(zhǔn)確性，數(shù)據(jù)采集卡設(shè)置采集時(shí)長為2 s，每次采集2 500 000點(diǎn)數(shù)據(jù)。

4 實(shí)驗(yàn)數(shù)據(jù)預(yù)處理及特征提取

4.1 實(shí)驗(yàn)數(shù)據(jù)預(yù)處理

由于聲發(fā)射傳感器采集的閥門內(nèi)漏聲發(fā)射信號具有隨機(jī)信號的特點(diǎn)，還含有電機(jī)噪聲和其它環(huán)境噪聲，因此，除了在硬件上要對信號進(jìn)行放大和抗混疊低通濾波之外，還要對轉(zhuǎn)換成的數(shù)字信號進(jìn)行預(yù)處理，從而確定信號的特征頻帶。

對采集到的聲發(fā)射信號進(jìn)行頻譜分析，如圖4所示。當(dāng)泄漏量為零時(shí)，信號在0～30 kHz的頻帶內(nèi)具有較高的幅值，隨著泄漏量的增加，該頻段內(nèi)的信號幅值無明顯變化，因此確定噪聲頻帶主要是在0～30 kHz內(nèi)。而在頻帶40～320 kHz內(nèi)，信號的幅值隨著泄漏量的增加逐漸抬升，因此確定信號的特征頻帶為40～320 kHz。因此，在預(yù)處理時(shí)，選擇通帶頻率為40～320 kHz的巴特沃斯濾波器對信號進(jìn)行濾波，從而為信號的特征提取做準(zhǔn)備。濾波前后的時(shí)域信號如圖5所示。

圖4 閥門泄漏聲發(fā)射信號頻譜圖Fig.4 Acoustic emission signal spectrum of valve leakage

圖5 閥門泄漏聲發(fā)射信號濾波前后圖Fig.5 Pre-filter and back-filter charts of acoustic emission signal for valve leakage

4.2 聲發(fā)射信號特征提取

為了更多地挖掘閥門泄漏聲發(fā)射信號所攜帶的泄漏信息，本文計(jì)算了標(biāo)準(zhǔn)差Sstd、均方根Rrms和方差Vvar3個(gè)特征量來表征聲發(fā)射信號的波動(dòng)特性；計(jì)算了平均值Mmean和熵Eentr2個(gè)特征量來表征聲發(fā)射信號所包含的能量；計(jì)算了峰度Kkurt和峭度Sskew2個(gè)特征量來表征聲發(fā)射信號的沖擊特性。從3個(gè)不同角度對信號進(jìn)行特征提取，為支持向量機(jī)算法提供必要的分類建模依據(jù)［17］。特征量計(jì)算公式如表1所示。以信號特征量標(biāo)準(zhǔn)差Sstd計(jì)算過程為例進(jìn)行說明：

1）將濾波后的數(shù)據(jù)分段，分為1 250段，每段2 000點(diǎn)。

2）根據(jù)式（1）計(jì)算每段數(shù)據(jù)的標(biāo)準(zhǔn)差，得到1 250個(gè)標(biāo)準(zhǔn)差，如圖6所示。

圖6 每段數(shù)據(jù)的標(biāo)準(zhǔn)差Fig.6 Standard deviation for each segment of data

式中：xi為濾波后時(shí)域信號；μ為每段數(shù)據(jù)的平均值；N為每段數(shù)據(jù)包含的點(diǎn)數(shù)。

3）對計(jì)算得到的1 250個(gè)標(biāo)準(zhǔn)差進(jìn)行從小到大的排序，排序之后如圖7所示。為了進(jìn)一步減少統(tǒng)計(jì)變異性和隨機(jī)噪聲的干擾，選取排序后的前20個(gè)標(biāo)準(zhǔn)差的均值作為特征量標(biāo)準(zhǔn)差最終的取值。

圖7 排序后的標(biāo)準(zhǔn)差Fig.7 standard deviation after sorting

4）以此類推，分別計(jì)算其余6個(gè)特征量，特征量計(jì)算公式如表1所示。

表1 特征量計(jì)算公式Tab.1 Characteristic quantity formula

5 支持向量機(jī)建模

支持向量機(jī)（support vector machine，SVM）是以統(tǒng)計(jì)學(xué)理論作為支撐，以結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則為優(yōu)化策略，尋求使經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍之和最小的學(xué)習(xí)機(jī)器。將最優(yōu)分類超平面的構(gòu)造計(jì)算轉(zhuǎn)化為二次優(yōu)化問題，解決了容易在神經(jīng)網(wǎng)絡(luò)中出現(xiàn)的局部極值問題［18］。因此，選擇SVM方法對閥門液體泄漏數(shù)據(jù)進(jìn)行處理。

支持向量機(jī)方法適用于閥門液體泄漏實(shí)驗(yàn)數(shù)據(jù)小樣本和非線性的特點(diǎn)，并且訓(xùn)練得到的分類模型泛化能力強(qiáng)，能滿足實(shí)際工程中在線檢漏的需要。

5.1 支持向量機(jī)原理

線性二分類問題是支持向量機(jī)算法的研究起點(diǎn)。存在兩類線性可分的樣本點(diǎn)，如圖8所示。

圖8 最優(yōu)超平面示意圖Fig.8 Optimal Hyperplane Diagram

假設(shè)樣本點(diǎn)集合為｛（xi，yi），i＝1，2，…，l｝，其中l(wèi)為樣本數(shù)，一類樣本點(diǎn)yi＝－1，另一類的樣本點(diǎn)yi＝1，需要尋找到一個(gè)最優(yōu)超平面。

式中：w為權(quán)值向量；x為輸入向量；b為偏置項(xiàng)。使式（2）到2類樣本的間隔最大，其中且兩類樣本點(diǎn)滿足：

式（4）可以轉(zhuǎn)化為Langrange問題：

式中：αi＞0為Langrange系數(shù)，i＝1，2，…，l。

式中xr和xs為2個(gè)類別中任意一對支持向量。計(jì)算得出最優(yōu)超平面的函數(shù)表達(dá)式為

為了避免模型對于SVM模型的過擬合，需要引入松弛變量ξ，允許少數(shù)樣本被錯(cuò)分，以此提高模型的預(yù)測準(zhǔn)確率。

在實(shí)際問題中，非線性樣本的分類建模需要利用核函數(shù)K（xi，xj）＝Φ（xi）Φ（xj）減少計(jì)算量。利用核函數(shù)方法得到的最優(yōu)分類函數(shù)為：

支持向量機(jī)算法中常用的核函數(shù)是線性核函數(shù)、多項(xiàng)式核函數(shù)、Sigmoid核函數(shù)和RBF核函數(shù)，本文采用RBF核函數(shù)進(jìn)行訓(xùn)練建模。

5.2 支持向量機(jī)分類建模過程

1）計(jì)算特征量。計(jì)算得到每個(gè)泄漏量下聲發(fā)射信號的7個(gè)特征量，組成支持向量機(jī)的特征數(shù)據(jù)矩陣x，即

式中：Sstd（i）、Rrms（i）、Vvar（i）、Mmean（i）、Eentr（i）、Kkurt（i）、Sskew（i）分別為xi的7個(gè)特征量的值。

2）添加標(biāo)簽。根據(jù)GB／T 4213—9調(diào)節(jié)閥泄漏標(biāo)準(zhǔn)，計(jì)算得到本文所研究閥門的四級泄漏量Q。在實(shí)際工業(yè)生產(chǎn)中，以四級泄漏量Q為標(biāo)準(zhǔn)來判斷閥門是否需要維修，因此，為每個(gè)泄漏量下閥門泄漏小聲發(fā)射信號劃分的泄漏等級是：小泄漏范圍為0～Q；中等泄漏范圍為Q～2Q；大泄漏范圍為2Q～3Q；特大泄漏范圍為大于3Q。樣本添加標(biāo)簽的規(guī)則如表2所示。確定標(biāo)簽之后，可以得到樣本標(biāo)簽矩陣Y＝［y1，y2，…，yi，…］T，其中yi為xi的標(biāo)簽值。

表2 樣本標(biāo)簽添加規(guī)則Tab.2 Sample Label Addition Rules

3）選擇訓(xùn)練樣本。將樣本集分為測試樣本集和訓(xùn)練樣本集，將泄漏量從小到大排序之后均勻挑選其中2／3的樣本作為訓(xùn)練樣本，剩余1／3樣本作為測試樣本。由訓(xùn)練樣本集的特征矩陣和訓(xùn)練樣本集標(biāo)簽矩陣計(jì)算得到SVM分類函數(shù)模型。將測試集本的特征矩陣輸入到上述計(jì)算得到SVM模型中即可對測試樣本集進(jìn)行分類。

4）SVM建模。通過數(shù)據(jù)處理過程，得到SVM建模所需輸入的特征矩陣和標(biāo)簽矩陣。SVM建模過程為：輸入特征矩陣歸一化；利用交叉驗(yàn)證法選取SVM建模的最優(yōu)C和g參數(shù)；對訓(xùn)練樣本數(shù)據(jù)進(jìn)行建模。得到模型之后，輸入測試集特征矩陣，得到預(yù)測標(biāo)簽，并計(jì)算準(zhǔn)確率。

通過測試樣本集標(biāo)簽的預(yù)測正確率來判斷SVM模型的好壞。預(yù)測準(zhǔn)確率為，其中l(wèi)1為預(yù)測正確的測試樣本數(shù)，l2為測試集樣本數(shù)。預(yù)測準(zhǔn)確率越高，說明SVM模型越準(zhǔn)確。

5.3 網(wǎng)格搜索法SVM 參數(shù)尋優(yōu)與建模

SVM建模過程中C、g參數(shù)的選擇決定了算法速度和模型好壞。其中，C是懲罰系數(shù)，即對誤差的寬容度。C過大或過小，泛化能力變差。參數(shù)g是RBF核函數(shù)的參數(shù)，用于確定模型訓(xùn)練的快慢。

網(wǎng)格搜索法就是分別給定C參數(shù)和g參數(shù)的范圍，定步長劃分參數(shù)范圍，組成C和g二維參數(shù)矩陣，依次利用每對參數(shù)進(jìn)行試驗(yàn)，由預(yù)測準(zhǔn)確率來確定最優(yōu)的C和g參數(shù)。

分別對閥門HTS50在前端壓力為0.6，0.65，0.7，0.75 MPa下的試驗(yàn)數(shù)據(jù)進(jìn)行建模，各個(gè)壓力下的最優(yōu)參數(shù)如表3所示，參數(shù)尋優(yōu)如圖9所示。

表3 參數(shù)尋優(yōu)結(jié)果Tab.3 Parameter optimization results

圖9 參數(shù)尋優(yōu)結(jié)果Fig.9 results of parameter optimization

圖9中最高峰對應(yīng)的訓(xùn)練模型準(zhǔn)確率最高，對應(yīng)的C和g參數(shù)就是最優(yōu)參數(shù)。最優(yōu)參數(shù)如表3所示，利用最優(yōu)參數(shù)建立SVM分類數(shù)學(xué)模型。

5.4 支持向量機(jī)分類結(jié)果

在前端壓力為0.6，0.65，0.7，0.75 MPa對閥門HTS50進(jìn)行了實(shí)驗(yàn)，預(yù)測結(jié)果如圖10所示。4個(gè)壓力下SVM模型的預(yù)測準(zhǔn)確率如表4所示。表4指出SVM模型在壓力為0.75 MPa時(shí)預(yù)測準(zhǔn)確度最高為100%，在壓力為0.65 MPa時(shí)預(yù)測準(zhǔn)確度最低為93.1%，這說明支持向量機(jī)分類建模方法能夠在不同壓力下對閥門泄漏情況進(jìn)行識別。由圖10可以看到分類出現(xiàn)錯(cuò)誤的數(shù)據(jù)都是處于分類邊界上的點(diǎn)，這與支持向量機(jī)原理是一致的。在SVM模型訓(xùn)練過程中，為了達(dá)到結(jié)構(gòu)風(fēng)險(xiǎn)最小化的效果，少數(shù)邊界上的點(diǎn)是允許被錯(cuò)分的，這樣能強(qiáng)化模型的泛化能力，因此在預(yù)測時(shí)錯(cuò)誤的點(diǎn)都處于邊界附近。

圖10 實(shí)驗(yàn)結(jié)果Fig.10 Experimental results

表4 SVM模型的預(yù)測準(zhǔn)確率Tab.4 Prediction accuracy of SVM model

6 結(jié)論

分析了閥門液體泄漏聲發(fā)射的機(jī)理，根據(jù)實(shí)際工況下閥門泄漏的情況，設(shè)計(jì)了閥門液體泄漏實(shí)驗(yàn)。確定了閥門液體泄漏聲發(fā)射的信號頻帶為40～20 kHz。對采集到的聲發(fā)射信號進(jìn)行頻譜分析，發(fā)現(xiàn)在頻帶40～20 kHz內(nèi)隨著泄漏量的增大，信號的頻譜幅值相應(yīng)增大。

提出將SVM應(yīng)用于閥門液體泄漏狀態(tài)分類的具體實(shí)現(xiàn)方法：對閥門液體泄漏聲發(fā)射信號提取多個(gè)特征量組成輸入特征矩陣，定義了添加閥門泄漏等級標(biāo)簽的規(guī)則，對SVM訓(xùn)練參數(shù)進(jìn)行尋優(yōu)，建立了輸入信號特征和泄漏等級標(biāo)簽的分類模型。SVM分類建模方法的數(shù)據(jù)處理結(jié)果表明，閥門泄漏等級的預(yù)測準(zhǔn)確率均在93%以上。相比于回歸方法，SVM分類方法更符合實(shí)際工況閥門泄漏在線檢測的要求。

液體與氣體的性質(zhì)不同、閥門種類不同以及閥門液體泄漏實(shí)驗(yàn)與氣體泄漏實(shí)驗(yàn)的條件也不同，從而液體的聲發(fā)射信號與氣體的有較大差異，所以，研究閥門液體泄漏聲發(fā)射信號分類模型是有實(shí)際意義的。