CN110319982B - 基于机器学习的埋地式燃气管线泄漏判断方法 - Google Patents
基于机器学习的埋地式燃气管线泄漏判断方法 Download PDFInfo
- Publication number
- CN110319982B CN110319982B CN201910478357.3A CN201910478357A CN110319982B CN 110319982 B CN110319982 B CN 110319982B CN 201910478357 A CN201910478357 A CN 201910478357A CN 110319982 B CN110319982 B CN 110319982B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- inspection well
- value
- data
- classification model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000010801 machine learning Methods 0.000 title claims abstract description 30
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 150
- 238000012544 monitoring process Methods 0.000 claims abstract description 136
- 238000007689 inspection Methods 0.000 claims abstract description 88
- 238000013145 classification model Methods 0.000 claims abstract description 48
- 239000007789 gas Substances 0.000 claims description 105
- 238000012360 testing method Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 28
- 238000005070 sampling Methods 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000002790 cross-validation Methods 0.000 claims description 10
- 238000009825 accumulation Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 238000000605 extraction Methods 0.000 abstract description 3
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002737 fuel gas Substances 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000004200 deflagration Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M3/00—Investigating fluid-tightness of structures
- G01M3/02—Investigating fluid-tightness of structures by using fluid or vacuum
- G01M3/04—Investigating fluid-tightness of structures by using fluid or vacuum by detecting the presence of fluid at the leakage point
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/22—Fuels; Explosives
- G01N33/225—Gaseous fuels, e.g. natural gas
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Food Science & Technology (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Medicinal Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- General Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明公开了基于机器学习的埋地式燃气管线泄漏判断方法，先利用带标签的样本数据进行机器学习，得到分类模型参数与分类模型；再基于该分类模型对待预测窨井进行特征提取和预测分析，分析该待预测窨内的甲烷气体浓度超限的原因，进一步的准确判别出燃气管线是否泄漏。本发明方法相对于传统的人工判断方法以及及相关性算法具有更高的准确率，且随着监测曲线样本库的扩大，能更有效地捕捉复杂情况下埋地式燃气管线的泄漏信息。
Description
技术领域
本发明涉及埋地式燃气管线监测技术领域，尤其是基于机器学习的埋地式燃气管线泄漏判断方法。
背景技术
天然气作为易燃易爆气体，一旦发生泄漏，且泄漏到燃气管网的相邻地下空间的浓度达到爆炸点时，在点火源存在的条件下，极有可能酿成严重的火灾爆炸事故。因此，及时准确地发现埋地式燃气管线的泄漏，能够避免发生爆燃、爆炸等次生衍生灾害的发生，对保障人民生命财产安全具有重要意义。
目前，普遍采用的燃气泄漏测量方法包括：在线监测燃气窨井的方法和人工地面沿线巡检的方法。其中，传统的人工地面沿线巡检的方法对工作技能要求较高，不能实时发现细微燃气管道泄漏，并且易受人生理因素的制约和劳动经验的影响，因此巡检容易出现漏洞，存在巡检效果并不理想，效率低下等问题。现有的在线监测燃气窨井的方法中监测指标单一，有很大局限性，只能适用于简单环境，其效果受限于监测设备技术，因为在窨井内的可燃气体一方面来源于井内有机物腐烂产生导致的沼气堆积，另一方面来源于燃气管线泄漏，但两种气体的主要成份均为甲烷，单靠甲烷监测设备无法直接甄别燃气管线是否泄漏，乙烷监测设备可以甄别燃气泄漏，但其成本较高，不利于推广应用。也有很多学者针对上述问题做了相关研究，并且在不同程度上解决了一些问题，但是也存在难以满足监测实时性要求和监测设备成本的问题。
经检索，中国专利公开号为CN205350863U公开了一种燃气管网泄漏在线监测系统、监测装置和移动式监测装置，该专利利用甲烷分析仪检测甲烷浓度从而实现燃气泄漏的监测，但该专利并不能判断浓度超限报警是沼气引发还是燃气泄漏引发。
经检索，中国专利公开号为CN104776319A公开了一种多路空气采样型窨井内燃气在线监测方法和系统，该专利通过甲烷气体检测仪和乙烷气体检测仪两种气体检测仪的配合使用，能够发现燃气管线的微量泄漏，但该专利中的乙烷气体检测技术的成本往往远高于甲烷的检测，不利于推广应用。
经检索，中国专利公开号为CN109215295A公开了一种燃气泄漏的判断方法、装置及电子设备，该专利通过进行多次的相关性判断从而实现燃气泄漏的监测，但该专利仅适用于长期微小泄漏的判断，不适用于外力破坏燃气管线造成窨井内浓度急剧上升的情况。
发明内容
为了克服上述现有技术中的缺陷，本发明提供基于机器学习的埋地式燃气管线泄漏判断方法，先利用带标签的样本数据进行机器学习，得到分类模型参数与分类模型；再基于该分类模型对待预测窨井进行特征提取和预测分析，分析该待预测窨内的甲烷气体浓度超限的原因，进一步的准确判别出燃气管线是否泄漏。
为实现上述目的，本发明采用以下技术方案，包括：
基于机器学习的埋地式燃气管线泄漏判断方法，包括：机器学习部分和预测分析部分；先进行机器学习得到分类模型；再利用该分类模型对待预测窨井即甲烷气体浓度超限的窨井进行预测分析，预测出该窨井内的甲烷气体浓度超限的原因；其中，
所述机器学习部分，包括以下具体步骤：
S101，收集各个监测点即甲烷气体浓度超限的窨井的样本数据；所述样本数据包括：该窨井的监测数据、监测曲线、标签；所述标签是指该窨井内的甲烷气体浓度值超限的原因，包括燃气管线泄漏和沼气堆积；
S102，根据每个监测点的监测数据和监测曲线分别计算出每个监测点的特征参数；
S103，将每个监测点的特征参数和该监测点的标签作为机器学习的样本，进行分类模型的训练，得到训练完成后的分类模型；所述分类模型的输入为特征参数，输出为标签即甲烷气体浓度值超限的原因；
所述预测分析部分，包括以下具体步骤：
S201，获取待预测窨井的监测数据和监测曲线；
S202，根据该待预测窨井的监测数据和监测曲线计算出该待预测窨井的特征参数；
S203，将该待预测窨井的特征参数输入到训练完成后的分类模型中，输出该待预测窨井的预测结果，即该待预测窨井的甲烷气体浓度值超限的原因。
步骤S101和步骤S102中，
所述监测数据根据监测该窨井的传感器所采集的数据信息得到，是一组时序数据；
若在时间周期T内，传感器的采样间隔为T/N，传感器共进行了N次采样，其中，第i次采样所对应的采样时间点为ti，第i次采样即采样时间点ti所采集到的该窨井内的甲烷气体浓度值xi(ti)，i＝1,2,3,…,N；
则所述监测数据包括：经N次采样所采集到该窨井内的N个的甲烷气体浓度值xi(ti)，i＝1,2,3,…,N，且此N个的甲烷气体浓度值xi(ti)按照采样时间顺序排列；
所述监测曲线是根据所述监测数据拟合生成连续曲线，所述监测曲线是指该窨井内的甲烷气体浓度x与时间t之间的关系曲线，0≤t≤T。
步骤S102和步骤S202中，所述特征参数包括：
最大值Xmax，是指监测数据中最大值，即所采集到的N个甲烷气体浓度值xi(ti)，i＝1,2,3,…,N中的最大值；
最小值Xmin，是指监测数据中的最小值，即所采集到的N个甲烷气体浓度值xi(ti)，i＝1,2,3,…,N中的最小值；
平均值X，是指监测数据的平均值，即所采集到的N个甲烷气体浓度值xi(ti)，i＝1,2,3,…,N的平均值，
峰值Xp，在监测数据中找出绝对值较大的10个数值，分别为Xj，j＝1,2,3,4,…10，并将此绝对值较大的10个数值的绝对值的平均值作为峰值Xp，即
变化率Δ，用于反映监测数据的变化率，
标准差σ，用于反映监测数据的离散程度，
峭度K，用于反映监测数据分布特性，
均方根Xrms，
波形因子SW，
峰值因子Cp，Cp＝Xp/Xrms；
脉冲因子Cf，
裕度因子Ce，是峰值Xp与方根幅值XF的比值，即Ce＝Xp/XF；其中，XF表示方根幅值，
其中，x(t)表示所述监测曲线；
波峰时间tmax，是指振动信号即监测曲线中的最大的波峰值所对应的时间；
波谷时间tmin，是指振动信号即监测曲线中的最小的波谷值所对应的时间。
步骤S102和步骤S202中，在计算特征数据之前，先对监测数据进行异常值处理和滤波处理，并利用经异常值处理和滤波处理后的监测数据重新拟合生成监测曲线；在计算特征数据时，是利用该经异常值处理和滤波处理后的监测数据，以及该重新拟合生成的监测曲线进行计算；
所述滤波处理是指用于平滑数据的均值滤波处理。
步骤S103中，所述分类模型的训练方式，具体如下所示：
将各个监测点的特征参数进行归一化处理，并将各个监测点的归一化处理后的特征参数以及对应的标签分别作为机器学习的样本，采用交叉验证的方式将样本分为测试集和训练集，先利用所述训练集对分类模型进行训练，再利用测试集对训练后的分类模型进行测试，判断测试结果即分类准确率是否满足要求，所述要求为分类准确率达到90％；
当测试结果不满足要求时，即分类准确率未达到90％，则继续采用交叉验证的方式将样本分为新的测试集和新的训练集，依次类推，利用新的测试集和新的训练集对分类模型继续进行训练和测试，即重新执行步骤S103；
当测试结果满足要求时，即分类准确率达到90％，结束步骤S103,即表示分类模型已训练完成。
步骤S101中，该窨井的标签即该窨井内的甲烷气体浓度超限的原因是由燃气集团去现场核实后判断出来的结果。
步骤S202中，对该待预测窨井的特征参数也进行归一化处理；且在步骤S203中，将该待预测窨井的归一化处理后的特征参数输入到训练完成后的分类模型中。
本发明的优点在于：
(1)本发明方法先利用带标签的样本数据进行机器学习，得到分类模型参数与分类模型；再基于该分类模型对待预测窨井进行特征提取和预测分析，识别燃气管线是否泄漏，摆脱了过去人工判断对于人主观经验的依赖。
(2)本发明方法对于监测数据和监测曲线的分析，既兼顾了监测曲线的峰谷值、曲线振幅的局部特征，又兼顾了监测曲线的变化趋势的全局特征，得到的特征参数具有优秀的显著性。
(3)本发明方法相对于传统的人工判断方法以及及相关性算法具有更高的准确率，且随着监测曲线样本库的扩大，能更有效地捕捉复杂情况下埋地式燃气管线的泄漏信息。
(4)本发明利用已知的带标签的样本数据进行机器学习得到分类模型后，即可对待预测窨井内的甲烷气体浓度值超限的原因进行预测，从而判断埋地式燃气管线是否发生泄漏，且经实验认证，本发明方法能够准确的预测出窨井内的甲烷气体浓度值超限的原因，判断精度高，设备简单，成本低，利于推广使用。
(5)本发明方法不仅适用于长期微小泄漏的判断，还适用于外力破坏燃气管线造成窨井内浓度急剧上升的情况。
(6)本发明对于特征参数的选取，能够将一些和任务无关或是冗余的特征被删除，从而提高数据处理的效率；减少特征数量、降维，能够模型泛化能力更强，减少过拟合；有助于理解数据的特点和底层结构，有助于进一步改善模型和算法。
附图说明
图1为本发明方法中机器学习部分的方法流程图。
图2为本发明方法中预测分析部分的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的基于机器学习的埋地式燃气管线泄漏判断方法，包括机器学习部分和预测分析部分；先根据样本数据进行机器学习得到分类模型；再利用该分类模型对待预测窨井即甲烷气体浓度超限的窨井的监测数据和监测曲线进行预测分析，预测出该窨井内的甲烷气体浓度超限的原因。
本发明主要是对甲烷气体浓度超限的窨井进行判断，判断该窨井内的甲烷气体浓度超限的原因，原因分为两种，一是由埋地式燃气管线泄漏所造成，二是由窨井内沼气堆积所造成的。因此，本发明的样本数据是从甲烷气体浓度超限的窨井中得到，本发明的预测对象即分析判断的对象也是甲烷气体浓度超限的窨井。对于窨井内的甲烷气体浓度的检测，以及判断该窨井内的甲烷气体浓度是否超限，具体参见现有技术。
由图1所示，所述机器学习的方式，包括以下具体步骤：
S101，收集各个监测点即甲烷气体浓度超限的窨井的样本数据；所述样本数据包括：该窨井的监测数据、监测曲线、标签。
所述监测数据是根据监测该窨井的传感器所采集的数据信息得到；
在时间T内，传感器的采样间隔为T/N，传感器共进行了N次采样，其中，第i次采样所对应的采样时间点为ti，第i次采样即采样时间点ti所采集到的该窨井内的甲烷气体浓度值xi(ti)，i＝1,2,3,…,N；
所述监测数据是一组时序数据，即一组按时间顺序排列的数据，且在时间T内，传感器共进行了N次采样，则所述监测数据包括：经N次采样所采集到该窨井内的N个的甲烷气体浓度值xi(ti)，i＝1,2,3,…,N，且此N个的甲烷气体浓度值xi(ti)按照采样时间顺序排列；
所述监测曲线是根据所述监测数据即离散数据拟合生成连续曲线，所述监测曲线是指该窨井内的甲烷气体浓度x与时间t之间的关系曲线，0≤t≤T。
所述标签是指该窨井内的甲烷气体浓度值超限的原因，所述标签包括燃气管线泄漏和沼气堆积；本实施例中，对于该窨井内的甲烷气体浓度超限的原因是由燃气集团去现场核实后判断出来的结果。
S102，对各个监测点的监测数据分别进行异常值处理和滤波处理，并分别利用各个监测点的经异常值处理和滤波处理后的监测数据重新拟合生成各个监测点的监测曲线；
所述异常值处理是指将监测数据中的异常数据剔除；例如，毛刺数据；
对监测数据进行滤波处理，是利用MATLAB的信号处理函数包中的用于平滑数据的均值滤波处理方式，其原理为用均值代替原本数据中的各个值，具体地，针对某个监测数据即某个点，选择这个点的邻域内的若干个点，求当前点与此若干个点的均值，然后再将该均值赋予当前点；所述邻域的范围越大，输出的结果也就越平滑，但是也可能会把我们有用的信号特征给抹掉，所以邻域的范围大小要根据实际的信号和噪声特性来确定。
S103，利用经步骤S102处理后的各个监测点的监测数据和监测曲线分别计算每个监测点的特征参数；
所述特征参数包括：
1，最大值Xmax，是指所述监测数据中最大值，即所采集到的N个甲烷气体浓度值xi(ti)，i＝1,2,3,…,N中的最大值；
2，最小值Xmin，是指所述监测数据中的最小值，即所采集到的N个甲烷气体浓度值xi(ti)，i＝1,2,3,…,N中的最小值；
3，平均值
是指所述监测数据的平均值，即所采集到的N个甲烷气体浓度值xi(ti)，i＝1,2,3,…,N的平均值，
4，峰值Xp，是指振动波形的单峰最大值，在所述监测数据中找出绝对值较大的10个数值，分别为Xj，j＝1,2,3,4,…10，并将此绝对值较大的10个数值的绝对值的平均值作为峰值Xp，即
5，变化率Δ，是指监测数据的变化率，
6，标准差σ，是指监测数据的标准差，用于反映一组时序数据即监测数据的离散程度，
7，峭度K，用于反映监测数据分布特性，
8，均方根Xrms，用于反映振动信号的能量，
9，波形因子SW,是一个无因次量即没有单位的物理量，用信号即监测数据的均方根Xrms和平均值
的比值来表示，即
10，峰值因子Cp，反映峰值Xp在振动波形中的极端程度，用峰值Xp与均方根Xrms的比值来表示，即Cp＝Xp/Xrms；
11，脉冲因子Cf，用于检测信号即监测数据中是否存在冲击的统计指标，
12，裕度因子Ce，是峰值Xp与方根幅值XF的比值，即Ce＝Xp/XF；其中，XF表示方根幅值，
其中，x(t)即为所述监测曲线；
13，波峰时间tmax，是指振动信号即监测曲线中的最大的波峰值所对应的时间；
14，波谷时间tmin，是指振动信号即监测曲线中的最小的波谷值所对应的时间。
S104，将各个监测点的特征参数进行归一化处理，并将各个监测点的归一化处理后的特征参数以及对应的标签分别作为机器学习的样本，采用交叉验证的方式将样本分为测试集和训练集，先利用所述训练集对分类模型进行训练，再利用测试集对训练后的分类模型进行测试，判断测试结果即分类准确率是否满足要求，要求分类准确率达到90％；
所述分类模型的输入为监测点的特征参数，输出为该监测点对应的标签；
当测试结果不满足要求时，即分类准确率未达到90％，则继续采用交叉验证的方式将输入分为新的测试集和新的训练集，依次类推，利用新的测试集和新的训练集对分类模型继续进行训练和测试，即重新执行步骤S104；
当测试结果满足要求时，即分类准确率达到90％，结束步骤S104,即表示分类模型已训练完成；
本发明中，所述交叉验证为采用十折交叉验证，具体地，将输入数据均分为10组即10个子集，将每个子集数据轮流做一次测试集，将另外的9个子集作为训练集，分别进行训练测试，并得到9个分类模型以及其对应的测试结果，用这9个分类模型的测试结果即分类准确率的平均数作为此分类器的性能指标。本发明采用交叉验证的方式有效地避免过学习以及欠学习状态的发生，最后得到的结果也比较具有说服力；所述交叉验证具体可参见现有技术。
由图1所示，对待预测窨井的甲烷气体浓度超限原因进行预测分析，所述预测分析的方式，包括以下具体步骤：
S201，获取该待预测窨井的监测数据和监测曲线；
S202，按照步骤S102的方式，对待预测窨井的监测数据进行异常值处理和滤波处理，并利用经异常值处理和滤波处理后的监测数据重新拟合生成待预测窨井的监测曲线；
S203，按照步骤S103的方式，并利用经步骤S202处理后的该待预测窨井的监测数据和监测曲线，计算得到该待预测窨井的特征参数，并对该待预测窨井的特征参数进行归一化处理。
S204，将该待预测窨井的归一化处理后的特征参数输入训练完成后的分类模型中，经该分类模型分析判断后，输出该待预测窨井的预测结果，即该待预测窨井的甲烷气体浓度值超限的原因，即标签为燃气管线泄漏和沼气堆积。
本实施例中，选取2018年3月22日至2018年4月22日，一个月内有甲烷浓度波动的传感器数值作为样本数据中的监测数据，且该监测数据已经被审核，即已经被正确判断出报警原因即甲烷气体浓度值超限的原因，该报警原因即为样本数据的标签。按照步骤S102～S104的方式，利用该样本数据，采用SVM支持向量机进行分类模型的训练，得到训练完成的分类模型，结果如下表1所示：
表1
表1中，AUC是一个模型评价指标，用于对二分类模型进行评价。
本实施例中，从2017年7月和8月的监测数据中选取的10组有甲烷浓度波动的传感器数值，利用上述所得到的训练完成的分类模型，并按照步骤S202～S204的方式，对该9组有甲烷浓度波动的传感器数值进行预测，返回预测结果，并将预测结果与真实报警原因即甲烷气体浓度值超限的原因进行对比，结果如下表2所示：
表2
表2中，1表示甲烷气体浓度值超限的原因为燃气管线泄漏，0表示甲烷气体浓度值超限的原因为沼气堆积；F1是基于查全率和查准率的调和平均定义的，可以表达出对查全率和查准率的不同偏好。
根据上述实施例可知，本发明的基于机器学习的埋地式燃气管线泄漏判断方法能够准确的预测出窨井内的甲烷气体浓度值超限的原因。
以上仅为本发明创造的较佳实施例而已，并不用以限制本发明创造，凡在本发明创造的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明创造的保护范围之内。
Claims (5)
1.基于机器学习的埋地式燃气管线泄漏判断方法，其特征在于，包括：机器学习部分和预测分析部分；先进行机器学习得到分类模型；再利用该分类模型对待预测窨井即甲烷气体浓度超限的窨井进行预测分析，预测出该窨井内的甲烷气体浓度超限的原因；其中，
所述机器学习部分，包括以下具体步骤：
S101，收集各个监测点即甲烷气体浓度超限的窨井的样本数据；所述样本数据包括：该窨井的监测数据、监测曲线、标签；所述标签是指该窨井内的甲烷气体浓度值超限的原因，包括燃气管线泄漏和沼气堆积；
S102，根据每个监测点的监测数据和监测曲线分别计算出每个监测点的特征参数；
S103，将每个监测点的特征参数和该监测点的标签作为机器学习的样本，进行分类模型的训练，得到训练完成后的分类模型；所述分类模型的输入为特征参数，输出为标签即甲烷气体浓度值超限的原因；
所述预测分析部分，包括以下具体步骤：
S201，获取待预测窨井的监测数据和监测曲线；
S202，根据该待预测窨井的监测数据和监测曲线计算出该待预测窨井的特征参数；
S203，将该待预测窨井的特征参数输入到训练完成后的分类模型中，输出该待预测窨井的预测结果，即该待预测窨井的甲烷气体浓度值超限的原因；
步骤S101和步骤S102中，
所述监测数据根据监测该窨井的传感器所采集的数据信息得到，是一组时序数据；
若在时间周期T内，传感器的采样间隔为T/N，传感器共进行了N次采样，其中，第i次采样所对应的采样时间点为ti，第i次采样即采样时间点ti所采集到的该窨井内的甲烷气体浓度值xi(ti)，i＝1,2,3,…,N；
则所述监测数据包括：经N次采样所采集到该窨井内的N个的甲烷气体浓度值xi(ti)，i＝1,2,3,…,N，且此N个的甲烷气体浓度值xi(ti)按照采样时间顺序排列；
所述监测曲线是根据所述监测数据拟合生成连续曲线，所述监测曲线是指该窨井内的甲烷气体浓度x与时间t之间的关系曲线，0≤t≤T；
步骤S102和步骤S202中，所述特征参数包括：
最大值Xmax，是指监测数据中最大值，即所采集到的N个甲烷气体浓度值xi(ti)，i＝1,2,3,…,N中的最大值；
最小值Xmin，是指监测数据中的最小值，即所采集到的N个甲烷气体浓度值xi(ti)，i＝1,2,3,…,N中的最小值；
平均值
是指监测数据的平均值，即所采集到的N个甲烷气体浓度值xi(ti)，i＝1,2,3,…,N的平均值，
峰值Xp，在监测数据中找出绝对值较大的10个数值，分别为Xj，j＝1,2,3,4,…10，并将此绝对值较大的10个数值的绝对值的平均值作为峰值Xp，即
变化率Δ，用于反映监测数据的变化率，
标准差σ，用于反映监测数据的离散程度，
峭度K，用于反映监测数据分布特性，
均方根Xrms，
波形因子SW，
峰值因子Cp，Cp＝Xp/Xrms；
脉冲因子Cf，
裕度因子Ce，是峰值Xp与方根幅值XF的比值，即Ce＝Xp/XF；其中，XF表示方根幅值，
其中，x(t)表示所述监测曲线；
波峰时间tmax，是指振动信号即监测曲线中的最大的波峰值所对应的时间；
波谷时间tmin，是指振动信号即监测曲线中的最小的波谷值所对应的时间。
2.根据权利要求1所述的基于机器学习的埋地式燃气管线泄漏判断方法，其特征在于，步骤S102和步骤S202中，在计算特征数据之前，先对监测数据进行异常值处理和滤波处理，并利用经异常值处理和滤波处理后的监测数据重新拟合生成监测曲线；在计算特征数据时，是利用该经异常值处理和滤波处理后的监测数据，以及该重新拟合生成的监测曲线进行计算；
所述滤波处理是指用于平滑数据的均值滤波处理。
3.根据权利要求1所述的基于机器学习的埋地式燃气管线泄漏判断方法，其特征在于，步骤S103中，所述分类模型的训练方式，具体如下所示：
将各个监测点的特征参数进行归一化处理，并将各个监测点的归一化处理后的特征参数以及对应的标签分别作为机器学习的样本，采用交叉验证的方式将样本分为测试集和训练集，先利用所述训练集对分类模型进行训练，再利用测试集对训练后的分类模型进行测试，判断测试结果即分类准确率是否满足要求，所述要求为分类准确率达到90％；
当测试结果不满足要求时，即分类准确率未达到90％，则继续采用交叉验证的方式将样本分为新的测试集和新的训练集，依次类推，利用新的测试集和新的训练集对分类模型继续进行训练和测试，即重新执行步骤S103；
当测试结果满足要求时，即分类准确率达到90％，结束步骤S103,即表示分类模型已训练完成。
4.根据权利要求1所述的基于机器学习的埋地式燃气管线泄漏判断方法，其特征在于，步骤S101中，该窨井的标签即该窨井内的甲烷气体浓度超限的原因是由燃气集团去现场核实后判断出来的结果。
5.根据权利要求3所述的基于机器学习的埋地式燃气管线泄漏判断方法，其特征在于，步骤S202中，对该待预测窨井的特征参数也进行归一化处理；且在步骤S203中，将该待预测窨井的归一化处理后的特征参数输入到训练完成后的分类模型中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910478357.3A CN110319982B (zh) | 2019-06-03 | 2019-06-03 | 基于机器学习的埋地式燃气管线泄漏判断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910478357.3A CN110319982B (zh) | 2019-06-03 | 2019-06-03 | 基于机器学习的埋地式燃气管线泄漏判断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110319982A CN110319982A (zh) | 2019-10-11 |
| CN110319982B true CN110319982B (zh) | 2021-03-30 |
Family
ID=68119576
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910478357.3A Active CN110319982B (zh) | 2019-06-03 | 2019-06-03 | 基于机器学习的埋地式燃气管线泄漏判断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110319982B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110836954B (zh) * | 2019-11-01 | 2022-08-26 | 淮安信息职业技术学院 | 一种基于plc控制的有毒气体泄露危害预测系统及方法 |
| CN111564023B (zh) * | 2020-05-14 | 2021-09-03 | 清华大学合肥公共安全研究院 | 关于埋地燃气管线泄漏报警阈值设定的方法和系统 |
| CN112032568A (zh) * | 2020-08-14 | 2020-12-04 | 常州机电职业技术学院 | 一种埋地燃气管道泄漏危险度预测算法及预测方法 |
| CN112460492A (zh) * | 2020-10-13 | 2021-03-09 | 上海波汇科技有限公司 | 一种基于韧性评估的协同韧性增强燃气安全管控装置 |
| CN113239989A (zh) * | 2021-04-26 | 2021-08-10 | 深圳市水务科技有限公司 | 气体浓度识别方法、系统、电子设备及存储介质 |
| CN113465826B (zh) * | 2021-05-26 | 2024-06-18 | 北京市燃气集团有限责任公司 | 一种燃气泄漏检测方法与装置 |
| CN113688863A (zh) * | 2021-07-14 | 2021-11-23 | 精英数智科技股份有限公司 | 基于机器学习的矿井传感器报警原因分类方法及装置 |
| CN113685736B (zh) * | 2021-08-24 | 2023-07-04 | 上海观燃智能科技有限公司 | 一种基于压力参数分析的燃气管网泄漏检测方法和系统 |
| CN113551159B (zh) * | 2021-09-22 | 2021-12-03 | 天津泰达滨海清洁能源集团有限公司 | 厌氧环境下埋地燃气管道泄漏的判别方法 |
| CN114112221B (zh) * | 2021-10-09 | 2023-05-30 | 珠海格力电器股份有限公司 | 检测方法、装置、电子设备、垃圾桶及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101196872A (zh) * | 2007-11-19 | 2008-06-11 | 清华大学 | 基于压力和声波信息融合的泄漏检测定位方法 |
| CN108680708A (zh) * | 2018-05-18 | 2018-10-19 | 北京理工大学 | 一种甲烷来源预测方法及装置 |
| JP2018169264A (ja) * | 2017-03-29 | 2018-11-01 | 新コスモス電機株式会社 | ガス種の識別方法 |
| CN108870090A (zh) * | 2018-06-22 | 2018-11-23 | 大连理工大学 | 基于最小二乘支持向量机信息融合的管道泄漏检测方法 |
| CN109215295A (zh) * | 2018-09-11 | 2019-01-15 | 清华大学合肥公共安全研究院 | 燃气泄漏的判断方法、装置及电子设备 |
| CN109538944A (zh) * | 2018-12-03 | 2019-03-29 | 北京无线电计量测试研究所 | 一种管道泄漏检测方法 |
| CN109580903A (zh) * | 2018-11-21 | 2019-04-05 | 郑州畅威物联网科技有限公司 | 一种用于地下密闭空间的沼气天然气智能判别系统 |
-
2019
- 2019-06-03 CN CN201910478357.3A patent/CN110319982B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101196872A (zh) * | 2007-11-19 | 2008-06-11 | 清华大学 | 基于压力和声波信息融合的泄漏检测定位方法 |
| JP2018169264A (ja) * | 2017-03-29 | 2018-11-01 | 新コスモス電機株式会社 | ガス種の識別方法 |
| CN108680708A (zh) * | 2018-05-18 | 2018-10-19 | 北京理工大学 | 一种甲烷来源预测方法及装置 |
| CN108870090A (zh) * | 2018-06-22 | 2018-11-23 | 大连理工大学 | 基于最小二乘支持向量机信息融合的管道泄漏检测方法 |
| CN109215295A (zh) * | 2018-09-11 | 2019-01-15 | 清华大学合肥公共安全研究院 | 燃气泄漏的判断方法、装置及电子设备 |
| CN109580903A (zh) * | 2018-11-21 | 2019-04-05 | 郑州畅威物联网科技有限公司 | 一种用于地下密闭空间的沼气天然气智能判别系统 |
| CN109538944A (zh) * | 2018-12-03 | 2019-03-29 | 北京无线电计量测试研究所 | 一种管道泄漏检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于支持向量机的天然气管道小泄漏信号检测;王海蓉 等;《石油机械》;20081231;第36卷(第12期);正文第43-45 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110319982A (zh) | 2019-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110319982B (zh) | 基于机器学习的埋地式燃气管线泄漏判断方法 | |
| CN112858473B (zh) | 一种基于特征融合的道岔尖轨伤损状态监测方法 | |
| CN103617684B (zh) | 干涉型光纤周界振动入侵识别算法 | |
| CN102265227B (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
| CN111664365A (zh) | 基于改进vmd和1dcnn的油气管道泄漏检测方法 | |
| CN105334269A (zh) | 一种基于神经网络和导波特征数据库的管道缺陷类别判别方法 | |
| CN111767897B (zh) | 一种基于支持向量机的钢轨裂纹缺陷的识别方法 | |
| CN116128260B (zh) | 基于数据样本的重点企业环境分析方法 | |
| CN112525977B (zh) | 一种无组织VOCs泄漏在线监测溯源方法和系统 | |
| CN110533007B (zh) | 一种桥梁车载应变影响线特征智能识别与提取方法 | |
| CN103389430A (zh) | 一种基于贝叶斯判别理论的油浸式变压器故障检测方法 | |
| Anand | A methodology of atmospheric deterioration forecasting and evaluation through data mining and business intelligence | |
| CN105223240A (zh) | 一种利用电子鼻检测蟹新鲜度的方法 | |
| CN114563150A (zh) | 桥梁健康在线检测模块生成方法、检测方法、工具箱及装置 | |
| CN109886433A (zh) | 智能识别城市燃气管道缺陷的方法 | |
| CN111898644A (zh) | 一种无故障样本下航天液体发动机健康状态智能识别方法 | |
| CN114217025B (zh) | 评估空气质量浓度预测中气象数据对其影响的分析方法 | |
| CN111505064A (zh) | 一种催化燃烧式甲烷传感器服役状态评价方法 | |
| CN108680708B (zh) | 一种甲烷来源预测方法及装置 | |
| CN109856321A (zh) | 异常高值点位的确定方法 | |
| CN117391443A (zh) | 除尘设备状态监测预警方法及系统 | |
| CN111507534A (zh) | 基于学生学习数据的知识点掌握情况的预测分析算法 | |
| CN106685926A (zh) | 信息系统安全等级测评方法和系统 | |
| CN107330264A (zh) | 一种桥梁监测数据可靠性的验证方法 | |
| CN107085630A (zh) | 一种变压器油中溶解气体在线监测装置实用性分析方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |