CN110348094A - 基于影响网络的石油管道泄漏检测方法及系统 - Google Patents
基于影响网络的石油管道泄漏检测方法及系统 Download PDFInfo
- Publication number
- CN110348094A CN110348094A CN201910583665.2A CN201910583665A CN110348094A CN 110348094 A CN110348094 A CN 110348094A CN 201910583665 A CN201910583665 A CN 201910583665A CN 110348094 A CN110348094 A CN 110348094A
- Authority
- CN
- China
- Prior art keywords
- detection
- petroleum pipeline
- state
- influence
- value
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 162
- 239000003208 petroleum Substances 0.000 title claims abstract description 95
- 230000002159 abnormal effect Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 39
- 230000001364 causal effect Effects 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000005764 inhibitory process Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/02—Preventing, monitoring, or locating loss
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Mechanical Engineering (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明公开了一种基于影响网络的石油管道泄漏检测方法,包括1、根据石油管道检测变量和石油管道设备异常检测结果Y构建影响网络;2、基于所构建的影响网络,构建影响强度参数学习模型;3、获取历史数据集;4、对影响强度参数学习模型进行训练求解;5、采集石油管道检测变量在某一时刻的检测值根据影响强度模型中各参数的取值,求取石油管道异常检测结果处于Yn状态的概率;6、根据异常检测结果求取石油管道的泄漏量判断该石油管道泄漏。本发明使用历史数据对影响强度参数学习模型进行训练求解,避免了主观确定影响强度参数带来的干扰性,使影响强度模型更好地拟合石油管道泄漏的实际情况,判断石油管道是否泄露,因此识别结果的准确性更高。
Description
技术领域
本发明涉及石油管道异常检测领域,具体涉及一种基于影响网络的石油管道泄漏检测方法及系统。
背景技术
在目前的石油管道异常检测问题中,影响石油管道检测参数的因素很多,各种因素之间的因果影响关系十分复杂,通过构建数值模型来分析石油管道的参数异常十分困难。在大数据时代,数据存储和使用技术越来越成熟,这为石油管道的检测提供了新的解决方法。在现有的技术中,主要通过石油管道两侧的压力差和流量差,采用贝叶斯网络、回归分析等方法进行石油管道泄漏检测分析,这些方法存在计算量复杂、需要的参数较多、泄漏量预测的准确性不高等缺点。因此,本发明提出了一种基于影响网络的石油管道泄漏检测方法。
发明内容
本发明要解决的技术问题是提供一种需要的参数量少、计算简单、泄漏量预测准确的基于影响网络的石油管道泄漏检测方法。
为解决该问题,本发明所采用的技术方案是:
一种基于影响网络的石油管道泄漏检测方法,包括如下步骤:
步骤1:根据石油管道检测变量X1、X2...Xi...XI和石油管道设备异常检测结果Y构建影响网络;
步骤2:基于所构建的影响网络,构建用于获得检测变量和异常检测结果之间的影响强度参数学习模型;
s.t.
Y1≤Yn≤YN
其中f(V)表示检测变量通过影响强度参数模型计算得到的训练结果和实际检测结果的差异,可以用均方误差(MSE)或平均绝对误差(MAE)来表示,L 表示测量得到的实际泄漏量,表示通过影响强度参数学习模型估计得到的预测泄漏量,表示第i个检测变量Xi的某个状态值,表示第i个检测变量 Xi处于检测状态mi时,其检测结果为Yn时的影响强度,I为检测变量的总数,Mi为第i个检测变量的状态数量,表示检测结果Y处于状态n时的先验概率, N表示检测结果的状态数量,所述状态是指将检测变量或检测结果在其最大最小值区间划分出多个等级值,各等级值表示各检测变量或检测结果的各状态值;
步骤3:获取石油管道基于检测变量在不同时刻检测结果的历史数据集;
步骤4:根据所获取的历史数据集对影响强度参数学习模型进行训练求解,得到影响强度模型中各参数的取值,所述参数包括影响强度参数各检测变量的状态值检测结果处于状态Yn的先验概率检测结果的各状态值Yn;
步骤5:采集石油管道检测变量X1,X2,…,XI在某一时刻的检测值作为一个样本,根据影响强度模型中各参数的取值,求取石油管道异常检测结果Y处于 Yn状态的概率;
步骤6:根据异常检测结果Y处于Yn状态的概率求取石油管道的泄漏量,当泄漏量大于一定阈值时,则判断该石油管道泄漏。
进一步地,步骤4中对影响强度参数学习模型进行训练求解的方法是差分进化算法。
进一步地,步骤5中求取石油管道异常检测结果Y处于Yn状态的概率的方法是:
步骤5.1:根据步骤4所求取的影响强度参数中各检测变量的的状态值计算石油管道检测变量在某一时刻的检测值X1,X2,…,XI与各检测变量状态值之间的匹配度设各检测变量的状态值单调递增,其中表示第i个检测变量处于检测状态mi时所对应的状态值;
步骤5.2:将所有检测变量的某种可能检测状态的集合记为为所有检测变量不同检测状态的笛卡尔积,表示所有检测变量所有可能检测状态的集合,即
步骤5.3:根据步骤4所求取的影响强度参数计算检测变量状态分别为时,检测结果状态为Yn下的影响强度集合则求得
该影响强度集合下的融合促进因果影响强度参数为:
该影响强度集合下的融合抑制因果影响强度参数为:
则I个检测变量X1,X2,…,XI的综合因果影响强度参数为:
步骤5.4:求取所采集的检测值X1,X2,…,XI处于某一状态的条件下,石油管道检测结果状态为Yn的条件概率为:
其中,石油管道检测结果处于状态Yn的先验概率,由步骤4所求取的结果得到;
步骤5.5:遍历状态集合A,得到各检测值处于不同的状态组合下的条件概率值则检测值X1,X2,…,XI所对应的检测结果处于状态Yn的概率为:
其中,
表示各检测变量处于状态时的概率。
进一步地,步骤6中所述根据异常检测结果Y处于Yn状态的概率求取石油管道的泄漏量的方法是:其中, U(Yn)表示石油管道状态为Yn时的状态值。
进一步地,所述差分进化算法的具体方法是:
步骤4.1:将历史数据分配成用于参数学习的训练集和测试集,在本发明中训练集指不同时刻石油管道的压力差、流量差及泄漏量的数据,测试集指不同时刻石油管道的压力差、流量差及泄漏量的数据。
步骤4.2随机产生初始种群,用于表示待求解的影响强度模型参数潜在解集,设定差分进化算法的控制参数,包括种群大小、交叉概率、变异概率,确定适应函数为最小化预测值与实际值差值的平方和。
步骤4.3将种群值代入适应函数的计算公式中,计算每个个体的适应值。
步骤4.4判断适应值是否都达到了终止条件或者进化代数达到设定值。如果是,终止,输出最佳个体作为影响强度模型的参数;如果不是,继续进入步骤 4.5。
步骤4.5种群进行变异和交叉,得到中间种群。利用原来的种群和新得到的种群进行选择,得到新的种群,转入步骤4.3。
此外,本发明还给出了一种基于影响网络的石油管道泄漏检测系统,包括处理器,以及与所述处理器连接的存储器,所述存储器存储有一种基于影响网络的石油管道泄漏检测方法的程序,所述基于影响网络的石油管道泄漏检测方法的程序被所述处理器执行时实现前面所述方法的步骤。
与现有技术相比,本发明所取得的有益效果是:
本发明基于影响网络的石油管道泄漏检测方法,通过采用数据驱动的影响网络方法,在识别石油管道设备参数异常过程中,通过使用历史数据对影响强度参数学习模型进行训练求解得到影响强度参数,避免了主观确定影响强度参数带来的干扰性,使得影响强度模型能够更好地拟合石油管道泄漏的实际情况,进而通过影响强度参数预测检测变量处于某一检测结果的概率,得到预估的泄漏量,从而判断石油管道是否泄露,因此识别结果的准确性更高。此外,本发明需要的信息量较少,可以基于较少的模型参数数量完成石油管道设备异常信息的推测和识别,降低了计算复杂度。
附图说明
图1为因果事件都为多状态的影响网络结构图;
图2为本发明的流程图;
图3为预测结果与实际结果对比图。
具体实施方式
影响网络被认为是描述基于因果逻辑的内部关系的因果关系的有效模型,具备处理多属性影响的复杂逻辑问题的优势,它首先被提出来替代贝叶斯网络中的超大条件概率表。在具有多个属性的复杂问题中,通过定义影响网络的因果影响参数表示先前事件对后事件的影响,而后计算后验事件的后验概率。与贝叶斯网络相比,因果影响参数随着属性数量的增加而线性增长,而贝叶斯网络中所需的条件概率数量呈指数增长。在一般的影响网络中,因果影响参数是根据专业领域的专家知识确定的,这存在一定的主观影响。本发明根据已知的历史数据,构建参数学习方法,获取因果影响参数,从而提供利用影响网络推测石油管道是否异常的状态。
基于影响网络进行石油管道泄漏识别包含三部分:一部分是构建因果影响强度的参数学习方法,根据已知的数据学习得到因果影响强度参数。第二部分是计算融合因果影响强度参数,包括融合促进因果影响强度、融合抑制因果影响强度和综合因果影响强度。第三部分是根据影响网络、已知事件发生的基础概率以及计算得到的融合因果影响强度参数,根据条件概率和全概率的计算方法,计算得到结果事件发生的概率,完成石油管道泄漏的异常检查。
图1至图3示出了本发明的一种具体实施例,本实施例以石油管道泄漏检测中,将管道入口和出口之间的流量和压力差做为管道泄漏的检测变量,对流量差和压差的数据集进行采样,以推断英国100公里输油管道的泄漏量。在分析过程中,流量差、压力差和泄漏量被离散为几个参考值,
步骤1:根据石油管道检测变量X1,X2,…,XI和石油管道设备异常检测结果Y构建影响网络;本实施例中,取I=2,两个检测变量分别为石油管道入口和出口的流量差和压力差,检测结果Y为泄漏量。
步骤2:基于所构建的影响网络,构建用于获得检测变量和异常检测结果之间的影响强度参数学习模型;
s.t.
Y1≤Yn≤YN
其中f(V)表示检测变量通过影响强度参数模型计算得到的训练结果和实际检测结果的差异,可以用均方误差(MSE)或平均绝对误差(MAE)来表示,表示第i个检测变量Xi的某个状态值,表示第i个检测变量Xi处于检测状态mi时,其检测结果为Yn时的影响强度,I为检测变量的总数,Mi为第i个检测变量的状态数量,表示检测结果Y处于状态n时的先验概率,N表示检测结果的状态数量,L表示测量得到的实际泄漏量,表示通过模型估计得到的预测泄漏量,所述状态是指将检测变量或检测结果在其最大最小值区间划分出多个等级值,各等级值表示各检测变量或检测结果的各状态值。本实施例中对于检测变量X1(流量差)在其取值范围(-10,3)之间一共设置了8个等级值,这8个等级值{-10,-5,-3,-1,0,1,2,3}即为检测变量X1的状态值,这8 个状态值按照从小到大的顺序单调递增,如表1所示,检测变量X1的状态数 M1=8,检测变量X1的第1个状态值是-10,第2个状态值是-5;检测变量X2压力差的设置为M2=7,表1中的状态值为初始值,由专家进行初步设定,并将该初始值赋给影响强度参数学习模型,初始值可以预先给定,也可以不给初始值,在优化的过程中可以随机生成一组状态作为初始值,但是需要专家给出各检测变量和检测结果的状态值数量。
表1检测变量与检测结果的状态值数量以及状态值
步骤3:获取石油管道基于检测变量在不同时刻检测结果的历史数据集,如表2所示;
表2关于检测变量和检测结果的历史数据集
步骤4:根据所获取的历史数据集对影响强度参数学习模型进行训练求解,得到影响强度模型中各参数的取值如表3所示;
本实施例使用差分进化算法对影响强度参数学习模型进行训练求解,差分进化算法的具体方法是:
步骤4.1:将历史数据分配成用于参数学习的训练集和测试集,在本发明中训练集指不同时刻石油管道的压力差、流量差及泄漏量的数据,测试集指不同时刻石油管道的压力差、流量差及泄漏量的数据。
步骤4.2随机产生初始种群,用于表示待求解的影响强度模型参数潜在解集,设定差分进化算法的控制参数,包括种群大小、交叉概率、变异概率,确定适应函数为最小化预测值与实际值差值的平方和。
步骤4.3将种群值代入适应函数的计算公式中,计算每个个体的适应值。
步骤4.4判断适应值是否达到了终止条件或者进化代数达到设定值。如果是,终止,输出最佳个体作为影响强度模型的参数;如果不是,继续进入步骤 4.5。
步骤4.5种群进行变异和交叉,得到中间种群。利用原来的种群和新得到的种群进行选择,得到新的种群,转入步骤4.3。
表3根据历史数据集计算出的影响强度参数
从表3可以看出,根据表1中的初始值与步骤2,在历史数据的训练下,得到的流量差和压力差以及泄漏量的状态值分别为[-10,-8.2166,-7.1546,-6.0546, -1.7933,-1.1233,-0.5857,3],[-0.02,-0.0199,0.0103,0.0143,0.0243,0.0286,0.04] 和[0,0.0017,0.0035,0.0119,8],说明在历史数据的训练下,以往由专家给出的参数值没有实际训练出的状态值更加的精确并贴合实际情况。
步骤5:采集石油管道中N个检测变量X1,X2,…,XN在某一时刻的检测值,根据影响强度模型中各参数的取值,求取石油管道异常检测结果Y处于Yk状态的概率。表4给出了所采集的多组检测变量的检测值。
表4,采集个时刻的检测变量值
时间 | X<sub>1</sub>:流量差 | X<sub>2</sub>:压力差 |
07:00:08 | 0.05 | 0 |
07:15:08 | 0.05 | 0 |
07:30:08 | 0.05 | 0 |
…… | …… | …… |
10:00:08 | -5.45 | 0.0045 |
10:04:08 | -6.45 | -0.0030 |
…… | …… | …… |
12:34:27 | -0.1 | 0 |
步骤5.1:根据步骤4所求取的各检测变量的的状态值计算石油管道检测变量在某一时刻的检测值X1,X2,…,XI与各检测变量状态值之间的匹配度设各检测变量的状态值单调递增;
Xi,l、Xi,l+1分别表示检测变量相邻的两个状态值,
步骤5.2:将所有检测变量的某种可能检测状态的集合记为为所有检测变量不同检测状态的笛卡尔积,表示所有检测变量所有可能检测状态的集合,即
步骤5.3:根据步骤4所求取的影响强度参数计算检测变量状态分别为时,检测结果状态为Yn下的影响强度集合则求得
该影响强度集合下的融合促进因果影响强度参数为:
该影响强度集合下的融合抑制因果影响强度参数为:
则I个检测变量X1,X2,…,XI的综合因果影响强度参数为:
步骤5.4:求取所采集的检测值X1,X2,…,XI处于某一状态的条件下,石油管道检测结果状态为Yn的条件概率为:
其中,石油管道检测结果处于状态Yn的先验概率,由步骤4所求取的结果得到;
步骤5.5:遍历所有检测变量所有可能检测状态的集合A,得到各检测值处于不同的状态组合下的条件概率值则检测值 X1,X2,…,XI所对应的检测结果处于状态Yn的概率为:
其中,
表示各检测变量处于状态时的概率。
步骤6:根据异常检测结果Y处于Yn状态的概率求取石油管道的泄漏量,当泄漏量大于一定阈值时,则判断该石油管道泄漏。泄漏量的求取方法是:
其中,U(Yn)表示石油管道状态为Yn时的状态值。
表4泄漏量的预测结果
时间 | X<sub>1</sub>:流量差 | X<sub>2</sub>:压力差 | 泄漏量 | 是否泄漏 |
07:00:08 | 0.05 | 0 | 0 | 否 |
07:15:08 | 0.05 | 0 | 0 | 否 |
07:30:08 | 0.05 | 0 | 0 | 否 |
…… | …… | …… | …… | …… |
10:00:08 | -5.45 | 0.0045 | 5.8700 | 是 |
10:04:08 | -6.45 | -0.0030 | 6.2082 | 是 |
…… | …… | …… | …… | …… |
12:34:27 | -0.1 | 0 | 0.079676 | 否 |
本发明基于影响网络的石油管道泄漏检测方法,通过采用数据驱动的影响网络方法,在识别石油管道设备参数异常过程中,通过使用历史数据对影响强度参数学习模型进行训练求解得到影响强度参数,避免了主观确定影响强度参数带来的干扰性,使得影响强度模型能够更好地拟合石油管道泄漏的实际情况,进而通过影响强度参数预测检测变量处于某一检测结果的概率,得到预估的泄漏量,从而判断石油管道是否泄露,因此识别结果的准确性更高。此外,本发明需要的信息量较少,可以基于较少的模型参数数量完成石油管道设备异常信息的推测和识别,降低了计算复杂度。
将预测结果与实际的情况进行对比,得到如图3所示的结果。可以看出,应用本发明能够较为准确地对石油管道泄漏情况进行判定,进而准确地判断石油管道是否泄漏,识别结果具有较高的准确性。
将本发明提出的方法与其他方法对比,发现本发明提出的基于数据驱动的影响网络的设备异常检测方法比其他一些已知的方法在检测准确率上存在优势,主要体现在本发明提出的方法可以在使用较少参数的情况下具备准确的预测能力,具体如下表(BRB方法是基于信念规则的方法)。
表5本发明与其他方法的对比结果
模型 | BRB模型参数个数 | 均方误差MSE |
全局BRB方法 | 353 | 0.3990 |
近似BRB方法 | 97 | 0.3709 |
混合BRB方法 | 148 | 0.3135 |
动态BRB方法 | 43 | 0.4450 |
基于影响网络的方法 | 100 | 0.1594 |
发明还提供了一种基于影响网络的石油管道泄漏检测系统,包括处理器,以及与所述处理器连接的存储器,所述存储器存储有一种基于影响网络的石油管道泄漏检测方法的程序,所述一种基于影响网络的石油管道泄漏检测方法的程序被所述处理器执行时实现前面所述方法的步骤。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (6)
1.一种基于影响网络的石油管道泄漏检测方法,其特征在于,包括以下步骤:
步骤1:根据石油管道检测变量X1、X2...Xi...XI和石油管道设备异常检测结果Y构建影响网络;
步骤2:基于所构建的影响网络,构建用于获得检测变量和异常检测结果之间的影响强度参数学习模型;
s.t.
Y1≤Yn≤YN
其中f(V)表示检测变量通过影响强度参数模型计算得到的训练结果和实际检测结果的差异,L表示测量得到的实际泄漏量,表示通过模型估计得到的预测泄漏量,表示第i个检测变量Xi处于检测状态mi时的状态值,表示第i个检测变量Xi处于检测状态mi时,其检测结果为Yn时的影响强度,I为检测变量的总数,Mi为第i个检测变量的状态值数量,表示检测结果Y处于状态n时的先验概率,N表示检测结果的状态数量,所述状态是指将检测变量或检测结果在其最大最小值区间划分出多个等级值,各等级值表示各检测变量或检测结果的各状态值;
步骤3:获取石油管道基于检测变量在不同时刻检测结果的历史数据集;
步骤4:根据所获取的历史数据集对影响强度参数学习模型进行训练求解,得到影响强度模型中各参数的取值,所述参数包括影响强度参数各检测变量的状态值检测结果处于状态Yn的先验概率检测结果的各状态值Yn;
步骤5:采集石油管道检测变量X1,X2,…,XI在某一时刻的检测值,根据影响强度模型中各参数的取值,求取石油管道异常检测结果Y处于Yn状态的概率;
步骤6:根据异常检测结果Y处于Yn状态的概率求取石油管道的泄漏量,当泄漏量大于一定阈值时,则判断该石油管道泄漏。
2.根据权利要求1所述的基于影响网络的石油管道泄漏检测方法,其特征在于:步骤5中求取石油管道异常检测结果Y处于Yn状态的概率的方法是:
步骤5.1:根据步骤4所求取的影响强度参数中各检测变量的的状态值计算石油管道检测变量在某一时刻的检测值X1,X2,…,XI与各检测变量状态值之间的匹配度设各检测变量的状态值单调递增,其中表示第i个检测变量处于检测状态mi时所对应的状态值;
步骤5.2:将所有检测变量的某种可能检测状态的集合记为Ak,为所有检测变量不同检测状态的笛卡尔积,表示所有检测变量所有可能检测状态的集合,即
步骤5.3:根据步骤4所求取的影响强度参数计算检测变量状态分别为时,检测结果状态为Yn下的影响强度集合则求得
该影响强度集合下的融合促进因果影响强度参数为:
该影响强度集合下的融合抑制因果影响强度参数为:
则I个检测变量X1,X2,…,XI的综合因果影响强度参数为:
步骤5.4:求取所采集的检测值X1,X2,…,XI处于某一状态的条件下,石油管道检测结果状态为Yn的条件概率为:
其中,石油管道检测结果处于状态Yn的先验概率,由步骤4所求取的结果得到;
步骤5.5:遍历状态集合A,得到各检测值处于不同的状态组合下的条件概率值则检测值X1,X2,…,XI所对应的检测结果处于状态Yn的概率为:
其中,
表示各检测变量处于状态时的概率。
3.根据权利要求2所述的基于影响网络的石油管道泄漏检测方法,其特征在于:步骤6中所述根据异常检测结果Y处于Yn状态的概率求取石油管道的泄漏量的方法是:其中,U(Yn)表示石油管道状态为Yn时的状态值。
4.据权利要求1所述的基于影响网络的石油管道泄漏检测方法,其特征在于:步骤4中对影响强度参数学习模型进行训练求解的方法是差分进化算法。
5.根据权利要求4所述的基于影响网络的石油管道泄漏检测方法,其特征在于:所述差分进化算法的具体方法是:
步骤4.1:将历史数据分配成用于参数学习的训练集和测试集,在本发明中训练集指不同时刻石油管道的压力差、流量差及泄漏量的数据,测试集指不同时刻石油管道的压力差、流量差及泄漏量的数据;
步骤4.2随机产生初始种群,用于表示待求解的影响强度模型参数潜在解集,设定差分进化算法的控制参数,包括种群大小、交叉概率、变异概率,确定适应函数为最小化预测值与实际值差值的平方和;
步骤4.3将种群值代入适应函数的计算公式中,计算每个个体的适应值;
步骤4.4判断适应值是否达到了终止条件或者进化代数达到设定值。如果是,终止,输出最佳个体作为影响强度模型的参数;如果不是,继续进入步骤4.5;
步骤4.5种群进行变异和交叉,得到中间种群。利用原来的种群和新得到的种群进行选择,得到新的种群,转入步骤4.3。
6.一种基于影响网络的石油管道泄漏检测系统,其特征在于:包括处理器,以及与所述处理器连接的存储器,所述存储器存储有一种基于影响网络的石油管道泄漏检测方法的程序,所述基于影响网络的石油管道泄漏检测方法的程序被所述处理器执行时实现权利要求1至5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910583665.2A CN110348094B (zh) | 2019-07-01 | 2019-07-01 | 基于影响网络的石油管道泄漏检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910583665.2A CN110348094B (zh) | 2019-07-01 | 2019-07-01 | 基于影响网络的石油管道泄漏检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110348094A true CN110348094A (zh) | 2019-10-18 |
CN110348094B CN110348094B (zh) | 2023-01-06 |
Family
ID=68177754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910583665.2A Active CN110348094B (zh) | 2019-07-01 | 2019-07-01 | 基于影响网络的石油管道泄漏检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110348094B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112113719A (zh) * | 2020-09-21 | 2020-12-22 | 中国人民解放军海军工程大学 | 一种基于声发射技术的液压滑阀内泄漏检测方法 |
CN112819097A (zh) * | 2021-02-26 | 2021-05-18 | 浙大城市学院 | 一种加氢站中氢能设备的风险评价方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080177679A1 (en) * | 2007-01-22 | 2008-07-24 | Charles River Analytics, Inc. | Conditional probability tables for Bayesian belief networks |
CN104732303A (zh) * | 2015-04-09 | 2015-06-24 | 中国石油大学(华东) | 一种基于动态径向基函数神经网络的油田产量预测方法 |
CN109508745A (zh) * | 2018-11-14 | 2019-03-22 | 上海交通大学 | 基于贝叶斯网络模型的燃气轮机气路故障的检测方法 |
-
2019
- 2019-07-01 CN CN201910583665.2A patent/CN110348094B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080177679A1 (en) * | 2007-01-22 | 2008-07-24 | Charles River Analytics, Inc. | Conditional probability tables for Bayesian belief networks |
CN104732303A (zh) * | 2015-04-09 | 2015-06-24 | 中国石油大学(华东) | 一种基于动态径向基函数神经网络的油田产量预测方法 |
CN109508745A (zh) * | 2018-11-14 | 2019-03-22 | 上海交通大学 | 基于贝叶斯网络模型的燃气轮机气路故障的检测方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112113719A (zh) * | 2020-09-21 | 2020-12-22 | 中国人民解放军海军工程大学 | 一种基于声发射技术的液压滑阀内泄漏检测方法 |
CN112819097A (zh) * | 2021-02-26 | 2021-05-18 | 浙大城市学院 | 一种加氢站中氢能设备的风险评价方法 |
CN112819097B (zh) * | 2021-02-26 | 2022-07-26 | 浙大城市学院 | 一种加氢站中氢能设备的风险评价方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110348094B (zh) | 2023-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN107949812A (zh) | 用于检测配水系统中的异常的组合方法 | |
CN111853555B (zh) | 一种基于动态过程的供水管网暗漏识别方法 | |
CN110348094B (zh) | 基于影响网络的石油管道泄漏检测方法及系统 | |
CN111611294B (zh) | 星敏感器数据异常检测方法 | |
CN105242155A (zh) | 一种基于熵权法和灰色关联分析的变压器故障诊断方法 | |
CN106092625A (zh) | 基于修正型独立元分析和贝叶斯概率融合的工业过程故障检测方法 | |
CN112836758B (zh) | 基于双层循环神经网络的独立计量区域管网漏损检测方法 | |
CN112581719B (zh) | 基于时序生成对抗网络的半导体封装过程预警方法和装置 | |
CN105975797A (zh) | 一种基于模糊数据处理的产品早期故障根原因识别方法 | |
CN111122811A (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN112884197B (zh) | 一种基于双模型的水华预测方法和装置 | |
CN111079348B (zh) | 一种缓变信号检测方法和装置 | |
CN116245227A (zh) | 逐日气象干旱预测方法、装置、存储介质和设备 | |
CN115392782A (zh) | 一种核电厂工艺系统健康状态监测和诊断方法及系统 | |
CN114091600B (zh) | 一种数据驱动的卫星关联故障传播路径辨识方法及系统 | |
CN113721182B (zh) | 一种电力互感器性能在线监测结果可靠度评估方法及系统 | |
CN111126477A (zh) | 一种混合贝叶斯网络的学习与推理方法 | |
CN108572639A (zh) | 一种基于主成分自相关性剔除的动态过程监测方法 | |
CN110889077B (zh) | 一种加速贮存与自然贮存退化数据一致性检验方法 | |
CN116881640A (zh) | 岩心采出程度的预测方法、系统及计算机可读存储介质 | |
Wu et al. | Comparing Deep Learning with Statistical Control Methods for Anomaly Detection:(072) | |
CN116384732A (zh) | 场站管道风险智能评估方法、系统、存储介质及计算设备 | |
CN115184734A (zh) | 一种电网线路故障检测方法和系统 | |
CN114879612A (zh) | 一种基于Local-DBKSSA的高炉炼铁过程监测方法 |
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 |