CN113280265B - 工况识别方法、装置、计算机设备以及存储介质 - Google Patents
工况识别方法、装置、计算机设备以及存储介质 Download PDFInfo
- Publication number
- CN113280265B CN113280265B CN202010106890.XA CN202010106890A CN113280265B CN 113280265 B CN113280265 B CN 113280265B CN 202010106890 A CN202010106890 A CN 202010106890A CN 113280265 B CN113280265 B CN 113280265B
- Authority
- CN
- China
- Prior art keywords
- working condition
- abnormal
- parameter sequence
- target
- sequence
- 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
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mechanical Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种工况识别方法、装置、计算机设备以及存储介质,属于液体管道输送领域。所述方法包括:实时检测管道沿线多个站场的工况参数,为每个所述工况参数添加时间戳和对应站场的标识,所述工况参数包括流经所述多个站场时液体的进出站压力、进出站流量以及所述多个站场内的输油泵汇管的进出口压力;基于采样时间顺序由所述工况参数生成目标长度的工况参数序列,将所述工况参数序列输入异常检测模型,由所述异常检测模型基于所述工况参数序列进行预测,得到下一个采样时刻的第一目标工况参数;若所述下一个采样时刻的第一目标工况参数与所述下一个采样时刻的实际工况参数的差别信息符合目标条件,将所述工况参数序列确定为异常参数序列,其中,所述异常参数序列中的每个数值依次表示所述管道沿线每个所述站场的工况参数;将所述异常参数序列输入与管道标识对应的异常工况识别模型中,由所述异常工况识别模型基于所述异常参数序列进行预测,将概率最高的工况信息确定为所述管道对应的工况信息,其中,所述工况信息为发生异常的站场对应的异常原因。通过这样的方案,在基于模型对工况序列进行识别以确定对应的工况信息之前,可以先基于异常检测模型将正常工况和异常工况区分开,减少了异常工况识别模型的负担,提高了异常工况的识别效率。
Description
技术领域
本申请涉及液体管道输送领域,特别涉及一种工况识别方法、装置、计算机设备以及存储介质。
背景技术
在管道管理中,往往会将管道分为多个站场,例如首站、中间泵站、中间热站、末站等,多个站场站场彼此配合,完成液体的输送。在进行液体输送的过程中,可能有各种各样的正常工况,例如启泵、停泵以及调节阀开闭。也可能会出现各种各样的异常工况,例如泄漏、泄压阀误动作、阀门误关断等,而异常工况的出现会影响正常的液体输送,降低生产效率甚至导致输送中断。
相关技术中,往往基于实时获取的工况参数进行预测,确定每一时刻的工况信息,但是在管道沿线多个站场的运行过程中,正常工况所占的比例较大,异常工况所占的比例较小,实时确定工况信息可能导致异常工况检测效率较低,计算资源耗费较多。
发明内容
本申请实施例提供了一种工况识别方法、装置、计算机设备以及存储介质,可以提高工况识别效率,降低计算资源的占用。所述技术方案如下:
一方面,提供了一种工况识别方法,所述方法包括:
实时检测管道沿线多个站场的工况参数,所述工况参数包括流经所述多个站场时液体的进出站压力、进出站流量以及所述多个站场内的输油泵汇管的进出口压力;
基于采样时间顺序由所述工况参数生成目标长度的工况参数序列,将所述工况参数序列输入异常检测模型,由所述异常检测模型基于所述工况参数序列进行预测,得到下一个采样时刻的第一目标工况参数;
若所述下一个采样时刻的第一目标工况参数与所述下一个采样时刻的实际工况参数的差别信息符合目标条件,将所述工况参数序列确定为异常参数序列;
将所述异常参数序列输入异常工况识别模型中,由所述异常工况识别模型基于所述异常参数序列进行预测,得到所述管道对应的工况信息。
在一种可能的实施方式中,所述若所述下一个采样时刻的第一目标工况参数与所述下一个采样时刻的实际工况参数的差别信息符合目标条件,将所述工况参数序列确定为异常参数序列,包括:
将所述下一个采样时刻的第一目标工况参数与所述下一个采样时刻的实际工况参数之间的差别信息输入二分类模型中,由所述二分类模型基于所述差别信息进行预测,得到所述工况参数序列为所述异常参数序列的概率,若所述概率大于目标概率,则将所述工况参数序列确定为所述异常参数序列。
在一种可能的实施方式中,所述实时检测管道沿线多个站场的工况参数之前,所述方法还包括:
基于采样时间顺序将样本工况参数生成所述目标长度的样本工况参数序列;
将所述样本工况参数序列输入第一初始模型中,由所述第一初始模型基于所述样本工况参数序列进行预测,得到下一个采样时刻的第二目标工况参数;
基于所述第二目标工况参数与样本第二目标工况参数之前的差别信息,调整所述第一初始模型的模型参数,直至所述第一初始模型符合迭代截止条件,将此时的第一初始模型作为所述异常检测模型。
在一种可能的实施方式中,所述基于采样时间顺序将样本工况参数生成所述目标长度的样本工况参数序列之前,所述方法还包括:
对所述样本工况参数进行归一化,得到符合标准正态分布的样本工况参数;
将所述符合标准正态分布的样本工况参数作为所述样本工况参数。
在一种可能的实施方式中,所述实时检测管道沿线任一站场的工况参数之前,所述方法还包括:
将样本工况参数输入第二初始模型,由所述第二初始模型基于所述样本工况参数进行预测,得到任一样本站场属于多个工况信息的概率,将概率符合目标条件的工况信息确定为所述任一样本站场的目标工况信息,基于所述目标工况信息与所述样本工况参数对应的样本工况信息的差异,调整所述第二初始模型的模型参数,直至所述第二初始模型符合迭代截止条件,将此时的第二初始模型作为所述异常工况识别模型。
一方面,提供了一种工况识别装置,所述装置包括:
实时检测模块,用于实时检测管道沿线多个站场的工况参数,所述工况参数包括流经所述多个站场时液体的进出站压力、进出站流量以及所述多个站场内的输油泵汇管的进出口压力;
输入模块,用于基于采样时间顺序由所述工况参数生成目标长度的工况参数序列,将所述工况参数序列输入异常检测模型,由所述异常检测模型基于所述工况参数序列进行预测,得到下一个采样时刻的第一目标工况参数;
异常参数序列确定模块,用于若所述下一个采样时刻的第一目标工况参数与所述下一个采样时刻的实际工况参数的差别信息符合目标条件,将所述工况参数序列确定为异常参数序列;
预测模块,用于将所述异常参数序列输入异常工况识别模型中,由所述异常工况识别模型基于所述异常参数序列进行预测,得到所述管道对应的工况信息。
在一种可能的实施方式中,所述异常参数序列确定模块用于将所述下一个采样时刻的第一目标工况参数与所述下一个采样时刻的实际工况参数之间的差别信息输入二分类模型中,由所述二分类模型基于所述差别信息进行预测,得到所述工况参数序列为所述异常参数序列的概率,若所述概率大于目标概率,则将所述工况参数序列确定为所述异常参数序列。
在一种可能的实施方式中,所述装置还包括:
生成模块,用于基于采样时间顺序将样本工况参数生成所述目标长度的样本工况参数序列;
所述输入模块还用于将所述样本工况参数序列输入第一初始模型中,由所述第一初始模型基于所述样本工况参数序列进行预测,得到下一个采样时刻的第二目标工况参数;
调整模块基于所述第二目标工况参数与样本第二目标工况参数之前的差别信息,调整所述第一初始模型的模型参数,直至所述第一初始模型符合迭代截止条件,将此时的第一初始模型作为所述异常检测模型。
在一种可能的实施方式中,所述装置还包括:
归一化模块,用于对所述样本工况参数进行归一化,得到符合标准正态分布的样本工况参数;
作为模块,用于将所述符合标准正态分布的样本工况参数作为所述样本工况参数。
在一种可能的实施方式中,所述装置还包括:
调整模块,用于将样本工况参数输入第二初始模型,由所述第二初始模型基于所述样本工况参数进行预测,得到任一样本站场属于多个工况信息的概率,将概率符合目标条件的工况信息确定为所述任一样本站场的目标工况信息,基于所述目标工况信息与所述样本工况参数对应的样本工况信息的差异,调整所述第二初始模型的模型参数,直至所述第二初始模型符合迭代截止条件,将此时的第二初始模型作为所述异常工况识别模型。
一方面,提供了一种计算机设备,所述计算机设备包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条指令,所述指令由所述一个或多个处理器加载并执行以实现所述工况识别方法所执行的操作。
一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条指令,所述指令由处理器加载并执行以实现所述工况识别方法所执行的操作。
通过本申请实施例提供的技术方案,计算机设备可以将实时获取的工况参数序列输入异常检测模型中,由异常检测模型基于工况参数序列进行预测,确定该工况参数序列是否属于异常工况参数序列,若该工况参数序列属于异常工况参数序列,则将异常工况序列输入异常工况识别模型中,由工况识别模型基于异常工况序列进行预测,得到管道对应的工况信息。通过这样的方案,在基于模型对工况序列进行识别以确定对应的工况信息之前,可以先基于异常检测模型将正常工况和异常工况区分开,减少了异常工况识别模型的负担,提高了异常工况的识别效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种工况识别方法的流程图;
图2是本申请实施例提供的一种工况识别方法的流程图;
图3是本申请实施例提供的一种工况识别方法的逻辑框图;
图4是本申请实施例提供的一种SCADA系统实际运行时的界面截图;
图5是本申请实施例提供的一种SCADA系统实际运行时的界面截图;
图6是本申请实施例提供的一种工况识别装置结构的示意图;
图7是本申请实施例提供的一种计算机设备装置结构的示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
首先对本申请实施例采用的异常检测模型的训练方法进行说明,异常检测模型的训练方法可以包括样本准备和模型训练两个部分。
在样本准备过程中,计算机设备可以对样本工况参数进行归一化,得到符合标准正态分布的样本工况参数。将符合标准正态分布的样本工况参数作为样本工况参数。具体来说,计算机设备可以计算得到所有样本工况参数的均值和标准差,并基于公式(1),将样本工况参数映射为复合标准正态分布的样本工况参数。
X=(x-μ)/σ (1)
其中,x为归一化前的样本工况参数,μ为所有样本工况参数的均值,σ为所有样本工况参数的标准差,X为归一化后的样本工况参数。
通过这种实现方式,计算机设备可以将差异较大的样本工况参数映射至一个较小的区间,可以提高模型的收敛速度。
在模型训练过程中,计算机设备可以基于采样时间顺序将样本工况参数生成目标长度的样本工况参数序列。将样本工况参数序列输入第一初始模型中,由第一初始模型基于样本工况参数序列进行预测,得到下一个采样时刻的第二目标工况参数。计算机设备基于第二目标工况参数与样本第二目标工况参数之前的差别信息,调整第一初始模型的模型参数,直至第一初始模型符合迭代截止条件,将此时的第一初始模型作为异常检测模型。具体来说,计算机设备可以将历史获取的管道对应的工况信息存储在相应的存储空间内,当训练任一管道对应的决策树模型时,计算机设备可以调用该管道的历史工况参数序列,并将该管道的历史工况参数序列作为样本工况参数序列,除此之外,计算机设备还可以获取每个样本工况参数序列对应的下一个采样时刻的实际工况参数,计算机设备将初始模型初始化之后,可以将样本工况参数序列输入初始模型,由初始模型模型基于多个节点对样本工况信息进行预测,得到样本工况参数序列对应的多个下一个采样时刻的工况参数的概率,将概率最高的工况参数确定为样本工况参数序列对应的下一个采样时刻的目标工况参数,基于实际工况参数和目标工况参数之间的差异,对初始模型的节点的参数进行调整,直至初始模型的损失函数值达到目标函数值或迭代次数达到目标次数时,停止初始模型的训练,将此时的初始模型作为异常检测模型。
上述说明是以异常检测模型由进行预测的计算机设备训练得到为例进行说明的,实际上异常检测模型可以由其他具有运算能力的设备进行训练,并将训练地到的异常检测模型发布至上述计算机设备进行使用,本申请实施例对于异常检测模型的设备不做限定。
下面对本申请实施例采用的异常工况识别模型的训练方法进行说明:
在一种可能的实施方式中,异常工况识别模型可以为决策树模型,计算机设备可以将样本异常工况参数序列输入初始模型,由初始模型基于样本异常工况参数序列进行预测,得到管道属于多个工况信息的概率,将概率符合目标条件的工况信息确定为管道的目标工况信息,基于目标工况信息与样本异常工况参数序列对应的实际工况信息的差异,调整初始模型的模型参数,直至初始模型符合迭代截至条件,将此时的初始模型作为决策树模型。其中,样本异常工况参数序列即是管道的历史异常工况参数序列,具体来说。计算机设备可以将历史获取的管道的工况信息存储在相应的存储空间内,当训练任一管道对应的决策树模型时,计算机设备可以调用该管道的历史异常工况参数序列,并将该管道的历史异常工况参数序列作为样本异常工况参数序列,除此之外,计算机设备还可以获取历史工况参数对应的实际工况信息,该实际工况信息可以是操作人员确认之后输入到计算机设备中的。计算机设备将初始模型初始化之后,将样本异常工况参数序列输入初始模型,由初始模型模型基于多个节点对样本工况信息进行类别预测,得到样本异常工况参数序列属于不同工况信息的概率,将概率最高的工况信息确定为目标工况信息,基于实际工况信息和目标工况信息之间的差异,对初始模型的节点的参数进行调整,直至初始模型的损失函数值达到目标函数值或迭代次数达到目标次数时,停止初始模型的训练,将此时的初始模型作为决策树模型。需要说明的是,在训练决策树模型时,可以先训练初始模型的根节点,也即是先训练决策树模型将工况参数分成大类别的能力,随后再训练根节点下的叶子节点,叶子节点也即是大类别下的小类别,这样可以提升决策树模型的收敛速度,提高模型训练的效率。需要说明的是,计算机设备可以通过以上任一种方式获取决策树模型,本申请实施例对于决策树模型的获取方式不做限定。
在一种可能的实施方式中,计算机设备可以将样本异常工况图像输入初始模型,由初始模型基于样本异常工况图像进行特征提取和卷积运算,得到样本管道属于多个工况信息的概率,将概率符合目标条件的工况信息确定为样本管道的目标工况信息,基于目标工况信息与样本异常工况图像对应的样本工况信息的差异,调整初始模型的模型参数,直至初始模型符合迭代截止条件,将此时的初始模型作为异常工况识别模型。具体来说,计算机设备可以对初始模型进行初始化,将经过上述处理的样本异常工况图像输入初始模型中,由初始模型基于初始卷积核对样本异常工况图像进行特征提取和卷积运算,得到样本管道属于多个工况信息的概率,举例来说,初始模型对样本异常工况图像进行卷积预算和特征提取之后,可以输出一个用于表示概率的向量,比如[0.1,0.2,0.5,0.6……],其中每个数字表示与之对应的工况信息的概率,计算机设备可以将数值最高的数字对应的工况信息确定为样本管道的目标工况信息。除此之外,计算机设备可以获取样本异常工况图像对应的样本工况信息,样本工况信息可以是工作人员确认工况信息之后,输入计算机设备中的。计算机设备可以以管道的样本工况信息为监督,基于样本工况信息和目标工况信息之间的差异,调整初始模型的模型参数,直至初始模型的损失函数值达到目标函数值或迭代次数达到目标次数时,停止初始模型的训练,将此时的初始模型作为异常工况识别模型。
上述说明是以异常工况识别模型由进行预测的计算机设备训练得到为例进行说明的,实际上异常工况识别模型可以由其他具有运算能力的设备进行训练,并将训练地到的异常工况识别模型发布至上述计算机设备进行使用,本申请实施例对于异常工况识别模型的设备不做限定。
图1是本申请实施例提供的一种工况识别方法的流程图,参见图1,方法包括:
101、实时检测管道沿线多个站场的工况参数,工况参数包括流经多个站场时液体的进出站压力、进出站流量以及多个站场内的输油泵汇管的进出口压力。
102、基于采样时间顺序由工况参数生成目标长度的工况参数序列,将工况参数序列输入异常检测模型,由异常检测模型基于工况参数序列进行预测,得到下一个采样时刻的第一目标工况参数。
103、若下一个采样时刻的第一目标工况参数与下一个采样时刻的实际工况参数的差别信息符合目标条件,将工况参数序列确定为异常参数序列。
104、将异常参数序列输入异常工况识别模型中,由异常工况识别模型基于异常参数序列进行预测,得到管道对应的工况信息。
通过本申请实施例提供的技术方案,计算机设备可以将实时获取的工况参数序列输入异常检测模型中,由异常检测模型基于工况参数序列进行预测,确定该工况参数序列是否属于异常工况参数序列,若该工况参数序列属于异常工况参数序列,则将异常工况序列输入异常工况识别模型中,由工况识别模型基于异常工况序列进行预测,得到管道对应的工况信息。通过这样的方案,在基于模型对工况序列进行识别以确定对应的工况信息之前,可以先基于异常检测模型将正常工况和异常工况区分开,减少了异常工况识别模型的负担,提高了异常工况的识别效率。
在一种可能的实施方式中,若下一个采样时刻的第一目标工况参数与下一个采样时刻的实际工况参数的差别信息符合目标条件,将工况参数序列确定为异常参数序列,包括:
将下一个采样时刻的第一目标工况参数与下一个采样时刻的实际工况参数之间的差别信息输入二分类模型中,由二分类模型基于差别信息进行预测,得到工况参数序列为异常参数序列的概率,若概率大于目标概率,则将工况参数序列确定为异常参数序列。
在一种可能的实施方式中,实时检测管道沿线多个站场的工况参数之前,方法还包括:
基于采样时间顺序将样本工况参数生成目标长度的样本工况参数序列。
将样本工况参数序列输入第一初始模型中,由第一初始模型基于样本工况参数序列进行预测,得到下一个采样时刻的第二目标工况参数。
基于第二目标工况参数与样本第二目标工况参数之前的差别信息,调整第一初始模型的模型参数,直至第一初始模型符合迭代截止条件,将此时的第一初始模型作为异常检测模型。
在一种可能的实施方式中,基于采样时间顺序将样本工况参数生成目标长度的样本工况参数序列之前,方法还包括:
对样本工况参数进行归一化,得到符合标准正态分布的样本工况参数。
将符合标准正态分布的样本工况参数作为样本工况参数。
在一种可能的实施方式中,实时检测管道沿线任一站场的工况参数之前,方法还包括:
将样本工况参数输入第二初始模型,由第二初始模型基于样本工况参数进行预测,得到任一样本站场属于多个工况信息的概率,将概率符合目标条件的工况信息确定为任一样本站场的目标工况信息,基于目标工况信息与样本工况参数对应的样本工况信息的差异,调整第二初始模型的模型参数,直至第二初始模型符合迭代截止条件,将此时的第二初始模型作为异常工况识别模型。
上述所有可选技术方案,可以采用任意结合形成本申请的可选实施例,在此不再一一赘述。
图2是本申请实施例提供的一种工况识别方法的流程图,图3是本申请实施例提供的一种工况识别方法的逻辑框图,参见图2和图3,方法包括:
201、计算机设备实时检测管道沿线多个站场的工况参数,工况参数包括流经任一站场时液体的进出站压力、进出站流量以及多个站场内的输油泵汇管的进出口压力。
其中,进出站压力可以包括进站压力和出站压力,进出站流量可以包括进站流量和出站流量。
在一种可能的实施方式中,管道沿线多个站场内可以设置有用于检测液体进出站压力以及进出站流量的传感器,多个站场内的输油泵汇管上可以设置有检测进出站压力的传感器,计算机设备可以通过管道沿线多个站场内的多个和传感器来实时获取工况参数。计算机设备可以以目标采样频率获取工况参数,获取到工况参数之后,可以为获取到的工况参数添加时间戳和对应站场的标识,便于后续的工况参数序列的生成。
202、计算机设备基于采样时间顺序由工况参数生成目标长度的工况参数序列,将工况参数序列输入异常检测模型,由异常检测模型基于工况参数序列进行预测,得到下一个采样时刻的第一目标工况参数。
其中,异常检测模型具有基于工况参数序列确定管道是否发生异常工况的能力,该异常检测模型的具体训练方式详见之前的说明。基于此,在一种可能的实施方式中,计算机可以基于工况参数和时间戳和对应站场的标识,确定同一采样时刻获取的不同站场的工况参数,并基于同一采样时刻获取的不同站场的工况参数,生成相应的工况参数序列。计算机设备可以调用与管道对应的异常检测模型,将工况参数序列输入异常检测模型中,由工况识别模型基于多个记忆单元和全连接层,对工况参数序列进行运算,预测下一个采样时刻的第一目标工况参数,其中,该第一目标工况参数可以是任一类型的工况参数,本申请实施例对于第一目标工况参数的类型不做限定。具体来说,计算机设备通过管道内不同位置的传感器获取到当前采样时刻首站的进站压力为3KPa,出站压力为2KPa,首站的进站流量为1m3/s,出站流量为1.2m3/s……,那么计算机设备可以将获取到的工况参数组成工况参数序列[3,2,1,1.2……],其中……表示管道沿线中间站场、末站、每个站场的输油泵汇管的进站压力和进站流量。计算机设备将该工况参数序列输入异常检测模型中,由异常检测模型将工况序列中的首个工况参数输入首个记忆单元,将工况序列的第二个工况参数输入第二个记忆单元,将工况序列的第三个工况参数输入第三个记忆单元……,以此类推,异常检测模型可以将上一个记忆单元的输出作为下一个记忆单元的输入,共同参与对下一个工况参数的运算,直至确定工况参数序列对应的目标值,基于全连接层将目标值映射为第一目标工况参数。换句话说,除了首个记忆单元,每个记忆单元在对工况参数进行运算时,都可以参考之前记忆单元的输出,提高了异常检测模型预测的准确性。需要说明的是,第一目标工况参数的类型可以基于训练异常检测模型时所采用的样本第一目标工况参数的类型,本申请实施例对此不做限定。
在一种可能的实施方式中,计算机设备可以基于采样时间顺序,生成多个目标长度工况参数序列,将多个目标长度的工况参数序列输入异常检测模型,由异常检测模型基于多个目标长度的工况参数序列进行预测,得到下一个采样时刻对应的第一目标工况参数序列。具体来说,计算机设备可以基于工况参数的时间戳和对应站场的标识,确定当前采样时刻获取的不同站场的工况参数,生成当前采样时刻对应的工况参数序列。计算机设备还可以获取其他采样时刻获取的工况参数,并生成相应的工况参数序列。计算机设备可以调用与管道对应的异常检测模型,将多个不同采样时刻对应的工况参数序列输入异常检测模型中,由异常检测模型基于多个记忆单元和全连接层,对多个工况参数序列进行运算,预测下一个采样时刻对应的第一目标工况参数序列。举例来说,计算机获取到当前采样时刻对应的工况参数序列为[3,2,1,1.2……],其中3表示当前采样时刻首站的进站压力为3KPa,2表示出站压力为2KPa,1表示首站的进站流量为1m3/s,1.2表示出站流量为1.2m3/s,……表示管道沿线中间站场、末站、每个站场的输油泵汇管的进站压力和进站流量。计算机设备还可以从用于存储工况参数的存储介质中获取上一个采样时刻对应的工况参数序列为[3.1,2.1,0.9,1……],其中数字的含义可以与当前采样时刻对应的工况参数序列相同。计算机设备可以当前采样时刻对应的工况参数序列和上一个采样时刻对应的工况参数序列输入异常序列检测模型中,由异常检测模型将上一采样时刻对应的工况参数序列输入首个记忆单元,将当前采样时刻对应的工况参数序列输入第二个记忆单元,异常检测模型可以将首个记忆单元的输出作为第二个记忆单元的输入,共同参与对当前采样时刻对应的工况参数序列的运算,预测出下一时刻对应的第一目标工况参数序列。当然,上述是以工况参数序列的数量为两个为例进行说明的,在其他实现方式中,计算机设备可以向异常检测模型中输入多于两个工况参数序列,由异常检测模型基于这些工况参数序列进行预测,得到下一时刻对应的第一目标工况参数序列,本申请实施例对此不做限定。
203、若下一个采样时刻的第一目标工况参数与下一个采样时刻的实际工况参数的差别信息符合目标条件,计算机设备将工况参数序列确定为异常参数序列。
在一种可能的实施方式中,计算机设备可以将下一个采样时刻的第一目标工况参数与下一个采样时刻的实际工况参数之间的第一差别信息输入二分类模型中,由二分类模型基于第一差别信息进行预测,得到当前采样时刻对应的工况参数序列为异常参数序列的概率,若概率大于目标概率,则将当前采样时刻对应工况参数序列确定为异常参数序列,否则输出当前采样时刻对应的工况参数序列为正常参数序列。
在一种可能的实施方式中,计算机设备可以将下一个采样时刻的第一目标工况参数序列与下一个采样时刻的时间工况参数序列之间的差别信息输入二分类模型中,由二分类模型基于第二差别信息进行预测,得到当前采样时刻对应的工况参数序列为异常参数序列的概率,若概率大于目标概率,则将当前采样时刻对应的工况参数序列确定为异常参数序列。其中,第二差别信息也可以为一个差别信息序列,差别信息序列可以由第一目标工况参数与当前采样时刻对应的工况参数序列中每个工况参数的差别信息组成。在这种实现方式下,二分类模型可以基于权重矩阵对差别信息序列进行分类,确定该差别信息对应于异常参数序列的概率,若概率大于目标概率,则将当前时刻对应的工况参数序列确定为异常参数序列,否则输出当前采样时刻对应的工况参数序列为正常参数序列。
204、计算机设备将异常参数序列输入异常工况识别模型中,由异常工况识别模型基于异常参数序列进行预测,得到管道对应的工况信息。
其中,异常工况识别模型具有基于异常参数序列确定管道对应工况信息的能力,该异常检测模型的具体训练方式详见之前的说明。基于此,在一种可能的实施方式中,计算机设备可以将异常参数序列,生成相应的异常工况图像。计算机设备可以调动与管道对应的异常工况识别模型,将异常工况图像输入与管道对应的异常工况识别模型中,由异常工况识别模型基于多个卷积核对异常工况图像进行特征提取,得到异常工况图像对应的特征值,由异常工况识别模型将异常工况图像对应的特征值输入池化层和全连接层中,对异常工况图像对应的特征值进行分类,确定特征值对应的工况信息的概率。异常工况识别模型可以将概率最高的工况信息确定为特征值对应的工况信息,也即是管道的工况信息。
在一种可能的实施方式中,异常工况识别模型可以为决策树模型,计算机设备可以根据管道标识,从计算机设备上调用与该管道标识对应的决策树模型,并将管道的异常工况参数序列输入与站场标识应的决策树模型中,由决策树模型基于多个节点对管道的异常工况参数序列进行分类,确定管道的工况信息。在本申请实施例中,决策树模型可以由多个根节点和多个叶子节点构成,每个根节点和叶子节点可以为节点对应的权重矩阵,每个根节点下可以有多个叶子节点,最底层的每个叶子节点可以对应于两个工况信息。下面基于这种决策树模型,来对异常工况参数序列在决策树模型中所进行的处理过程进行说明。具体地,计算机设备将异常工况参数序列输入决策树模型之后,决策树模型可以将异常工况参数序列输入任一个根节点中,将异常工况参数序列与该根节点对应的权重矩阵相乘,得到第一预测值,基于第一预测值与第一判断值的关系,确定下一步将异常工况参数序列输入哪个叶子节点,之后决策树模型可以基于该根节点下的叶子节点,对异常工况参数序列进行判断,确定后续要将异常工况参数序列输入哪一个叶子节点或是确定异常工况参数序列对应的工况信息。当任一叶子节点下没有其他叶子节点时,那么该叶子节点的输出可以对应于两种工况信息。
举例来说,计算机设备可以调用与管道标识对应的决策树模型,并将管道的异常工况参数序列[2,3,4,5,。。。。。。]输入与管道对应的决策树模型,异常工况参数序列中2表示首站的液体进站压力,3表示首站的液体出站压力,4表示首站的液体进站流量,5表示首站的液体出站流量,,。。。。。。。表示表示管道沿线中间站场、末站、每个站场的输油泵汇管的进站压力和进站流量。决策树模型可以将管道的异常工况参数序列输入任一个根节点中,将管道的异常工况参数序列与该根节点对应的权重矩阵[0.1,0.1,0.2,0.2,。。。。。。。]T相乘,得到第一预测值,例如0.7,若该根节点的第一判断值为0.5,且该根节点的判断规则为:当第一预测值大于等于第一判断值时,决策树模型下一步将异常工况参数序列输入第一叶子节点;当第一预测值小于第一判断值时,决策树模型下一步将异常工况参数序列输入第二叶子节点。根据上述规则,决策树模型可以确定下一步将异常工况参数序列输入的叶子节点为第一叶子节点,第一叶子节点继续进行类似于该根节点的判断,直至任一叶子节点下没有其他叶子节点时,那么该叶子节点的输出可以对应于两种工况信息,例如输油泵甩泵和输油泵停泵,具体输出哪种工况信息取决于该叶子节点对应的权重矩阵与异常工况参数序列的相乘后的第二预测值与该叶子节点对应的第二判断值的关系,例如该叶子节点对应的权重矩阵与异常工况参数序列的第二预测值为0.3,该叶子节点对应的第二判断值为0.5,且该叶子节点的判断规则为当第二预测值大于等于第二判断值时,输出该异常工况参数序列对应的工况信息为首站输油泵甩泵,当第二预测值小于等于第二判断值时,输出该异常工况参数序列对应的工况信息为首站输油泵停泵。根据上述规则,决策树模型可以输出管道的异常工况参数序列对应的工况信息为首站输油泵停泵。
通过本申请实施例提供的技术方案,计算机设备可以将实时获取的工况参数序列输入异常检测模型中,由异常检测模型基于工况参数序列进行预测,确定该工况参数序列是否属于异常工况参数序列,若该工况参数序列属于异常工况参数序列,则将异常工况序列输入异常工况识别模型中,由工况识别模型基于异常工况序列进行预测,得到管道对应的工况信息。通过这样的方案,在基于模型对工况序列进行识别以确定对应的工况信息之前,可以先基于异常检测模型将正常工况和异常工况区分开,减少了异常工况识别模型的负担,提高了异常工况的识别效率。
在实验中,模型训练的数据使用监控和数据采集(Supervisory Control AndData Acquisition,SCADA)系统获取实际工况参数,SCADA系统实际运行时的界面截图可以参见图4和图5,工况参数按照站场存储,工况参数包括各站的进出站压力、流量以及主泵汇管的进出压力。所用工况参数每次记录持续1小时,采样间隔1秒,共3601条样本。记录时间为早5点至6点和晚7点至8点,以上时段人为操作较少,可保证样本数据稳定。各管线数据采集自2018年2月至11月,具体见下表1。
表1正常运行数据样本统计
在数据维度上,包括SCADA系统重点监控的五个变量,见表2。
表2各站场记录变量
基于召回率来判别预测结果是否准确,从一定程度上反应模型的性能。使用识别速度作为模型效率评价指标,反映模型识别工况的效率。
通过大量样本数据测试,其异常工况检测结果如下:
(1)性能:模型准确率100%(没有漏报的工况)、召回率94%(排除94%正常工况)。
(2)效率:SL线(六站)10000次判别时间8分55秒,合1次0.05秒。
基于模型效果可见,异常检测模型可高效、准确地滤除大量正常工况数据,降低系统的运转负荷,提高异常工况识别模型的实际运行效率,良好地达到了模型的构建目标。
图6是本申请实施例提供的一种工况识别装置结构示意图,参见图6,装置包括:实时检测模块601、输入模块602、异常参数序列确定模块603以及预测模块604。
实时检测模块601,用于实时检测管道沿线多个站场的工况参数,工况参数包括流经多个站场时液体的进出站压力、进出站流量以及多个站场内的输油泵汇管的进出口压力。
输入模块602,用于基于采样时间顺序由工况参数生成目标长度的工况参数序列,将工况参数序列输入异常检测模型,由异常检测模型基于工况参数序列进行预测,得到下一个采样时刻的第一目标工况参数。
异常参数序列确定模块603,用于若下一个采样时刻的第一目标工况参数与下一个采样时刻的实际工况参数的差别信息符合目标条件,将工况参数序列确定为异常参数序列。
预测模块604,用于将异常参数序列输入异常工况识别模型中,由异常工况识别模型基于异常参数序列进行预测,得到管道对应的工况信息。
在一种可能的实施方式中,异常参数序列确定模块用于将下一个采样时刻的第一目标工况参数与下一个采样时刻的实际工况参数之间的差别信息输入二分类模型中,由二分类模型基于差别信息进行预测,得到工况参数序列为异常参数序列的概率,若概率大于目标概率,则将工况参数序列确定为异常参数序列。
在一种可能的实施方式中,装置还包括:
生成模块,用于基于采样时间顺序将样本工况参数生成目标长度的样本工况参数序列。
输入模块还用于将样本工况参数序列输入第一初始模型中,由第一初始模型基于样本工况参数序列进行预测,得到下一个采样时刻的第二目标工况参数。
调整模块基于第二目标工况参数与样本第二目标工况参数之前的差别信息,调整第一初始模型的模型参数,直至第一初始模型符合迭代截止条件,将此时的第一初始模型作为异常检测模型。
在一种可能的实施方式中,装置还包括:
归一化模块,用于对样本工况参数进行归一化,得到符合标准正态分布的样本工况参数。
作为模块,用于将符合标准正态分布的样本工况参数作为样本工况参数。
在一种可能的实施方式中,装置还包括:
调整模块,用于将样本工况参数输入第二初始模型,由第二初始模型基于样本工况参数进行预测,得到任一样本站场属于多个工况信息的概率,将概率符合目标条件的工况信息确定为任一样本站场的目标工况信息,基于目标工况信息与样本工况参数对应的样本工况信息的差异,调整第二初始模型的模型参数,直至第二初始模型符合迭代截止条件,将此时的第二初始模型作为异常工况识别模型。
需要说明的是:上述实施例提供的工况识别装置在识别工况时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将计算机设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的工况识别装置与工况识别方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
通过本申请实施例提供的技术装置,计算机设备可以将实时获取的工况参数序列输入异常检测模型中,由异常检测模型基于工况参数序列进行预测,确定该工况参数序列是否属于异常工况参数序列,若该工况参数序列属于异常工况参数序列,则将异常工况序列输入异常工况识别模型中,由工况识别模型基于异常工况序列进行预测,得到管道对应的工况信息。通过这样的方案,在基于模型对工况序列进行识别以确定对应的工况信息之前,可以先基于异常检测模型将正常工况和异常工况区分开,减少了异常工况识别模型的负担,提高了异常工况的识别效率。
图7是本申请实施例提供的一种终端的结构示意图。该终端700可以是:笔记本电脑或台式电脑。终端700还可能被称为用户设备、便携式终端、膝上型终端、台式终端等其他名称。
通常,终端700包括有:一个或多个处理器701和一个或多个存储器702。
处理器701可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器701可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器701也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(Central ProcessingUnit,中央处理器)。协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器701可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器701还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器702可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器702还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器702中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器701所执行以实现本申请中方法实施例提供的XXXX方法。
在一些实施例中,终端700还可选包括有:外围设备接口703和至少一个外围设备。处理器701、存储器702和外围设备接口703之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与外围设备接口703相连。具体地,外围设备包括:射频电路704、显示屏705、摄像头706、音频电路707、定位组件708和电源709中的至少一种。
外围设备接口703可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器701和存储器702。在一些实施例中,处理器701、存储器702和外围设备接口703被集成在同一芯片或电路板上。在一些其他实施例中,处理器701、存储器702和外围设备接口703中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路704用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路704通过电磁信号与通信网络以及其他通信设备进行通信。射频电路704将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路704包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路704可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路704还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏705用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏705是触摸显示屏时,显示屏705还具有采集在显示屏705的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器701进行处理。此时,显示屏705还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏705可以为一个,设置终端700的前面板。在另一些实施例中,显示屏705可以为至少两个,分别设置在终端700的不同表面或呈折叠设计。在再一些实施例中,显示屏705可以是柔性显示屏,设置在终端700的弯曲表面上或折叠面上。甚至,显示屏705还可以设置成非矩形的不规则图形,也即异形屏。显示屏705可以采用LCD(LiquidCrystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
摄像头组件706用于采集图像或视频。可选地,摄像头组件706包括前置摄像头和后置摄像头。通常,前置摄像头设置在终端的前面板,后置摄像头设置在终端的背面。在一些实施例中,后置摄像头为至少两个,分别为主摄像头、景深摄像头、广角摄像头、长焦摄像头中的任意一种,以实现主摄像头和景深摄像头融合实现背景虚化功能、主摄像头和广角摄像头融合实现全景拍摄以及VR(Virtual Reality,虚拟现实)拍摄功能或者其它融合拍摄功能。在一些实施例中,摄像头组件706还可以包括闪光灯。闪光灯可以是单色温闪光灯,也可以是双色温闪光灯。双色温闪光灯是指暖光闪光灯和冷光闪光灯的组合,可以用于不同色温下的光线补偿。
音频电路707可以包括麦克风和扬声器。麦克风用于采集用户及环境的声波,并将声波转换为电信号输入至处理器701进行处理,或者输入至射频电路704以实现语音通信。出于立体声采集或降噪的目的,麦克风可以为多个,分别设置在终端700的不同部位。麦克风还可以是阵列麦克风或全向采集型麦克风。扬声器则用于将来自处理器701或射频电路704的电信号转换为声波。扬声器可以是传统的薄膜扬声器,也可以是压电陶瓷扬声器。当扬声器是压电陶瓷扬声器时,不仅可以将电信号转换为人类可听见的声波,也可以将电信号转换为人类听不见的声波以进行测距等用途。在一些实施例中,音频电路707还可以包括耳机插孔。
定位组件708用于定位终端700的当前地理位置,以实现导航或LBS(LocationBased Service,基于位置的服务)。定位组件708可以是基于美国的GPS(GlobalPositioning System,全球定位系统)、中国的北斗系统、俄罗斯的格雷纳斯系统或欧盟的伽利略系统的定位组件。
电源709用于为终端700中的各个组件进行供电。电源709可以是交流电、直流电、一次性电池或可充电电池。当电源709包括可充电电池时,该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
在一些实施例中,终端700还包括有一个或多个传感器710。该一个或多个传感器710包括但不限于:加速度传感器711、陀螺仪传感器712、压力传感器713、指纹传感器714、光学传感器715以及接近传感器716。
加速度传感器711可以检测以终端700建立的坐标系的三个坐标轴上的加速度大小。比如,加速度传感器711可以用于检测重力加速度在三个坐标轴上的分量。处理器701可以根据加速度传感器711采集的重力加速度信号,控制显示屏705以横向视图或纵向视图进行用户界面的显示。加速度传感器711还可以用于游戏或者用户的运动数据的采集。
陀螺仪传感器712可以检测终端700的机体方向及转动角度,陀螺仪传感器712可以与加速度传感器711协同采集用户对终端700的3D动作。处理器701根据陀螺仪传感器712采集的数据,可以实现如下功能:动作感应(比如根据用户的倾斜操作来改变UI)、拍摄时的图像稳定、游戏控制以及惯性导航。
压力传感器713可以设置在终端700的侧边框和/或显示屏705的下层。当压力传感器713设置在终端700的侧边框时,可以检测用户对终端700的握持信号,由处理器701根据压力传感器713采集的握持信号进行左右手识别或快捷操作。当压力传感器713设置在显示屏705的下层时,由处理器701根据用户对显示屏705的压力操作,实现对UI界面上的可操作性控件进行控制。可操作性控件包括按钮控件、滚动条控件、图标控件、菜单控件中的至少一种。
指纹传感器714用于采集用户的指纹,由处理器701根据指纹传感器714采集到的指纹识别用户的身份,或者,由指纹传感器714根据采集到的指纹识别用户的身份。在识别出用户的身份为可信身份时,由处理器701授权该用户执行相关的敏感操作,该敏感操作包括解锁屏幕、查看加密信息、下载软件、支付及更改设置等。指纹传感器714可以被设置终端700的正面、背面或侧面。当终端700上设置有物理按键或厂商Logo时,指纹传感器714可以与物理按键或厂商Logo集成在一起。
光学传感器715用于采集环境光强度。在一个实施例中,处理器701可以根据光学传感器715采集的环境光强度,控制显示屏705的显示亮度。具体地,当环境光强度较高时,调高显示屏705的显示亮度。当环境光强度较低时,调低显示屏705的显示亮度。在另一个实施例中,处理器701还可以根据光学传感器715采集的环境光强度,动态调整摄像头组件706的拍摄参数。
接近传感器716,也称距离传感器,通常设置在终端700的前面板。接近传感器716用于采集用户与终端700的正面之间的距离。在一个实施例中,当接近传感器716检测到用户与终端700的正面之间的距离逐渐变小时,由处理器701控制显示屏705从亮屏状态切换为息屏状态。当接近传感器716检测到用户与终端700的正面之间的距离逐渐变大时,由处理器701控制显示屏705从息屏状态切换为亮屏状态。
本领域技术人员可以理解,图7中示出的结构并不构成对终端700的限定,可以包括比图示更多或更少的组件,或者组合某些组件,或者采用不同的组件布置。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括指令的存储器,上述指令可由处理器执行以完成上述实施例中的工况识别方法。例如,该计算机可读存储介质可以是只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random AccessMemory,RAM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,该程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
上述仅为本申请的可选实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种工况识别方法,其特征在于,所述方法包括:
实时检测管道沿线多个站场的工况参数,为每个所述工况参数添加时间戳和对应站场的标识,所述工况参数包括流经所述多个站场时液体的进出站压力、进出站流量以及所述多个站场内的输油泵汇管的进出口压力;
基于采样时间顺序由所述工况参数生成目标长度的工况参数序列,将所述工况参数序列输入异常检测模型,由所述异常检测模型基于所述工况参数序列进行预测,得到下一个采样时刻的第一目标工况参数;
若所述下一个采样时刻的第一目标工况参数与所述下一个采样时刻的实际工况参数的差别信息符合目标条件,将所述工况参数序列确定为异常参数序列,其中,所述异常参数序列中的每个数值依次表示所述管道沿线每个所述站场的工况参数;
将所述异常参数序列输入与管道标识对应的异常工况识别模型中,由所述异常工况识别模型基于所述异常参数序列进行预测,将概率最高的工况信息确定为所述管道对应的工况信息,其中,所述工况信息为发生异常的站场对应的异常原因。
2.根据权利要求1所述的方法,其特征在于,所述若所述下一个采样时刻的第一目标工况参数与所述下一个采样时刻的实际工况参数的差别信息符合目标条件,将所述工况参数序列确定为异常参数序列,包括:
将所述下一个采样时刻的第一目标工况参数与所述下一个采样时刻的实际工况参数之间的差别信息输入二分类模型中,由所述二分类模型基于所述差别信息进行预测,得到所述工况参数序列为所述异常参数序列的概率,若所述概率大于目标概率,则将所述工况参数序列确定为所述异常参数序列。
3.根据权利要求1所述的方法,其特征在于,所述实时检测管道沿线多个站场的工况参数之前,所述方法还包括:
基于采样时间顺序将样本工况参数生成所述目标长度的样本工况参数序列;
将所述样本工况参数序列输入第一初始模型中,由所述第一初始模型基于所述样本工况参数序列进行预测,得到下一个采样时刻的第二目标工况参数;
基于所述第二目标工况参数与样本第二目标工况参数之前的差别信息,调整所述第一初始模型的模型参数,直至所述第一初始模型符合迭代截止条件,将此时的第一初始模型作为所述异常检测模型。
4.根据权利要求3所述的方法,其特征在于,所述基于采样时间顺序将样本工况参数生成所述目标长度的样本工况参数序列之前,所述方法还包括:
对所述样本工况参数进行归一化,得到符合标准正态分布的样本工况参数;
将所述符合标准正态分布的样本工况参数作为所述样本工况参数。
5.根据权利要求1所述的方法,其特征在于,所述实时检测管道沿线任一站场的工况参数之前,所述方法还包括:
将样本工况参数输入第二初始模型,由所述第二初始模型基于所述样本工况参数进行预测,得到任一样本站场属于多个工况信息的概率,将概率符合目标条件的工况信息确定为所述任一样本站场的目标工况信息,基于所述目标工况信息与所述样本工况参数对应的样本工况信息的差异,调整所述第二初始模型的模型参数,直至所述第二初始模型符合迭代截止条件,将此时的第二初始模型作为所述异常工况识别模型。
6.一种工况识别装置,其特征在于,所述装置包括:
实时检测模块,用于实时检测管道沿线多个站场的工况参数,为每个所述工况参数添加时间戳和对应站场的标识,所述工况参数包括流经所述多个站场时液体的进出站压力、进出站流量以及所述多个站场内的输油泵汇管的进出口压力;
输入模块,用于基于采样时间顺序由所述工况参数生成目标长度的工况参数序列,将所述工况参数序列输入异常检测模型,由所述异常检测模型基于所述工况参数序列进行预测,得到下一个采样时刻的第一目标工况参数;
异常参数序列确定模块,用于若所述下一个采样时刻的第一目标工况参数与所述下一个采样时刻的实际工况参数的差别信息符合目标条件,将所述工况参数序列确定为异常参数序列,其中,所述异常参数序列中的每个数值依次表示所述管道沿线每个所述站场的工况参数;
预测模块,用于将所述异常参数序列输入与管道标识对应的异常工况识别模型中,由所述异常工况识别模型基于所述异常参数序列进行预测,将概率最高的工况信息确定为所述管道对应的工况信息,其中,所述工况信息为发生异常的站场对应的异常原因。
7.根据权利要求6所述的装置,其特征在于,所述异常参数序列确定模块用于将所述下一个采样时刻的第一目标工况参数与所述下一个采样时刻的实际工况参数之间的差别信息输入二分类模型中,由所述二分类模型基于所述差别信息进行预测,得到所述工况参数序列为所述异常参数序列的概率,若所述概率大于目标概率,则将所述工况参数序列确定为所述异常参数序列。
8.根据权利要求6所述的装置,其特征在于,所述装置还包括:
生成模块,用于基于采样时间顺序将样本工况参数生成所述目标长度的样本工况参数序列;
所述输入模块还用于将所述样本工况参数序列输入第一初始模型中,由所述第一初始模型基于所述样本工况参数序列进行预测,得到下一个采样时刻的第二目标工况参数;
调整模块基于所述第二目标工况参数与样本第二目标工况参数之前的差别信息,调整所述第一初始模型的模型参数,直至所述第一初始模型符合迭代截止条件,将此时的第一初始模型作为所述异常检测模型。
9.一种计算机设备,其特征在于,所述计算机设备包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条指令,所述指令由所述一个或多个处理器加载并执行以实现如权利要求1至权利要求5任一项所述的工况识别方法所执行的操作。
10.一种存储介质,其特征在于,所述存储介质中存储有至少一条指令,所述指令由处理器加载并执行以实现如权利要求1至权利要求5任一项所述的工况识别方法所执行的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010106890.XA CN113280265B (zh) | 2020-02-20 | 2020-02-20 | 工况识别方法、装置、计算机设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010106890.XA CN113280265B (zh) | 2020-02-20 | 2020-02-20 | 工况识别方法、装置、计算机设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113280265A CN113280265A (zh) | 2021-08-20 |
CN113280265B true CN113280265B (zh) | 2022-08-05 |
Family
ID=77275398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010106890.XA Active CN113280265B (zh) | 2020-02-20 | 2020-02-20 | 工况识别方法、装置、计算机设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113280265B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113653949B (zh) * | 2021-09-23 | 2023-01-31 | 西南石油大学 | 一种防止输油管道停输时阀室误关断的参数识别方法 |
CN116189396B (zh) * | 2023-04-28 | 2023-07-18 | 威利朗沃矿业设备(北京)有限公司 | 电器安全保护方法、装置、电子设备和计算机可读介质 |
CN116257963B (zh) * | 2023-05-16 | 2023-07-25 | 华能济南黄台发电有限公司 | 一种发电厂管道状态参数确认方法及装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000321176A (ja) * | 1999-05-17 | 2000-11-24 | Mitsui Eng & Shipbuild Co Ltd | 異常検知方法および装置 |
CN102269972A (zh) * | 2011-03-29 | 2011-12-07 | 东北大学 | 基于遗传神经网络的管道压力缺失数据补偿方法及装置 |
CN107833221A (zh) * | 2017-11-29 | 2018-03-23 | 武汉大学 | 一种基于多通道特征融合和机器学习的漏水监测方法 |
CN108051035A (zh) * | 2017-10-24 | 2018-05-18 | 清华大学 | 基于门控循环单元的神经网络模型的管网漏损识别方法 |
CN108764540A (zh) * | 2018-05-16 | 2018-11-06 | 杭州电子科技大学 | 基于并行lstm串联dnn的供水管网压力预测方法 |
CN109034180A (zh) * | 2018-05-31 | 2018-12-18 | 东软集团股份有限公司 | 异常检测方法、装置、计算机可读存储介质及电子设备 |
CN109034127A (zh) * | 2018-08-31 | 2018-12-18 | 中国电子科技集团公司第三十六研究所 | 一种频谱异常检测方法、装置和电子设备 |
CN109583904A (zh) * | 2018-11-30 | 2019-04-05 | 深圳市腾讯计算机系统有限公司 | 异常操作检测模型的训练方法、异常操作检测方法及装置 |
CN110175544A (zh) * | 2019-05-14 | 2019-08-27 | 广州虎牙信息科技有限公司 | 目标模型的构建方法、装置、电子设备及存储介质 |
CN110232481A (zh) * | 2019-06-17 | 2019-09-13 | 重庆仲澜科技有限公司 | 基于mqpso的天然气管网多目标优化调度方法 |
CN110457675A (zh) * | 2019-06-26 | 2019-11-15 | 平安科技(深圳)有限公司 | 预测模型训练方法、装置、存储介质及计算机设备 |
CN110535864A (zh) * | 2019-08-30 | 2019-12-03 | 北京达佳互联信息技术有限公司 | 服务异常检测方法、装置、设备及存储介质 |
-
2020
- 2020-02-20 CN CN202010106890.XA patent/CN113280265B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000321176A (ja) * | 1999-05-17 | 2000-11-24 | Mitsui Eng & Shipbuild Co Ltd | 異常検知方法および装置 |
CN102269972A (zh) * | 2011-03-29 | 2011-12-07 | 东北大学 | 基于遗传神经网络的管道压力缺失数据补偿方法及装置 |
CN108051035A (zh) * | 2017-10-24 | 2018-05-18 | 清华大学 | 基于门控循环单元的神经网络模型的管网漏损识别方法 |
CN107833221A (zh) * | 2017-11-29 | 2018-03-23 | 武汉大学 | 一种基于多通道特征融合和机器学习的漏水监测方法 |
CN108764540A (zh) * | 2018-05-16 | 2018-11-06 | 杭州电子科技大学 | 基于并行lstm串联dnn的供水管网压力预测方法 |
CN109034180A (zh) * | 2018-05-31 | 2018-12-18 | 东软集团股份有限公司 | 异常检测方法、装置、计算机可读存储介质及电子设备 |
CN109034127A (zh) * | 2018-08-31 | 2018-12-18 | 中国电子科技集团公司第三十六研究所 | 一种频谱异常检测方法、装置和电子设备 |
CN109583904A (zh) * | 2018-11-30 | 2019-04-05 | 深圳市腾讯计算机系统有限公司 | 异常操作检测模型的训练方法、异常操作检测方法及装置 |
CN110175544A (zh) * | 2019-05-14 | 2019-08-27 | 广州虎牙信息科技有限公司 | 目标模型的构建方法、装置、电子设备及存储介质 |
CN110232481A (zh) * | 2019-06-17 | 2019-09-13 | 重庆仲澜科技有限公司 | 基于mqpso的天然气管网多目标优化调度方法 |
CN110457675A (zh) * | 2019-06-26 | 2019-11-15 | 平安科技(深圳)有限公司 | 预测模型训练方法、装置、存储介质及计算机设备 |
CN110535864A (zh) * | 2019-08-30 | 2019-12-03 | 北京达佳互联信息技术有限公司 | 服务异常检测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113280265A (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079576B (zh) | 活体检测方法、装置、设备及存储介质 | |
CN113280265B (zh) | 工况识别方法、装置、计算机设备以及存储介质 | |
CN111338910B (zh) | 日志数据处理、显示方法、装置、设备及存储介质 | |
CN108363982B (zh) | 确定对象数量的方法及装置 | |
CN110659542B (zh) | 监控方法及装置 | |
CN111078521A (zh) | 异常事件的分析方法、装置、设备、系统及存储介质 | |
CN111027490A (zh) | 人脸属性识别方法及装置、存储介质 | |
CN110765182A (zh) | 数据统计方法、装置、电子设备及存储介质 | |
CN110166275B (zh) | 信息处理方法、装置及存储介质 | |
CN111931712A (zh) | 人脸识别方法、装置、抓拍机及系统 | |
CN114198491B (zh) | 一种基于润滑油的监测方法、系统和电子设备 | |
CN111985652A (zh) | 应急时长的确定方法、装置及存储介质 | |
CN113343709B (zh) | 意图识别模型的训练方法、意图识别方法、装置及设备 | |
CN114720932A (zh) | 一种电池管理系统信号采样精度测试方法、装置、上位机及存储介质 | |
CN111982293B (zh) | 体温测量方法、装置、电子设备及存储介质 | |
CN111294253B (zh) | 测试数据处理方法、装置、计算机设备及存储介质 | |
CN114093360A (zh) | 呼叫方法、装置、电子设备及存储介质 | |
CN111723615B (zh) | 对检测物图像进行检测物匹配判定的方法和装置 | |
CN112529871A (zh) | 评价图像的方法、装置及计算机存储介质 | |
CN111599417A (zh) | 溶解度预测模型的训练数据获取方法及装置 | |
CN113283443A (zh) | 工况识别方法、装置、计算机设备以及存储介质 | |
CN112990424A (zh) | 神经网络模型训练的方法和装置 | |
CN109634862B (zh) | 应用分析方法、装置及存储介质 | |
CN110458289B (zh) | 多媒体分类模型的构建方法、多媒体分类方法及装置 | |
CN112211622B (zh) | 油藏压力场划分的方法和装置 |
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 |