CN113326610A - 一种基于油高软测量预测的加油站油罐泄漏检测预警方法 - Google Patents

Abstract

本发明提供一种基于油高软测量预测的加油站油罐泄漏检测预警方法。本发明基于油量守恒分析，针对加油站储油罐油高和温度满足多元回归分析的特点，构造通过当前时刻的温度、油量和过去时刻的油高、温度、油量预测当前时刻油高的数据样本；结合机器学习等技术利用液位仪系统的运行数据，建立能够在不同油量下使用的统一油高软测量模型；将油高的实时测量结果与模型的预测结果进行误差对比分析，从而在油罐泄漏检测仪表故障时对油罐可能存在的泄漏故障进行有效检测。本发明所提出的检测方法能够构建合理的数据预测样本并在此基础上快速检测油罐是否存在泄漏故障，具有较高的检测精度和可靠性，在降低加油站油罐安全风险方面有一定的实用价值。

Description

一种基于油高软测量预测的加油站油罐泄漏检测预警方法

技术领域

本发明公开一种基于油高软测量预测的加油站油罐泄漏检测预警方法，本发明属于工业系统故障检测领域。该方法通过构建合理的数据样本对实现油罐油高的软测量预测和误差分析，进而实现对油罐泄漏的准确快速检测，保证油罐的安全运行生产，提高生产效益。该方法涉及对工业系统的特征提取、数据分析、异常检测、故障预警等相关领域。

背景技术

随着工业物联网、云计算、人工智能技术和智能仪表的迅猛发展，现代工业过程中能够根据实际生产和控制的要求准确采集并存储高频和低频的传感器测量信号、工艺数据和产品质量等结构化和非结构化数据。传统的基于机理的异常检测方法逐渐被基于数据驱动的方法所代替，数据驱动的故障检测和预警方法是近年来最热门也是被认为最可靠的方法。结合装备的功能作用、结构组成和工作特点，分析设备的大数据进行价值挖掘、信息提取进而实现装备的状态监测、异常预警、故障诊断、寿命预测、智能维护等工作十分迫切。

基于数据驱动的异常检测方法不需要建立精准的机理模型，仅依靠系统运行过程中收集到的大量数据，建立模型刻画对象的特性，进而实现对异常故障的检测。数据驱动方法的优势在于都是以多变量统计技术为基础的，只需要正常工况下的历史数据来建立模型，同时能够有效地剔除过程数据中的冗余信息、极大地降低数据维数等。目前常用的工业过程异常检测方法有主元分析法(principal component analysis，PCA)、偏最小二乘法(partial least squares，PLS)、独立成分分析(independent component analysis，ICA)、多向主元分析法(Multiway PCA，MPCA)、多向偏最小二乘法(Multiway PLS，MPLS)等多元统计分析方法，以及高斯混合模型(Gaussian Mixture Model，GMM)、支持向量机(SupportVector Machine，SVM)等机器学习方法。

加油站是成品油销售同时提供其他便利服务的场所，而成品油具有易燃、易爆、易泄漏、易产生静电等特点，因此加油站必须把安全作为第一标准。而目前设备运行维护和故障检测多是依赖于末端工作人员的被动式维护，加油站设备故障的维护及时性存在很大的问题，同时，也没有一个有效的设备故障预警机制及设备使用年限报警机制，对各厂家各型号设备的使用情况也没有一个定量的分析工具，所有的一切几乎都依靠维护人员的经验。

在真实场景下，加油站液位仪系统通常运行在正常工况下，发生故障的频次较少，目前的检测方法大部分都是通过检测仪表指示油罐是否泄漏，缺乏比较智能的泄漏检测方法，对仪表设备的依赖性比较大，如果仪表发生故障则会产生误报漏报等现象，对实际的故障检测造成干扰。加油站的设备种类繁多、各个设备的运行数据具有数量大、结构复杂的特点。

发明内容

本发明的目的是在储油罐泄漏检测仪表故障的情况下，检测加油站在日常运行中可能发生的油罐泄漏事件。本发明从数据驱动的角度出发，提出了一种基于数据样本构造和油高软测量预测的加油站储油罐泄漏检测方法，从正常工况的历史数据中建立过程的统计学模型，然后基于该模型预测当前的油高，根据预测结果和测量结果的误差分析实时判断储油罐是否发生泄漏。该方法具有较高的泛化能力和使用价值。

本发明的目的是通过以下技术方案实现的：

一种基于油高软测量预测的加油站油罐泄漏检测预警方法，所述方法包括以下步骤：

(1)获取加油站当前时刻和历史的运行状态数据，所述运行状态数据为正常无泄漏的平稳状态下的运行数据，其中历史运行状态数据包括液位仪系统中的多组油高H、温度T、读取时间t和站点交易信息系统中的罐内油量V，当前时刻运行状态数据包含当前时刻的油高、温度和罐内油量。

(2)将当前时刻运行状态数据和一组或多组历史运行状态数据输入至一在考虑油量变化的情况下构建的油高软测量模型中，对当前时刻的油高进行预测，根据预测的油高与实际测量的误差判断油罐是否发生泄漏。

其中，油高软测量模型具体表示为：

H_a＝f(T_a，H_b，T_b，V_a-V_b)

式中，下标a表示预测时刻的索引，b表示为用于预测的历史时刻的索引，H_a、T_a、V_a分别为t_a时刻的油高、温度和油量，H_b、T_b、V_b分别为t_b时刻的油高、温度、油量。f()为油高软测量模型，通过利用步骤1获取的加油站历史运行状态数据进行回归构建获得。

进一步地，所述步骤1具体为：

利用液位仪系统获取油高H、温度T、读取时间t；利用站点交易信息系统获取提枪时间t_t，挂枪时间t_g，每一次加油的销售量，即油罐内油量变化量ΔV。

通过站点交易信息系统的提枪时间t_t、挂枪时间t_g与液位仪系统采样时间的对应情况从液位仪数据中除去加油数据，即提枪时间和挂枪时间之间的数据；剔除卸油操作的数据段即油高明显增加的数据段；去除异常点(数据突变的部分)。最终得到除去卸油段和加油段后的多段油量守恒数据，即为平稳状态下的运行数据。

将加油站历史运行状态数据中根据油量划分成多个平稳状态S₁、S₂…S_l，每个平稳状态内包括1个或多个时刻的运行状态数据，每一个平稳状态之间油量不同，将第一个平稳状态S₁作为参考起点，给定一个油量为初始值零，则第二个平稳状态S₂的油量

依次类推第k个平稳状态S_k的油量为

其中，m_k表示在平稳状态S_k下包含的运行状态数据个数，k＝1，2，…，l。根据平稳状态编号S和时间顺序重新构建特征状态矩阵，所述特征状态矩阵包含变量平稳状态编号S、油高H、温度T和该平稳状态下的油量V。

进一步地，所述步骤2中，通过利用步骤1获取的加油站历史运行状态数据进行回归构建油高软测量模型，具体为：

取特征状态矩阵中每个t时刻的油高

作为输出变量构造向量Y_train。针对每个时刻，从特征状态矩阵其余所有时刻的数据中随机选择N_k次分别和t时刻的温度

拼成输入矩阵X_train。[Y_train，X_train]为最终完整的训练数据集矩阵。，其中，将Nk次预测的均值作为最终油高的预测值，对训练数据集矩阵进行回归构建获得油高软测量模型。

进一步地，所述步骤2中，将当前时刻运行状态数据和一组或多组历史运行状态数据输入至一在考虑油量变化的情况下构建的油高软测量模型中，对当前时刻的油高进行预测，具体为：

从特征状态矩阵中选择多组连续的历史运行状态数据t_p-i，t_p-i-1，...，t_p-j(i＜j)的样本分别进行j-i+1次预测。t_p表示待预测的当前时刻，t_p-i：t_p-j时刻的数据和t_p时刻的温度

组成输入矩阵X_test，对t_p时刻的油高

进行预测，将j-i+1次预测的均值作为最终油高的预测值。

进一步地，所述步骤2中，还包括预警步骤，具体为：基于误差阈值的储油罐漏油故障预警：

当预测的油高与实际测量的误差超过设定的阈值区间则判断油高数据异常，油罐发生泄漏，立即报告站端采取维修措施。其中，阈值区间为根据模型在训练数据集上的预测结果和实际油高之间的误差，对所有绝对误差取置信度为0.95的置信区间。

本发明的有益效果为：本方法针对加油站储油罐泄漏检测仪表可能发生故障的场景。采用传统的故障检测方法会出现误报、漏报、报警不及时的情况，因此提出一种基于数据驱动的加油站油罐泄漏检测预警方法，该方法首先根据设备历史工况数据构建合理的预测样本对，其次基于偏最小二乘等机器学习算法，能够根据液位仪系统的运行状态数据建立油罐泄漏软测量模型，根据历史正常工况的误差分析设定合理的阈值，并对油高进行实时预测，通过对比实时预测值和实际仪表数据的误差判断是否发生泄漏。区别于传统依赖于仪表和运维人员的检测方法，该方法能够在泄漏检测传感器失灵的情况下快速检测加油站油罐的泄漏故障，能够提升故障检测的准确度，降低检测难度，具有较高的泛化能力和使用价值。

附图说明

图1基于油罐液位仪软测量预测的加油站油罐泄漏检测预警方法的整体结构；

图2是故障预警模型的监测结果。

具体实施方式

下面结合附图及加油站储油罐实际运行具体实例，对本发明作进一步详细说明。

储油罐作为加油站的储油设备，并且一般都有与之配套的油位计量管理系统，是加油站的一个重要组成部分，它的安全性关乎整个站点的整体安全，因此对油罐以及相关计量管理系统的状态监测与故障检测有着十分重要的意义。加油站设备繁多，数据结构复杂、数量大，根据工况特点以及检测目标构建合理的数据样本对是故障检测的关键一步。本发明以某加油站分布式系统的液位仪和站点交易系统数据为例，其中包括加油站储油罐的油高、温度、体积、读取时间、泄漏状态、销售数量、销售单价等变量，与该方法相关的为油高、温度、读取时间、提枪时间、挂枪时间、销售量6个关键变量。

如图1所示，本发明是数据驱动的加油站油罐泄漏软测量方法，包括以下步骤：

(1)获取运行数据：运行状态数据来自于加油站分布式系统的液位仪和站点交易信息系统。液位仪系统包含加油站储油罐油高、温度、体积、读取时间、泄漏状态等变量信息，采样时间为2分钟；交易信息系统包含销售数量、销售单价、提枪时间、挂枪时间等变量数据。所采集数据应为正常无泄漏状态下的运行数据。

(2)提取关键变量，建立关键运行状态数据矩阵：

(2.1)加油站的油罐处于平稳状态时，在理想情况下油品的高度和体积是恒定不变的，但是由于温度的变化，液体油品和固体油罐都会有“热胀冷缩”的表现，相对于固体油罐，油品的这种变化更加明显。由于油品属于易挥发液体，当温度变化时，油罐中的蒸汽量会发生变化，液体油品的体积也随之变化。以上两种现象都表现在液体油品的高度变化。根据质量守恒，油罐中物质的量不变的情况下，液体油品的高度和温度满足一定的关系，即在任意t_a时刻的油高H_a、温度T_a和任意t_b时刻的油高H_b、温度T_b满足关系：

H_a＝f(T_a，H_b，T_b) (1.1)

(2.2)加油站在实际运行中涉及到卸油和加油的操作，储油罐的油量会随着不同的操作发生相应的变化。加油时油罐的油量减少，表现为油高数据下降；卸油时油罐的油量增加，表现为油高数据上升，而卸油量的变化远比加油量的变化剧烈，且加油的操作远比卸油操作频繁。因此加油操作可以看作是加油站最日常的运行状态，公式(1.1)需要在考虑油量变化的情况下进行修正，在储油罐油量变化的情况下，t_a时刻的油高H_a、温度T_a、油量V_a和t_b时刻的油高H_b、温度T_b、油量V_b满足式(1.2)的关系：

H_a＝f(T_a，H_b，T_b，V_a-V_b) (1.2)

(2.3)通过以上分析明确需要提取的关键变量，液位仪系统：油高H、温度T、读取时间t；站点交易信息系统：提枪时间t_t，挂枪时间t_g，每一次加油的销售量，即油罐内油量变化量ΔV(单位：升)。

(3)划分数据集，构建特征工程，该过程包括以下步骤：

(3.1)数据清洗：通过站点交易信息系统的提枪时间t_t、挂枪时间t_g与液位仪系统采样时间的对应情况从液位仪数据中除去加油数据，即提枪时间和挂枪时间之间的数据；剔除卸油操作的数据段即油高明显增加的数据段；去除异常点(数据突变的部分)。最终得到除去卸油段和加油段后的多段油量守恒数据，即每个段内的油量恒定不变。

(3.2)构建特征加油量变化V：如表7所示，在经过数据清洗后，新的状态矩阵可以看作是没有进行任何卸油或加油操作的多个平稳状态S₁、S₂…S_l的排列，每一个平稳状态之间的区别是油量的不同，将第一个平稳状态S₁作为参考起点，给定一个油量为初始值零，则第二个平稳状态S₂的油量

依次类推第k个平稳状态S_k的油量为

最终得到特征状态矩阵，包含变量平稳状态编号S、油高H、温度T和该平稳状态下的油量V。

表7特征状态矩阵

其中，m_k表示在S_k平稳状态下采样点的个数，在相同平稳状态下的油量是相同的，其变化为零，也即

k＝1，2，…，l.

(3.3)训练集和测试集以及输入变量和输出变量的划分：储油罐是否漏油可以通过油罐的液位高度来表征，将a时刻的油高作为输出变量，将a时刻的温度、另一b时刻的油高和温度以及两个时刻之间的油量差作为输入变量，他们之间的关系通过式(1.2)的映射H_a＝f(T_a，H_b，T_b，V_a-V_b)来反映。

加油站在实际运行的过程中是有一定的时序关系的，机理上未来时刻的数据可以反映当前数据的变化，但是在实际生产运行中，不能用未来数据预测当前时刻的油高。故本实施例中将特征状态矩阵按照时间顺序排列，前80％作为训练集，剩余部分作为测试集。

1)训练集矩阵的构造：特征状态矩阵的前80％作为训练数据，取每个t时刻的油高

作为输出变量构造向量Y_train。针对每个时刻，从训练集其余所有时刻的数据中随机选择N_k次分别和t时刻的温度

拼成输入矩阵X_train。[Y_train，X_train]为最终完整的训练数据集矩阵。具体如表8所示：

表8训练数据集

其中

表示S_k平稳状态下第m_k个采样点的油高，

表示S_k平稳状态下第m_k个采样点的温度。

表示第k个平稳状态下第m_k个采样点的油高对应的N_k个随机样本，

k＝1，2，…(k≤l).每个时刻预测的油高

为对应随机选择N_k次的均值。

2)测试集的构造：假设被预测的样本处于t_p时刻，t_p时刻的预测结果由t_p-i，t_p-i-1，...，t_p-j(i＜j)的样本分别进行j-i+1次的预测结果融合得到(将j-i+1次预测的均值作为最终油高的预测值)。t_p时刻的油高

作为输出变量构造向量Y_test，t_p-i：t_p-j时刻的数据和t_p时刻的温度

组成输入矩阵X_test。[Y_test，X_test]为最终完整的测试数据集矩阵。具体如表9所示：

表9测试数据集

其中N_k，i，j的取值要结合实际情况和软测量模型的评估结果来确定。

(4)以偏最小二乘法(partial least squares，PLS)为例，建立基于数据驱动的油高预测软测量模型：

(4.1)PLS方法介绍：设有q个因变量{y₁，...，y_q}和h个自变量{x₁，...，x_h}。为了研究因变量和自变量的统计关系，我们观测了n个样本点，由此构成了自变量与因变量的数据表X＝{x₁，...，x_h}和Y＝{y₁，...，y_q}。偏最小二乘回归分别在X与Y中提取出成分v₁和u₁(也就是说，v₁是x₁，...，x_h的线形组合，u₁是y₁，...，y_g的线形组合)。在提取这两个成分时，为了回归分析的需要，有下列两个要求：

a.v₁和u₁应尽可能大地携带他们各自数据表中的变异信息；

b.v₁与u₁的相关程度能够达到最大。

首先对自变量X提取潜变量v₁，使得v₁与u₁的相关性最大，v₁尽可能多的提取X的主要信息，即满足式(1.3)的优化条件。

在第一个成分被提取出来后，PLS分别求X和Y对v₁和u₁的回归方程：

如果回归方程已经达到满意的精度，则终止算法；否则将利用变量被解释后的残差信息继续提取成分直到达到满意的精度为止。

其中v₁和u₁为自变量X和因变量Y的潜变量，p₁、q₁和r₁分别是三个方程的回归系数，E₁、

和F₁分别表示三个方程的残差矩阵。

基于以上对PLS方法的介绍，本发明利用(3.3)中所构造的训练数据集建立PLS油罐软测量模型。

(4.2)性能指标：模型训练完成后本实施例中使用测试数据对模型的性能进行测试与评价，采用R²和RMSE两项指标对模型性能进行评价，具体计算公式如下：

其中y_i和

分别表示测试样本i的真实值和预测值，

为测试集中真实值的平均值，m为测试样本数目，R²指标数值越接近1，RMSE指标数值越小，表示模型性能越好。

(5)基于误差阈值的储油罐漏油故障预警：

模型训练完成后，根据模型在训练数据集上的预测结果和实际油高之间的误差，对所有绝对误差取置信度为0.95的置信区间作为误差阈值，来判断储油罐油高数据是否异常。

对于在线应用时的数据采用(3.3)中提到的方法构造测试数据集并输入软测量模型，如果与实际测量的误差超过设定的阈值区间则判断油高数据异常，油罐发生泄漏，立即报告站端采取维修措施。预警模型的评估通过混淆矩阵计算模型的准确率、误报率的漏报率综合评价，结果如图2所示。

表10是本方法与其他对比模型用于某加油站油罐油高预测结果。选择加油站油罐中10天的历史正常运行数据，根据上述的样本构造方法，分别使用不同的软测量建模算法进行了检验，可以看出基于PLS的油高预测模型有良好的表现，能够准确预测出油高。针对其他算法的模型，可以看出虽然在训练数据上皆有比较良好的表现，但是在测试集上基于PLS算法的预测模型有一定的提升。表明该发明所提出的加油站储油罐数据特征提取的方法和建立的模型针对油罐泄漏的故障检测是可靠的。

表11是通过本发明中提到的故障检测的方法的检测结果。使用了1000个测试样本，其中包含正常工况970个样本，异常工况30个样本(在本实验中将加油的数据作为了故障数据)。通过误报率和漏报率的结果表明该发明所提出的阈值设定方法和故障检测模型能够比较准确、及时地检测出油罐是否发生泄漏。

本发明方法故障检测的优越性在于区别于依赖传感器和人员的传统检测方法，能够在仪表失灵的场景，在根据历史工况数据特点构造合理数据样本对的基础上，采用数据驱动的方法准确快速地检测出油罐是否泄漏。

表10油高预测软测量模型预测结果

表11油罐泄漏模型检测结果

Claims (5)

1.一种基于油高软测量预测的加油站油罐泄漏检测预警方法，其特征在于，所述方法包括以下步骤：

(1)获取加油站当前时刻和历史的运行状态数据，所述运行状态数据为正常无泄漏的平稳状态下的运行数据，其中历史运行状态数据包括液位仪系统中的多组油高H、温度T、读取时间t和站点交易信息系统中的罐内油量V，当前时刻运行状态数据包含当前时刻的油高、温度和罐内油量。

(2)将当前时刻运行状态数据和一组或多组历史运行状态数据输入至一在考虑油量变化的情况下构建的油高软测量模型中，对当前时刻的油高进行预测，根据预测的油高与实际测量的误差判断油罐是否发生泄漏。

其中，油高软测量模型具体表示为：

H_a＝f(T_a，H_b，T_b，V_a-V_b)

式中，下标a表示预测时刻的索引，b表示为用于预测的历史时刻的索引，H_a、T_a、V_a分别为t_a时刻的油高、温度和油量，H_b、T_b、V_b分别为t_b时刻的油高、温度、油量。f()为油高软测量模型，通过利用步骤1获取的加油站历史运行状态数据进行回归构建获得。

2.根据权利要求1所述的方法，其特征在于，所述步骤1具体为：

利用液位仪系统获取油高H、温度T、读取时间t；利用站点交易信息系统获取提枪时间t_t，挂枪时间t_g，每一次加油的销售量，即油罐内油量变化量ΔV。

通过站点交易信息系统的提枪时间t_t、挂枪时间t_g与液位仪系统采样时间的对应情况从液位仪数据中除去加油数据，即提枪时间和挂枪时间之间的数据；剔除卸油操作的数据段即油高明显增加的数据段；去除异常点(数据突变的部分)。最终得到除去卸油段和加油段后的多段油量守恒数据，即为平稳状态下的运行数据。

将加油站历史运行状态数据中根据油量划分成多个平稳状态S₁、S₂…S_l，每个平稳状态内包括1个或多个时刻的运行状态数据，每一个平稳状态之间油量不同，将第一个平稳状态S₁作为参考起点，给定一个油量为初始值零，则第二个平稳状态S₂的油量

依次类推第k个平稳状态S_k的油量为

其中，m_k表示在平稳状态S_k下包含的运行状态数据个数，k＝1，2，…，l。根据平稳状态编号S和时间顺序重新构建特征状态矩阵，所述特征状态矩阵包含变量平稳状态编号S、油高H、温度T和该平稳状态下的油量V。

3.根据权利要求2所述的方法，其特征在于，所述步骤2中，通过利用步骤1获取的加油站历史运行状态数据进行回归构建油高软测量模型，具体为：

取特征状态矩阵中每个t时刻的油高

作为输出变量构造向量Y_train。针对每个时刻，从特征状态矩阵其余所有时刻的数据中随机选择N_k次分别和t时刻的温度

拼成输入矩阵X_train。[Y_train，X_train]为最终完整的训练数据集矩阵。，其中，将N_k次预测的均值作为最终油高的预测值，对训练数据集矩阵进行回归构建获得油高软测量模型。

4.根据权利要求2所述的方法，其特征在于，所述步骤2中，将当前时刻运行状态数据和一组或多组历史运行状态数据输入至一在考虑油量变化的情况下构建的油高软测量模型中，对当前时刻的油高进行预测，具体为：

从特征状态矩阵中选择多组连续的历史运行状态数据t_p-i，t_p-i-1，...，t_p-j(i＜j)的样本分别进行j-i+1次预测。t_p表示待预测的当前时刻，t_p-i：t_p-j时刻的数据和t_p时刻的温度

组成输入矩阵X_test，对t_p时刻的油高

进行预测，将j-i+1次预测的均值作为最终油高的预测值。

5.根据权利要求1所述的方法，其特征在于，所述步骤2中，还包括预警步骤，具体为：基于误差阈值的储油罐漏油故障预警：

当预测的油高与实际测量的误差超过设定的阈值区间则判断油高数据异常，油罐发生泄漏，立即报告站端采取维修措施。其中，阈值区间为根据模型在训练数据集上的预测结果和实际油高之间的误差，对所有绝对误差取置信度为0.95的置信区间。

Images