CN113551157B - 基于传感器网络的油气数据采集系统及方法 - Google Patents
基于传感器网络的油气数据采集系统及方法 Download PDFInfo
- Publication number
- CN113551157B CN113551157B CN202110837961.8A CN202110837961A CN113551157B CN 113551157 B CN113551157 B CN 113551157B CN 202110837961 A CN202110837961 A CN 202110837961A CN 113551157 B CN113551157 B CN 113551157B
- Authority
- CN
- China
- Prior art keywords
- oil gas
- oil
- gas data
- data
- abnormal
- 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
- F17D5/005—Protection or supervision of installations of gas pipelines, e.g. alarm
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D3/00—Arrangements for supervising or controlling working operations
- F17D3/01—Arrangements for supervising or controlling working operations for controlling, signalling, or supervising the conveyance of a product
-
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Examining Or Testing Airtightness (AREA)
Abstract
本发明涉及油气管道监测技术领域,尤其是基于传感器网络的油气数据采集系统及方法,所述系统包括数据检测模块:用于检测油气管道的油气数据,所述油气数据包括压力值、流通量和温度;历史数据获取模块:用于获取油气管道发生泄漏时,各油气数据的变化幅度;分析频率生成模块:用于根据各油气数据的变化幅度,生成各油气数据的分析频率,所述分析频率与变化幅度成正比;异常分析模块:用于根据数据检测模块检测的油气数据,分析油气数据的异常值;分析频率调整模块:用于变化幅度最大的油气数据的异常值超过其异常阈值时,调高其他油气数据的分析频率。本发明能够合理调整对于各油气数据的分析频率,减少数据分析时的负荷。
Description
技术领域
本发明涉及油气管道监测技术领域,特别涉及基于传感器网络的油气数据采集系统及方法。
背景技术
石油与天然气是国民生活中不可或缺的一部分,在石油天然气工业中,石油与天然气的运输十分重要。我国对于石油与天然气的运输主要通过管道运输实现。在管道运输过程中,因各种外界或内部的原因,管道在长期使用下可能存在破损的情况,从而可能导致油气泄漏,而石油与天然气的泄漏必然会带来安全隐患。
为此,现有技术中采用了一系列的传感器对管道中的油气泄漏情况进行检测,通过分析这些传感器反映的油气数据对油气管道的泄漏情况进行分析,但我国的油气管道发布错综复杂,各个油气管道需要采集的油气数据繁多,为数据分析端带来了极高的难度,从而导致数据分析效率低且对于数据分析端的配置要求高等问题。
发明内容
本发明提供了基于传感器网络的油气数据采集系统,能够合理调整对于各油气数据的分析频率,减少数据分析时的负荷。
本发明提供的基础方案:
基于传感器网络的油气数据采集系统及方法,包括以下模块:
数据检测模块:用于检测油气管道的油气数据,所述油气数据包括压力值、流通量和温度;
历史数据获取模块:用于获取油气管道发生泄漏时,各油气数据的变化幅度;
分析频率生成模块:用于根据各油气数据的变化幅度,生成各油气数据的分析频率,所述分析频率与变化幅度成正比;
异常分析模块:用于根据数据检测模块检测的油气数据,分析油气数据的异常值;
分析频率调整模块:用于在变化幅度最大的油气数据的异常值超过其异常阈值时,调高其他油气数据的分析频率。
本发明的原理及优点在于:油气管道发生泄漏时,各油气数据的变化幅度是不同的,本方案对油气管道历史发生泄漏时,各油气数据的变化幅度进行分析,对于变化幅度越大的油气数据进行更加频繁的数据分析,其原理在于,油气管道发生泄漏时,对变化幅度越大的油气数据进行检测分析时也会更容易快速得到油气数据异常的检测结果,且其在相同的泄漏情况下,数据的变化幅度更大,会更加容易体现出来油气数据的异常,故当变化幅度大的油气数据都不存在异常情况时,油气泄漏的概率相对较低。除此之外,本方案中检测到变化幅度最大的油气数据的异常值超过其异常阈值时,调高其他油气数据的分析频率,其原理在于,变化幅度最大的油气数据发生异常后,表明燃气管道有泄漏情况的概率较高,故此时提高其他油气数据的分析频率,从而达到根据油气管道发生泄漏的可能性,合理调控油气数据分析频率的技术效果,同时减小了对油气数据进行分析时的负荷,降低了对于数据分析设备的配置要求。
进一步,所述历史数据获取模块用于分别获取不同油气管道发生泄漏时,各油气数据的变化幅度;
所述分析频率生成模块:用于根据不同油气管道发生泄漏时,各油气数据的变化幅度,生成对不同油气管道各油气数据的分析频率。
有益效果:油气管道分布在城市的大街小巷,各个油气管道的布线方式、检测仪器的安装方式各不相同,故发生油气泄漏时,各油气数据的变化幅度也可能存在差别,即变化幅度最大的油气数据可能不同,所以分别获取不同的油气管道历史中发生泄漏时,各油气数据的变化幅度,以更加精确的针对不同油气管道的泄漏情况进行检测。
进一步,还包括阀门控制模块:用于根据所述油气数据的异常值,控制阀门开度;
所述阀门控制模块包括异常数量计算模块和阀门开度调整模块:
所述异常数量计算模块:用于计算异常值超过其异常阈值的油气数据的数量,及异常值未超过其异常阈值的油气数据的数量;
所述阀门开度调整模块:用于在异常值未超过其异常阈值的油气数据少于异常值超过其异常阈值的油气数据时,关小油气管道的阀门开度;异常值未超过其异常阈值的油气数据多于异常值超过其异常阈值的油气数据时,开大油气管道的阀门开度并重新对油气数据进行检测与分析。
有益效果:异常值未超过其异常阈值的油气数据少于异常值超过其异常阈值的油气数据时,表示油气存在泄漏情况的概率较大,需要关小油气管道的阀门开度以及时控制油气的泄漏情况;油气发生泄漏时,各项油气数据都会有所体现,而异常值未超过其异常阈值的油气数据多于异常值超过其异常阈值的油气数据时,说明油气发生泄漏的概率较小,有可能是个别检测装置发生了故障,故此时开大阀门,管道内的油气密度越大,油气数据的异常情况将更加明显,故通过开大阀门使油气数据的异常情况更加清楚的体现,并对开大阀门后的油气管道的油气数据重新进行检测与分析。
进一步,所述阀门控制模块还包括智能预估模块:
所述智能预估模块:用于通过人工智能模型,根据当前的阀门开度和油气数据,分析开大油气管道的阀门开度后的危险系数及异常值最大的油气数据;
所述阀门开度调整模块:用于在异常值未超过其异常阈值的油气数据多于异常值超过其异常阈值的油气数据,但危险系数超过危险阈值时,关小油气管道的阀门开度;
所述分析频率调整模块:还用于调高对开大油气管道的阀门开度后,异常值最大的油气数据的分析频率。
有益效果:开大油气管道的阀门开度后,可能会存在安全隐患,故本方案对开大阀门后的情况进行预估,具体涉及危险系数以及异常值最大的油气数据的预估。据此,便可在危险系数超过危险阈值时,不予开大油气管道的阀门开度,防止安全事故。调高对开大油气管道的阀门开度后,异常值最大的油气数据的分析频率,从而更加快速的检测出油气是否发生泄漏,因为油气管道的泄漏时间越长,安全隐患就越大,所以本方案中调高开大阀门后异常值最大的油气数据的分析频率,以达到快速得到油气数据异常情况的目的。
基于传感器网络的油气数据采集方法,包括以下步骤:
S1:检测油气管道的油气数据,所述油气数据包括压力值、流通量和温度;
S2:获取油气管道发生泄漏时,各油气数据的变化幅度;
S3:根据各油气数据的变化幅度,生成各油气数据的分析频率,所述分析频率与变化幅度成正比;
S4:根据检测的油气数据,分析油气数据的异常值;
S5:变化幅度最大的油气数据的异常值超过其异常阈值时,调高其他油气数据的分析频率。
进一步,所述S2:分别获取不同油气管道发生泄漏时,各油气数据的变化幅度;
所述S3:根据不同油气管道发生泄漏时,各油气数据的变化幅度,生成对不同油气管道各油气数据的分析频率。
进一步,还包括S6:根据所述油气数据的异常值,控制阀门开度;
所述S6包括:
S6010:计算异常值超过其异常阈值的油气数据的数量,及异常值未超过其异常阈值的油气数据的数量;
S6020:异常值未超过其异常阈值的油气数据少于异常值超过其异常阈值的油气数据时,关小油气管道的阀门开度;异常值未超过其异常阈值的油气数据多于异常值超过其异常阈值的油气数据时,开大油气管道的阀门开度并重新对油气数据进行检测与分析。
进一步,所述S6010和S6020间还包括:
S6015:通过人工智能模型,根据当前的阀门开度和油气数据,分析开大油气管道的阀门开度后的危险系数及异常值最大的油气数据;
所述S6020:异常值未超过其异常阈值的油气数据多于异常值超过其异常阈值的油气数据,但危险系数超过危险阈值时,关小油气管道的阀门开度;
还包括S7:调高对开大油气管道的阀门开度后,异常值最大的油气数据的分析频率。
附图说明
图1为本发明实施例基于传感器网络的油气数据采集系统的逻辑框图。
图2为本发明实施例基于传感器网络的油气数据采集方法的流程框图。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例1基本如附图1所示:
基于传感器网络的油气数据采集系统,包括数据检测模块、历史数据获取模块、分析频率生成模块、异常分析模块和分析频率调整模块。所述数据检测模块检测油气管道的油气数据,所述油气数据包括压力值、流通量和温度,本实施例中,在油气管道上设有多个检测节点,每一个检测节点中都设有数据检测模块。
历史数据获取模块分别获取不同油气管道发生泄漏时,各油气数据的变化幅度,具体的,获取油气管道发生泄漏时,相邻检测节点各油气数据的差值,设上游检测节点的油气数据(压力值、流通量和温度)为A(A1、A2、A3),下游检测节点的油气数据(压力值、流通量和温度)为B(B1、B2、B3),以(A-B)/A作为各油气数据的变化幅度。
分析频率生成模块根据不同油气管道发生泄漏时,各油气数据的变化幅度,生成对不同油气管道各油气数据的分析频率,所述分析频率与变化幅度成正比,即油气数据在油气管道发生泄漏时的变化幅度越大,其分析频率也会越高,本方案中共有三个油气数据,故在设置分析频率时,由高到低分别为2min/次、5min/次和8min/次。
异常分析模块根据数据检测模块检测的油气数据,分析油气数据的异常值,所述异常值为(A-B)。分析频率调整模块用于变化幅度最大的油气数据的异常值超过其异常阈值时,调高其他油气数据的分析频率,本实施例中将其他油气数据的分析频率调高为原分析频率的两倍,本实施例中各油气数据的异常阈值均为上游检测节点检测到的油气数据的十分之一。
实施例2基本如附图1所示:
实施例2基本原理与实施例1相同,其区别在于实施例2中还包括阀门控制模块,用于根据所述油气数据的异常值,控制上游检测节点中的阀门开度。阀门控制模块包括异常数量计算模块、智能预估模块和阀门开度调整模块。异常数量计算模块用于计算异常值超过其异常阈值的油气数据的数量,及异常值未超过其异常阈值的油气数据的数量。
异常值未超过其异常阈值的油气数据少于异常值超过其异常阈值的油气数据时,阀门开度调整模块关小油气管道的阀门开度。
异常值未超过其异常阈值的油气数据多于异常值超过其异常阈值的油气数据时,智能预估模块通过人工智能模型,根据当前的阀门开度和油气数据,分析开大油气管道的阀门开度后的危险系数及异常值最大的油气数据。
具体的,智能预估模块通过BP神经网络模型,使用BP神经网络技术来对危险系数及异常值最大的油气数据进行预测,具体的首先构建一个三层的BP神经网络模型,包括输入层、隐层和输出层,本实施例中,以当前的阀门开度、压力值、流通量和温度作为输入层的输入,因此输入层有4个节点,而输出是危险系数及异常值最大的油气数据,因此共有2个节点,本实施例中,危险系数由高至低分为1-10;针对于隐层,本实施例使用了以下公式来确定隐层节点的数量:其中l为隐层的节点数,n为输入层的节点数,m为输出层的节点数,a为1至10之间的一个数,本实施例中取为6,因此隐层共有9个节点。BP神经网络通常采用Sigmoid可微函数和线性函数作为网络的激励函数。本实施例选择S型正切函数tansig作为隐层神经元的激励函数。预测模型选取S型对数函数tansig作为输出层神经元的激励函数。在BP网络模型构建完毕后,利用历史数据作为样本对模型进行训练,训练完成后得到的预测模型可以取得较为准确的预测结果。
阀门开度调整模块用于异常值未超过其异常阈值的油气数据多于异常值超过其异常阈值的油气数据,但危险系数超过危险阈值时,关小油气管道的阀门开度;异常值未超过其异常阈值的油气数据多于异常值超过其异常阈值的油气数据,且危险系数未超过危险阈值时,开大油气管道的阀门开度并重新对油气数据进行检测与分析。本实施例中,危险阈值为4。
分析频率调整模块还用于调高对开大油气管道的阀门开度后,异常值最大的油气数据的分析频率,本实施例中调整为原分析频率的两倍。
实施例3基本如附图2所示:
基于传感器网络的油气数据采集方法,包括以下步骤:
S1:检测油气管道的油气数据,所述油气数据包括压力值、流通量和温度;本实施例中,在油气管道上设有多个检测节点,每一个检测节点中都会对油气管道的油气数据进行检测。
S2:分别获取不同油气管道发生泄漏时,各油气数据的变化幅度;具体的,获取油气管道发生泄漏时,相邻检测节点各油气数据的差值,设上游检测节点的油气数据(压力值、流通量和温度)为A(A1、A2、A3),下游检测节点的油气数据(压力值、流通量和温度)为B(B1、B2、B3),以(A-B)/A作为各油气数据的变化幅度。
S3:根据不同油气管道发生泄漏时,各油气数据的变化幅度,生成对不同油气管道各油气数据的分析频率,所述分析频率与变化幅度成正比;即油气数据在油气管道发生泄漏时的变化幅度越大,其分析频率也会越高,本方案中共有三个油气数据,故在设置分析频率时,由高到低分别为2min/次、5min/次和8min/次。
S4:根据检测的油气数据,分析油气数据的异常值;所述异常值为(A-B)。
S5:变化幅度最大的油气数据的异常值超过其异常阈值时,调高其他油气数据的分析频率;本实施例中将其他油气数据的分析频率调高为原分析频率的两倍,本实施例中各油气数据的异常阈值均为上游检测节点检测到的油气数据的十分之一。
实施例4基本如附图2所示:
实施例4基本原理与实施例3相同,其区别在于实施例4中还包括S6和S7。
所述S6包括:
S6010:计算异常值超过其异常阈值的油气数据的数量,及异常值未超过其异常阈值的油气数据的数量;
1、异常值未超过其异常阈值的油气数据少于异常值超过其异常阈值的油气数据时:
S6020:关小上游检测节点中的油气管道的阀门开度。
2、异常值未超过其异常阈值的油气数据多于异常值超过其异常阈值的油气数据时:
S6015:通过人工智能模型,根据当前的阀门开度和油气数据,分析开大油气管道的阀门开度后的危险系数及异常值最大的油气数据;具体的,构建一个三层的BP神经网络模型,以当前的阀门开度、压力值、流通量和温度作为输入层的输入,危险系数及异常值最大的油气数据作为输出层的输出。
S6020:本实施例中,危险系数由高至低分为1-10。危险系数超过危险阈值时,关小油气管道的阀门开度;危险系数未超过危险阈值时,开大油气管道的阀门开度并重新对油气数据进行检测与分析。本实施例中,危险阈值为4。
S7:调高对开大油气管道的阀门开度后,异常值最大的油气数据的分析频率,本实施例中调整为原分析频率的两倍。
以上的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (8)
1.基于传感器网络的油气数据采集系统,其特征在于:包括以下模块:
数据检测模块:用于检测油气管道的油气数据,所述油气数据包括压力值、流通量和温度;
历史数据获取模块:用于获取油气管道发生泄漏时,各油气数据的变化幅度;获取油气管道发生泄漏时,相邻检测节点各油气数据的差值,设上游检测节点的油气数据为A,下游检测节点的油气数据为B,以(A-B)/A作为各油气数据的变化幅度;
分析频率生成模块:用于根据各油气数据的变化幅度,生成各油气数据的分析频率,所述分析频率与变化幅度成正比;
异常分析模块:用于根据数据检测模块检测的油气数据,分析油气数据的异常值;所述异常值为(A-B);
分析频率调整模块:用于在变化幅度最大的油气数据的异常值超过其异常阈值时,调高其他油气数据的分析频率。
2.根据权利要求1所述的基于传感器网络的油气数据采集系统,其特征在于:所述历史数据获取模块用于分别获取不同油气管道发生泄漏时,各油气数据的变化幅度;
所述分析频率生成模块:用于根据不同油气管道发生泄漏时,各油气数据的变化幅度,生成对不同油气管道各油气数据的分析频率。
3.根据权利要求1所述的基于传感器网络的油气数据采集系统,其特征在于:还包括阀门控制模块:用于根据所述油气数据的异常值,控制阀门开度;
所述阀门控制模块包括异常数量计算模块和阀门开度调整模块:
所述异常数量计算模块:用于计算异常值超过其异常阈值的油气数据的数量,及异常值未超过其异常阈值的油气数据的数量;
所述阀门开度调整模块:用于在异常值未超过其异常阈值的油气数据少于异常值超过其异常阈值的油气数据时,关小油气管道的阀门开度;异常值未超过其异常阈值的油气数据多于异常值超过其异常阈值的油气数据时,开大油气管道的阀门开度并重新对油气数据进行检测与分析。
4.根据权利要求3所述的基于传感器网络的油气数据采集系统,其特征在于:所述阀门控制模块还包括智能预估模块:
所述智能预估模块:用于通过人工智能模型,根据当前的阀门开度和油气数据,分析开大油气管道的阀门开度后的危险系数及异常值最大的油气数据;
所述阀门开度调整模块:用于在异常值未超过其异常阈值的油气数据多于异常值超过其异常阈值的油气数据,但危险系数超过危险阈值时,关小油气管道的阀门开度;
所述分析频率调整模块:还用于调高对开大油气管道的阀门开度后,异常值最大的油气数据的分析频率。
5.基于传感器网络的油气数据采集方法,其特征在于:包括以下步骤:
S1:检测油气管道的油气数据,所述油气数据包括压力值、流通量和温度;
S2:获取油气管道发生泄漏时,各油气数据的变化幅度;获取油气管道发生泄漏时,相邻检测节点各油气数据的差值,设上游检测节点的油气数据为A,下游检测节点的油气数据为B,以(A-B)/A作为各油气数据的变化幅度;
S3:根据各油气数据的变化幅度,生成各油气数据的分析频率,所述分析频率与变化幅度成正比;
S4:根据检测的油气数据,分析油气数据的异常值;所述异常值为(A-B);
S5:变化幅度最大的油气数据的异常值超过其异常阈值时,调高其他油气数据的分析频率。
6.根据权利要求5所述的基于传感器网络的油气数据采集方法,其特征在于:
所述S2:分别获取不同油气管道发生泄漏时,各油气数据的变化幅度;
所述S3:根据不同油气管道发生泄漏时,各油气数据的变化幅度,生成对不同油气管道各油气数据的分析频率。
7.根据权利要求5所述的基于传感器网络的油气数据采集方法,其特征在于:还包括S6:根据所述油气数据的异常值,控制阀门开度;
所述S6包括:
S6010:计算异常值超过其异常阈值的油气数据的数量,及异常值未超过其异常阈值的油气数据的数量;
S6020:异常值未超过其异常阈值的油气数据少于异常值超过其异常阈值的油气数据时,关小油气管道的阀门开度;异常值未超过其异常阈值的油气数据多于异常值超过其异常阈值的油气数据时,开大油气管道的阀门开度并重新对油气数据进行检测与分析。
8.根据权利要求7所述的基于传感器网络的油气数据采集方法,其特征在于:所述S6010和S6020间还包括:
S6015:通过人工智能模型,根据当前的阀门开度和油气数据,分析开大油气管道的阀门开度后的危险系数及异常值最大的油气数据;
所述S6020:异常值未超过其异常阈值的油气数据多于异常值超过其异常阈值的油气数据,但危险系数超过危险阈值时,关小油气管道的阀门开度;
还包括S7:调高对开大油气管道的阀门开度后,异常值最大的油气数据的分析频率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110837961.8A CN113551157B (zh) | 2021-07-23 | 2021-07-23 | 基于传感器网络的油气数据采集系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110837961.8A CN113551157B (zh) | 2021-07-23 | 2021-07-23 | 基于传感器网络的油气数据采集系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113551157A CN113551157A (zh) | 2021-10-26 |
CN113551157B true CN113551157B (zh) | 2022-09-02 |
Family
ID=78104275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110837961.8A Active CN113551157B (zh) | 2021-07-23 | 2021-07-23 | 基于传感器网络的油气数据采集系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113551157B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104595730A (zh) * | 2015-01-15 | 2015-05-06 | 中国石油大学(华东) | 一种基于声波幅值衰减模型的油气管道泄漏定位方法 |
WO2021100054A1 (en) * | 2019-11-22 | 2021-05-27 | Lovely Professional University | Method and device for monitoring the critical parameters of oil pipeline |
CN113090959A (zh) * | 2021-03-31 | 2021-07-09 | 杨大松 | 一种智慧燃气监测系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101625071B (zh) * | 2009-08-07 | 2012-11-28 | 天津大学 | 燃气管道泄漏检测和定位方法 |
ITRM20120629A1 (it) * | 2012-12-11 | 2014-06-12 | Pipe Monitoring Corp S R L Pimoc S R L | Processo ed impianto per sistema di supervisione gestione e controllo dell'integrita' strutturale di una rete di condotte (pipeline) localizzazione del punto di perdita e valutazione dell'entita' dell'anomalia |
GB2558493A (en) * | 2015-11-04 | 2018-07-11 | Nec Corp | Pipe condition detection device, pipe condition detection method, computer-readable recording medium, and pipe condition detection system |
WO2019028269A2 (en) * | 2017-08-02 | 2019-02-07 | Strong Force Iot Portfolio 2016, Llc | METHODS AND SYSTEMS FOR DETECTION IN AN INDUSTRIAL ENVIRONMENT OF COLLECTING INTERNET DATA FROM OBJECTS WITH LARGE DATA SETS |
CN106761681B (zh) * | 2017-02-16 | 2023-04-14 | 中国石油化工股份有限公司 | 基于时序数据分析的电泵井故障实时诊断系统及方法 |
GB2560790B (en) * | 2017-12-20 | 2019-05-15 | Intellitect Water Ltd | A water network monitor, monitoring system and method |
DE102019127409A1 (de) * | 2019-10-11 | 2021-04-15 | Rosen Swiss Ag | Verfahren zur Leckerkennung |
-
2021
- 2021-07-23 CN CN202110837961.8A patent/CN113551157B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104595730A (zh) * | 2015-01-15 | 2015-05-06 | 中国石油大学(华东) | 一种基于声波幅值衰减模型的油气管道泄漏定位方法 |
WO2021100054A1 (en) * | 2019-11-22 | 2021-05-27 | Lovely Professional University | Method and device for monitoring the critical parameters of oil pipeline |
CN113090959A (zh) * | 2021-03-31 | 2021-07-09 | 杨大松 | 一种智慧燃气监测系统 |
Non-Patent Citations (1)
Title |
---|
基于负压波法的输油管道泄漏检测定位系统;廉小亲等;《计算机工程与设计》;20070508;第28卷(第09期);2199-2202 * |
Also Published As
Publication number | Publication date |
---|---|
CN113551157A (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210216852A1 (en) | Leak detection with artificial intelligence | |
CN110441065B (zh) | 基于lstm的燃气轮机在线检测方法与装置 | |
KR102060481B1 (ko) | 회귀분석, 회귀신경망 및 심층신경망을 이용한 광역상수도의 유량 예측 및 누수 감지 방법 | |
Liu et al. | A leak detection method for oil pipeline based on Markov feature and two-stage decision scheme | |
US8341106B1 (en) | System and method for identifying related events in a resource network monitoring system | |
CN103939749B (zh) | 基于大数据的输油管网泄漏智能自适应监控系统及方法 | |
Abbasi et al. | Predictive maintenance of oil and gas equipment using recurrent neural network | |
CN113090959A (zh) | 一种智慧燃气监测系统 | |
CN111861211A (zh) | 一种具有双层反窃电模型的系统 | |
Abdulla et al. | Pipeline leak detection using artificial neural network: Experimental study | |
CN113987908A (zh) | 基于机器学习方法的天然气管网泄漏预警方法 | |
CN105043776A (zh) | 一种飞机发动机性能监控与故障诊断方法 | |
CN107222169A (zh) | 一种基于离群点检测的光伏阵列实时监控与故障检测方法 | |
CN116989277A (zh) | 一种基于Adaboost与BP神经网络的动态供水管网漏损风险评估方法 | |
CN117370818B (zh) | 基于人工智能的供排水管网智能诊断方法及智慧环保系统 | |
Lučin et al. | Detailed leak localization in water distribution networks using random forest classifier and pipe segmentation | |
Shi et al. | Internal leakage rate prediction and failure diagnosis of buried pipeline ball valve based on valve cavity pressure detection | |
CN113551157B (zh) | 基于传感器网络的油气数据采集系统及方法 | |
CN112434887A (zh) | 一种结合网络核密度估计和svm的供水管网风险预测方法 | |
Liu et al. | Improved machine learning leak fault recognition for low-pressure natural gas valve | |
Tylman et al. | Fully automatic AI-based leak detection system | |
Hu et al. | Research on the fault identification method of oil pumping unit based on residual network | |
Wang et al. | A state monitoring method of gas regulator station based on evidence theory driven by time-domain information | |
Wang et al. | Deeppipe: An intelligent monitoring framework for operating condition of multi-product pipelines | |
Zhang et al. | An unsupervised leak detection method with aggregating prediction and reconstruction along projection pathway for natural gas gathering pipelines |
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 |