CN114186489A - 基于排序网络的成品油管道异常检测方法、系统及设备 - Google Patents
基于排序网络的成品油管道异常检测方法、系统及设备 Download PDFInfo
- Publication number
- CN114186489A CN114186489A CN202111473110.6A CN202111473110A CN114186489A CN 114186489 A CN114186489 A CN 114186489A CN 202111473110 A CN202111473110 A CN 202111473110A CN 114186489 A CN114186489 A CN 114186489A
- Authority
- CN
- China
- Prior art keywords
- pipeline
- model
- finished oil
- network
- simulation
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Pipeline Systems (AREA)
Abstract
本发明涉及基于排序网络的成品油管道异常检测方法、系统及设备,方法包括建立仿真管道模型;基于仿真管道模型模拟各种正常与异常工况的运行情况,得到仿真管道模型中各站的进出口压力时间序列数据;基于压力时间序列数据搭建基于排序网络的成品油管道异常检测模型进行,用于对管道进行检测。本发明模型对于成品油管道的异常检测具有很高的准确性和很强的通用性,同时模型将以往的识别问题转化为排序问题,极大的提升了模型对异常情况的检测准确度和容错率。
Description
技术领域
本发明是关于一种基于排序网络的成品油管道异常检测方法、系统及设备,涉及管道检测技术领域。
背景技术
成品油管道作为油品运输的主要方式之一,其输送过程安全与否关系着用户乃至国家能源发展。在输送过程中,管道内存在各种干扰(如调度计划引起的工况频繁变化)。由于管道损坏、设备故障、操作不当等因素,异常情况时有发生,严重影响现场的正常生产工作,造成了巨大的经济损失。目前,现场对于工况运行的监控主要依靠人工识别与监测,不仅耗时耗力,而且还容易对工况类型误判。因此,实时、准确、快速的实现管道异常检测具有重要意义。
目前,成品油管道异常检测的研究主要集中在管道泄漏方面。基于数值模拟的方法是比较灵敏的方法,经常应用于管道异常检测。基于数值模拟的方法原理是采用流体质量、动量和能量方程来模拟管道内的流量与压力等,并将预测值与测量数据进行比较,以确定泄漏并描述泄漏特征。De Sousa等人使用ANSYS Fluent研究了漏油对压力和流量特性的影响。获得的结果揭示了泄漏如何影响泄漏区域附近的压力和流速。Molina-Espinosa等人进行了由管道泄漏物理实验支持的数值建模,研究了存在泄漏的短管中不可压缩流动的瞬态模型。获得的结果表明,在泄漏附近的压降方面,模拟和实验数据之间具有良好的相关性。Zhang等人提出了基于水热力瞬态分析的液体管道泄漏检测和定位模型,然后使用改进的粒子群(PSO)进行优化等。利用数值模拟的方法虽然可以比较精准的计算管道泄漏的参数,但是其模型对于计算速度和计算规模要求较高;而且随着管道长度的增加,计算参数也会增多,计算速度也相应降低;同时数值模拟的方法无法实时动态更新,不能实时检测管道是否发生异常情况。
基于算法和数据驱动的智能方法是目前比较流行的异常检测方法。龚俊等人提出了一种基于主成分分析和RBF神经网络的管道泄漏检测模型。Li等人建立了管道突变的创新模型,采用基于BP神经网络的非线性时间序列来检测泄漏。Kang等人提出了一种融合了一维卷积神经网络和支持向量机的方法进行泄漏检测。Fukuda使用统计分析技术和压力梯度法来检测较小规模泄漏的泄漏等。虽然基于智能算法和数据驱动的方法充分利用了管道SCADA系统的运行数据,但是其中大多数的方法都仅仅是从数据层面去进行异常检测,忽略了管道的拓扑结构与水力特性,且未考虑其时空特征。最后导致对于异常工况检测的准确率低,误报率高。在实际应用中,常用的模型的容错率和识别准确率会很低,无法对未知的异常情况做出判断。另外,大部分检测方法都只针对于特定的几种工况,对于其它异常情况无法有效识别。
发明内容
针对上述问题,本发明的目的是提供一种能够提升对管道异常情况进行准确检测的基于排序网络的成品油管道异常检测方法、系统及设备。
为实现上述目的,本发明采取以下技术方案:
第一方面,本发明提供的基于排序网络的成品油管道异常检测方法,包括:
建立仿真管道模型;
基于仿真管道模型模拟各种正常与异常工况的运行情况,得到仿真管道模型中各站的进出口压力时间序列数据;
基于压力时间序列数据搭建基于排序网络的成品油管道异常检测模型,用于对管道进行检测。
所述的基于排序网络的成品油管道异常检测方法,进一步地,基于排序网络的成品油管道异常检测模型的搭建包括:
对压力时间序列进行变形处理;
将p组正常工况定义为正样本,将q组正常工况和异常工况定义为负样本,将正样本与负样本相互配对,并且两组样本中的每一个仅配对一次;
配对完成后,得到p×q组的训练组合样本对,并对其标签形式进行定义;
通过借助采用具有共享权值的双分支人工神经网络对压力时间序列的特征进行提取,并给出得分,通过训练完成排序模型搭建。
所述的基于排序网络的成品油管道异常检测方法,进一步地,在构建训练组合样本对时,正常工况组成的样本对的标签定义为0,正常工况与异常工况组成的样本对的标签定义为1。
所述的基于排序网络的成品油管道异常检测方法,进一步地,在训练过程中,训练组合样本对每次给网络发送一个异常工况标签或正常工况标签,学习网络试图使得异常标签的得分高于正常的,学习过程为:
Pij=σ(si-sj)
si=f(xi,w)
sj=f(xj,w)
其中,Pij代表待测工况所属于哪个类别的概率大小,σ(·)代表sigmoid函数,xi和xj代表从组合样本中提取出来的压力特征,w代表所提排序网络的权值,si和sj表示排序网络得出的分数。
所述的基于排序网络的成品油管道异常检测方法,进一步地,建立仿真管道模型利用SPS仿真软件。
第二方面,本发明还提供一种基于排序网络的成品油管道异常检测系统,该系统包括:
管道模型建立单元,被配置为建立仿真管道模型;
工况仿真单元,被配置为基于仿真管道模型模拟各种正常与异常工况的运行情况,得到仿真管道模型中各站的进出口压力时间序列数据;
模型搭建单元,被配置为基于压力时间序列数据搭建基于排序网络的成品油管道异常检测模型对管道进行检测。
第三方面,本发明还提供一种电子设备,所述电子设备至少包括处理器和存储器,所述存储器上存储有计算机程序,所述处理器运行所述计算机程序时执行所述的方法。
第四方面,本发明还提供一种计算机存储介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现所述的方法。
本发明由于采取以上技术方案,其具有以下优点:
1、以往对管道异常检测的研究主要是应用分类模型,从单一异常情况的角度进行检测。同时,由于管道数据的维数大、噪声大,异常状态识别结果准确率不高,很容易给现场监测工作带来漏报和误报,影响管道的正常生产,本发明主要从正常工况和异常工况两个角度考虑成品油管道的异常检测,主要检测是否发生异常工况,为及时发现现场异常情况提供有效指导;
2、本发明模型对于成品油管道的异常检测具有很高的准确性和很强的通用性,同时模型将以往的识别问题转化为排序问题,极大的提升了模型对异常情况的检测准确度和容错率;
综上,本发明在成品油管道发生异常情况时,能快速的辅助现场工作人员进行排查,指导现场安全运行监控管理。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。在整个附图中,用相同的附图标记表示相同的部件。在附图中:
图1为本发明的方法整体流程图;
图2为本发明的管道仿真模型;
图3为本发明的基于排序网络的成品油管道异常检测模型;
图4为本发明的仿真管道1上各模型的识别结果;
图5为本发明的仿真管道2上各模型的识别结果;
图6为本发明的电子设备结构图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
应理解的是,文中使用的术语仅出于描述特定示例实施方式的目的,而无意于进行限制。除非上下文另外明确地指出,否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的,并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在,但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行,除非明确指出执行顺序。还应当理解,可以使用另外或者替代的步骤。
尽管可以在文中使用术语第一、第二、第三等来描述多个元件、部件、区域、层和/或部段,但是,这些元件、部件、区域、层和/或部段不应被这些术语所限制。这些术语可以仅用来将一个元件、部件、区域、层或部段与另一区域、层或部段区分开。除非上下文明确地指出,否则诸如“第一”、“第二”之类的术语以及其它数字术语在文中使用时并不暗示顺序或者次序。因此,以下讨论的第一元件、部件、区域、层或部段在不脱离示例实施方式的教导的情况下可以被称作第二元件、部件、区域、层或部段。
为了便于描述,可以在文中使用空间相对关系术语来描述如图中示出的一个元件或者特征相对于另一元件或者特征的关系,这些相对关系术语例如为“内部”、“外部”、“内侧”、“外侧”、“下面”、“上面”等。这种空间相对关系术语意于包括除图中描绘的方位之外的在使用或者操作中装置的不同方位。
随着数据驱动技术的快速发展,基于现场数据的分析方法逐渐成为异常检测技术的研究热点之一。如果可以充分挖掘管道工况切换数据的时间序列和物理空间特性,统一处理各种工况信息,综合分析各站进出口压力序列,就可以实现成品油管道异常检测,辅助工作人员及时对管道异常情况做出反应,减少现场生产损失。本发明提供的成品油管道的异常检测是先利用管道和附属设备的真实参数进行仿真管道建模,模拟各种正常与异常工况的运行;然后基于仿真管道数据,考虑管道各站压力的时空特性和水力特性,构建压力时间序列;最后搭建基于人工神经网络的排序模型来对待测工况进行检测。本发明将工况分类问题转化为排序问题,使得模型对异常工况检测的容忍度更高,同时可以对未知的异常情况做出有效的判断,对现场成品油管道的安全运行监控有着重要的指导意义。
实施例一
如图1所示,本实施例提供的基于排序网络的成品油管道异常检测方法,包括步骤为:
S1、利用管道和附属设备的真实参数建立仿真管道模型
具体地,本实施例将成品油管道系统分解为多个子单元,包括首站A、一个中间站B和末站C。通过对真实管道进行建模,采集设备的相应参数:输油泵的额定扬程、额定功率、额定流量、阀门开度、油品物性、管道长度、摩阻系数等,利用SPS(Stoner PipelineSimulator)仿真软件建立成品油管道仿真模型,并应用其对正常工况与异常工况进行模拟,模拟后得到三个站的进出口压力数据。将这些进出口压力数据与工况类型相对应,建立一个仿真工况数据库,便于对异常检测模型进行验证。
如图2所示,管道仿真模型的首站A包括油库、输油泵、阀门,中间站B包括油库、输油泵、阀门,末站C包括油库、阀门,三个站之间通过两条管道进行连接,构成一个整体的成品油输送系统。
S2、基于仿真管道模型模拟各种正常与异常工况的运行
将建立的管道仿真模型用于模拟常见的正常工况和异常工况,得到管道中各站的进出口压力时间序列数据,其中,按照调度计划运行的工况称为正常工况,正常工况中包含稳态工况和非稳态工况;异常工况是指系统中发生了调度计划以外的异常情况。考虑管道系统的复杂水力特性和时空特性,将各站进出口压力序列导出为4×N(N代表压力序列长度)的序列矩阵形式:
S3、基于压力时间序列数据搭建基于排序网络的成品油管道异常检测模型对待测工况进行检测。
如图3所示,本实施例基于排序网络的成品油管道异常检测模型采用具有共享权值的双分支ANN(Artificial Neural Networks,人工神经网络),两个网络之间存在联系,并共享权值,使得可以同时捕捉样本对中两个样本之间的特征和异同点,步骤包括:
首先,对压力时间序列矩阵进行变形处理,转化为1×4N的一维序列形式,便于模型的输入与训练。
然后,将p组正常工况定义为正样本,将q组正常工况和异常工况定义为负样本,将正样本与负样本相互配对,并且两组样本中的每一个仅配对一次。配对完成后,得到p×q组的组合样本对,并对其标签形式进行定义。在构建训练组合样本时,正常工况组成的样本对的标签定义为0,正常工况与异常工况组成的样本对的标签定义为1。
最后,通过借助ANN对压力序列的特征进行提取,并给出得分,通过训练完成排序模型搭建,通过排序模型可以应用于成品油管道异常检测。
具体地,在训练过程中,组合样本对每次给网络发送一个异常工况标签或正常工况标签,学习网络试图使得异常标签的得分高于正常的,学习过程为:
Pij=σ(si-sj) (2)
si=f(xi,w) (3)
sj=f(xj,w) (4)
其中,Pij代表待测工况所属于哪个类别的概率大小,σ(·)代表sigmoid函数,xi和xj代表从组合样本中提取出来的压力特征,w代表所提排序网络的权值,si和sj表示排序网络得出的分数。
S4、设置评价指标进行模型评价
在机器学习领域,常用准确率(Accuracy)、精准率(Precision)、召回率(Recall)、F1score来衡量模型的识别性能。
表1混淆矩阵
式中,Accuracy:表示预测正确的工况占总工况的比例;Precision:表示实际为正(T)的预测工况的比例;Recall:表示正的工况被真正预测的比例;F1score:综合表示Precision和Recall的评价结果。
下面以两条仿真管道为研究对象,验证本实施例的基于排序网络的异常检测模型的有效性。
首先收集两条真实成品油管道的设备参数和油品物性,以此为基础分别建立的SPS仿真模型。基于常见的工况类型,对两条仿真管道进行相应的非稳态与异常工况的模拟。从仿真模型中导出维度为4×N的压力序列矩阵,然后将其转化为一维时间序列形式,完成压力数据的初步处理。仿真管道的数据集如表2所示。将处理好的数据集划分为训练集和验证集,训练集占80%,验证集占20%。
表2仿真数据集
将训练集和验证集带入到训练得到的排序模型中,实现成品油管道的异常检测。为证明所提出的基于排序网络的异常检测模型的优越性,将其与常见的机器学习模型如ANN(人工神经网络)、DT(决策树)、RF(随机森林)、KNN(最近邻)、SVM(支持向量机)、GB(梯度提升)进行对比。异常检测模型在仿真管道1数据集上的识别结果如图4所示。从图4中可以看出,对比其它机器学习模型,所提出的排序模型在仿真数据集上的识别效果最好,其准确率、精准率、召回率和F1score分别达到98.7%、98.7%、98.6%和98.5%。原因则是,在保持原数据集的时间序列特征的同时,本发明应用双网络结构来综合挖掘压力数据的潜在信息,以概率排序的方式增强了模型的稳定性,实现成品油管道异常检测。
为验证所提排序模型的泛化性能,在仿真管道2的数据集上再次进行测试。对仿真管道2的数据集进行同样的处理,代入到所提的排序模型和其它机器学习模型,对比各项指标的结果。最终的识别结果如图5所示,所提的排序模型的性能依旧是最好的,其准确率、精准率、召回率和F1score分别达到98.9%、98.9%、98.5%和98.5%。同时所提出的模型在两条仿真管道上的识别效果相近,说明了模型的泛化能力较强,能应用于现场的管道运行安全监控工作。
实施例二
上述实施例一提供了基于排序网络的成品油管道异常检测方法,与之相对应地,本实施例提供一种基于排序网络的成品油管道异常检测系统。本实施例提供的系统可以实施实施例一的基于排序网络的成品油管道异常检测方法,该系统可以通过软件、硬件或软硬结合的方式来实现。为了描述的方便,描述本实施例时以功能分为各种单元分别描述。当然,在实施时可以把各单元的功能在同一个或多个软件和/或硬件中实现。例如,该系统可以包括集成的或分开的功能模块或功能单元来执行实施例一各方法中的对应步骤。由于本实施例的系统基本相似于方法实施例,所以本实施例描述过程比较简单,相关之处可以参见实施例一的部分说明即可,本发明提供的基于排序网络的的成品油管道异常检测系统的实施例仅仅是示意性的。
本实施例提供的基于排序网络的成品油管道异常检测系统,该系统包括:
管道模型建立单元,被配置为建立仿真管道模型;
工况仿真单元,被配置为基于仿真管道模型模拟各种正常与异常工况的运行情况,得到仿真管道模型中各站的进出口压力时间序列数据;
模型搭建单元,被配置为基于压力时间序列数据搭建基于排序网络的成品油管道异常检测模型进行待测工况进行检测。
实施例三
本实施例提供一种与本实施例一所提供的基于排序网络的成品油管道异常检测方法对应的电子设备,电子设备可以是用于客户端的电子设备,例如手机、笔记本电脑、平板电脑、台式机电脑等,以执行实施例一的方法。
如图6所示,电子设备包括处理器、存储器、通信接口和总线,处理器、存储器和通信接口通过总线连接,以完成相互间的通信。总线可以是工业标准体系结构(ISA,IndustryStandard Architecture)总线,外部设备互连(PCI,Peripheral Component)总线或扩展工业标准体系结构(EISA,Extended Industry Standard Component)总线等等。存储器中存储有可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行本实施例一所提供的基于排序网络的成品油管道异常检测方法。本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算设备的限定,具体的计算设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一些实现中,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、光盘等各种可以存储程序代码的介质。
在另一些实现中,处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器,在此不做限定。
实施例四
本实施例一的基于排序网络的成品油管道异常检测方法可被具体实现为一种计算机程序产品,计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本实施例一所述的基于排序网络的成品油管道异常检测方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实现”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于排序网络的成品油管道异常检测方法,其特征在于包括:
建立仿真管道模型;
基于仿真管道模型模拟各种正常与异常工况的运行情况,得到仿真管道模型中各站的进出口压力时间序列数据;
基于压力时间序列数据搭建基于排序网络的成品油管道异常检测模型,用于对待测管道进行检测。
2.根据权利要求1所述的基于排序网络的成品油管道异常检测方法,其特征在于,基于排序网络的成品油管道异常检测模型的搭建包括:
对压力时间序列进行变形处理;
将p组正常工况定义为正样本,将q组正常工况和异常工况定义为负样本,将正样本与负样本相互配对,并且两组样本中的每一个仅配对一次;
配对完成后,得到p×q组的训练组合样本对,并对其标签形式进行定义;
通过借助采用具有共享权值的双分支人工神经网络对压力时间序列的特征进行提取,并给出得分,通过训练完成基于排序网络的成品油管道异常检测模型的搭建。
3.根据权利要求2所述的基于排序网络的成品油管道异常检测方法,其特征在于,在构建训练组合样本对时,正常工况组成的样本对的标签定义为0,正常工况与异常工况组成的样本对的标签定义为1。
4.根据权利要求2或3所述的基于排序网络的成品油管道异常检测方法,其特征在于,在训练过程中,训练组合样本对每次给网络发送一个异常工况标签或正常工况标签,学习网络试图使得异常标签的得分高于正常的,学习过程为:
Pij=σ(si-sj)
si=f(xi,w)
sj=f(xj,w)
其中,Pij代表待测工况所属于哪个类别的概率大小,σ(·)代表sigmoid函数,xi和xj代表从组合样本中提取出来的压力特征,w代表所提排序网络的权值,si和sj表示排序网络得出的分数。
5.根据权利要求1所述的基于排序网络的成品油管道异常检测方法,其特征在于,建立仿真管道模型利用SPS仿真软件。
6.一种基于排序网络的成品油管道异常检测系统,其特征在于,该系统包括:
管道模型建立单元,被配置为建立仿真管道模型;
工况仿真单元,被配置为基于仿真管道模型模拟各种正常与异常工况的运行情况,得到仿真管道模型中各站的进出口压力时间序列数据;
模型搭建单元,被配置为基于压力时间序列数据搭建基于排序网络的成品油管道异常检测模型对待测管道进行检测。
7.一种电子设备,所述电子设备至少包括处理器和存储器,所述存储器上存储有计算机程序,其特征在于,所述处理器运行所述计算机程序时执行以实现权利要求1到5任一项所述的方法。
8.一种计算机存储介质,其特征在于,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现权利要求1到5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111473110.6A CN114186489A (zh) | 2021-12-02 | 2021-12-02 | 基于排序网络的成品油管道异常检测方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111473110.6A CN114186489A (zh) | 2021-12-02 | 2021-12-02 | 基于排序网络的成品油管道异常检测方法、系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114186489A true CN114186489A (zh) | 2022-03-15 |
Family
ID=80542343
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111473110.6A Pending CN114186489A (zh) | 2021-12-02 | 2021-12-02 | 基于排序网络的成品油管道异常检测方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114186489A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117520996A (zh) * | 2024-01-04 | 2024-02-06 | 长沙小枰建材有限公司 | 一种用于涵管的实时压力测试方法 |
US11953161B1 (en) | 2023-04-18 | 2024-04-09 | Intelcon System C.A. | Monitoring and detecting pipeline leaks and spills |
-
2021
- 2021-12-02 CN CN202111473110.6A patent/CN114186489A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11953161B1 (en) | 2023-04-18 | 2024-04-09 | Intelcon System C.A. | Monitoring and detecting pipeline leaks and spills |
CN117520996A (zh) * | 2024-01-04 | 2024-02-06 | 长沙小枰建材有限公司 | 一种用于涵管的实时压力测试方法 |
CN117520996B (zh) * | 2024-01-04 | 2024-04-02 | 长沙小枰建材有限公司 | 一种用于涵管的实时压力测试方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106444703B (zh) | 基于故障模式发生概率的动设备运行状态模糊评价及预测方法 | |
CN114186489A (zh) | 基于排序网络的成品油管道异常检测方法、系统及设备 | |
US20200208786A1 (en) | Method for tracking and locating contamination sources in water distribution systems based on consumer complaints | |
CN107634857B (zh) | 基于svm的故障检测模型构建及评估方法 | |
CN108593260A (zh) | 光缆线路故障定位和检测方法及终端设备 | |
CN112001110B (zh) | 一种基于振动信号空间时时递归图卷积神经网络的结构损伤识别监测方法 | |
Lin et al. | Online probabilistic operational safety assessment of multi-mode engineering systems using Bayesian methods | |
CN108921230A (zh) | 基于类均值核主元分析和bp神经网络的故障诊断方法 | |
CN109145446B (zh) | 一种基于模态应变能和卷积神经网络的结构损伤识别方法 | |
Guo et al. | Fault Detection of Reciprocating Compressor Valve Based on One‐Dimensional Convolutional Neural Network | |
Yang et al. | An intelligent singular value diagnostic method for concrete dam deformation monitoring | |
CN103544527A (zh) | 超超临界汽轮机fcb工况下除氧器水位的预测方法 | |
CN104063609B (zh) | 一种利用神经网络辅助判定污染源监测数据有效性的方法 | |
CN114021620B (zh) | 基于bp神经网络特征提取的电潜泵故障诊断方法 | |
Wang et al. | Deeppipe: A hybrid model for multi-product pipeline condition recognition based on process and data coupling | |
Shi et al. | Internal leakage rate prediction and failure diagnosis of buried pipeline ball valve based on valve cavity pressure detection | |
CN113569472A (zh) | 一种液体火箭发动机的故障检测方法、系统、设备和介质 | |
CN107330264A (zh) | 一种桥梁监测数据可靠性的验证方法 | |
CN104504265A (zh) | 一种在役桥梁监测信息安全评估的方法 | |
CN117037841A (zh) | 基于层级过渡网络的声学信号层级空化强度识别方法 | |
Gao et al. | Leakage detection of pipeline based on weighted-permutation entropy | |
Wang et al. | Research on anomaly detection and positioning of marine nuclear power steam turbine unit based on isolated forest | |
Lyu et al. | Health state inversion of Jack-up structure based on feature learning of damage information | |
Li et al. | Reliability and sensitivity analysis of bridge crane structure | |
Han et al. | Identification of Pipeline Leak Sizes Based on Chaos-Grey Wolf-Support Vector Machine |
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 |