CN117109805A - 一种压力传感设备的异常压力检测与校正方法 - Google Patents
一种压力传感设备的异常压力检测与校正方法 Download PDFInfo
- Publication number
- CN117109805A CN117109805A CN202311025692.0A CN202311025692A CN117109805A CN 117109805 A CN117109805 A CN 117109805A CN 202311025692 A CN202311025692 A CN 202311025692A CN 117109805 A CN117109805 A CN 117109805A
- Authority
- CN
- China
- Prior art keywords
- time
- value
- pressure
- 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.)
- Pending
Links
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 117
- 238000001514 detection method Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012937 correction Methods 0.000 title claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000005553 drilling Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L27/00—Testing or calibrating of apparatus for measuring fluid pressure
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L27/00—Testing or calibrating of apparatus for measuring fluid pressure
- G01L27/002—Calibrating, i.e. establishing true relation between transducer output value and value to be measured, zeroing, linearising or span error determination
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measuring Fluid Pressure (AREA)
Abstract
本发明涉及海上石油勘探以及钻井工程技术领域,更具体地,涉及一种压力传感设备的异常压力检测与校正方法。其包括步骤S1:将数据转化为时间序列格式;步骤S2:数据分段;步骤S3:设定滑动时间窗的窗口大小和分位数倍距;步骤S4:计算当前值与滑动时间窗内压力值的中位数值的差值;步骤S5:判断差值是否落在正常范围区间内;步骤S6:判断当前值是否等于短期序列x2的压力值最值;步骤S7:判断疑似异常值与短期序列x2的压力中位数值之差是否大于或等于最大阈值,若是则将疑似异常值校正,否则结束进程。本发明可检测出由外界因素干扰导致的异常压力值,并将异常压力值校正为正常压力值,避免由外界因素干扰导致的对压力传感设备工作状态做出的误判。
Description
技术领域
本发明涉及海上石油勘探以及钻井工程技术领域,更具体地,涉及一种压力传感设备的异常压力检测与校正方法。
背景技术
海洋石油固定平台的排放系统是保障平台油气安全生产必不可少的辅助系统,该系统主要是收集和处理来自生产设备排放的流体,也收集和处理甲板面上的雨水和含油污水。海上平台的排放系统分为开式排放和闭式排放两个系统,其中闭式排放系统的作用是将生产和公用系统中带压排放的气液混合物进行收集和处理。一套完整的闭式排放系统通常由泄压阀、闭式排放收集汇总管、分液罐、闭式排放罐(即闭排罐)和闭排泵组成。其中闭排罐是闭排系统的关键设备,其作用主要是用于对其罐内的液体进行气液分离及油水分离,其正常工作与否,关乎着海上平台的油气安全生产。闭排罐的压力数值是衡量闭排罐是否正常工作的重要指标之一,其压力数值通常由闭排罐压力传感器进行采集。
当闭排罐正常工作时,其压力变化曲线一般呈现平稳状态,当闭排罐不在正常工作状态时,其压力变化曲线一般会出现缓慢上升或缓慢下降趋势。传统判别闭排罐的正常与否都是通过人工观察闭排罐压力变化曲线实现的,然而受海上大风、闭排系统突然停开机、平台人员走动、其他设备机器作业引起震动以及闭排罐自身的电磁、工频干扰等一系列作业环境的影响,闭排罐的压力数据会在个别时间段出现突变点,导致压力变化曲线在某个时间段内出现陡然上升或下降,受人为主观因素影响,部分工作人员容易将外界因素干扰导致的压力突变判定为是闭排罐自身异常所致,从而导致对闭排罐的工作状态做出误判。
发明内容
针对上述现有技术通过人工判断闭排罐压力数据异常原因可能存在误判的问题,本发明提供了一种压力传感设备的异常压力检测与校正方法,可检测出由外界因素干扰导致的异常压力值,并将异常压力值校正为正常压力值,避免由外界因素干扰导致的对压力传感设备工作状态做出的误判。
为解决上述技术问题,本发明提供的技术方案是:
一种压力传感设备的异常压力检测与校正方法,包括以下步骤:
步骤S1:接收压力和时间数据,将每个压力值转化为时间序列格式,并将与每个压力值一一对应的时间均转换为时间戳索引格式,将与压力值对应的时间作为压力值的时间索引值;即每一个压力值的索引值为该压力产生时候对应的时刻值;
步骤S2:设定数据处理步长,再将闭排罐压力数据进行数据分段,得到多个时间序列数据段,每个所述时间序列数据段包括n个时间数据点;由于海上闭排罐的压力数据没有固定的采样率,平均几秒到几十秒采集一个数据,为了方便数据的管理,处理数据时需要以数据点数为处理单位,例如以录入数据的100个时间数据点作为一个时间步长,而不是以单位时间为处理单位,例如以10秒的时长作为一个时间步长;
步骤S3:使用滑动窗口法对每一段时间序列数据段进行初步检测,设定滑动时间窗的窗口大小和分位数倍距,将所述时间数据点按照所述滑动时间窗的窗口大小放入滑动时间窗;滑动时间窗的窗口大小决定滑动时间窗内的时间数据点的数量;
步骤S4:计算所述滑动时间窗内所包含的时间数据点所对应的压力值的第一中位数值;将位于所述滑动时间窗之后的时间数据点所对应的压力值作为当前值,计算所述当前值与所述第一中位数值的差值,所述滑动时间窗滑动,得到差值序列x1;例如,使用窗口大小为10个时间数据点的滑动时间窗在每一段时间序列数据上进行滑动,滑动时间窗口后的当前值是指紧邻在滑动时间窗后的一个时间点值,如果第一个时间窗内是当前时间序列数据段中的第1到10个时间数据点,那么当前值就是当前时间序列数据段中的第11个时间数据点,下一个滑动时间窗是当前时间序列数据段中的第2到第11个时间数据点,那么当前值就是当前时间序列数据段中的第12个时间数据点,依次类推,s1=[第11个时间数据点与第1个时间窗内的中位数值的差值,第12个时间数据点-第2个时间窗内的中位数值的差值,...];
步骤S5:设定当前时间序列数据段的正常范围区间,将所述差值序列x1与所述正常范围区间比较,判断所述差值序列x1中是否所有的数值都落在所述正常范围区间,若是,则结束进程,若否,则将落在所述正常范围区间外的数值对应的压力值判定为疑似异常值,也就是说,落在所述正常范围区间外的数值是该疑似异常值与所对应的滑动时间窗的所述第一中位数值的差值,所述疑似异常值对应的时间数据点为疑似异常点;接着执行下一步骤,对所述疑似异常值进行二次检测;
步骤S6:在所述时间序列数据段中选取a个连续的时间数据点作为短期序列x2,确定所述短期序列x2中时间数据点对应的压力值的最大值和最小值;判断所述疑似异常值是否等于所述短期序列x2中时间数据点对应的压力值的最大值或最小值,若是,则说明所述疑似异常值仍然为疑似异常值,执行下一步骤;若否,则说明所述疑似异常值为正常值,结束进程;
步骤S7:设定差值最大阈值,确定所述短期序列x2中时间数据点对应的压力值的第二中位数值,判断所述疑似异常值与所述第二中位数值的差值是否大于或等于所述差值最大阈值,若是,则说明所述疑似异常值为真实异常值,将所述疑似异常值赋值为所述第二中位数值,从而将所述疑似异常值校正为正常值,以保证短期序列的平滑性和连续性,若否,则说明所述疑似异常值为正常值,结束进程。经过步骤S6和步骤S7对压力异常值进行二次检测,至此整个检测和校正的流程结束,最后将各个时间序列数据段中每个时间数据点对应的压力值进行拼接,即可得到经过校正的闭排罐压力数据。
优选地,在所述步骤S1中,时间戳索引的单位精确到年月日时分秒,其中时以24小时制进行记录,这样每一个压力值所对应的时间数据点就是唯一的,不会出现时间重复的情况。
优选地,在所述步骤S2中,以循环遍历的方式对数据进行分段,具体过程如下:
取压力数据的第一个时间数据点,一直到第n个时间数据点为第一段数据,其中n表示数据处理步长大小;接着取原始压力数据的第n+1个时间数据点,一直到第2n个时间数据点为第二段数据,依次类推,具体为:
时间序列数据段1={第1个时间数据点,第2个时间数据点,...,第n个时间数据点};
时间序列数据段2={第n+1个时间数据点,第n+2个时间数据点,...,第2n个时间数据点};
时间序列数据段k={第(k-1)*n+1个时间数据点,第(k-1)*n+2个时间数据点,...,第k*n个时间数据点}。
优选地,在所述步骤S2中,针对不足以组成一个时间序列数据段的数据,则进行舍弃,不予处理,以便后续步骤中对数据的处理,使各步骤有序且有效的进行。
优选地,在所述步骤S2中,将闭排罐压力数据进行数据分段后,对所述时间序列数据段内的时间数据点进行有效性检查,确定所述时间序列数据段中的每个时间数据点是按照时间先后顺序排列,也就是在每个时间序列数据段中的,时间靠前的时间数据点排在前面,时间靠后的时间数据点排在后面,从而提高异常值检测的准确率。
优选地,在所述步骤S3中,所述滑动时间窗的窗口大小和分位数倍距大小为固定值,也就是所述滑动时间窗的窗口大小和分位数倍距是通过人为设置的。一般情况下,由于方法自动设置的滑动时间窗窗口大小和分位数倍距设置不合理,可能造成在实际检测过程中出现异常值漏判,也就是存在异常值但没有检测到,还可能造成误判,也就是实际为正常值但在检测过程中被判定为异常值。因此,为了提高异常值检测的准确度,需要人为合理的设置滑动时间窗的窗口大小以及分为距倍数的参数值,使得在步骤S5中宁可多误判而尽量少漏判。而即使在步骤S5中存在有较多的误判异常值,也可通过步骤S6和步骤S7将误判的数据点进行识别和校正,这样就可以全面提高异常值的识别准确率。
优选地,在所述步骤S4中,所述当前值与所述第一中位数值的差值为绝对值。这样在后续步骤中检测出来的疑似异常值可能是导致压力陡然上升的异常值,也可能是导致压力陡然下降的异常值,因此可以检测出压力上升趋势异常和压力下降趋势异常,检测结果更加直观和准确。
优选地,在所述步骤S5中,所述正常范围区间为[Q1-c*IQR,Q3+c*IQR],其中Q1和Q3分别为当前时间序列数据段中的时间数据点所对应的压力值的下四分位数和上四分位数,也就是当前时间序列数据段中所有的时间数据点所对应的压力值由小到大排列后,处在第25%和第75%分位的压力值,c为所述步骤S3中滑动时间窗的分位数倍距,IQR为四分位距,其值为IQR=Q3-Q1。
优选地,在所述步骤S6中,所述a取值为5,也就是每个短期序列x2中包含5个时间数据点。选取奇数个时间数据点作为短期序列x2方便第二中位数值的确定,确保第二中位数值一定是短期序列x2中的某个时间数据点对应的压力值。若短期序列x2是包含三个时间数据点,由于时间数据点的数量较少,不易发现该点对应的压力值是否为真实异常值;若时间数据点的数量太多,则会造成数据等待延时。因此为了快速并且准确的确定真实异常值,每个短期序列x2中包含5个时间数据点较为合适。
优选地,在所述步骤S6中,选取所述时间序列数据段中位于所述疑似异常点之前的三个时间数据点、所述疑似异常点本身以及位于所述疑似异常点之后的一个时间数据点作为所述短期序列x2;当所述疑似异常点在所述时间序列数据段中排在前三位的位置时,则选取所述时间序列数据段中的前5个时间数据点作为短期序列x2;当所述疑似异常点在所述时间序列数据段中排在最后一位的位置时,则选取所述时间序列数据段中的最后五个时间数据点作为所述短期序列x2。
在实际应用中,为了更准确的将本发明应用于海上油气生产的现场,根据不同地区环境的不同或者设备的不同,最终所用到的压力数据可有所改变,可将该套综合检测方法应用于新的设备,对现场的闭排罐设备(包括其他传感器设备)进行异常值检测与校正。
本发明的有益效果:该方法将数据的异常检测与校正用于海上石油生产平台的传感器设备上,包括但不限于闭排罐,可对外界干扰导致的异常压力数值进行检测和校正,从而避免由外界因素干扰导致的对异常压力原因的误判;该方法易于程序自动化实现,采用初步检测和二次检测相结合的方式,同时通过合理参数设置降低异常值的漏检率,又通过二次检测判断的方法降低异常值的误检率,可大大提高异常值检测的准确性。
附图说明
图1是一种压力传感设备的异常压力检测与校正方法的流程图;
图2是油田生产平台上闭排罐的某一段原始压力变化曲线;
图3是经过一种压力传感设备的异常压力检测与校正方法初步检测后的效果图;
图4是经过校正后的压力变化曲线图。
具体实施方式
下面通过具体实施例,并结合附图,对本发明的技术方案作进一步的具体描述:
实施例1
如图1所示的一种压力传感设备的异常压力检测与校正方法,以闭排罐压力传感器的压力数据为处理对象,包括以下步骤:
步骤S1:接收闭排罐的压力和时间数据,将每个压力值转化为时间序列格式,并将与每个压力值一一对应的时间均转换为时间戳索引格式,将与压力值对应的时间作为压力值的时间索引值,即每一个压力值的索引值为该压力产生时候对应的时刻值;本实施例中的一共有25000个压力值,
步骤S2:设定数据处理步长,再将闭排罐压力数据进行数据分段,得到多个时间序列数据段,每个时间序列数据段包括n个时间数据点;在本实施例中数据处理步长为100个点,每个时间序列数据段包括100个时间数据点。由于海上闭排罐的压力数据没有固定的采样率,平均几秒到几十秒采集一个数据,为了方便数据的管理,处理数据时需要以数据点数为处理单位,例如以录入数据的100个时间数据点作为一个时间步长,而不是以单位时间为处理单位,例如以10秒的时长作为一个时间步长;
步骤S3:使用滑动窗口法对每一段时间序列数据段进行初步检测,设定滑动时间窗的窗口大小和分位数倍距,将时间数据点按照滑动时间窗的窗口大小放入滑动时间窗;滑动时间窗的窗口大小决定滑动时间窗内的时间数据点的数量;
步骤S4:计算滑动时间窗内所包含的时间数据点所对应的压力值的第一中位数值;将位于滑动时间窗之后的时间数据点所对应的压力值作为当前值,计算当前值与第一中位数值的差值,滑动时间窗滑动,得到差值序列x1;例如,使用窗口大小为10个时间数据点的滑动时间窗在每一段时间序列数据上进行滑动,滑动时间窗口后的当前值是指紧邻在滑动时间窗后的一个时间点值,如果第一个时间窗内是当前时间序列数据段中的第1到10个时间数据点,那么当前值就是当前时间序列数据段中的第11个时间数据点,下一个滑动时间窗是当前时间序列数据段中的第2到第11个时间数据点,那么当前值就是当前时间序列数据段中的第12个时间数据点,依次类推,s1=[第11个时间数据点与第1个时间窗内的中位数值的差值,第12个时间数据点-第2个时间窗内的中位数值的差值,...];
步骤S5:设定当前时间序列数据段的正常范围区间,将差值序列x1与正常范围区间比较,判断差值序列x1中是否所有的数值都落在正常范围区间,若是,则结束进程,若否,则将落在正常范围区间外的数值对应的压力值判定为疑似异常值,也就是说,落在正常范围区间外的数值是该疑似异常值与所对应的滑动时间窗的第一中位数值的差值,疑似异常值对应的时间数据点为疑似异常点;接着执行下一步骤,对疑似异常值进行二次检测;
步骤S6:在时间序列数据段中选取a个连续的时间数据点作为短期序列x2,确定短期序列x2中时间数据点对应的压力值的最大值和最小值;判断疑似异常值是否等于短期序列x2中时间数据点对应的压力值的最大值或最小值,若是,则说明疑似异常值仍然为疑似异常值,执行下一步骤;若否,则说明疑似异常值为正常值,结束进程;
步骤S7:设定差值最大阈值,本实施例中的差值最大阈值取值为0.5;确定短期序列x2中时间数据点对应的压力值的第二中位数值;判断疑似异常值与第二中位数值的差值大小是否大于或等于差值最大阈值0.5,若是,则说明疑似异常值为真实异常值,将疑似异常值赋值为第二中位数值,从而将疑似异常值校正为正常值,以保证短期序列的平滑性和连续性,若否,则说明疑似异常值为正常值,结束进程。经过步骤S6和步骤S7对压力异常值进行二次检测,至此整个检测和校正的流程结束,最后将各个时间序列数据段中每个时间数据点对应的压力值进行拼接,即可得到经过校正的闭排罐压力数据。
需要说明的是,第一中位数值和第二中位数值实际上都是中位数值,只是来源不同,第一和第二仅仅是为了将两者作区分,而没有其他特殊的含义。
本实施例实施结果的验证:附图2为油田生产平台上闭排罐的某一段原始压变化曲线,由图2可见在23时02分05秒前后出现压力陡然下降的情况,说明该处存在真实异常值。附图3为经过本发明中的初步检测后的检测效果图,由图3可见,初步检测将真实异常值和部分正常值都列为疑似异常值,图3中四条浅色垂直线经过的点对应的压力值都是疑似异常值。经过二次检测,将图3中的第一个疑似异常值判定为真实异常值后做了校正,并且将图中后面三个疑似异常值判定为正常值后,得到如图4所示的压力变化曲线。由图4可见,将真实异常值校正后,圧力曲线变得更加平滑;同时由图4可知,即使在初步检测中出现误检,在二次检测时也能将误检的疑似异常值判定为正常值。
本实施例的有益效果:该方法将数据的异常检测与校正用于海上石油生产平台的传感器设备上,包括但不限于闭排罐,可对外界干扰导致的异常压力数值进行检测和校正,从而避免由外界因素干扰导致的对异常压力原因的误判;该方法易于程序自动化实现,采用初步检测和二次检测相结合的方法,并且通过严密的数学分析逻辑,可大大提高异常值检测的准确性。
实施例2
本实施例在实施例1的基础上,对步骤S1至步骤S4作进一步的补充。在步骤S1中,时间戳索引的单位精确到年月日时分秒,其中时以24小时制进行记录,这样每一个压力值所对应的时间数据点就是唯一的,不会出现时间重复的情况。
进一步地,在步骤S2中,以循环遍历的方式对数据进行分段,具体过程如下:
取压力数据的第一个时间数据点,一直到第n个时间数据点为第一段数据,其中n表示数据处理步长大小;接着取原始压力数据的第n+1个时间数据点,一直到第2n个时间数据点为第二段数据,依次类推,由于数据处理步长为100个时间数据点,因此数据分段的具体过程为:
时间序列数据段1={第1个时间数据点,第2个时间数据点,...,第100个时间数据点};
时间序列数据段2={第101个时间数据点,第102个时间数据点,...,第200个时间数据点};
时间序列数据段k={第(k-1)*100+1个时间数据点,第(k-1)*100+2个时间数据点,...,第k*100个时间数据点}。
进一步地,在步骤S2中,针对不足以组成一个时间序列数据段的数据,则进行舍弃,不予处理,以便后续步骤中对数据的处理,使各步骤有序且有效的进行。
进一步地,在步骤S2中,将闭排罐压力数据进行数据分段后,对时间序列数据段内的时间数据点进行有效性检查,确定时间序列数据段中的每个时间数据点是按照时间先后顺序排列,也就是在每个时间序列数据段中的,时间靠前的时间数据点排在前面,时间靠后的时间数据点排在后面,从而提高异常值检测的准确率。
进一步地,在步骤S3中,滑动时间窗的窗口大小和分位数倍距大小为固定值,也就是滑动时间窗的窗口大小和分位数倍距是通过人为设置的。一般情况下,由于方法自动设置的滑动时间窗窗口大小和分位数倍距倍数设置不合理,可能造成在实际检测过程中出现异常值漏判,也就是存在异常值但没有检测到,还可能造成误判,也就是实际为正常值但在检测过程中被判定为异常值。因此,为了提高异常值检测的准确度,需要人为合理的设置滑动时间窗的窗口大小以及分为距倍数的参数值,使得在步骤S5中宁可多误判而尽量少漏判。而即使在步骤S5中存在有较多的误判异常值,也可通过步骤S6和步骤S7将误判的数据点进行识别和校正,这样就可以全面提高异常值的识别准确率。
进一步地,在步骤S4中,当前值与第一中位数值的差值为绝对值。这样在后续步骤中检测出来的疑似异常值可能是导致压力陡然上升的异常值,也可能是导致压力陡然下降的异常值,因此可以检测出压力上升趋势异常和压力下降趋势异常,检测结果更加直观和准确。
本实施例的其他特征、工作原理以及有益效果与实施例1一致。
实施例3
本实施在实施例2的基础上,对步骤S5至步骤S6作进一步的补充。进一步地,在步骤S5中,正常范围区间为[Q1-c*IQR,Q3+c*IQR],其中Q1和Q3分别为当前时间序列数据段中的时间数据点所对应的压力值的下四分位数和上四分位数,也就是当前时间序列数据段中所有的时间数据点所对应的压力值由小到大排列后,处在第25%和第75%分位的压力值,c为步骤S3中滑动时间窗的分位数倍距,IQR为四分位距,其值为IQR=Q3-Q1。
进一步地,在步骤S6中,a取值为5,也就是每个短期序列x2中包含5个时间数据点。选取奇数个时间数据点作为短期序列x2方便第二中位数值的确定,确保第二中位数值一定是短期序列x2中的某个时间数据点对应的压力值。若短期序列x2是包含三个时间数据点,由于时间数据点的数量较少,不易发现该点是否为真实异常值;若时间数据点的数量太多,则会造成数据等待延时。因此为了快速并且准确的确定真实异常值,每个短期序列x2中包含5个时间数据点较为合适。
进一步地,在步骤S6中,选取时间序列数据段中位于疑似异常点之前的三个时间数据点、疑似异常点本身以及位于疑似异常点之后的一个时间数据点作为短期序列x2;当疑似异常点在时间序列数据段中排在前三位的位置时,则选取时间序列数据段中的前5个时间数据点作为短期序列x2;当疑似异常点在时间序列数据段中排在最后一位的位置时,则选取时间序列数据段中的最后五个时间数据点作为短期序列x2。
本实施例的其他特征、工作原理以及有益效果与实施例2一致。
需要说明的是,在附图1中的流程图所示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。虽然在流程图中示出了逻辑顺序,但在某些情况下,可以以不同于此处的顺序来执行所描述的步骤,例如滑动时间窗的窗口大小及其分位距倍数的设定先后顺序等。
以上借助具体实施例对本发明做了进一步描述,但是应该理解的是,这里具体的描述,不应理解为对本发明的实质和范围的限定,本领域内的普通技术人员在阅读本说明书后对上述实施例做出的各种修改,例如差值最大阈值或数据处理步长等参数的修改,都属于本发明所保护的范围。
Claims (10)
1.一种压力传感设备的异常压力检测与校正方法,其特征在于,包括以下步骤:
步骤S1:接收压力和时间数据,将每个压力值转化为时间序列格式,并将与每个压力值一一对应的时间均转换为时间戳索引格式,将与压力值对应的时间作为压力值的时间索引值;
步骤S2:设定数据处理步长,再将闭排罐压力数据进行数据分段,得到多个时间序列数据段,每个所述时间序列数据段包括n个时间数据点;
步骤S3:设定滑动时间窗的窗口大小和分位数倍距,将所述时间数据点按照所述滑动时间窗的窗口大小放入滑动时间窗;
步骤S4:计算所述滑动时间窗内所包含的时间数据点所对应的压力值的第一中位数值;将位于所述滑动时间窗之后的时间数据点所对应的压力值作为当前值,计算所述当前值与所述第一中位数值的差值,所述滑动时间窗滑动,得到差值序列x1;
步骤S5:设定当前时间序列数据段的正常范围区间,将所述差值序列x1与所述正常范围区间比较,判断所述差值序列x1中是否所有的数值都落在所述正常范围区间内,若是,则结束进程,若否,则将落在所述正常范围区间外的数值对应的压力值判定为疑似异常值,并执行下一步骤;
步骤S6:在所述时间序列数据段中选取a个连续的时间数据点作为短期序列x2,确定所述短期序列x2中时间数据点对应的压力值的最大值和最小值;判断所述疑似异常值是否等于所述短期序列x2中时间数据点对应的压力值的最大值或最小值,若是,则说明所述疑似异常值仍然为疑似异常值,执行下一步骤;若否,则说明所述疑似异常值为正常值,结束进程;
步骤S7:设定差值最大阈值,确定所述短期序列x2中时间数据点对应的压力值的第二中位数值,判断所述疑似异常值与所述第二中位数值的差值是否大于或等于所述差值最大阈值,若是,则说明所述疑似异常值为真实异常值,将所述疑似异常值赋值为所述第二中位数值,若否,则说明所述疑似异常值为正常值,结束进程。
2.根据权利要求1所述的一种压力传感设备的异常压力检测与校正方法,其特征在于,在所述步骤S1中,时间戳索引的单位精确到年月日时分秒,其中时以24小时制进行记录。
3.根据权利要求1所述的一种压力传感设备的异常压力检测与校正方法,其特征在于,在所述步骤S2中,以循环遍历的方式对数据进行分段,具体过程如下:
取压力数据的第一个时间数据点,一直到第n个时间数据点为第一段数据,其中n表示数据处理步长大小;接着取原始压力数据的第n+1个时间数据点,一直到第2n个时间数据点为第二段数据,依次类推,具体为:
时间序列数据段1={第1个时间数据点,第2个时间数据点,...,第n个时间数据点};
时间序列数据段2={第n+1个时间数据点,第n+2个时间数据点,...,第2n个时间数据点};
时间序列数据段k={第(k-1)*n+1个时间数据点,第(k-1)*n+2个时间数据点,...,第k*n个时间数据点}。
4.根据权利要求1所述的一种压力传感设备的异常压力检测与校正方法,其特征在于,在所述步骤S2中,针对不足以组成一个时间序列数据段的数据,则进行舍弃,不予处理。
5.根据权利要求1所述的一种压力传感设备的异常压力检测与校正方法,其特征在于,在所述步骤S2中,将闭排罐压力数据进行数据分段后,对所述时间序列数据段内的时间数据点进行有效性检查,确定所述时间序列数据段中的每个时间数据点是按照时间先后顺序排列。
6.根据权利要求1所述的一种压力传感设备的异常压力检测与校正方法,其特征在于,在所述步骤S3中,所述滑动时间窗的窗口大小和分位数倍距大小为固定值。
7.根据权利要求1所述的一种压力传感设备的异常压力检测与校正方法,其特征在于,在所述步骤S4中,所述当前值与所述第一中位数值的差值为绝对值。
8.根据权利要求1所述的一种压力传感设备的异常压力检测与校正方法,其特征在于,在所述步骤S5中,所述正常范围区间为[Q1-c*IQR,Q3+c*IQR],其中Q1和Q3分别为当前时间序列数据段中的时间数据点所对应的压力值的下四分位数和上四分位数,c为所述滑动时间窗的分位数倍距,IQR为四分位距,其值为IQR=Q3-Q1。
9.根据权利要求1至8任一所述的一种压力传感设备的异常压力检测与校正方法,其特征在于,在所述步骤S6中,所述a取值为5。
10.根据权利要求9所述的一种压力传感设备的异常压力检测与校正方法,其特征在于,在所述步骤S6中,选取所述时间序列数据段中位于所述疑似异常点之前的三个时间数据点、所述疑似异常点本身以及位于所述疑似异常点之后的一个时间数据点作为所述短期序列x2;当所述疑似异常点在所述时间序列数据段中排在前三位的位置时,则选取所述时间序列数据段中的前5个时间数据点作为短期序列x2;当所述疑似异常点在所述时间序列数据段中排在最后一位的位置时,则选取所述时间序列数据段中的最后五个时间数据点作为所述短期序列x2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311025692.0A CN117109805A (zh) | 2023-08-14 | 2023-08-14 | 一种压力传感设备的异常压力检测与校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311025692.0A CN117109805A (zh) | 2023-08-14 | 2023-08-14 | 一种压力传感设备的异常压力检测与校正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117109805A true CN117109805A (zh) | 2023-11-24 |
Family
ID=88799445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311025692.0A Pending CN117109805A (zh) | 2023-08-14 | 2023-08-14 | 一种压力传感设备的异常压力检测与校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117109805A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117476136A (zh) * | 2023-12-28 | 2024-01-30 | 山东松盛新材料有限公司 | 一种高纯羧酸酯合成工艺参数优化方法及系统 |
-
2023
- 2023-08-14 CN CN202311025692.0A patent/CN117109805A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117476136A (zh) * | 2023-12-28 | 2024-01-30 | 山东松盛新材料有限公司 | 一种高纯羧酸酯合成工艺参数优化方法及系统 |
CN117476136B (zh) * | 2023-12-28 | 2024-03-15 | 山东松盛新材料有限公司 | 一种高纯羧酸酯合成工艺参数优化方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110867196B (zh) | 一种基于深度学习及声音识别的机器设备状态监测系统 | |
CN112232447B (zh) | 一种电力设备状态监测数据的完整样本集的构建方法 | |
CN109492193B (zh) | 基于深度机器学习模型的异常网络数据生成与预测方法 | |
US9292799B2 (en) | Global model for failure prediction for artificial lift systems | |
CN108663995B (zh) | 一种工业过程变量趋势异常检测方法及装置 | |
US10852357B2 (en) | System and method for UPS battery monitoring and data analysis | |
US9146800B2 (en) | Method for detecting anomalies in a time series data with trajectory and stochastic components | |
CN114167838B (zh) | 一种伺服系统多尺度健康评估与故障预测方法 | |
CN104008294B (zh) | 轴承异常检测系统及其方法 | |
CN117109805A (zh) | 一种压力传感设备的异常压力检测与校正方法 | |
CN109255395B (zh) | 一种滚珠丝杠副的寿命预测方法 | |
WO2019043600A1 (en) | ESTIMATOR OF REMAINING USEFUL LIFE ESTIMATOR | |
CN110287827B (zh) | 一种基于数据关联性的桥梁应变数据异常值识别方法 | |
CN116163807A (zh) | 一种基于arima模型的隧道健康监测异常数据动态预警方法 | |
CN114021620B (zh) | 基于bp神经网络特征提取的电潜泵故障诊断方法 | |
CN114861774A (zh) | 一种电网中虚假数据识别方法及系统 | |
CN107147143B (zh) | 一种风机连锁脱网故障早期预警模型建立方法 | |
US11560789B2 (en) | Method for pre-warning deformation of casing pipe according to change feature of b-value of hydraulic fracturing induced microseismicity | |
CN110009033A (zh) | 一种基于动态主元分析的钻井过程异常预警模型 | |
CN110308713A (zh) | 一种基于k近邻重构的工业过程故障变量识别方法 | |
CN109388512A (zh) | 针对大规模计算机集群异常程度的评估与分析系统 | |
CN112668872B (zh) | 一种基于相似度综合评价的钻井掉块深度还原的方法 | |
CN114065651A (zh) | 一种用于旋转类设备的故障时间预测方法 | |
Wu et al. | Early anomaly detection in wind turbine bolts breaking problem—Methodology and application | |
CN114925247A (zh) | 一种井漏类型识别方法、装置及相关设备 |
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 |