CN117992895B - 一种基于大数据的油气管道区域风险监测方法及系统 - Google Patents
一种基于大数据的油气管道区域风险监测方法及系统 Download PDFInfo
- Publication number
- CN117992895B CN117992895B CN202410399889.9A CN202410399889A CN117992895B CN 117992895 B CN117992895 B CN 117992895B CN 202410399889 A CN202410399889 A CN 202410399889A CN 117992895 B CN117992895 B CN 117992895B
- Authority
- CN
- China
- Prior art keywords
- monitoring data
- data
- representing
- value
- sample
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 312
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 49
- 230000005856 abnormality Effects 0.000 claims description 37
- 238000012937 correction Methods 0.000 claims description 31
- 238000005070 sampling Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 230000002547 anomalous effect Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Mechanical Engineering (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Pipeline Systems (AREA)
Abstract
本发明涉及管道监测领域,更具体地,本发明涉及一种基于大数据的油气管道区域风险监测方法及系统。所述方法包括:获取油气管道内的样本监测数据,标记目标监测数据,构建样本监测数据集;计算目标监测数据的置信度,进而计算密度分布值;计算目标监测数据的漂移程度,根据漂移程度对目标监测数据的值进行修正获得修正值,进而获得修正值序列;统计异常数据的数量,并利用预设滑动窗口更新异常数据的数量;计算油气管道内的风险程度,当风险程度大于预设风险阈值,生成并发送报警信号和油气管道检修信号。通过本发明的技术方案,能够增加监测的准确性,降低发生安全事故的概率。
Description
技术领域
本发明一般地涉及管道监测领域。更具体地,本发明涉及一种基于大数据的油气管道区域风险监测方法及系统。
背景技术
油气管道是高危险性设施,一旦发生泄漏、爆炸或其他安全事故,可能导致严重的人员伤亡和财产损失。因此,需要对油气管道数据进行监测。油气管道区域风险监测系统是极其重要的能源管道系统,其安全运营直接关系到国家经济发展和人民生活。油气管道智能监测系统的原理主要是针对油气管道内各种信号进行采集和分析。这种管道监测系统可以对油气管道内部的各种参数进行实时监测,如油气流量、压力、温度等。通过对这些参数的实时监测,可以及时发现管道内部出现的各种异常情况。当信号持续发生异常时,系统会自动发出警报,提示管道监测人员及时采取应对措施。
传统的对油气管道监测一般计算每一个数据点的局部可达密度来获取每一个数据点的异常程度。由于在油气管道中会存在一定的沉积物、附着物附着在油气管道内壁,从而导致传感器所采集到的数据发生变化,即所采集到的数据点的局部可达密度发生变化,此时则会使正常数据被误判为异常数据,从而导致异常性检测结果不准确。
发明内容
为解决上述一个或多个技术问题,本发明提出一种基于大数据的油气管道区域风险监测方法及系统。
第一方面,本发明公开一种基于大数据的油气管道区域风险监测方法,包括以下步骤:通过预设采样间隔获取油气管道内的样本监测数据,标记目标监测数据,基于所述目标监测数据构建样本监测数据集,所述目标监测数据为任意一个所述样本监测数据;计算所述目标监测数据的置信度,基于所述置信度和所述置信度的权重计算获得所述目标监测数据的密度分布值,所述密度分布值和所述权重呈正相关,所述密度分布值和所述置信度呈负相关;计算所述目标监测数据的所述密度分布值和与所述目标监测数据相邻的前一个采样间隔的所述样本监测数据的所述密度分布值的差值,将所述差值和所述差值的比重的乘积求和计算所述目标监测数据的漂移程度;根据所述漂移程度对所述目标监测数据的值进行修正获得修正值,遍历所述样本监测数据集中每个所述样本监测数据,获得修正值序列;将所述修正值序列输入预设的异常检测算法计算每个修正值对应的异常程度,统计异常数据的数量;将所述样本监测数据集作为滑动窗口,以采样时间顺序作为移动方向,按照预设步长进行移动,计算末端监测数据的所述异常程度,并对异常数据的数量进行累加,所述末端监测数据为滑动窗口中沿着移动方向的最后一个所述样本监测数据;根据异常数据的数量以及异常数据的采样间隔计算油气管道内的风险程度,并与预设风险阈值作比较,响应于所述风险程度大于预设风险阈值,生成并发送报警信号和油气管道检修信号。
在一个实施例中,所述构建样本监测数据集包括步骤:基于所述目标监测数据和所述目标监测数据前的多个所述样本监测数据,构建样本监测数据集,所述样本监测数据集包括预设数量的所述样本监测数据;响应于所述样本监测数据集内所述样本监测数据不满足预设数量,将所述目标监测数据后的所述样本监测数据加入所述样本监测数据集中以满足预设数量的所述样本监测数据。
在一个实施例中,所述目标监测数据的置信度的关系式为:
,其中,/>表示第/>个监测数据的置信度,第/>个监测数据在置信度的关系式中即为目标监测数据,/>表示样本监测数据集中第/>个样本监测数据的值,/>表示第/>个监测数据的值,/>表示样本监测数据集中数据总数,/>表示目标监测数据的序号,/>表示样本监测数据的序号,/>表示置信度,/>表示值,为归一化函数,/>表示累加符号。
在一个实施例中,所述目标监测数据的密度分布值的关系式为:
,其中,/>表示第/>个监测数据的密度分布值,第/>个监测数据在密度分布值的关系式中即为目标监测数据,/>表示第/>个样本监测数据的置信度,表示样本监测数据集中第/>个样本监测数据的值,/>表示第/>个监测数据的置信度,/>表示第/>个监测数据的值,/>表示样本监测数据集中数据总数,/>表示目标监测数据的序号,/>表示样本监测数据的序号,/>表示置信度,/>表示值,/>表示密度分布值,/>表示累加符号。
在一个实施例中,所述目标监测数据的漂移程度满足多项式:
;
;
;
其中,表示第/>个监测数据的漂移程度,/>表示第一因式,/>表示第二因式,/>表示第/>个样本监测数据的密度分布值,/>表示第/>个样本监测数据的密度分布值,/>表示第/>个监测数据的密度分布值,/>表示第/>个样本监测数据的密度分布值,表示样本监测数据集中数据总数,第/>个监测数据在漂移程度的多项式中即为目标监测数据,/>表示目标监测数据的序号,/>表示样本监测数据的序号,/>表示密度分布值,/>表示漂移程度,/>表示累加符号,/>表示取绝对值,/>表示双曲正切函数,用来进行归一化。
在一个实施例中,所述修正值满足关系式:
,其中,/>表示第/>个监测数据的修正值,/>表示第/>个监测数据的值,/>表示第/>个监测数据的漂移程度,第/>个监测数据在修正值的关系式中即为目标监测数据,/>表示漂移程度,/>表示值,/>表示修正值。
在一个实施例中,所述统计异常数据的数量包括步骤:比较所述异常程度和预设异常阈值,响应于所述异常程度大于等于预设异常阈值,所述修正值对应的样本监测数据为异常数据;遍历所述修正值序列中每个修正值,获得异常数据的数量。
在一个实施例中,所述风险程度满足关系式:
,其中,/>表示风险程度,/>表示异常数据的数量,/>表示样本监测数据的总数,/>表示第/>个异常数据的异常程度,/>表示第/>个异常数据的采集时刻,/>表示第/>个异常数据的采集时刻,/>表示异常数据的序号,/>表示异常数据的序号,/>表示异常程度,/>表示采集时刻,/>表示取绝对值,/>表示累加符号,/>表示指数函数,用来进行归一化。
第二方面,本发明公开一种基于大数据的油气管道区域风险监测系统,包括:处理器;以及存储器,所述存储器存储有计算机指令,当所述计算机指令由处理器运行时,使得设备执行上述的一种基于大数据的油气管道区域风险监测方法。
本发明具有以下技术效果:
本发明通过预设样本监测数据集,判断样本监测数据集中每个样本监测数据是否为异常数据,并将样本监测数据集作为滑动窗口实时检测加入的样本监测数据是否为异常数据,进而根据所有异常数据在时序上的变化计算出风险程度,设置阈值,起到实时报警的效果,提高了监测结果的准确性和及时性,增加了油气管道在运行时的安全性。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是本发明实施例一种基于大数据的油气管道区域风险监测方法的流程图。
图2是本发明实施例一种基于大数据的油气管道区域风险监测系统的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当本发明的权利要求、说明书及附图使用术语“第一”、“第二”等时,其仅是用于区别不同对象,而不是用于描述特定顺序。本发明的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
本发明提供了一种基于大数据的油气管道区域风险监测方法。如图1所示,一种基于大数据的油气管道区域风险监测方法包括步骤S1-步骤S5,以下具体说明。
S1,获取油气管道内的样本监测数据,标记目标监测数据,构建样本监测数据集。
在一个实施例中,能够影响油气管道的安全的数据统称为样本监测数据,通过对油气管道的样本监测数据进行采集和分析,可以及时发现管道内部出现的各种异常情况。当信号持续发生异常时,系统会自动发出警报,提示管道监测人员及时采取应对措施以达到实时监测的效果。示例性的,样本监测数据包括但不限于油气流量、压力、温度等,其中,油气流量是通过布置流量传感器获得,压力是通过布置压力传感器获得,温度是通过布置温度传感器获得。本发明中,样本监测数据为任意一个数据或者多个数据的向量。
通过预设采样间隔获取油气管道内的样本监测数据,示例性的,预设采样间隔可由本领域技术人员设置,本发明将采样间隔设置为2秒。标记目标监测数据,目标监测数据为任意一个样本监测数据,根据目标监测数据构建样本监测数据集,构建样本监测数据集包括:基于目标监测数据和目标监测数据前的多个样本监测数据,构建样本监测数据集,样本监测数据集包括预设数量的样本监测数据,示例性的,本发明将预设数量设置为100,即目标监测数据为样本监测数据集中第100个样本监测数据。
在另一个实施例中,目标监测数据前的样本监测数据个数不满足预设数量,在目标监测数据后添加按照采样时间顺序与目标监测数据相邻的样本监测数据,直至满足预设数量为止。示例性的,本发明将预设数量设置为100,目标监测数据前共有98个样本监测数据,目标监测数据为第99个样本监测数据,在目标监测数据后添加一个样本监测数据,使样本监测数据集满足预设数量的样本监测数据。
S2,计算目标监测数据的置信度,进而计算密度分布值。
需要说明的是,构建的样本监测数据集在油气管道内的数据变化存在一定趋势,通过计算每个样本监测数据的密度分布值的异常变化,可以帮助识别样本监测数据集中的数据波动情况。
在一个实施例中,计算目标监测数据的置信度,置信度满足关系式:
,其中,/>表示第/>个监测数据的置信度,第/>个监测数据在置信度的关系式中即为目标监测数据,/>表示样本监测数据集中第/>个样本监测数据的值,/>表示第/>个监测数据的值,/>表示样本监测数据集中数据总数,/>表示目标监测数据的序号,/>表示样本监测数据的序号,/>表示置信度,/>表示值,为归一化函数,/>表示累加符号。
表示样本监测数据集中除目标监测数据外每个样本监测数据与目标监测数据的差异,差异越小表示样本监测数据集中所有样本监测数据的值趋近于目标监测数据的值,即置信度越高,反之,差异越大表示样本监测数据集中所有样本监测数据的值偏离目标监测数据的值,即置信度越低。
基于置信度和置信度的权重计算获得目标监测数据的密度分布值,密度分布值满足关系式:
,其中,/>表示第/>个监测数据的密度分布值,第/>个监测数据在密度分布值的关系式中即为目标监测数据,/>表示第/>个样本监测数据的置信度,表示样本监测数据集中第/>个样本监测数据的值,/>表示第/>个监测数据的置信度,/>表示第/>个监测数据的值,/>表示样本监测数据集中数据总数,/>表示目标监测数据的序号,/>表示样本监测数据的序号,/>表示置信度,/>表示值,/>表示密度分布值,/>表示累加符号。
是将每个样本监测数据对应的置信度作为权重对相应的样本监测数据加权,该值越大,说明样本监测数据集中所有样本监测数据越趋近于目标监测数据。
S3,计算目标监测数据的漂移程度,根据漂移程度对目标监测数据的值进行修正获得修正值,进而获得修正值序列。
需要说明的是,随着时间的推移,油气管道内壁会出现附着物积累的情况,如沉积物、锈蚀、微生物生长等。这些附着物会改变管道的内径,影响油气的流速和流态,从而导致采集到的数据出现漂移。例如,如果管道内壁积累了沉积物,那么对于同样的流量,所需要的压力可能会增加,反应在数据上就是压力和流量之间的关系发生了一定程度的变化。因此,需要基于获取到的密度分布值计算漂移程度。
在一个实施例中,计算目标监测数据的密度分布值和与目标监测数据相邻的前一个样本监测数据的密度分布值的差值,将差值和差值的比重的乘积求和计算目标监测数据的漂移程度,漂移程度满足多项式:
;
;
。
其中,表示第/>个监测数据的漂移程度,/>表示第一因式,/>表示第二因式,/>表示第/>个样本监测数据的密度分布值,/>表示第/>个样本监测数据的密度分布值,/>表示第/>个监测数据的密度分布值,/>表示第/>个样本监测数据的密度分布值,表示样本监测数据集中数据总数,第/>个监测数据在漂移程度的多项式中即为目标监测数据,/>表示目标监测数据的序号,/>表示样本监测数据的序号,/>表示密度分布值,/>表示漂移程度,/>表示累加符号,/>表示取绝对值,/>表示双曲正切函数,用来进行归一化。是为了将值域控制在(0,2)之间,用来表示连续样本监测数据的漂移程度的变化趋势,分母中加0.00001是为了避免分母为0。
和/>均表示相邻两个样本监测数据的密度分布值的差值,允许为负,所以不采用绝对值符号,而/>和/>表示差值的比重,将比重作为公式的权重,所以括号修改为绝对值符号。
当目标监测数据发生漂移后,会对目标监测数据的值造成偏差,并且偏差大小和漂移程度呈正相关。根据漂移程度对目标监测数据的值进行修正获得修正值,修正值满足关系式:
,其中,/>表示第/>个监测数据的修正值,/>表示第/>个监测数据的值,/>表示第/>个监测数据的漂移程度,第/>个监测数据在修正值的关系式中即为目标监测数据,/>表示漂移程度,/>表示值,/>表示修正值。
遍历样本监测数据集中每个样本监测数据,获得每个样本监测数据对应的修正值,以构建修正值序列。
S4,统计异常数据的数量,并利用预设滑动窗口更新异常数据的数量。
在一个实施例中,将获得的修正值序列输入预设的异常检测算法计算每个修正值对应的异常程度,示例性的,预设的异常检测算法包括LOF(Local Outlier Factor局部离群因子)和迭代自组织聚类等,本发明采用LOF算法。获取异常程度为现有技术,在此不做赘述。
将每个样本监测数据对应的异常程度和预设异常阈值做比较,示例性的,预设异常阈值可由本领域技术人员设置,本发明将预设异常阈值设置为0.85。当样本监测数据对应的异常程度大于等于预设异常阈值,该样本监测数据为异常数据。统计异常数据的数量。
对样本监测数据集中每个样本监测数据计算异常程度完成后,将样本监测数据集作为滑动窗口,以采样的时间顺序作为滑动窗口的移动方向,按照预设步长进行移动,计算末端样本监测数据的异常程度,末端样本监测数据为滑动窗口中沿着移动方向的最后一个样本监测数据,示例性的,预设步长设置为1,即在滑动窗口的末端加入一个样本监测数据。遍历所有样本监测数据,当加入的样本监测数据的异常程度大于等于预设异常阈值,将新的异常数据的个数与统计的异常数据的数量相加,以此类推,完成对异常数据的数量的累加。
S5,计算油气管道内的风险程度,当风险程度大于预设风险阈值,生成并发送报警信号和油气管道检修信号。
需要说明的是,完成每个样本监测数据的异常性检测后,为了避免由于传感器采集数据时收到干扰导致获得的样本监测数据为噪声数据,导致误报警的情况,因此,需要根据时序上的数据变化确定油气管道的风险程度。
在一个实施例中,根据异常数据的数量以及异常数据的采样间隔计算油气管道内的风险程度,风险程度满足关系式:
,其中,/>表示风险程度,/>表示异常数据的数量,/>表示样本监测数据的总数,/>表示第/>个异常数据的异常程度,/>表示第/>个异常数据的采集时刻,/>表示第/>个异常数据的采集时刻,/>表示异常数据的序号,/>表示异常数据的序号,/>表示异常程度,/>表示采集时刻,/>表示取绝对值,/>表示累加符号,/>表示指数函数,用来进行归一化。
表示采集到的所有样本监测数据中异常数据所占的比重,异常数据的数量和风险程度呈正相关。/>表示异常数据的采样间隔,采样间隔越小,说明异常数据越集中,在当前时间段油气管道的风险程度越高。
将风险程度与预设风险阈值作比较,示例性的,预设风险阈值可由本领域技术人员设置,本发明将预设风险阈值设置为0.6。当风险程度小于预设风险阈值,当前油气管道运行正常,继续监测。当风险程度大于等于预设风险阈值,生成并发送报警信号和油气管道检修信号。
需要说明的是,基于步骤S4示例性给出的预设步长设置为1,即在滑动窗口的末端加入一个样本监测数据,当加入的样本监测数据的异常程度大于等于预设异常阈值,将新的异常数据的个数与统计的异常数据的数量相加,以此类推,完成对异常数据的数量的累加,进而重新计算加入的样本监测数据后,实时的风险程度:响应于实时的风险程度仍然没有超出预设风险阈值,则继续按照预设步长加入新的样本监测数据,实时计算风险程度;响应于实时的风险程度超出预设风险阈值,立刻停止监测并发出报警信号,提醒工作人员对油气管道进行维修。
本发明实施例还公开一种基于大数据的油气管道区域风险监测系统,参照图2,包括处理器和存储器,存储器存储有计算机程序指令,当计算机程序指令被处理器执行时实现根据本发明的一种基于大数据的油气管道区域风险监测方法。
上述系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件,其设置和功能为本领域中已知,因此在此不再赘述。
在本发明中,前述的存储器可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质,比如,阻变式存储器RRAM(Resistive RandomAccess Memory)、动态随机存取存储器DRAM(Dynamic Random Access Memory)、静态随机存取存储器SRAM(Static Random-Access Memory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM(High-Bandwidth Memory)、混合存储立方HMC(Hybrid Memory Cube)等,或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。
虽然本说明书已经示出和描述了本发明的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中,可以采用本文所描述的本发明实施例的各种替代方案。
以上均为本发明的较佳实施例,并非依此限制本发明的保护范围,故:凡依本发明的结构、形状、原理所做的等效变化,均应涵盖于本发明的保护范围之内。
Claims (7)
1.一种基于大数据的油气管道区域风险监测方法,其特征在于,包括以下步骤:
通过预设采样间隔获取油气管道内的样本监测数据,标记目标监测数据,基于所述目标监测数据构建样本监测数据集,所述目标监测数据为任意一个所述样本监测数据;
计算所述目标监测数据的置信度,基于所述置信度和所述置信度的权重计算获得所述目标监测数据的密度分布值,所述密度分布值和所述权重呈正相关,所述密度分布值和所述置信度呈负相关;
计算所述目标监测数据的所述密度分布值和与所述目标监测数据相邻的前一个采样间隔的所述样本监测数据的所述密度分布值的差值,将所述差值和所述差值的比重的乘积求和计算所述目标监测数据的漂移程度;
根据所述漂移程度对所述目标监测数据的值进行修正获得修正值,遍历所述样本监测数据集中每个所述样本监测数据,获得修正值序列;
将所述修正值序列输入预设的异常检测算法计算每个修正值对应的异常程度,统计异常数据的数量;
将所述样本监测数据集作为滑动窗口,以采样时间顺序作为移动方向,按照预设步长进行移动,计算末端监测数据的所述异常程度,并对异常数据的数量进行累加,所述末端监测数据为滑动窗口中沿着移动方向的最后一个所述样本监测数据;
根据异常数据的数量以及异常数据的采样间隔计算油气管道内的风险程度,并与预设风险阈值作比较,响应于所述风险程度大于预设风险阈值,生成并发送报警信号和油气管道检修信号;
所述目标监测数据的漂移程度满足多项式:
;
;
;
其中,表示第/>个监测数据的漂移程度,/>表示第一因式,/>表示第二因式,/>表示第/>个样本监测数据的密度分布值,/>表示第/>个样本监测数据的密度分布值,/>表示第/>个监测数据的密度分布值,/>表示第/>个样本监测数据的密度分布值,/>表示样本监测数据集中数据总数,第/>个监测数据在漂移程度的多项式中即为目标监测数据,表示目标监测数据的序号,/>表示样本监测数据的序号,/>表示密度分布值,/>表示漂移程度,/>表示累加符号,/>表示取绝对值,/>表示双曲正切函数,用来进行归一化;
所述统计异常数据的数量包括步骤:
比较所述异常程度和预设异常阈值,响应于所述异常程度大于等于预设异常阈值,所述修正值对应的样本监测数据为异常数据;
遍历所述修正值序列中每个修正值,获得异常数据的数量。
2.根据权利要求1所述的一种基于大数据的油气管道区域风险监测方法,其特征在于,所述构建样本监测数据集包括步骤:
基于所述目标监测数据和所述目标监测数据前的多个所述样本监测数据,构建样本监测数据集,所述样本监测数据集包括预设数量的所述样本监测数据;
响应于所述样本监测数据集内所述样本监测数据不满足预设数量,将所述目标监测数据后的所述样本监测数据加入所述样本监测数据集中以满足预设数量的所述样本监测数据。
3.根据权利要求1所述的一种基于大数据的油气管道区域风险监测方法,其特征在于,所述目标监测数据的置信度的关系式为:
,其中,/>表示第/>个监测数据的置信度,第/>个监测数据在置信度的关系式中即为目标监测数据,/>表示样本监测数据集中第/>个样本监测数据的值,/>表示第/>个监测数据的值,/>表示样本监测数据集中数据总数,/>表示目标监测数据的序号,/>表示样本监测数据的序号,/>表示置信度,/>表示值,/>为归一化函数,/>表示累加符号。
4.根据权利要求1所述的一种基于大数据的油气管道区域风险监测方法,其特征在于,所述目标监测数据的密度分布值的关系式为:
,其中,/>表示第/>个监测数据的密度分布值,第/>个监测数据在密度分布值的关系式中即为目标监测数据,/>表示第/>个样本监测数据的置信度,/>表示样本监测数据集中第/>个样本监测数据的值,/>表示第/>个监测数据的置信度,/>表示第/>个监测数据的值,/>表示样本监测数据集中数据总数,/>表示目标监测数据的序号,/>表示样本监测数据的序号,/>表示置信度,/>表示值,/>表示密度分布值,/>表示累加符号。
5.根据权利要求1所述的一种基于大数据的油气管道区域风险监测方法,其特征在于,所述修正值满足关系式:
,其中,/>表示第/>个监测数据的修正值,/>表示第/>个监测数据的值,/>表示第/>个监测数据的漂移程度,第/>个监测数据在修正值的关系式中即为目标监测数据,/>表示漂移程度,/>表示值,/>表示修正值。
6.根据权利要求1所述的一种基于大数据的油气管道区域风险监测方法,其特征在于,所述风险程度满足关系式:
,其中,/>表示风险程度,/>表示异常数据的数量,/>表示样本监测数据的总数,/>表示第/>个异常数据的异常程度,/>表示第/>个异常数据的采集时刻,/>表示第/>个异常数据的采集时刻,/>表示异常数据的序号,/>表示异常数据的序号,/>表示异常程度,/>表示采集时刻,/>表示取绝对值,/>表示累加符号,/>表示指数函数,用来进行归一化。
7.一种基于大数据的油气管道区域风险监测系统,其特征在于,包括:
处理器;以及存储器,所述存储器存储有计算机指令,当所述计算机指令由处理器运行时,使得设备执行根据权利要求1-6的任意一项所述的一种基于大数据的油气管道区域风险监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410399889.9A CN117992895B (zh) | 2024-04-03 | 2024-04-03 | 一种基于大数据的油气管道区域风险监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410399889.9A CN117992895B (zh) | 2024-04-03 | 2024-04-03 | 一种基于大数据的油气管道区域风险监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117992895A CN117992895A (zh) | 2024-05-07 |
CN117992895B true CN117992895B (zh) | 2024-06-07 |
Family
ID=90896396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410399889.9A Active CN117992895B (zh) | 2024-04-03 | 2024-04-03 | 一种基于大数据的油气管道区域风险监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117992895B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118133059B (zh) * | 2024-05-08 | 2024-08-06 | 武汉鼎业安环科技集团有限公司 | 一种基于数字孪生的安全风险智能检测方法及系统 |
CN118606863A (zh) * | 2024-06-19 | 2024-09-06 | 武汉鼎业安环科技集团有限公司 | 一种燃气管道稳态运行监测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232447A (zh) * | 2020-12-14 | 2021-01-15 | 国网江西省电力有限公司电力科学研究院 | 一种电力设备状态监测数据的完整样本集的构建方法 |
CN113792754A (zh) * | 2021-08-12 | 2021-12-14 | 国网江西省电力有限公司电力科学研究院 | 一种先除异后修复的换流变dga在线监测数据处理方法 |
CN115083123A (zh) * | 2022-05-17 | 2022-09-20 | 中国矿业大学 | 一种以实测数据为驱动的矿井煤自燃智能分级预警方法 |
CN116933210A (zh) * | 2023-09-15 | 2023-10-24 | 山东荷唯美食品有限公司 | 基于多维传感器的食品加工灌装设备监测方法及系统 |
CN117212055A (zh) * | 2023-09-25 | 2023-12-12 | 武汉盈风能源科技有限公司 | 一种风力发电系统及发电机绕组的异常识别预警方法 |
CN117574780A (zh) * | 2024-01-15 | 2024-02-20 | 华北电力大学 | 一种智能火电厂负荷在线建模方法及系统 |
CN117787658A (zh) * | 2024-02-23 | 2024-03-29 | 安徽金海迪尔信息技术有限责任公司 | 一种基于灌区的河水流量异常条件下水资源调度系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10147049B2 (en) * | 2015-08-31 | 2018-12-04 | International Business Machines Corporation | Automatic generation of training data for anomaly detection using other user's data samples |
CN114252005B (zh) * | 2021-12-22 | 2023-06-13 | 广东石油化工学院 | 一种用于摩天建筑的便捷式摆动监测方法及装置 |
-
2024
- 2024-04-03 CN CN202410399889.9A patent/CN117992895B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232447A (zh) * | 2020-12-14 | 2021-01-15 | 国网江西省电力有限公司电力科学研究院 | 一种电力设备状态监测数据的完整样本集的构建方法 |
CN113792754A (zh) * | 2021-08-12 | 2021-12-14 | 国网江西省电力有限公司电力科学研究院 | 一种先除异后修复的换流变dga在线监测数据处理方法 |
CN115083123A (zh) * | 2022-05-17 | 2022-09-20 | 中国矿业大学 | 一种以实测数据为驱动的矿井煤自燃智能分级预警方法 |
CN116933210A (zh) * | 2023-09-15 | 2023-10-24 | 山东荷唯美食品有限公司 | 基于多维传感器的食品加工灌装设备监测方法及系统 |
CN117212055A (zh) * | 2023-09-25 | 2023-12-12 | 武汉盈风能源科技有限公司 | 一种风力发电系统及发电机绕组的异常识别预警方法 |
CN117574780A (zh) * | 2024-01-15 | 2024-02-20 | 华北电力大学 | 一种智能火电厂负荷在线建模方法及系统 |
CN117787658A (zh) * | 2024-02-23 | 2024-03-29 | 安徽金海迪尔信息技术有限责任公司 | 一种基于灌区的河水流量异常条件下水资源调度系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117992895A (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117992895B (zh) | 一种基于大数据的油气管道区域风险监测方法及系统 | |
CN113963514B (zh) | 一种油气化管道一体化监测预警系统 | |
CN109325692B (zh) | 水管网的数据实时分析方法及装置 | |
US9797799B2 (en) | Intelligent adaptive system and method for monitoring leakage of oil pipeline networks based on big data | |
CN112348237B (zh) | 一种动态钻井数据异常趋势检测方法 | |
CN108360608B (zh) | 一种供水系统输水管的爆管识别与定位方法 | |
CN116756493B (zh) | 一种安消防集指平台数据管理方法 | |
CN116541678B (zh) | 一种气站安全管道压力监测方法、装置 | |
CN114429308A (zh) | 一种基于大数据的企业安全风险评估方法及系统 | |
CN111080976B (zh) | 一种温度变化场景下实时监测天然气泄漏的方法及装置 | |
CN117037455B (zh) | 一种基于人工智能的燃气泄露警报系统及其方法 | |
CN117421616B (zh) | 一种矿山竖井井筒检测系统及方法 | |
CN117585554B (zh) | 一种设备巡检方法及巡检系统 | |
CN117990160B (zh) | 一种基于井口光缆穿越的储气库安全运行监测系统 | |
Jiang et al. | A new early warning method for dam displacement behavior based on non-normal distribution function | |
CN115830812B (zh) | 泵站建筑物异常沉降智能预警系统及方法 | |
Wang et al. | A state monitoring method of gas regulator station based on evidence theory driven by time-domain information | |
CN114708712B (zh) | 一种化工过程反应器故障检测的信息融合方法 | |
WO2020035696A1 (en) | Sensing fluid flow for estimating fluid flow state | |
CN110617403B (zh) | 基于多传感器信息融合的长输管线泄漏检测方法 | |
CN117686682B (zh) | 一种室内燃气故障监测方法及系统 | |
CN117272071B (zh) | 一种基于人工智能的流动管道泄露预警方法及系统 | |
CN118133059B (zh) | 一种基于数字孪生的安全风险智能检测方法及系统 | |
CN118365140B (zh) | 一种基于数据融合的城市安全风险评估方法及系统 | |
CN118503886B (zh) | 一种电力信息处理设备的故障状态的预测方法及系统 |
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 |