基于样本生成和间隔Markov特征的管道异常检测方法技术

本发明专利技术的目的是提供一种基于样本生成和间隔Markov特征的管道异常检测方法，涉及管道异常检测领域。本发明专利技术的方法包括：步骤1.历史数据样本的提取及滤波处理；步骤2.历史数据样本的规则化及降采样处理；步骤3.ELM模型的建立与训练；步骤4.基于ELM模型进行样本生成，得到扩充后的输入样本集；步骤5.对扩充后的输入样本集中每个样本，当t＞Q时，将每一时刻的状态用前Q个时间间隔内的平均状态代替，进行间隔Markov特征的提取；步骤6.基于SVM模型或RF模型对管道异常进行识别。本发明专利技术解决了现有技术中复杂工况条件下微弱的管道泄漏信号和工况调整信号识别困难的技术问题，能够提高管道异常检测的精度。

【技术实现步骤摘要】
基于样本生成和间隔Markov特征的管道异常检测方法
本专利技术涉及管道异常检测领域，特别是涉及一种基于样本生成和间隔Markov特征的管道异常检测方法。
技术介绍
对于一个以工业为主的国家，工业的发展程度决定了人们的生活水平，同时消耗的资源也是成比例的增加。这种现实情况迫使能源的运输成了当下热议的话题。其中，管道能源运输逐渐成为与铁路、公路、航空、水路并驾齐驱的运输行业。管道运输在运送对象方面与其他四类运输方式有一定差别，管道运输主要是借助管道内的压力差来推动运送对象的运输，因此，管道运输的对象一般都是流体，如天然气、水、石油等；其中，石油是现代管道运输的主要运送对象。不同的管道泄漏检测方法有不同的优缺点和适用范围。在国内的成品油管网系统中，对于单一管道上的泄漏检测技术上，已经具有了较高的灵敏度和准确度。考虑到监控站内进行工况调整也会产生干扰，现行的解决方法是根据定位泄漏点的位置在监控站范围内来排除大部分的工况干扰。但在现今复杂的成品油管网结构下，频繁的工况调整，以及压力波在传播过程中会有不同程度的衰减，都使得泄漏检测的误报率逐渐增加，频繁的报警给监控人员带来了不必要的负担和困难。而且在实际的生产要求中，为了保证无漏报情况的出现，现场工作人员又不能选用降低灵敏度和准确度为代价的方法来降低误报率，最终造成了人力和物力的浪费。因此，准确识别压力数据中的异常类型对于保证管道安全运行极其重要。管道异常检测类型主要包括泄漏和工况调整。一方面，大型泄漏的检测准确率一般都很高，而对于微弱泄漏的检测识别效果均不是非常理想。广为使用的管道泄漏检测方法是负压波法，其原理是检测管道两端压力的下降沿，而当管道泄漏非常微弱时，泄漏引起的压力下降幅度也非常的微弱，加之管道压力信号通常噪声较大，微弱泄漏引起的压力下降信号常常被淹没在噪声中，这不仅影响了定位精度，而且不能准确识别，造成了严重的漏报和误报，就给负压波的检测带来了难题。另一方面，随着石油开采的快速发展，多点分输、大落差输送以及多油品顺序输送等复杂管道输送工况，都会造成输油管道内压力的频繁波动，使得单纯基于负压波信号的管道泄漏检测系统的误报率大大上升；同时，泵站间距的增加，也会造成压力波的迅速衰减，泄漏信号会变得更加微弱；而对于工况识别的研究很少，传统方法中仅仅是根据定位泄漏点的位置是否在监控站范围内来排除大部分的工况干扰，对于站外工况调整产生漏报。由上所述，可见，如何在复杂工况条件下识别微弱的管道泄漏信号和工况调整信号，从而提高管道异常检测的精度、降低漏报率与误报率，是当前管道泄漏检测领域亟需解决的难题之一。
技术实现思路
针对上述现有的管道泄漏检测方法中存在的复杂工况条件下微弱的管道泄漏信号和工况调整信号识别困难的技术问题，本专利技术提供一种基于样本生成和间隔Markov特征的管道异常检测方法，能够提高管道异常检测的精度、降低漏报率与误报率。本专利技术的技术方案为：一种基于样本生成和间隔Markov特征的管道异常检测方法，其特征在于，包括下述步骤：步骤1：历史数据样本的提取及滤波处理：提取管道压力的历史数据样本，构成初始历史数据样本集，所述历史数据样本为离散时间序列，所述初始历史数据样本集包括泄漏样本和工况调整样本；使用低通滤波器，对所述初始历史数据样本集进行滤波处理，获取低频信息；再用高斯滤波的方法对所述初始历史数据样本集进行滤波去噪，最终得到滤波处理后的历史数据样本集；步骤2：历史数据样本的规则化及降采样处理：对滤波处理后的历史数据样本集进行规则化处理，得到样本集X＝[X1；X2；...；XM]；对所述样本集X进行降采样处理，得到样本集Y＝[Y1；Y2；...；YM]；其中，M为所述样本集X和所述样本集Y中样本的个数，所述样本集X和所述样本集Y中样本的长度分别为m和v；步骤3：ELM模型的建立与训练：将所述样本集X＝[X1；X2；...；XM]作为初始输入样本集，将所述样本集Y＝[Y1；Y2；...；YM]作为初始输出样本集，构成训练样本集S＝(Xi,Yi)i＝1,2,...,M；通过训练，得到ELM模型的隐含层到输出层的权重β；步骤4：基于ELM模型的样本生成：基于ELM模型进行样本泛化，从输出层返回到输入层，得到新的输入样本X'g＝[X'g1，X'g2，...，X'gt，...，X'gm']，g∈[1，M']，构成新的输入样本集X'＝[X'1，X'2，...，X'g，...，X'M']；其中，M'为新的输入样本的数量，X'g为离散时间序列，X'gt为输入样本X'g中第t时刻的压力数据，t∈{1,2,...,m'}，m'为输入样本X'g的长度；所述新的输入样本集X'与所述初始输入样本集X共同构成扩充后的输入样本集Xe；步骤5：间隔Markov特征的提取：步骤5.1：对所述输入样本集X'中每个样本对应的窗体选取上下边界；步骤5.2：对所述输入样本集X'中每个样本对应的窗体，采取四分位数和标准分数相结合的方法来划分状态区间；步骤5.3：对所述输入样本集X'中的每个样本，当t＞Q时，将每一时刻的状态用前Q个时间间隔内的平均状态代替，得到每个样本对应的间隔Markov链，提取每个样本的间隔Markov特征，形成所述输入样本集X'的间隔Markov特征集；步骤5.4：对所述初始输入样本集X中的每个样本，进行上述步骤5.1、步骤5.2、步骤5.3的处理，得到所述初始输入样本集X的间隔Markov特征集，从而得到所述扩充后的输入样本集Xe的间隔Markov特征集；步骤6：管道异常的识别：构建SVM模型和RF模型，将所述扩充后的输入样本集Xe的间隔Markov特征集输入所述SVM模型或所述RF模型中，随机选取该间隔Markov特征集的80％作为训练样本、20％作为测试样本，进行管道异常的识别。所述步骤3包括下述步骤：步骤3.1：建立ELM模型：i∈[1，M]，写成矩阵形式为Hβ＝Y；其中，L为隐含层节点数，wj为第j个隐含层节点的输入权重，bj为第j个隐含层节点的偏移，βj为第j个隐含层节点的输出权重，所述输入权重wj、所述偏移bj、所述输出权重βj均为服从标准正态分布的随机矩阵，h为激活函数；H为隐含层输出矩阵，β为隐含层到输出层的权重；步骤3.2：设定隐含层节点数L，随机获取初始输入权重wj和偏移bj；设置所述激活函数h为Sigmoid激活函数，即结合初始输入样本集X＝[X1；X2；...；XM]，得到所述隐含层输出矩阵为步骤3.3：通过初始输出样本集Y＝[Y1；Y2；...；YM]，计算得到隐含层到输出层的权重其中，β＝[β1；β2；...；βL]，为H的广义逆矩阵。所述步骤4包括下述步骤：步骤4.1：对于输出样本集中的任意两个输出样本Yi和Yj，i，j∈[1，M]，取均值后得到将Y'g作为新的输出样本，形成新的输出样本集Y'＝[Y'1；Y'2；...；Y'g；...；Y'M‘]；步骤4.2：对于每个所述新的输出样本Y'g，基于ELM模型，根据隐含层到输出层的权重β，得到相应的隐含层输出矩阵H'g，然后根据公式X'g＝w-1(h-1(H'g)-b)，得到新的输入样本X'g，形成新的输入样本集X'＝[X'1，X'2，...，X'g，...，X'M']；其中，w为ELM模型的本文档来自技高网...

【技术保护点】
1.一种基于样本生成和间隔Markov特征的管道异常检测方法，其特征在于，包括下述步骤：步骤1：历史数据样本的提取及滤波处理：提取管道压力的历史数据样本，构成初始历史数据样本集，所述历史数据样本为离散时间序列，所述初始历史数据样本集包括泄漏样本和工况调整样本；使用低通滤波器，对所述初始历史数据样本集进行滤波处理，获取低频信息；再用高斯滤波的方法对所述初始历史数据样本集进行滤波去噪，最终得到滤波处理后的历史数据样本集；步骤2：历史数据样本的规则化及降采样处理：对滤波处理后的历史数据样本集进行规则化处理，得到样本集X＝[X1；X2；...；XM]；对所述样本集X进行降采样处理，得到样本集Y＝[Y1；Y2；...；YM]；其中，M为所述样本集X和所述样本集Y中样本的个数，所述样本集X和所述样本集Y中样本的长度分别为m和v；步骤3：ELM模型的建立与训练：将所述样本集X＝[X1；X2；...；XM]作为初始输入样本集，将所述样本集Y＝[Y1；Y2；...；YM]作为初始输出样本集，构成训练样本集S＝(Xi,Yi)i＝1,2,...,M；通过训练，得到ELM模型的隐含层到输出层的权重β；步骤4：基于ELM模型的样本生成：基于ELM模型进行样本泛化，从输出层返回到输入层，得到新的输入样本X'g＝[X'g1，X'g2，...，X'gt，...，X'gm']，g∈[1，M']，构成新的输入样本集X'＝[X'1，X'2，...，X'g，...，X'M']；其中，M'为新的输入样本的数量，X'g为离散时间序列，X'gt为输入样本X'g中第t时刻的压力数据，t∈{1,2,...,m'}，m'为输入样本X'g的长度；所述新的输入样本集X'与所述初始输入样本集X共同构成扩充后的输入样本集Xe；步骤5：间隔Markov特征的提取：步骤5.1：对所述输入样本集X'中每个样本对应的窗体选取上下边界；步骤5.2：对所述输入样本集X'中每个样本对应的窗体，采取四分位数和标准分数相结合的方法来划分状态区间；步骤5.3：对所述输入样本集X'中的每个样本，当t＞Q时，将每一时刻的状态用前Q个时间间隔内的平均状态代替，得到每个样本对应的间隔Markov链，提取每个样本的间隔Markov特征，形成所述输入样本集X'的间隔Markov特征集；步骤5.4：对所述初始输入样本集X中的每个样本，进行上述步骤5.1、步骤5.2、步骤5.3的处理，得到所述初始输入样本集X的间隔Markov特征集，从而得到所述扩充后的输入样本集Xe的间隔Markov特征集；步骤6：管道异常的识别：构建SVM模型和RF模型，将所述扩充后的输入样本集Xe的间隔Markov特征集输入所述SVM模型或所述RF模型中，随机选取该间隔Markov特征集的80％作为训练样本、20％作为测试样本，进行管道异常的识别。...

【技术特征摘要】
1.一种基于样本生成和间隔Markov特征的管道异常检测方法，其特征在于，包括下述步骤：步骤1：历史数据样本的提取及滤波处理：提取管道压力的历史数据样本，构成初始历史数据样本集，所述历史数据样本为离散时间序列，所述初始历史数据样本集包括泄漏样本和工况调整样本；使用低通滤波器，对所述初始历史数据样本集进行滤波处理，获取低频信息；再用高斯滤波的方法对所述初始历史数据样本集进行滤波去噪，最终得到滤波处理后的历史数据样本集；步骤2：历史数据样本的规则化及降采样处理：对滤波处理后的历史数据样本集进行规则化处理，得到样本集X＝[X1；X2；...；XM]；对所述样本集X进行降采样处理，得到样本集Y＝[Y1；Y2；...；YM]；其中，M为所述样本集X和所述样本集Y中样本的个数，所述样本集X和所述样本集Y中样本的长度分别为m和v；步骤3：ELM模型的建立与训练：将所述样本集X＝[X1；X2；...；XM]作为初始输入样本集，将所述样本集Y＝[Y1；Y2；...；YM]作为初始输出样本集，构成训练样本集S＝(Xi,Yi)i＝1,2,...,M；通过训练，得到ELM模型的隐含层到输出层的权重β；步骤4：基于ELM模型的样本生成：基于ELM模型进行样本泛化，从输出层返回到输入层，得到新的输入样本X'g＝[X'g1，X'g2，...，X'gt，...，X'gm']，g∈[1，M']，构成新的输入样本集X'＝[X'1，X'2，...，X'g，...，X'M']；其中，M'为新的输入样本的数量，X'g为离散时间序列，X'gt为输入样本X'g中第t时刻的压力数据，t∈{1,2,...,m'}，m'为输入样本X'g的长度；所述新的输入样本集X'与所述初始输入样本集X共同构成扩充后的输入样本集Xe；步骤5：间隔Markov特征的提取：步骤5.1：对所述输入样本集X'中每个样本对应的窗体选取上下边界；步骤5.2：对所述输入样本集X'中每个样本对应的窗体，采取四分位数和标准分数相结合的方法来划分状态区间；步骤5.3：对所述输入样本集X'中的每个样本，当t＞Q时，将每一时刻的状态用前Q个时间间隔内的平均状态代替，得到每个样本对应的间隔Markov链，提取每个样本的间隔Markov特征，形成所述输入样本集X'的间隔Markov特征集；步骤5.4：对所述初始输入样本集X中的每个样本，进行上述步骤5.1、步骤5.2、步骤5.3的处理，得到所述初始输入样本集X的间隔Markov特征集，从而得到所述扩充后的输入样本集Xe的间隔Markov特征集；步骤6：管道异常的识别：构建SVM模型和RF模型，将所述扩充后的输入样本集Xe的间隔Markov特征集输入所述SVM模型或所述RF模型中，随机选取该间隔Markov特征集的80％作为训练样本、20％作为测试样本，进行管道异常的识别。2.根据权利要求1所述的基于样本生成和间隔Markov特征的管道异常检测方法，其特征在于，所述步骤3包括下述步骤：步骤3.1：建立ELM模型：写成矩阵形式为Hβ＝Y；其中，L为隐含层节点数，wj为第j个隐含层节点的输入权重，bj为第j个隐含层节点的偏移，βj为第j个隐含层节点的输出权重，所述输入权重wj、所述偏移bj、所述输出权重βj均为服从标准正态分布的随机矩阵，h为激活函数；H为隐含层输出矩阵，β为隐含层到输出层的权重；步骤3.2：设定隐含层节点数L，随机获取初始输入权重wj和偏移bj；设置所述激活函数h为Sigmoid激活函数，即结合初始输入样本集X＝[X1；X2；...；XM]，得到所述隐含层输出矩阵为步骤3.3：通过初始输出样本集Y＝[Y1；Y2；...；YM]，计算得到隐含层到输出层的权重其中，β＝[β1；β2；...；βL]，为H的广义逆矩阵...

【专利技术属性】
技术研发人员：张化光，韩莹莹，刘金海，汪刚，马大中，冯健，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21