石油管道信号的异常检测方法及装置、设备及可读介质制造方法及图纸

本发明专利技术提供一种石油管道信号的异常检测方法及装置、设备及可读介质。其方法包括：根据传感器实时采集的石油管道信号，生成预测样本数据；对所述预测样本数据进行特征抽取处理，得到预测样本特征；将所述预测样本特征输入至已训练得到的石油管道异常信号检测模型，获取所述石油管道异常信号检测模型的输出结果；根据所述石油管道异常信号检测模型的输出结果，确定石油管道信号是否异常。本发明专利技术的技术方案，可以有效地提高异常检测的准确性，且不受石油管道的复杂形状影响，能够有效地保证检测效率。

Abnormal Detection Method and Device, Equipment and Readable Media of Oil Pipeline Signal

The invention provides an anomaly detection method for oil pipeline signals, a device, a device and a readable medium. The method includes: generating prediction sample data according to real-time oil pipeline signals collected by sensors; extracting and processing the features of the prediction sample data to obtain the characteristics of the prediction sample; inputting the features of the prediction sample into the abnormal signal detection model of the oil pipeline that has been trained, and obtaining the output results of the abnormal signal detection model of the oil pipeline; and The output of abnormal signal detection model of oil pipeline determines whether the signal of oil pipeline is abnormal. The technical scheme of the invention can effectively improve the accuracy of anomaly detection, and is not affected by the complex shape of the oil pipeline, and can effectively guarantee the detection efficiency.

【技术实现步骤摘要】
石油管道信号的异常检测方法及装置、设备及可读介质
本专利技术涉及计算机应用
，尤其涉及一种石油管道信号的异常检测方法及装置、设备及可读介质。
技术介绍
石油管道信号的异常检测，直接影响石油运输的安全性，是石油领域的信号检测中的一件非常重要的工作。现有石油领域的异常信号检测技术，通常以人工制定规则来判石油管道信号是否异常。具体地，由传感器从石油管道中检测到信号数据，通过人为制定的规则来对这些信号数据进行分类，判断是否属于异常情况。例如常用的人为规则可以是一些经典的统计学方法，如最大值、最小值的判断、或者正态分布的标准差判断等方法。但是现有技术的统计学方法，由于自身的性质存在着天然的缺陷，只能从数据分布的先验假设上做异常判断，不能因地制宜，比如石油管道领域很多的异常信号与取值大小无关，无法应对一些特定领域的复杂形状的异常信号，从而使得现有的石油管道信号的异常检测的准确性较差。
技术实现思路
本专利技术提供一种石油管道信号的异常检测方法及装置、设备及可读介质，用于提高石油管道信号的异常检测的准确性。本专利技术提供一种石油管道信号的异常检测方法，包括：根据传感器实时采集的石油管道信号，生成预测样本数据；对所述预测样本数据进行特征抽取处理，得到预测样本特征；将所述预测样本特征输入至已训练得到的石油管道异常信号检测模型，获取所述石油管道异常信号检测模型的输出结果；根据所述石油管道异常信号检测模型的输出结果，确定石油管道信号是否异常。本专利技术还提供一种石油管道信号的异常检测模型的训练方法，包括：根据传感器历史采集的石油管道信号以及相应石油管道的历史状态信息，生成训练样本数据集；对所述训练样本数据集进行特征抽取处理，得到训练样本特征集；基于所述训练样本特征集、采集的所述历史状态信息和机器学习算法，训练石油管道异常信号检测模型。本专利技术还提供一种石油管道信号的异常检测装置，包括：生成模块，用于根据传感器实时采集的石油管道信号，生成预测样本数据；抽取模块，用于对所述预测样本数据进行特征抽取处理，得到预测样本特征；检测模块，用于将所述预测样本特征输入至已训练得到的石油管道异常信号检测模型，获取所述石油管道异常信号检测模型的输出结果；确定模块，用于根据所述石油管道异常信号检测模型的输出结果，确定石油管道信号是否异常。本专利技术还提供一种石油管道信号的异常检测模型的训练装置，包括：生成模块，用于根据传感器历史采集的石油管道信号以及相应石油管道的历史状态信息，生成训练样本数据集；抽取模块，用于对所述训练样本数据集进行特征抽取处理，得到训练样本特征集；训练模块，用于基于所述训练样本特征集、采集的所述历史状态信息和机器学习算法，训练石油管道异常信号检测模型。本专利技术还提供一种计算设备，包括：处理器；以及存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上任何一项所述的方法。本专利技术还提供一种非暂时性机器可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上任一项所述的方法。本专利技术的石油管道信号的异常检测方法及装置、设备及可读介质，通过上述方案，可以训练石油管道异常信号检测模型，并采用训练好的石油管道异常信号检测模型来实现对实时采集的石油管道信号进行异常检测，与现有技术相比，由于石油管道异常信号检测模型采用神经网络模型来实现，可以有效地提高异常检测的准确性，且不受石油管道的复杂形状影响，能够有效地保证检测效率。附图说明通过结合附图对本公开示例性实施方式进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施方式中，相同的参考标号通常代表相同部件。图1为本专利技术的石油管道信号的异常检测方法实施例一的流程图。图2为本专利技术提供的LSTM的结构示意图。图3为本专利技术的心电图数据的异常检测的示例图。图4为本专利技术的石油管道信号的异常检测方法实施例二的流程图。图5为本专利技术的石油管道信号的异常检测模型的训练方法实施例的流程图。图6为本专利技术的石油管道信号的异常检测装置实施例一的结构图。图7为本专利技术的石油管道信号的异常检测装置实施例二的结构图。图8为本专利技术的石油管道信号的异常检测模型的训练装置实施例的结构图。图9示出了根据本专利技术一实施例可用于实现上述方法的计算设备的结构示意图。具体实施方式下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式，然而应该理解，可以以各种形式实现本公开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使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。图1为本专利技术的石油管道信号的异常检测方法实施例一的流程图。如图1所示，本实施例的石油管道信号的异常检测方法，具体可以包括如下步骤：S100、根据传感器实时采集的石油管道信号，生成预测样本数据；本实施例的石油管道信号的异常检测方法的执行主体为石油管道信号的异常检测装置，该石油管道信号的异常检测装置采用线下已训练得到的石油管道异常信号检测模型，来对传感器采集到的石油管道信号进行异常检测。具体地，在实际应用中，为了对石油管道信号进行异常检测，可以在石油管道中设置传感器来实时采集石油管道信号，例如，可以设置500采样率的传感器，每秒可以得到500个数值，来作为这一秒的石油管道信号。在实际采样过程中，可以按照预设的采样周期，选取采样周期内的石油管道信号，作为实时采集的石油管道信号。本实施例的采样周期可以根据实际需求取5秒、3秒或者其他预设时间长度，在此不再一一举例赘述。传感器采集的当前的预设时间长度内的信号便是实时采集的石油管道信号。对于每预设时间长度内的信号，都作为一条实时的预测样本数据。例如，预设时间长度为5秒时，500的采样率对应的预测样本数据中包括2500个采样数据。S101、对预测样本数据进行特征抽取处理，得到预测样本特征；本实施例的预测样本数据中包括预设时间长度内的所有采样数据，数据较为丰富，可以从所有采样数据中直接提取一些特征，作为预测样本特征。也可以从所有采样数据中提取一部分特征，然后对抽取的这部分特征进行二次加工处理，得到处理后的特征，作为预测样本特征。或者也可以同时获取上述两种类型的特征，一起整合为预测样本特征。例如，本实施例中，步骤S101“对预测样本数据进行特征抽取处理，得到预测样本特征”，具体可以包括如下步骤：(1)对预测样本数据进行如下至少一种方式的处理：(a1)从预测样本数据中提取数值类特征；例如，本实施例中从预测样本数据中提取数值类特征，具体可以从预测样本数据中获取最大值、最小值、均值方差以及分位数中的至少一个，作为数值类特征。具体地，需要选择哪些特征作为数值类特征，可以根据具体应用场景来选择。(b1)从预测样本数据中提取频域类特征；例如，在具体实现时，可以先对预测样本数据进行快速傅里叶变换处理；然后取快速傅里叶变换处理后的实数部分的多个数值；该实数部分的数值的数量与预测样本数据中包括的石油管道信号强度值的数量相等；最后提取实数部分的多个数值中的最大值、最小值、均值方差以及分位数中的至少一个，作为频域类特征。同理，需要选择哪些特征作为频域类特征，可以根据具体应用场景来选择。(c1)从预测样本文档来自技高网...

【技术保护点】
1.一种石油管道信号的异常检测方法，包括：根据传感器实时采集的石油管道信号，生成预测样本数据；对所述预测样本数据进行特征抽取处理，得到预测样本特征；将所述预测样本特征输入至已训练得到的石油管道异常信号检测模型，获取所述石油管道异常信号检测模型的输出结果；根据所述石油管道异常信号检测模型的输出结果，确定石油管道信号是否异常。

【技术特征摘要】
1.一种石油管道信号的异常检测方法，包括：根据传感器实时采集的石油管道信号，生成预测样本数据；对所述预测样本数据进行特征抽取处理，得到预测样本特征；将所述预测样本特征输入至已训练得到的石油管道异常信号检测模型，获取所述石油管道异常信号检测模型的输出结果；根据所述石油管道异常信号检测模型的输出结果，确定石油管道信号是否异常。2.根据权利要求1所述的方法，其中，所述根据传感器实时采集的石油管道信号，生成预测样本数据包括：将所述传感器实时采集的每预设时间长度内的信号作为一条预测样本数据。3.根据权利要求2所述的方法，其中，对所述预测样本数据进行特征抽取处理，得到预测样本特征包括：对预测样本数据进行如下至少一种处理：从预测样本数据中提取数值类特征；从预测样本数据中提取频域类特征；从预测样本数据中提取自身变化趋势特征；将预测样本数据与最近邻的一段历史石油管道信号进行比较，得到历史数据比较特征；以及利用机器学习模型预测出与所述预测样本数据所处时间段对应的石油管道信号，将预测出的所述石油管道信号与所述预测样本数据进行比较，得到预测误差特征；基于得到的特征，获取与所述预测样本数据对应的所述预测样本特征；进一步地，基于得到的特征，获取与所述预测样本数据对应的所述预测样本特征，包括：若得到的特征的数量多于一个时，整合所得到的特征，得与所述预测样本数据对应的所述预测样本特征；若得到的特征数量为一个时，将得到的所述特征，作为与所述预测样本数据对应的所述预测样本特征。4.根据权利要求3所述的方法，其中，从预测样本数据中提取数值类特征，包括：从预测样本数据中提取石油管道信号强度值的最大值、最小值、均值方差以及分位数中的至少一个，作为所述数值类特征。5.根据权利要求3所述的方法，其中，从预测样本数据中提取频域类特征，包括：对预测样本数据进行快速...

【专利技术属性】
技术研发人员：何晓东，周振华，
申请(专利权)人：第四范式北京技术有限公司，
类型：发明
国别省市：北京,11