[发明专利]基于样本生成和间隔Markov特征的管道异常检测方法

说明书

本发明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。

技术领域

本发明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。

背景技术

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。

发明内容

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，本发明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。

本发明的技术方案为：

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；