[发明专利]基于即时学习和自适应阈值的综合能源供应站油罐泄漏检测方法

说明书

本发明公开了一种基于即时学习和自适应阈值的综合能源供应站油罐泄漏检测方法。本发明采用即时学习的非参数化建模方法，当需要对在线实时数据流进行泄漏判断时，先从历史数据库中搜索并构建与在线数据模态最匹配的局部数据集建立基于油高软测量的泄漏检测模型，并根据检测结果对检测阈值进行自适应更新，以不断适配数据特性的小幅度波动。运行一段时间后，重复上述步骤更新模型以适配由于油量、温度等因素大幅变化带来的数据特性变化的问题。在建立局部模型时，采用指数加权平均方法对查询样本的多个预测结果进行后处理融合，有效提升油高的预测性能。最后通过基于真实油罐数据的实验证明本发明能够有效提升泄漏检测的准确性、适用性和及时性。

技术领域

本发明公开一种基于即时学习和自适应阈值的综合能源供应站油罐泄漏检测方法。本发明属于工业系统故障检测领域，特别是针对综合能源供应站储油罐系统的泄露故障检测。

背景技术

在复杂的工业过程中，生产设备和系统的安全运行关系到生产效率、产品质量、生产过程安全以及环境和人身安全。随着现代化产业的发展，工业设备的运行状况越来越复杂，影响因素也越来越繁多，对于设备的安全性和可靠性要求使得故障检测技术备受重视。现有的工业设备故障诊断方法主要有三种，分别是基于机理模型、基于知识和基于数据驱动的方法。基于机理的方法需要精确的数学模型，然而在实际工业过程中，由于多且复杂的不确定性因素，其对应的机理模型的建立非常困难；基于知识的方法如神经网络、专家系统等不需要精确的数学建模，但是实际经常存在参数难以学习、自适应差等问题；基于数据驱动的方法将过程运行数据从测量空间变换到特征空间后再进行分析，无需建立复杂的数学模型。

随着工业平台大量传感器、智能仪表的配备、集散控制系统以及计算机存储技术的应用，工业系统中积累了海量的数据，通常难以从少量数据中提取有价值的信息，但是海量的数据则蕴含着不可估量的价值，通过挖掘、分析可以从中提取出相应的价值。基于数据驱动的方法是目前研究的热点方向之一。前人对基于数据的故障检测和故障诊断作出了大量的研究，比如主成分分析 (PCA)、偏最小二乘(PLS)和线性判别分析(LDA)等多元统计分析方法已经被广泛应用于基于数据的过程监测领域。

综合能源供应站油罐泄漏检测是工业设备故障检测的应用之一，目前各个综合能源供应站的储油罐泄露检测的普遍方法是直接使用传感器检测油罐底部是否有液体，若有则发出泄露警报，液体的产生往往可能是卸油加油过程中的水分，这样就会造成误报，从而增加维护成本；还有一些方法是通过复杂的机理公式，利用储存的历史数据预测油位的高度，复杂的机理公式往往会因为环境的改变或者设备的退化等原因造成系数和大量参数难以确定的问题；除此还提出过一种基于数据驱动的油高软测量预警方法，该发明使用的是全局建模的方法，这种全局模型往往会遇到模型结构难以确认、参数优化困难、模型更新困难以及数据非线性造成精度下降等问题。相较于全局建模和传统局部建模方法，基于即时学习的基本建模框架通过从历史累计数据中找出与当前查询样本模态最匹配的相似样本用来局部建模，从而获得更好的建模精度。此外，目前使用的预警阈值设定方法大多是根据全局模型设定的固定阈值，没有考虑在线工况或者运行环境改变带来的影响，误报和漏报的概率比较大。

发明内容

本发明的目的是针对现有基于油高软测量的油罐泄漏检测方法中，全局建模复杂性高，以及固定阈值故障检测延迟、故障漏检率高等问题，提出了一种基于即时学习和自适应阈值的综合能源供应站油罐泄漏检测方法。采用即时学习的建模方法，能够为在线实时数据流匹配到模态最相近的历史样本并建立基于油高软测量的故障预警模型，实现对在线数据的实时预警。同时，本发明将自适应阈值的方法加入到即时学习的模型中，能够动态适配数据小幅度波动的特性。在运行一段时间后，为了适配由于油量、温度等因素大幅变化带来的数据特性变化的问题需要更新相似样本和局部建模。基于即时学习和自适应阈值的综合能源供应站油罐泄漏检测方法能够简化模型、提高预测精度、有效减少由于固定阈值所引起的虚警率问题。整体上提升了故障检测方法的适用性、准确性和及时性。

本发明的目的是通过以下技术方案实现的：