CN114186489B 基于排序网络的成品油管道异常检测方法、系统及设备 （中国石油大学(北京)）

US2018248905A1,2018.08.30本发明涉及基于排序网络的成品油管道异搭建基于排序网络的成品油管道异常检测模型品油管道的异常检测具有很高的准确性和很强2基于仿真管道模型模拟各种正常与异常工况的运行情况，得到基于压力时间序列数据搭建基于排序网络的成品油管道异常检测模型将p组正常工况定义为正样本，将q组正常工况和异常工况定义为负样通过借助采用具有共享权值的双分支人工神经网络对压力时间序列的特征进行提取，在训练过程中，训练组合样本对每次给网络发送一个异常工况标签或正常工况标签，工况仿真单元，被配置为基于仿真管道模型模拟模型搭建单元，被配置为基于压力时间序列数据搭建基于排序网络将p组正常工况定义为正样本，将q组正常工况和异常工况定义为负样通过借助采用具有共享权值的双分支人工神经网络对压力时间序列的特征进行提取，3在训练过程中，训练组合样本对每次给网络发送一个异常工况标签或正常工况标签，5.一种电子设备，所述电子设备至少包括4的粒子群(PSO)进行优化等。利用数值模拟的方法虽然可以比较精准的计算管道泄漏的参了一种基于主成分分析和RBF神经网络的管道泄漏检测模型。Li等人建立了管道突变的创5[0015]通过借助采用具有共享权值的双分支人工神经网络对压力时间序列的特征进行[0025]工况仿真单元，被配置为基于仿真管道模型模拟各种正常与异常工况的运行情67这种空间相对关系术语意于包括除图中描绘的方位之外的额定流量、阀门开度、油品物性、管道长度、摩阻系数等，利用SPS(StonerPipelineSimulator)仿真软件建立成品油管道仿真模型，并应用其对正常工况与异常工况进行模系统的复杂水力特性和时空特性，将各站进出口压力序列导出为4×N(N代表压力序列长8[0055]如图3所示，本实施例基于排序网络的成品油管道异常检测模型采用具有共享权9(T)的预测工况的比例；Recall：表示正的工况被真正预测的比例；F1score：综合表示[0074]首先收集两条真实成品油管道的设备参数和油品物性，以此为基础分别建立的SPS仿真模型。基于常见的工况类型，对两条仿真管道进行相应的非稳态与异常工况的模[0077]将训练集和验证集带入到训练得到的排序模型中，实现成品油管道的异常检为证明所提出的基于排序网络的异常检测模型的优越性，将其与常见的机器学习模型如原数据集的时间序列特征的同时，本发明应用双网络结构来综合挖掘压力数据的潜在信[0080]上述实施例一提供了基于排序网络的成品油管道异常检[0083]工况仿真单元，被配置为基于仿真管道模型模拟各种正常与异常工况的运行情[0086]本实施例提供一种与本实施例一所提供的基于排序网络的成品油管道异常检测[0091]本实施例一的基于排序网络的成品油管道异常检测方法可被具体实现为一种计例一所述的基于排序网络的成品油管道异常检测方法的计[0092]计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设中描述的不同实施例或示例以及不同实施例或示例的特征进行现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0095]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；