CN116336400B - 油气集输管道基线检测方法 - Google Patents
油气集输管道基线检测方法 Download PDFInfo
- Publication number
- CN116336400B CN116336400B CN202310621120.2A CN202310621120A CN116336400B CN 116336400 B CN116336400 B CN 116336400B CN 202310621120 A CN202310621120 A CN 202310621120A CN 116336400 B CN116336400 B CN 116336400B
- Authority
- CN
- China
- Prior art keywords
- temperature
- pressure
- vector
- classification
- convolution layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 131
- 239000013598 vector Substances 0.000 claims description 290
- 239000011159 matrix material Substances 0.000 claims description 92
- 230000004927 fusion Effects 0.000 claims description 35
- 238000000034 method Methods 0.000 claims description 33
- 238000011176 pooling Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 9
- 230000003213 activating effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 abstract description 17
- 238000013135 deep learning Methods 0.000 abstract description 11
- 238000003062 neural network model Methods 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000009826 distribution Methods 0.000 description 28
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 230000008878 coupling Effects 0.000 description 6
- 238000010168 coupling process Methods 0.000 description 6
- 238000005859 coupling reaction Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
- F17D5/02—Preventing, monitoring, or locating loss
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
- F17D—PIPE-LINE SYSTEMS; PIPE-LINES
- F17D5/00—Protection or supervision of installations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Pipeline Systems (AREA)
Abstract
一种油气集输管道基线检测方法,其在被监测油气集输管道上设置多个检测点,并在各个检测点设置传感器组,包括温度计、压力计和超声波流量计,以通过所述各个检测点的传感器组采集所述被监测油气集输管道的多个检测点的多组传感器数据,进而使用基于深度学习的智能基线检测模型对所采集的多组传感器数据进行数据处理和分析,以利用所述智能极限检测模型的深度神经网络模型来拟合各个参数项之间的复杂非线性关联,通过这样的方式,将多项参数视为有机的整体且将所述被监测油气集输管道视为整体来进行基线偏差检测,以提高基线偏差的智能性和精准度。
Description
技术领域
本申请涉及智能化检测技术领域,并且更具体地,涉及一种油气集输管道基线检测方法。
背景技术
在油气集输管道的正常使用过程中,由于外部因素或内部因素的影响(包括但不限于管道材质、施工质量、设备老化、腐蚀磨损、环境因素等),会导致管道部分或者全部参数波动超过预定规则,这种现象称为油气集输管道的基线偏差。
油气集输管道基线检测是确保油气管道的安全运行的关键任务,在传统的油气集输管道基线检测中,往往将各项参数视为独立的监测项,但是各个参数项之间存在复杂的非线性关联,如果忽略各个参数项之间的关联,会导致基线偏差检测的精准度下降,出现漏报或者错报的情况。
因此,期待一种优化的油气集输管道基线检测方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种油气集输管道基线检测方法,其在被监测油气集输管道上设置多个检测点,并在各个检测点设置传感器组(包括温度计、压力计和超声波流量计),以通过所述各个检测点的传感器组采集所述被监测油气集输管道的多个检测点的多组传感器数据(包括温度值、压力值和流量值),进而使用基于深度学习的智能基线检测模型对所采集的多组传感器数据进行数据处理和分析,以利用所述智能极限检测模型的深度神经网络模型来拟合各个参数项之间的复杂非线性关联,通过这样的方式,将多项参数视为有机的整体且将所述被监测油气集输管道视为整体来进行基线偏差检测,以提高基线偏差的智能性和精准度。
第一方面,提供了一种油气集输管道基线检测方法,其包括:获取由部署于被监测油气集输管道的多个检测点的传感器组采集的多组传感器数据,其中,多组所述传感器数据包括温度值、压力值和流量值;将所述多组传感器数据中温度值、压力值和流量值分别按照检测点样本维度排列为温度输入向量、压力输入向量和流量值输入向量;对所述温度输入向量和所述压力输入向量进行按位置点乘以得到温度-压力协同输入向量;将所述温度-压力协同输入向量通过包含第一卷积层和第二卷积层的序列编码器以得到温度-压力协同特征向量;将所述流量值输入向量通过所述包含第一卷积层和第二卷积层的序列编码器以得到流量特征向量;使用高斯密度图来融合所述温度-压力协同特征向量和所述流量特征向量以得到高斯融合密度图;对所述高斯融合密度图进行高斯离散化以得到分类特征矩阵;对所述分类特征矩阵进行类概率密度区分度强化以得到优化分类特征矩阵;以及将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在基线偏差。
在上述油气集输管道基线检测方法中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
在上述油气集输管道基线检测方法中,将所述温度-压力协同输入向量通过包含第一卷积层和第二卷积层的序列编码器以得到温度-压力协同特征向量,包括:使用所述序列编码器的第一卷积层对所述温度-压力协同输入向量进行卷积处理、池化处理和非线性激活处理以由所述第一卷积层输出为第一尺度温度-压力特征向量,其中,所述第一卷积层具有第一尺度的一维卷积核;使用所述序列编码器的第二卷积层对所述温度-压力协同输入向量进行卷积处理、池化处理和非线性激活处理以由所述第二卷积层输出为第二尺度温度-压力特征向量,其中,所述第二卷积层具有第二尺度的一维卷积核,所述第一尺度不同于所述第二尺度;以及,将所述第一尺度温度-压力特征向量和所述第二尺度温度-压力特征向量进行级联以得到所述温度-压力协同特征向量。
在上述油气集输管道基线检测方法中,将所述第一尺度温度-压力特征向量和所述第二尺度温度-压力特征向量进行级联以得到所述温度-压力协同特征向量,包括:以如下级联公式将所述第一尺度温度-压力特征向量和所述第二尺度温度-压力特征向量进行级联以得到所述温度-压力协同特征向量;其中,所述级联公式为:,其中,/>,/>表示所述第一尺度温度-压力特征向量和所述第二尺度温度-压力特征向量,/>表示级联函数,/>表示所述温度-压力协同特征向量。在上述油气集输管道基线检测方法中,使用高斯密度图来融合所述温度-压力协同特征向量和所述流量特征向量以得到高斯融合密度图,包括:使用高斯密度图以如下高斯公式融合所述温度-压力协同特征向量和所述流量特征向量以得到高斯融合密度图;其中,所述高斯公式为:/>,其中,/>表示所述温度-压力协同特征向量和所述流量特征向量之间的按位置均值向量,且/>的每个位置的值表示所述温度-压力协同特征向量和所述流量特征向量中各个位置的特征值之间的方差,/>表示高斯融合密度图。
在上述油气集输管道基线检测方法中,对所述分类特征矩阵进行类概率密度区分度强化以得到优化分类特征矩阵,包括:以如下优化公式对所述分类特征矩阵进行类概率密度区分度强化以得到优化分类特征矩阵;其中,所述优化公式为:,其中,/>和/>是所述分类特征矩阵中各个位置的特征值集合的均值和标准差,/>是所述分类特征矩阵的第/>位置的特征值,且是所述优化分类特征矩阵的第/>位置的特征值。
在上述油气集输管道基线检测方法中,将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在基线偏差,包括:将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量;使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
与现有技术相比,本申请提供的油气集输管道基线检测方法,其在被监测油气集输管道上设置多个检测点,并在各个检测点设置传感器组(包括温度计、压力计和超声波流量计),以通过所述各个检测点的传感器组采集所述被监测油气集输管道的多个检测点的多组传感器数据(包括温度值、压力值和流量值),进而使用基于深度学习的智能基线检测模型对所采集的多组传感器数据进行数据处理和分析,以利用所述智能极限检测模型的深度神经网络模型来拟合各个参数项之间的复杂非线性关联,通过这样的方式,将多项参数视为有机的整体且将所述被监测油气集输管道视为整体来进行基线偏差检测,以提高基线偏差的智能性和精准度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的油气集输管道基线检测方法的场景示意图。
图2为根据本申请实施例的油气集输管道基线检测方法的流程图。
图3为根据本申请实施例的油气集输管道基线检测方法的架构示意图。
图4为根据本申请实施例的油气集输管道基线检测方法中步骤140的子步骤的流程图。
图5为根据本申请实施例的油气集输管道基线检测方法中步骤190的子步骤的流程图。
图6为根据本申请实施例的油气集输管道基线检测***的框图。
其中,M、油气集输管道;C1、温度值;C2、压力值;C3、流量值;S、服务器。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
针对上述技术问题,本申请的技术构思为:在被监测油气集输管道上设置多个检测点,并在各个检测点设置传感器组(包括温度计、压力计和超声波流量计),以通过所述各个检测点的传感器组采集所述被监测油气集输管道的多个检测点的多组传感器数据(包括温度值、压力值和流量值),进而使用基于深度学习的智能基线检测模型对所采集的多组传感器数据进行数据处理和分析,以利用所述智能极限检测模型的深度神经网络模型来拟合各个参数项之间的复杂非线性关联,通过这样的方式,将多项参数视为有机的整体且将所述被监测油气集输管道视为整体来进行基线偏差检测,以提高基线偏差的智能性和精准度。
具体地,在本申请的技术方案中,首先获取由部署于被监测油气集输管道的多个检测点的传感器组采集的多组传感器数据,其中,多组所述传感器数据包括温度值、压力值和流量值。应可以理解,所述被监测油气集输管道具有预定长度,因此,为了更为全面地监测所述被监测油气集输管道的运行状态特征,在本申请的技术方案中,在所述被监测油气集输管道上设置多个检测点,并在所述各个检测点设置传感器组以得到所述多组传感器数据。更明确地,在本申请的技术方案中,所述传感器组包括温度计、压力计和超声波流量计,所述各组传感器数据包括温度值、压力值和流量值。
接着,将所述多组传感器数据中温度值、压力值和流量值分别按照检测点样本维度排列为温度输入向量、压力输入向量和流量值输入向量。也就是,将所述多个检测点的温度值、压力值和流量值分别按照检测点样本维度排列为温度输入向量、压力输入向量和流量值输入向量,所述温度输入向量、所述压力输入向量和所述流量值输入向量用于表示被监测油气集输管道的全管道状态特征信息。值得一提的是,通过构造所述温度输入向量、所述压力输入向量和所述流量值输入向量可以更好地保留各个参数之间的差异和关联信息,在后续处理过程中对各个参数的影响进行更加精细的分析和建模,从而有效地检测基线偏差。
接着,对所述温度输入向量和所述压力输入向量进行按位置点乘以得到温度-压力协同输入向量。本领域普通技术人员应知晓,在温度值、压力值和流量值中,温度值和压力值存在高耦合性,而流量值与温度值和压力值存在弱耦合性,因此,为了充分利用所述温度值和压力值之间的高耦合性,在数据源域端,对所述温度输入向量和所述压力输入向量进行按位置点乘以得到所述温度-压力协同输入向量,在物理层面,对所述温度输入向量和所述压力输入向量进行按位置点乘表示将温度值和压力值进行乘性关联以得到两者在各个样本点的关联表示。
继而,将所述温度-压力协同输入向量通过包含第一卷积层和第二卷积层的序列编码器以得到温度-压力协同特征向量。这里,所述包含第一卷积层和第二卷积层的序列编码器是一种基于深度学习的神经网络模型,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。在所述序列编码器的编码过程中,所述第一卷积层和所述第二卷积层分别对所述温度-压力协同输入向量进行不同尺度的一维卷积编码以捕捉所述温度-压力协同输入向量中不同检测点组合跨度内温度-压力关联信息的检测点间关联特征以得到所述温度-压力协同特征向量。
同时,将所述流量值输入向量通过所述包含第一卷积层和第二卷积层的序列编码器以得到流量特征向量。也就是,针对于所述被监测油气集输管道的全检测点样本空间的流量分布,同样使用所述序列编码器对所述流量值输入向量进行多尺度一维卷积编码以捕捉不同检测点的流量局部分布的模式特征和规律以得到所述流量特征向量。
考虑到所述流量特征向量和所述温度-压力协同特征向量在高维特征空间中是一个独立的特征分布,因此,如果直接采用级联的方式来融合所述流量特征向量和所述温度-压力协同特征向量会使得两者在类边界的过渡区域存在模糊以及界线不清等问题。基于此,在本申请的技术方案中,考虑到高斯分布是深度学习的学习目标分布,因此,以高斯分布作为后验目标学习分布作为指导来构建所述温度-压力协同特征向量和所述流量特征向量以得到高斯融合密度图,其中,所述高斯融合密度图的均值向量为所述温度-压力协同特征向量和所述流量特征向量的按位置均值,而所述高斯融合密度图的协方差矩阵中各个位置的值为所述均值向量中相应两个位置的值之间的方差。然后,对所述高斯融合密度图进行高斯离散化以得到分类特征矩阵,所述分类特征矩阵包含温度-压力关联特征、温度-压力不同尺度的样本间关联特征、流量样本间关联特征,以及,温度-压力关联特征与流量特征之间的关联特征。
然后,将所述分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在基线偏差。也就是,使用所述分类器来确定所述分类特征矩阵所属的类概率标签,所述类概率标签用于表示是否存在基线偏差。
这里,在对所述高斯融合密度图进行高斯离散化以得到分类特征矩阵时,是针对所述高斯融合密度图的均值向量,即所述温度-压力协同特征向量和所述流量特征向量的按位置均值向量基于所述高斯融合密度图的方差矩阵,即所述温度-压力协同特征向量和所述流量特征向量的按位置方差矩阵来确定所述分类特征矩阵的各个位置的特征值。但是,由于高斯离散化过程中的随机特性,所述分类特征矩阵的局部特征分布可能偏离由均值向量在方差矩阵下的采样概率决定的二维高斯分布,从而导致所述分类特征矩阵的局部分布之间存在概率密度维度下的区分度问题,从而影响所述分类特征矩阵在分类任务下的类概率表达,降低了所述分类特征向量通过分类器得到的分类结果的准确性。
因此,本申请的申请人对所述分类特征矩阵进行类概率密度区分度强化,具体表示为:/>其中,/>和/>是所述分类特征矩阵中各个位置的特征值集合的均值和标准差,/>是所述分类特征矩阵的第/>位置的特征值,且/>是所述优化分类特征矩阵的第/>位置的特征值。
这里,通过以表达流形曲面的高维特征集合的均值和标准差的平方根来表征曲面单位切向量模长和单位法向量模长,可以将所述分类特征矩阵的高维特征流形的流形曲面在切平面和法平面上进行基于单位模长的正交投影,从而基于高斯特征流形几何的基本结构进行高维特征的概率密度的维度重整,以通过提升概率密度的维度正交化来提升优化后的分类特征矩阵在分类任务下的类概率表达的准确性,从而改进优化后的所述分类特征矩阵通过分类器得到的分类结果的准确性。
综上,根据本申请实施例的油气集输管道基线检测方法,其在被监测油气集输管道上设置多个检测点,并在各个检测点设置传感器组(包括温度计、压力计和超声波流量计),以通过所述各个检测点的传感器组采集所述被监测油气集输管道的多个检测点的多组传感器数据(包括温度值、压力值和流量值),进而使用基于深度学习的智能基线检测模型对所采集的多组传感器数据进行数据处理和分析,以利用所述智能极限检测模型的深度神经网络模型来拟合各个参数项之间的复杂非线性关联,通过这样的方式,将多项参数视为有机的整体且将所述被监测油气集输管道视为整体来进行基线偏差检测,以提高基线偏差的智能性和精准度。
图1为根据本申请实施例的油气集输管道基线检测方法的场景示意图。如图1所示,在该应用场景中,首先,获取由部署于被监测油气集输管道(例如,如图1中所示意的M)的多个检测点的传感器组采集的多组传感器数据,其中,多组所述传感器数据包括温度值(例如,如图1中所示意的C1)、压力值(例如,如图1中所示意的C2)和流量值(例如,如图1中所示意的C3);然后,将获取的温度值、压力值和流量值输入至部署有油气集输管道基线检测算法的服务器(例如,如图1中所示意的S)中,其中所述服务器能够基于油气集输管道基线检测测算法对所述温度值、所述压力值和所述流量值进行处理,以生成用于表示是否存在基线偏差的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
在本申请的一个实施例中,图2为根据本申请实施例的油气集输管道基线检测方法的流程图。如图2所示,根据本申请实施例的油气集输管道基线检测方法,包括:110,获取由部署于被监测油气集输管道的多个检测点的传感器组采集的多组传感器数据,其中,多组所述传感器数据包括温度值、压力值和流量值;120,将所述多组传感器数据中温度值、压力值和流量值分别按照检测点样本维度排列为温度输入向量、压力输入向量和流量值输入向量;130,对所述温度输入向量和所述压力输入向量进行按位置点乘以得到温度-压力协同输入向量;140,将所述温度-压力协同输入向量通过包含第一卷积层和第二卷积层的序列编码器以得到温度-压力协同特征向量;150,将所述流量值输入向量通过所述包含第一卷积层和第二卷积层的序列编码器以得到流量特征向量;160,使用高斯密度图来融合所述温度-压力协同特征向量和所述流量特征向量以得到高斯融合密度图;170,对所述高斯融合密度图进行高斯离散化以得到分类特征矩阵;180,对所述分类特征矩阵进行类概率密度区分度强化以得到优化分类特征矩阵;以及,190,将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在基线偏差。
图3为根据本申请实施例的油气集输管道基线检测方法的架构示意图。如图3所示,在该网络架构中,首先,获取由部署于被监测油气集输管道的多个检测点的传感器组采集的多组传感器数据,其中,多组所述传感器数据包括温度值、压力值和流量值;然后,将所述多组传感器数据中温度值、压力值和流量值分别按照检测点样本维度排列为温度输入向量、压力输入向量和流量值输入向量;接着,对所述温度输入向量和所述压力输入向量进行按位置点乘以得到温度-压力协同输入向量;然后,将所述温度-压力协同输入向量通过包含第一卷积层和第二卷积层的序列编码器以得到温度-压力协同特征向量;接着,将所述流量值输入向量通过所述包含第一卷积层和第二卷积层的序列编码器以得到流量特征向量;然后,使用高斯密度图来融合所述温度-压力协同特征向量和所述流量特征向量以得到高斯融合密度图;接着,对所述高斯融合密度图进行高斯离散化以得到分类特征矩阵;然后,对所述分类特征矩阵进行类概率密度区分度强化以得到优化分类特征矩阵;以及,最后,将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在基线偏差。
具体地,在步骤110中,获取由部署于被监测油气集输管道的多个检测点的传感器组采集的多组传感器数据,其中,多组所述传感器数据包括温度值、压力值和流量值。针对上述技术问题,本申请的技术构思为:在被监测油气集输管道上设置多个检测点,并在各个检测点设置传感器组(包括温度计、压力计和超声波流量计),以通过所述各个检测点的传感器组采集所述被监测油气集输管道的多个检测点的多组传感器数据(包括温度值、压力值和流量值),进而使用基于深度学习的智能基线检测模型对所采集的多组传感器数据进行数据处理和分析,以利用所述智能极限检测模型的深度神经网络模型来拟合各个参数项之间的复杂非线性关联,通过这样的方式,将多项参数视为有机的整体且将所述被监测油气集输管道视为整体来进行基线偏差检测,以提高基线偏差的智能性和精准度。
具体地,在本申请的技术方案中,首先获取由部署于被监测油气集输管道的多个检测点的传感器组采集的多组传感器数据,其中,多组所述传感器数据包括温度值、压力值和流量值。应可以理解,所述被监测油气集输管道具有预定长度,因此,为了更为全面地监测所述被监测油气集输管道的运行状态特征,在本申请的技术方案中,在所述被监测油气集输管道上设置多个检测点,并在所述各个检测点设置传感器组以得到所述多组传感器数据。更明确地,在本申请的技术方案中,所述传感器组包括温度计、压力计和超声波流量计,所述各组传感器数据包括温度值、压力值和流量值。
具体地,在步骤120中,将所述多组传感器数据中温度值、压力值和流量值分别按照检测点样本维度排列为温度输入向量、压力输入向量和流量值输入向量。接着,将所述多组传感器数据中温度值、压力值和流量值分别按照检测点样本维度排列为温度输入向量、压力输入向量和流量值输入向量。也就是,将所述多个检测点的温度值、压力值和流量值分别按照检测点样本维度排列为温度输入向量、压力输入向量和流量值输入向量,所述温度输入向量、所述压力输入向量和所述流量值输入向量用于表示被监测油气集输管道的全管道状态特征信息。值得一提的是,通过构造所述温度输入向量、所述压力输入向量和所述流量值输入向量可以更好地保留各个参数之间的差异和关联信息,在后续处理过程中对各个参数的影响进行更加精细的分析和建模,从而有效地检测基线偏差。
具体地,在步骤130中,对所述温度输入向量和所述压力输入向量进行按位置点乘以得到温度-压力协同输入向量。接着,对所述温度输入向量和所述压力输入向量进行按位置点乘以得到温度-压力协同输入向量。本领域普通技术人员应知晓,在温度值、压力值和流量值中,温度值和压力值存在高耦合性,而流量值与温度值和压力值存在弱耦合性,因此,为了充分利用所述温度值和压力值之间的高耦合性,在数据源域端,对所述温度输入向量和所述压力输入向量进行按位置点乘以得到所述温度-压力协同输入向量,在物理层面,对所述温度输入向量和所述压力输入向量进行按位置点乘表示将温度值和压力值进行乘性关联以得到两者在各个样本点的关联表示。
具体地,在步骤140中,将所述温度-压力协同输入向量通过包含第一卷积层和第二卷积层的序列编码器以得到温度-压力协同特征向量。继而,将所述温度-压力协同输入向量通过包含第一卷积层和第二卷积层的序列编码器以得到温度-压力协同特征向量。这里,所述包含第一卷积层和第二卷积层的序列编码器是一种基于深度学习的神经网络模型,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。在所述序列编码器的编码过程中,所述第一卷积层和所述第二卷积层分别对所述温度-压力协同输入向量进行不同尺度的一维卷积编码以捕捉所述温度-压力协同输入向量中不同检测点组合跨度内温度-压力关联信息的检测点间关联特征以得到所述温度-压力协同特征向量。
其中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
图4为根据本申请实施例的油气集输管道基线检测方法中步骤140的子步骤的流程图,如图4所示,将所述温度-压力协同输入向量通过包含第一卷积层和第二卷积层的序列编码器以得到温度-压力协同特征向量,包括:141,使用所述序列编码器的第一卷积层对所述温度-压力协同输入向量进行卷积处理、池化处理和非线性激活处理以由所述第一卷积层输出为第一尺度温度-压力特征向量,其中,所述第一卷积层具有第一尺度的一维卷积核;142,使用所述序列编码器的第二卷积层对所述温度-压力协同输入向量进行卷积处理、池化处理和非线性激活处理以由所述第二卷积层输出为第二尺度温度-压力特征向量,其中,所述第二卷积层具有第二尺度的一维卷积核,所述第一尺度不同于所述第二尺度;以及,143,将所述第一尺度温度-压力特征向量和所述第二尺度温度-压力特征向量进行级联以得到所述温度-压力协同特征向量。
进一步地,将所述第一尺度温度-压力特征向量和所述第二尺度温度-压力特征向量进行级联以得到所述温度-压力协同特征向量,包括:以如下级联公式将所述第一尺度温度-压力特征向量和所述第二尺度温度-压力特征向量进行级联以得到所述温度-压力协同特征向量;其中,所述级联公式为:,其中,/>,/>表示所述第一尺度温度-压力特征向量和所述第二尺度温度-压力特征向量,/>表示级联函数,/>表示所述温度-压力协同特征向量。
具体地,在步骤150中,将所述流量值输入向量通过所述包含第一卷积层和第二卷积层的序列编码器以得到流量特征向量。同时,将所述流量值输入向量通过所述包含第一卷积层和第二卷积层的序列编码器以得到流量特征向量。也就是,针对于所述被监测油气集输管道的全检测点样本空间的流量分布,同样使用所述序列编码器对所述流量值输入向量进行多尺度一维卷积编码以捕捉不同检测点的流量局部分布的模式特征和规律以得到所述流量特征向量。
将所述流量值输入向量通过所述包含第一卷积层和第二卷积层的序列编码器以得到流量特征向量,包括:使用所述序列编码器的第一卷积层对所述流量值输入向量进行卷积处理、池化处理和非线性激活处理以由所述第一卷积层输出为第一尺度流量特征向量,其中,所述第一卷积层具有第一尺度的一维卷积核;使用所述序列编码器的第二卷积层对所述流量值输入向量进行卷积处理、池化处理和非线性激活处理以由所述第二卷积层输出为第二尺度流量特征向量,其中,所述第二卷积层具有第二尺度的一维卷积核,所述第一尺度不同于所述第二尺度;以及,将所述第一尺度流量特征向量和所述第二尺度流量特征向量进行级联以得到所述流量特征向量。
卷积神经网络(Convolutional Neural Network,CNN)是一种人工神经网络,在图像识别等领域有着广泛的应用。卷积神经网络可以包括输入层、隐藏层和输出层,其中,隐藏层可以包括卷积层、池化(pooling)层、激活层和全连接层等,上一层根据输入的数据进行相应的运算,将运算结果输出给下一层,输入的初始数据经过多层的运算之后得到一个最终的结果。
卷积神经网络模型利用卷积核作为特征过滤因子在图像局部特征提取方面具有非常优异的性能表现,且相较于传统的基于统计或者基于特征工程的图像特征提取算法,所述卷积神经网络模型具有更强的特征提取泛化能力和拟合能力。
具体地,在步骤160和步骤170中,使用高斯密度图来融合所述温度-压力协同特征向量和所述流量特征向量以得到高斯融合密度图;以及,对所述高斯融合密度图进行高斯离散化以得到分类特征矩阵。考虑到所述流量特征向量和所述温度-压力协同特征向量在高维特征空间中是一个独立的特征分布,因此,如果直接采用级联的方式来融合所述流量特征向量和所述温度-压力协同特征向量会使得两者在类边界的过渡区域存在模糊以及界线不清等问题。
基于此,在本申请的技术方案中,考虑到高斯分布是深度学习的学习目标分布,因此,以高斯分布作为后验目标学习分布作为指导来构建所述温度-压力协同特征向量和所述流量特征向量以得到高斯融合密度图,其中,所述高斯融合密度图的均值向量为所述温度-压力协同特征向量和所述流量特征向量的按位置均值,而所述高斯融合密度图的协方差矩阵中各个位置的值为所述均值向量中相应两个位置的值之间的方差。
然后,对所述高斯融合密度图进行高斯离散化以得到分类特征矩阵,所述分类特征矩阵包含温度-压力关联特征、温度-压力不同尺度的样本间关联特征、流量样本间关联特征,以及,温度-压力关联特征与流量特征之间的关联特征。
其中,使用高斯密度图来融合所述温度-压力协同特征向量和所述流量特征向量以得到高斯融合密度图,包括:使用高斯密度图以如下高斯公式融合所述温度-压力协同特征向量和所述流量特征向量以得到高斯融合密度图;其中,所述高斯公式为:,其中,/>表示所述温度-压力协同特征向量和所述流量特征向量之间的按位置均值向量,且/>的每个位置的值表示所述温度-压力协同特征向量和所述流量特征向量中各个位置的特征值之间的方差,/>表示高斯融合密度图。应可以理解,作为神经网络模型的学习目标,高斯密度图可以表示特征分布的单个特征值由于其概率密度而在多个特征值构成整体分布情况下的联合分布,也就是,以特征分布作为先验分布,来获得每个先验分布位置下由于其它先验分布位置的相关性作用下的概率密度以作为后验分布,从而在更高维度上更准确地描述特征分布。
具体地,在步骤180中,对所述分类特征矩阵进行类概率密度区分度强化以得到优化分类特征矩阵。
这里,在对所述高斯融合密度图进行高斯离散化以得到分类特征矩阵时,是针对所述高斯融合密度图的均值向量,即所述温度-压力协同特征向量和所述流量特征向量的按位置均值向量基于所述高斯融合密度图的方差矩阵,即所述温度-压力协同特征向量和所述流量特征向量的按位置方差矩阵来确定所述分类特征矩阵的各个位置的特征值。但是,由于高斯离散化过程中的随机特性,所述分类特征矩阵的局部特征分布可能偏离由均值向量在方差矩阵下的采样概率决定的二维高斯分布,从而导致所述分类特征矩阵的局部分布之间存在概率密度维度下的区分度问题,从而影响所述分类特征矩阵在分类任务下的类概率表达,降低了所述分类特征向量通过分类器得到的分类结果的准确性。
因此,本申请的申请人对所述分类特征矩阵进行类概率密度区分度强化,具体表示为:以如下优化公式对所述分类特征矩阵进行类概率密度区分度强化以得到优化分类特征矩阵;其中,所述优化公式为:/>,其中,/>和/>是所述分类特征矩阵中各个位置的特征值集合的均值和标准差,/>是所述分类特征矩阵的第/>位置的特征值,且/>是所述优化分类特征矩阵的第/>位置的特征值。
这里,通过以表达流形曲面的高维特征集合的均值和标准差的平方根来表征曲面单位切向量模长和单位法向量模长,可以将所述分类特征矩阵的高维特征流形的流形曲面在切平面和法平面上进行基于单位模长的正交投影,从而基于高斯特征流形几何的基本结构进行高维特征的概率密度的维度重整,以通过提升概率密度的维度正交化来提升优化后的分类特征矩阵在分类任务下的类概率表达的准确性,从而改进优化后的所述分类特征矩阵通过分类器得到的分类结果的准确性。
具体地,在步骤190中,将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在基线偏差。然后,将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在基线偏差。也就是,使用所述分类器来确定所述分类特征矩阵所属的类概率标签,所述类概率标签用于表示是否存在基线偏差。
图5为根据本申请实施例的油气集输管道基线检测方法中步骤190的子步骤的流程图,如图5所示,将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在基线偏差,包括:191,将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量;192,使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,193,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,基于本申请实施例的油气集输管道基线检测方法被阐明,其在被监测油气集输管道上设置多个检测点,并在各个检测点设置传感器组(包括温度计、压力计和超声波流量计),以通过所述各个检测点的传感器组采集所述被监测油气集输管道的多个检测点的多组传感器数据(包括温度值、压力值和流量值),进而使用基于深度学习的智能基线检测模型对所采集的多组传感器数据进行数据处理和分析,以利用所述智能极限检测模型的深度神经网络模型来拟合各个参数项之间的复杂非线性关联,通过这样的方式,将多项参数视为有机的整体且将所述被监测油气集输管道视为整体来进行基线偏差检测,以提高基线偏差的智能性和精准度。
在本申请的一个实施例中,图6为根据本申请实施例的油气集输管道基线检测***的框图。如图6所示,根据本申请实施例的油气集输管道基线检测***200,包括:数据获取模块210,用于获取由部署于被监测油气集输管道的多个检测点的传感器组采集的多组传感器数据,其中,多组所述传感器数据包括温度值、压力值和流量值;向量排列模块220,用于将所述多组传感器数据中温度值、压力值和流量值分别按照检测点样本维度排列为温度输入向量、压力输入向量和流量值输入向量;向量计算模块230,用于对所述温度输入向量和所述压力输入向量进行按位置点乘以得到温度-压力协同输入向量;温度-压力序列编码模块240,用于将所述温度-压力协同输入向量通过包含第一卷积层和第二卷积层的序列编码器以得到温度-压力协同特征向量;流量序列编码模块250,用于将所述流量值输入向量通过所述包含第一卷积层和第二卷积层的序列编码器以得到流量特征向量;高斯融合模块260,用于使用高斯密度图来融合所述温度-压力协同特征向量和所述流量特征向量以得到高斯融合密度图;高斯离散化模块270,用于对所述高斯融合密度图进行高斯离散化以得到分类特征矩阵;优化模块280,用于对所述分类特征矩阵进行类概率密度区分度强化以得到优化分类特征矩阵;以及,结果生成模块290,用于将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在基线偏差。
在一个具体示例中,在上述油气集输管道基线检测***中,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
在一个具体示例中,在上述油气集输管道基线检测***中,所述温度-压力序列编码模块,包括:第一尺度单元,用于使用所述序列编码器的第一卷积层对所述温度-压力协同输入向量进行卷积处理、池化处理和非线性激活处理以由所述第一卷积层输出为第一尺度温度-压力特征向量,其中,所述第一卷积层具有第一尺度的一维卷积核;第二尺度单元,用于使用所述序列编码器的第二卷积层对所述温度-压力协同输入向量进行卷积处理、池化处理和非线性激活处理以由所述第二卷积层输出为第二尺度温度-压力特征向量,其中,所述第二卷积层具有第二尺度的一维卷积核,所述第一尺度不同于所述第二尺度;以及,级联单元,用于将所述第一尺度温度-压力特征向量和所述第二尺度温度-压力特征向量进行级联以得到所述温度-压力协同特征向量。
在一个具体示例中,在上述油气集输管道基线检测***中,所述级联单元,用于:以如下级联公式将所述第一尺度温度-压力特征向量和所述第二尺度温度-压力特征向量进行级联以得到所述温度-压力协同特征向量;其中,所述级联公式为:,其中,/>,/>表示所述第一尺度温度-压力特征向量和所述第二尺度温度-压力特征向量,/>表示级联函数,/>表示所述温度-压力协同特征向量。
在一个具体示例中,在上述油气集输管道基线检测***中,所述高斯融合模块,用于:使用高斯密度图以如下高斯公式融合所述温度-压力协同特征向量和所述流量特征向量以得到高斯融合密度图;其中,所述高斯公式为:,其中,/>表示所述温度-压力协同特征向量和所述流量特征向量之间的按位置均值向量,且/>的每个位置的值表示所述温度-压力协同特征向量和所述流量特征向量中各个位置的特征值之间的方差,表示高斯融合密度图。
在一个具体示例中,在上述油气集输管道基线检测***中,所述优化模块,用于:以如下优化公式对所述分类特征矩阵进行类概率密度区分度强化以得到优化分类特征矩阵;其中,所述优化公式为:,其中,/>和/>是所述分类特征矩阵中各个位置的特征值集合的均值和标准差,/>是所述分类特征矩阵的第/>位置的特征值,且/>是所述优化分类特征矩阵的第/>位置的特征值。
在一个具体示例中,在上述油气集输管道基线检测***中,所述结果生成模块,包括:展开单元,用于将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量;编码模块,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
这里,本领域技术人员可以理解,上述油气集输管道基线检测***中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的油气集输管道基线检测方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的油气集输管道基线检测***200可以实现在各种终端设备中,例如用于油气集输管道基线检测的服务器等。在一个示例中,根据本申请实施例的油气集输管道基线检测***200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该油气集输管道基线检测***200可以是该终端设备的操作***中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该油气集输管道基线检测***200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该油气集输管道基线检测***200与该终端设备也可以是分立的设备,并且油气集输管道基线检测***200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
本申请还提供了一种计算机程序产品,所述计算机程序产品包括指令,当所述指令被执行时,以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述所述方法的计算机程序。
应可以理解,本申请的实施例可提供为方法、***、或计算机程序产品。因此,可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的计算机程序产品的形式。
本申请实施例的方法、***、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
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定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机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/或框图一个方框或多个方框中指定的功能的步骤。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (3)
1.一种油气集输管道基线检测方法,其特征在于,包括:
获取由部署于被监测油气集输管道的多个检测点的传感器组采集的多组传感器数据,其中,多组所述传感器数据包括温度值、压力值和流量值;
将所述多组传感器数据中温度值、压力值和流量值分别按照检测点样本维度排列为温度输入向量、压力输入向量和流量值输入向量;
对所述温度输入向量和所述压力输入向量进行按位置点乘以得到温度-压力协同输入向量;
将所述温度-压力协同输入向量通过包含第一卷积层和第二卷积层的序列编码器以得到温度-压力协同特征向量;
将所述流量值输入向量通过所述包含第一卷积层和第二卷积层的序列编码器以得到流量特征向量;
使用高斯密度图来融合所述温度-压力协同特征向量和所述流量特征向量以得到高斯融合密度图;
对所述高斯融合密度图进行高斯离散化以得到分类特征矩阵;
对所述分类特征矩阵进行类概率密度区分度强化以得到优化分类特征矩阵;以及
将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在基线偏差;
其中,将所述温度-压力协同输入向量通过包含第一卷积层和第二卷积层的序列编码器以得到温度-压力协同特征向量,包括:
使用所述序列编码器的第一卷积层对所述温度-压力协同输入向量进行卷积处理、池化处理和非线性激活处理以由所述第一卷积层输出为第一尺度温度-压力特征向量,其中,所述第一卷积层具有第一尺度的一维卷积核;
使用所述序列编码器的第二卷积层对所述温度-压力协同输入向量进行卷积处理、池化处理和非线性激活处理以由所述第二卷积层输出为第二尺度温度-压力特征向量,其中,所述第二卷积层具有第二尺度的一维卷积核,所述第一尺度不同于所述第二尺度;以及
将所述第一尺度温度-压力特征向量和所述第二尺度温度-压力特征向量进行级联以得到所述温度-压力协同特征向量;
其中,将所述第一尺度温度-压力特征向量和所述第二尺度温度-压力特征向量进行级联以得到所述温度-压力协同特征向量,包括:以如下级联公式将所述第一尺度温度-压力特征向量和所述第二尺度温度-压力特征向量进行级联以得到所述温度-压力协同特征向量;
其中,所述级联公式为:
,
其中,,/>表示所述第一尺度温度-压力特征向量和所述第二尺度温度-压力特征向量,/>表示级联函数,/>表示所述温度-压力协同特征向量;
其中,使用高斯密度图来融合所述温度-压力协同特征向量和所述流量特征向量以得到高斯融合密度图,包括:使用高斯密度图以如下高斯公式融合所述温度-压力协同特征向量和所述流量特征向量以得到高斯融合密度图;
其中,所述高斯公式为:
,
其中,表示所述温度-压力协同特征向量和所述流量特征向量之间的按位置均值向量,且/>的每个位置的值表示所述温度-压力协同特征向量和所述流量特征向量中各个位置的特征值之间的方差,/>表示高斯融合密度图;
其中,对所述分类特征矩阵进行类概率密度区分度强化以得到优化分类特征矩阵,包括:以如下优化公式对所述分类特征矩阵进行类概率密度区分度强化以得到优化分类特征矩阵;
其中,所述优化公式为:
,
其中,和/>是所述分类特征矩阵中各个位置的特征值集合的均值和标准差,/>是所述分类特征矩阵的第/>位置的特征值,且/>是所述优化分类特征矩阵的第位置的特征值。
2.根据权利要求1所述的油气集输管道基线检测方法,其特征在于,所述第一卷积层和所述第二卷积层分别使用具有不同尺度的一维卷积核。
3.根据权利要求2所述的油气集输管道基线检测方法,其特征在于,将所述优化分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示是否存在基线偏差,包括:
将所述优化分类特征矩阵按照行向量或列向量展开为分类特征向量;
使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310621120.2A CN116336400B (zh) | 2023-05-30 | 2023-05-30 | 油气集输管道基线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310621120.2A CN116336400B (zh) | 2023-05-30 | 2023-05-30 | 油气集输管道基线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116336400A CN116336400A (zh) | 2023-06-27 |
CN116336400B true CN116336400B (zh) | 2023-08-04 |
Family
ID=86876333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310621120.2A Active CN116336400B (zh) | 2023-05-30 | 2023-05-30 | 油气集输管道基线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116336400B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116557787B (zh) * | 2023-07-11 | 2023-09-15 | 杭州国辰智企科技有限公司 | 管网状态智能评估***及其方法 |
CN116658492B (zh) * | 2023-07-28 | 2023-10-27 | 新疆塔林投资(集团)有限责任公司 | 智能动力猫道及其方法 |
CN116951317B (zh) * | 2023-09-20 | 2023-11-21 | 成都秦川物联网科技股份有限公司 | 基于智慧燃气的供气成本管控方法、物联网***与介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0460642A2 (en) * | 1990-06-06 | 1991-12-11 | Hitachi, Ltd. | A method and system for adjusting fuzzy inference parameters |
CN112949817A (zh) * | 2020-12-24 | 2021-06-11 | 长江勘测规划设计研究有限责任公司 | 基于时间卷积神经网络的给水管泄漏边缘设备检测方法 |
CN113761476A (zh) * | 2020-06-01 | 2021-12-07 | 中国石油化工股份有限公司 | 基于局部检测的炼化管道腐蚀综合预测方法及装置 |
CN113988177A (zh) * | 2021-10-27 | 2022-01-28 | 广东工业大学 | 一种水质传感器异常数据检测与故障诊断方法 |
CN114352947A (zh) * | 2021-12-08 | 2022-04-15 | 天翼物联科技有限公司 | 一种燃气管道泄漏检测方法、***、装置及存储介质 |
CN115147655A (zh) * | 2022-07-12 | 2022-10-04 | 温州宁酷科技有限公司 | 油气集输监控***及其方法 |
CN115992908A (zh) * | 2023-03-16 | 2023-04-21 | 杭州鄂达精密机电科技有限公司 | 智能流体控制阀及其检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180365555A1 (en) * | 2016-12-22 | 2018-12-20 | Naveed Aslam | Artificial intelligence based algorithm for predicting pipeline leak and corrosion detection |
-
2023
- 2023-05-30 CN CN202310621120.2A patent/CN116336400B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0460642A2 (en) * | 1990-06-06 | 1991-12-11 | Hitachi, Ltd. | A method and system for adjusting fuzzy inference parameters |
CN113761476A (zh) * | 2020-06-01 | 2021-12-07 | 中国石油化工股份有限公司 | 基于局部检测的炼化管道腐蚀综合预测方法及装置 |
CN112949817A (zh) * | 2020-12-24 | 2021-06-11 | 长江勘测规划设计研究有限责任公司 | 基于时间卷积神经网络的给水管泄漏边缘设备检测方法 |
CN113988177A (zh) * | 2021-10-27 | 2022-01-28 | 广东工业大学 | 一种水质传感器异常数据检测与故障诊断方法 |
CN114352947A (zh) * | 2021-12-08 | 2022-04-15 | 天翼物联科技有限公司 | 一种燃气管道泄漏检测方法、***、装置及存储介质 |
CN115147655A (zh) * | 2022-07-12 | 2022-10-04 | 温州宁酷科技有限公司 | 油气集输监控***及其方法 |
CN115992908A (zh) * | 2023-03-16 | 2023-04-21 | 杭州鄂达精密机电科技有限公司 | 智能流体控制阀及其检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116336400A (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116336400B (zh) | 油气集输管道基线检测方法 | |
Jang et al. | Adversarial autoencoder based feature learning for fault detection in industrial processes | |
Yu et al. | MoniNet with concurrent analytics of temporal and spatial information for fault detection in industrial processes | |
CN116086790B (zh) | 氢燃料电池高压阀的性能检测方法及其*** | |
Su et al. | Prediction model of permeability index for blast furnace based on the improved multi-layer extreme learning machine and wavelet transform | |
CN115841004B (zh) | 基于多维数据的带钢热轧过程力学性能软测量方法及装置 | |
CN113919540A (zh) | 一种生产过程运行状态的监测方法及相关设备 | |
CN117349583A (zh) | 用于低温液体储罐的智能检测方法及*** | |
CN117289736A (zh) | 用于高温防腐储藏罐的温度控制方法及*** | |
CN117076171A (zh) | 一种面向多元时序数据的异常检测及定位方法及装置 | |
CN116736703A (zh) | 污水处理的智能监测***及其方法 | |
CN116796275A (zh) | 一种工业设备多模态时序异常检测方法 | |
Zhang et al. | Spatial-temporal dual-channel adaptive graph convolutional network for remaining useful life prediction with multi-sensor information fusion | |
Liu et al. | Fault diagnosis of complex industrial systems based on multi-granularity dictionary learning and its application | |
Chen et al. | Unsupervised Fault Detection Driven by Multivariate Time Series for Aeroengines | |
CN116415990B (zh) | 一种基于云计算的自助数据分析方法、***及存储介质 | |
CN117419828A (zh) | 基于光纤传感器的新能源电池温度监测方法 | |
CN117195044A (zh) | 故障分析方法、装置、计算机设备、存储介质和程序产品 | |
CN116842323A (zh) | 一种供水管线运行数据异常检测方法 | |
Gao et al. | Decentralized adaptively weighted stacked autoencoder-based incipient fault detection for nonlinear industrial processes | |
CN116680639A (zh) | 一种基于深度学习的深海潜水器传感器数据的异常检测方法 | |
Ferreira et al. | Corrosion-like defect severity estimation in pipelines using convolutional neural networks | |
CN115962340B (zh) | 智能流体控制阀及其控制方法 | |
Oliaee et al. | Faults detecting of high-dimension gas turbine by stacking DNN and LLM | |
Lee et al. | Event diagnosis method for a nuclear power plant using meta-learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |