在生产环境下油管泄漏异常极少发生,并且人为调整泵频率、仪表校准等带来的监测数据曲线突变,即假异常,混淆在真异常中难以被区分,导致传统基于机器学习的泄漏异常识别方法召回率较低,误报率较高。针对该问题,提出一种基于真假异常区分...在生产环境下油管泄漏异常极少发生,并且人为调整泵频率、仪表校准等带来的监测数据曲线突变,即假异常,混淆在真异常中难以被区分,导致传统基于机器学习的泄漏异常识别方法召回率较低,误报率较高。针对该问题,提出一种基于真假异常区分的输油管道泄漏异常识别方法,利用一类支持向量机(One-Class Support Vector Machine,OCSVM)学习输油管道的正常工作模式,并利用该模式筛出管道的疑似异常,即真假异常。通过叠加多源数据的方式增加真假异常曲线形态差异,并利用相似性聚类发现泄漏事件的异常模式。将该方法应用到中国西北某老工业采油井场输油生产环境中进行验证,结果表明:泄漏异常识别召回率为100%,假异常排除率达到83.49%。该方法实现了在复杂生产环境中对输油管道泄漏异常事件的实时、高效监测,并为机器学习方法应用于生产环境提供了实践思路。(图8,表4,参28)展开更多
文摘在生产环境下油管泄漏异常极少发生,并且人为调整泵频率、仪表校准等带来的监测数据曲线突变,即假异常,混淆在真异常中难以被区分,导致传统基于机器学习的泄漏异常识别方法召回率较低,误报率较高。针对该问题,提出一种基于真假异常区分的输油管道泄漏异常识别方法,利用一类支持向量机(One-Class Support Vector Machine,OCSVM)学习输油管道的正常工作模式,并利用该模式筛出管道的疑似异常,即真假异常。通过叠加多源数据的方式增加真假异常曲线形态差异,并利用相似性聚类发现泄漏事件的异常模式。将该方法应用到中国西北某老工业采油井场输油生产环境中进行验证,结果表明:泄漏异常识别召回率为100%,假异常排除率达到83.49%。该方法实现了在复杂生产环境中对输油管道泄漏异常事件的实时、高效监测,并为机器学习方法应用于生产环境提供了实践思路。(图8,表4,参28)
