• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于多特征融合決策樹(shù)的原油管道工況識(shí)別研究

      2021-07-05 07:07:30劉喜梅尹國(guó)才
      關(guān)鍵詞:峭度決策樹(shù)小波

      劉喜梅 尹國(guó)才

      (北華航天工業(yè)學(xué)院計(jì)算機(jī)學(xué)院,河北 廊坊 065000)

      0 引言

      管道運(yùn)輸是一種便捷的、安全的、經(jīng)濟(jì)的運(yùn)輸方式,并與其他四大運(yùn)輸方式,即水路、公路、航空和鐵路并稱現(xiàn)代五大運(yùn)輸方式。石油管道運(yùn)輸在世界經(jīng)濟(jì)中扮演著越來(lái)越重要的角色。為了保證管道平穩(wěn)地運(yùn)行,在管道系統(tǒng)中,多使用SCADA系統(tǒng),對(duì)管道系統(tǒng)進(jìn)行遠(yuǎn)程控制調(diào)度,并監(jiān)控管道的運(yùn)行參數(shù),如管道內(nèi)的壓力、流量以及流體密度等相關(guān)參數(shù)。基于SCADA管線運(yùn)行數(shù)據(jù)和壓力波動(dòng)的海量歷史數(shù)據(jù),綜合運(yùn)用先進(jìn)算法,智能識(shí)別管道運(yùn)行工況。

      長(zhǎng)期以來(lái),國(guó)內(nèi)有關(guān)管道壓力異常波動(dòng)的研究主要集中在管道泄漏、管道失效以及輸油泵故障等具體領(lǐng)域,針對(duì)各類工況智能識(shí)別研究較少。陳萍[1]提出了把動(dòng)態(tài)壓力信號(hào)作正負(fù)區(qū)間劃分、把相鄰區(qū)間信號(hào)累加值差分、相鄰區(qū)間信號(hào)均值差分和相鄰區(qū)間信號(hào)峰值差分作為泄漏信號(hào)識(shí)別特征的特征量計(jì)算方法和相對(duì)量化方法[2],該方法具備了一定的工況適應(yīng)性。劉嘯奔、龔駿等人[3-4]引入主成分分析和神經(jīng)網(wǎng)絡(luò)的方法,對(duì)不同類型且時(shí)域形態(tài)差異較為明顯的壓力波動(dòng)信號(hào)進(jìn)行分析[5],實(shí)現(xiàn)了對(duì)穩(wěn)態(tài)、啟泵、停泵、調(diào)閥以及泄漏等工況的有效區(qū)分。

      該文在該基礎(chǔ)上,將各類方法進(jìn)行有效融合,彌補(bǔ)了各自的缺陷,通過(guò)提取管線運(yùn)行數(shù)據(jù)信號(hào)特征,根據(jù)專家經(jīng)驗(yàn),采用決策樹(shù)進(jìn)行融合建模,從而提高工況識(shí)別的準(zhǔn)確率,獲得更好的實(shí)際應(yīng)用效果。

      1 基于小波的信號(hào)去噪預(yù)處理

      在信號(hào)分析中有用信號(hào)通常表現(xiàn)為低頻信號(hào),噪聲信號(hào)通常表現(xiàn)為高頻信號(hào)。信號(hào)可以由小波分解后的小波系數(shù)來(lái)描述,小波系數(shù)越大,其攜帶能量越多。小波去噪的基本思想就是根據(jù)噪聲與信號(hào)在各尺度上的小波系數(shù)具有不同表現(xiàn)這一特點(diǎn),將各尺度上由噪聲產(chǎn)生的小波分量,特別是將那些噪聲分量占主導(dǎo)地位尺度上的噪聲分量去除,然后將保留下來(lái)的小波系數(shù)利用小波算法,重構(gòu)出原始信號(hào)中的有用信號(hào)。

      在利用小波變換信號(hào)處理方法對(duì)壓力傳感器采集到的信號(hào)進(jìn)行濾波消噪時(shí),需要選擇合理的小波基函數(shù)和恰當(dāng)?shù)男〔ㄗ儞Q分解層數(shù)。最優(yōu)基和最優(yōu)尺度的選取是決定消噪質(zhì)量的關(guān)鍵。

      小波基函數(shù)的選擇應(yīng)當(dāng)視具體分析信號(hào)的不同而不同,常用的幾種經(jīng)典小波基函數(shù)有dbN小波、symN小波和coifN小波等。目前小波去噪質(zhì)量的評(píng)價(jià)指標(biāo)主要有4種:均方根誤差(RMSE)、信噪比(SNR)、互相關(guān)函數(shù)(R)以及平滑度(r)。

      對(duì)于小波變換的最優(yōu)分解層數(shù)可以基于均方根誤差變化判別法(VRMSE)確定小波去噪的最優(yōu)尺度,當(dāng)小波分解的第k層的均方根誤差與第k+1層的均方根誤差變化的數(shù)值開(kāi)始趨于穩(wěn)定或接近于0時(shí),可認(rèn)為此時(shí)的小波分解層數(shù)k最優(yōu)。

      根據(jù)上述方法得到所采集信號(hào)的最優(yōu)基為coif5、最優(yōu)尺度k=7,利用小波濾波的壓力信號(hào)效果,如圖1所示。

      圖1 小波變換最優(yōu)基和最優(yōu)尺度去噪效果圖

      2 工況特征提取

      2.1 基于統(tǒng)計(jì)方法的特征提取

      2.1.1 樣本熵

      “熵”(Entropy)是系統(tǒng)混亂度的度量。近似熵是一種用于量化時(shí)間序列波動(dòng)的規(guī)律性和不可預(yù)測(cè)性的非線性動(dòng)力學(xué)參數(shù),它用一個(gè)非負(fù)數(shù)來(lái)表示一個(gè)時(shí)間序列的復(fù)雜性,反映了時(shí)間序列中新信息發(fā)生的可能性,越復(fù)雜的時(shí)間序列對(duì)應(yīng)的近似熵越大。

      樣本熵與近似熵的物理意義相似,都是通過(guò)度量信號(hào)中產(chǎn)生新模式的概率大小來(lái)衡量時(shí)間序列復(fù)雜性,新模式產(chǎn)生的概率越大,序列的復(fù)雜性就越大。與近似熵相比,樣本熵具有2個(gè)優(yōu)勢(shì):樣本熵的計(jì)算不依賴數(shù)據(jù)長(zhǎng)度;樣本熵具有更好的一致性。根據(jù)管道工況產(chǎn)生機(jī)理,不同工況壓力信號(hào)所攜帶的能量不同,復(fù)雜性也不同,圖2為管道停泵、啟泵、切罐、調(diào)節(jié)閥關(guān)和調(diào)節(jié)閥開(kāi)5種不同工況壓力信號(hào)的樣本熵??梢钥闯?,樣本熵對(duì)樣本類型的區(qū)分程度比較好。

      圖2 5種不同工況的信號(hào)樣本熵

      2.1.2 峭度

      在管道工況識(shí)別研究中,大部分學(xué)者都選擇直接將信號(hào)的峭度值作為特征值,或者先進(jìn)行信號(hào)分解,將信號(hào)分量的峭度值構(gòu)成特征向量,用于描述管道泄漏工況的特征。峭度指標(biāo)是無(wú)量綱參數(shù),對(duì)沖擊信號(hào)特別敏感,特別適用于信號(hào)突變的診斷。信號(hào)的峭度如公式(1)所示。

      式中:i為信號(hào)采樣點(diǎn)編號(hào),xi為信號(hào)的幅值,為信號(hào)的均值,σ為信號(hào)的標(biāo)準(zhǔn)差,N為信號(hào)的采樣長(zhǎng)度,K為信號(hào)峭度。

      圖3為管道停泵、啟泵、切罐、調(diào)節(jié)閥關(guān)和調(diào)節(jié)閥開(kāi)五種不同工況壓力信號(hào)的峭度。從圖中可以看出,峭度對(duì)樣本類型的區(qū)分程度同樣比較好。

      圖3 5種不同工況的信號(hào)峭度

      2.2 典型工況規(guī)律特征

      根據(jù)場(chǎng)站設(shè)備以及典型工況產(chǎn)生機(jī)理,工況發(fā)生會(huì)引起壓力、流量特定的趨勢(shì)波動(dòng)。

      當(dāng)管道某點(diǎn)發(fā)生泄漏時(shí),油品外泄,使泄漏點(diǎn)壓力降低。上端與泄漏點(diǎn)形成正壓差,加速流體從上游向泄漏點(diǎn)的流動(dòng),使緊鄰泄漏點(diǎn)的上游流量增大,而泄漏點(diǎn)與下端形成負(fù)壓差,導(dǎo)致緊鄰泄漏點(diǎn)的下游流量減小。隨著兩端油品向漏點(diǎn)處的流動(dòng),在泄漏點(diǎn)處形成減壓波分別向管道的上下游傳遞,從降低了全線壓力。因此,管線泄漏引起的壓力、流量變化趨勢(shì)為進(jìn)出站壓力降低、出站流量上升以及進(jìn)站流量下降。

      采用定性分析與定量計(jì)算相結(jié)合的方法研究典型工況對(duì)站內(nèi)壓力、流量等參數(shù)的影響規(guī)律,以此為依據(jù)計(jì)算壓力、流量信號(hào)波動(dòng)趨勢(shì),作為工況識(shí)別特征。場(chǎng)站在管道運(yùn)營(yíng)中,根據(jù)傳輸需要分為傳輸首站、末站、中間泵站3種類型,每種場(chǎng)站可能發(fā)生的典型工況及其壓力、流量波動(dòng)趨勢(shì)和設(shè)備狀態(tài)變化見(jiàn)表1。

      表1 典型工況及其壓力、流量波動(dòng)趨勢(shì)和設(shè)備狀態(tài)變化

      基于上述工作生成表征工況的特征向量,見(jiàn)表2。對(duì)表征工況的進(jìn)出站壓力、流量等復(fù)雜信號(hào)提取其樣本熵、峭度及變化趨勢(shì)3種信號(hào)特征;對(duì)進(jìn)出泵壓力、泵運(yùn)行狀態(tài)、調(diào)節(jié)閥狀態(tài)和罐前閥門狀態(tài)等提取變化趨勢(shì)特征,共組成表征工況的17種特征的特征向量。

      表2 典型工況及其壓力、流量波動(dòng)趨勢(shì)和設(shè)備狀態(tài)變化

      3 基于決策樹(shù)的工況識(shí)別

      決策樹(shù)算法的準(zhǔn)確率、魯棒性較好,計(jì)算效率高,且能夠適應(yīng)小樣本的訓(xùn)練環(huán)境。決策樹(shù)是一種基本的分類與回歸方法,對(duì)于該文所研究的工況識(shí)別,實(shí)際是一個(gè)分類問(wèn)題。采用決策樹(shù)構(gòu)建工況識(shí)別算法也與實(shí)際專家經(jīng)驗(yàn)總結(jié)的工況識(shí)別方法相吻合。

      決策樹(shù)在分類問(wèn)題中,表示基于特征對(duì)實(shí)例進(jìn)行分類的過(guò)程,可以認(rèn)為是if-then的集合,也可以認(rèn)為是定義在特征空間與類空間上的條件概率分布。從根節(jié)點(diǎn)開(kāi)始,對(duì)實(shí)例的某個(gè)特征進(jìn)行測(cè)試,根據(jù)測(cè)試結(jié)果將實(shí)例分配到其子節(jié)點(diǎn),此時(shí)每個(gè)子節(jié)點(diǎn)對(duì)應(yīng)該特征的一個(gè)取值,這樣遞歸地對(duì)實(shí)例進(jìn)行測(cè)試并分配,直到到達(dá)葉節(jié)點(diǎn),最后將實(shí)例分到葉節(jié)點(diǎn)的類中。

      針對(duì)工況識(shí)別的特點(diǎn),該文采用CART分類樹(shù)構(gòu)建工況識(shí)別決策樹(shù),將根據(jù)上述方法構(gòu)建的決策樹(shù)應(yīng)用于試驗(yàn)管道進(jìn)行測(cè)試,測(cè)試效果見(jiàn)表3。對(duì)于泄漏、啟泵、停泵、切罐、調(diào)節(jié)閥開(kāi)以及調(diào)節(jié)閥關(guān)6種工況分別試驗(yàn)20次,該算法判斷準(zhǔn)確率達(dá)97.5%。使用該算法構(gòu)建的決策樹(shù)模型能夠較好地識(shí)別管道運(yùn)行中的工況情況。

      表3 試驗(yàn)管道測(cè)試效果

      4 結(jié)論

      該文根據(jù)管道運(yùn)行規(guī)律特征,在管道運(yùn)行理論的基礎(chǔ)上,采用對(duì)管道信號(hào)有良好區(qū)分效果的統(tǒng)計(jì)方法提取信號(hào)特征;并總結(jié)了專家工況識(shí)別判斷經(jīng)驗(yàn),研究管道工況的規(guī)律特征,提出基于多特征融合決策樹(shù)的一種石油管道工況識(shí)別算法,對(duì)管道運(yùn)行工況的智能識(shí)別具有較好的工況識(shí)別效果,能較好地幫助調(diào)控人員快速進(jìn)行決策控制,對(duì)降低管網(wǎng)運(yùn)行安全風(fēng)險(xiǎn)具有重要的意義。

      猜你喜歡
      峭度決策樹(shù)小波
      基于MCKD和峭度的液壓泵故障特征提取
      構(gòu)造Daubechies小波的一些注記
      聯(lián)合快速峭度圖與變帶寬包絡(luò)譜峭度圖的輪對(duì)軸承復(fù)合故障檢測(cè)研究
      基于MATLAB的小波降噪研究
      電子制作(2019年13期)2020-01-14 03:15:32
      一種針對(duì)不均衡數(shù)據(jù)集的SVM決策樹(shù)算法
      決策樹(shù)和隨機(jī)森林方法在管理決策中的應(yīng)用
      電子制作(2018年16期)2018-09-26 03:27:06
      基于峭度分析的聲發(fā)射故障檢測(cè)
      電子世界(2018年12期)2018-07-04 06:34:38
      基于改進(jìn)的G-SVS LMS 與冗余提升小波的滾動(dòng)軸承故障診斷
      基于決策樹(shù)的出租車乘客出行目的識(shí)別
      基于魯棒性小波包峭度圖的滾動(dòng)軸承故障診斷*
      清水河县| 彩票| 苏尼特左旗| 赫章县| 青海省| 汉寿县| 沛县| 乌拉特中旗| 芦溪县| 潞西市| 仙游县| 荆州市| 景德镇市| 肥东县| 花莲县| 麦盖提县| 镇原县| 英超| 翁源县| 鄂州市| 齐河县| 阳高县| 绥滨县| 平安县| 涞源县| 云安县| 喀喇| 沙田区| 额尔古纳市| 阳泉市| 中超| 温泉县| 五寨县| 宣恩县| 白城市| 略阳县| 芒康县| 洞头县| 西峡县| 三穗县| 西藏|