CN108804740B - 基于集成改进ica-krr算法的长输管道压力监测方法 - Google Patents

Abstract

本发明公开了一种基于集成改进ICA‑KRR算法的长输管道压力监测方法，包括以下步骤：1)构建长输管道压力监测数据矩阵；2)计算变量P∈R^m×m；3)提取分量矩阵T＝P^TX；4)对提取的分量矩阵T进行白化，得白化后的结果；5)计算矩阵S＝C^TZ；6)计算矩阵C_n；7)计算分离矩阵W∈R^d×m及混合矩阵A∈R^m×d；8)得独立分量的源信号，独立分量的源信号之间的独立关系通过非高斯性反映，所述非高斯性由负熵函数进行量化，负熵函数可选择三种非二次函数；9)构建三种分量重要性评价标准；10)混合形成双层综合学习策略；11)以形成9个分量选择模型；12)得到权重系数w；13)得回归的故障信号数据y；14)计算泄漏位置d，该方法能够实现长输管道上泄漏位置的实时监测及准确定位。

Description

基于集成改进ICA-KRR算法的长输管道压力监测方法

技术领域

本发明属于长输油气管道安全检测技术领域，涉及一种基于集成改进ICA-KRR算法的长输管道压力监测方法。

背景技术

近年，随着油气管道使用年限增加，各种非人为因素导致的管道泄漏事故频率不断上升，给企业带来严重的经济损失。因此，对管道压力实时监测，精确定位泄漏故障并及时预警具有重要的研究意义。

油气管道泄漏检测技术是保障管道安全生产的重要手段。随着信息技术与现代控制理论的快速发展，泄漏检测方法以其较高的效率、灵活的运用方式获得了广泛的应用，已经成为对管道泄漏进行连续监测的主要手段。由于管道泄漏突发性强，压力监测数据复杂且冗余。因此，监测管道压力并及时对泄漏故障进行预警，需识别管道压力监测数据中的有效信息和特征规律，再建立合适的方法和模型对压力数据分析方能实现故障检测。

对此，长输油气管道的压力监测及风险预警工作正走向定量积极主动的策略。目前，国内外学者对管道泄漏故障方面的研究较多，针对管道压力监测与故障泄漏定位，提出了各具特色的研究方法。王明达等利用独立分量分析结合支持向量机的方法对管道压力信号降噪分离实现泄漏检测，张宇等分别采用动态压力变送器测量管道压力的动态变化和经验模态分解的方法分析压力信号，但对故障压力信号的数据分析不能实现精确定位，林伟国等利用小波去噪对异常信号识别并提取，实现了干扰信号与泄漏信号的甄别，然而对管道多点压力监测方案的有效性不高，衷路生等采用独立成分分析与主成分分析分离信号并结合Lasso回归方法实现故障发生时主要异常变量的定位和选择，将产生故障的异常变量分步检测并实现定位，但是Lasso回归对于中型数据集的处理速度效果并不理想、ChudongTong以独立分量分析模型为基础，扩展了双层贝叶斯参考，强化了对独立分量的选择。综之，现有的研究方法对管道压力监测及泄漏故障定位存在着不同程度的局限性，定位精度与实际状况吻合度不理想。

因此基于以上分析，作者提出一种综合改进的独立分量分析算法(EnsembleModified Independent Component Analysis，EMICA)结合核岭回归算法(Kernel RidgeRegression，KRR)的管道压力监测与泄漏实时定位集成模型。利用正常离线数据训练EMICA模型，构建统计量T²和Q约束并提升模型效率。KRR算法对故障前后数据进行回归分析，得到泄漏先后回归系数变化幅值，据此实现泄漏定位与诊断。最后，进行了TE(TennesseeEastman)过程的数值仿真实验，并与已有的泄漏诊断方法进行比较，验证所提出方法的性能。

以上方法通过不同的压力监测方法取得了一定的效果，但这些应用中也存在着对原始数列的选取未进行筛选、对其适用性分析不够导致判别能力减弱及精度降低的问题。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种基于集成改进ICA-KRR算法的长输管道压力监测方法，该方法能够实现长输管道上泄漏位置的实时监测及准确定位。

为达到上述目的，本发明所述的基于集成改进ICA-KRR算法的长输管道压力监测方法包括以下步骤：

1)采集若干长输管道的压力监测数据，再通过获取得到的长输管道的压力监测数据构建长输管道压力监测数据矩阵X∈R^m×n，n为获取得到的长输管道压力监测数据的数目，m为变量数；

2)计算长输管道压力监测数据的协方差矩阵XX^T/(n-1)＝PΛP^T，其中，Λ为长输管道压力监测数据矩阵X的特征向量，Λ＝diag{λ₁,λ₂,…,λ_m}，再根据长输管道压力监测数据的协方差矩阵XX^T/(n-1)＝PΛP^T及特征向量Λ计算变量P∈R^m×m；

3)根据变量P从长输管道压力监测数据矩阵X中提取分量矩阵T＝P^TX；

4)计算变量Q＝Λ^-1/2P^T，再对提取的分量矩阵T进行白化，得白化后的结果_x＝Λ^-1/2T＝Λ^-1/2P^TX＝QX；

5)根据C^TC＝D条件计算矩阵C∈R^m×n，其中，D＝diag{λ₁,λ₂,…,λ_d}为已知d个独立信号的特征向量，再根据矩阵C计算矩阵S＝C^TZ；

6)根据C_n ^T＝D^-1/2C^T及C_n ^TC_n＝I计算矩阵C_n；

7)计算分离矩阵W∈R^d×m及混合矩阵A∈R^m×d，其中，

8)通过分离矩阵W对监测数据矩阵X∈R^m×n进行信号分离，得独立分量的源信号，独立分量的源信号之间的独立关系通过非高斯性反映，所述非高斯性由负熵函数J(W^TX)＝[E{G(W^TX)}-E{G(_v)}]²进行量化，其中，v为零均值及单位方差的高斯变量，负熵函数可选择三种非二次函数，所述三种非二次函数分别为G₂(u)＝exp(-a₂u²/2)及G₃＝u⁴，其中1≤a₁≤2，a₂≈1，cosh()为双曲余弦函数；

9)构建三种分量重要性评价标准，其中，所述三种分量重要性评价标准分别为EMICA-CPV、及EMICA-nG；

10)根据三种非二次函数及三种分量重要性评价标准混合形成双层综合学习策略，即其中，i∈{1,2,3}，i∈{1,2,3}分别代表三种非二次函数，E∈R^m×n为初始设定的残差矩阵，/>为混合矩阵A中第i行第j列的元素，第i，j个混合矩阵，W_i ^j为分离矩阵W中第i行第j列的元素；

11)各种非二次函数分别选择上述三种分量重要性评价标准，以形成9个分量选择模型其中，i∈{1,2,3}，i∈{1,2,3}。再利用贝叶斯推理将多重统计量以概率方式组成形成唯一的索引；

12)在第i个分量选择模型中，计算监测统计量T²的检测概率；

13)在第i个分量选择模型中，计算统计量Q的检测概率；

14)分离得到异常分量s_i∈S，并将分离的异常分量s_i记作y_i，再计算最小化损失函数得到权重系数w，其中，x_i为异常分量真实值，λ为确定的正则化参数，||.||_F表示Frobenius规范；

15)使用核变换方法进行扩展显性回归函数，再利用高斯核函数及多项式函数得回归的故障信号数据y，其中，σ为设定的高斯核函数的核参数，u和d分别为设定的多项式核函数的核参数；

16)通过回归的故障信号数据y计算压力波的传输速度v，再利用压力波的传输速度v计算泄漏位置d。

监测统计量T²的检测概率为：

设N及F分别表示正常运行条件及异常运行条件，及分别为计算控制 极限的置信度α及1-α，正常运行条件N及异常运行条件F的概率分别表示为及其中，

各分量选择模型综合成为：

泄漏位置L压力监测点两段距离，Δt为首尾两端传感器接收数据时间差，u为管内流体速度。

本发明具有以下有益效果：

本发明所述的基于集成改进ICA-KRR算法的长输管道压力监测方法在具体操作时，通过采集得到的压力监测数据构建长输管道压力监测数据矩阵，再从长输管道压力监测数据矩阵中提取分量矩阵T，然后对分量矩阵进行白化，再进行异常分量的分离，然后将三种非二次函数与三种分量重要性评价标准相结合，并基于利用贝叶斯推理及显性回归函数对压力故障分量进行回归分离，以确定故障信号数据，然后根据故障信号数据计算泄漏的位置，从而实现长输管道上泄漏位置的实时监测及准确定位，以提醒工作人员及时维修管道，避免不必要的损失。

附图说明

图1为本发明的流程图；

图2为数值模拟过程中的源变量示意图；

图3为基于综合改进的独立分量分析监控细节示意图；

图4为不同数量的显性IC的平均故障检测率折线示意图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

本发明所述的基于集成改进ICA-KRR算法的长输管道压力监测方法包括以下步骤：

1)采集若干长输管道的压力监测数据，再通过获取得到的长输管道的压力监测数据构建长输管道压力监测数据矩阵X∈R^m×n，n为获取得到的长输管道压力监测数据的数目，m为变量数；

2)计算长输管道压力监测数据的协方差矩阵XX^T/(n-1)＝PΛP^T，其中，Λ为长输管道压力监测数据矩阵X的特征向量，Λ＝diag{λ₁,λ₂,…,λ_m}，再根据长输管道压力监测数据的协方差矩阵XX^T/(n-1)＝PΛP^T及特征向量Λ计算变量P∈R^m×m；

3)根据变量P从长输管道压力监测数据矩阵X中提取分量矩阵T＝P^TX；

4)计算变量Q＝Λ^-1/2P^T，再对提取的分量矩阵T进行白化，得白化后的结果Z＝Λ^-1/2T＝Λ^-1/2P^TX＝QX；

5)根据C^TC＝D条件计算矩阵C∈R^m×n，其中，D＝diag{λ₁,λ₂,…,λ_d}为已知d个独立信号的特征向量，再根据矩阵C计算矩阵S＝C^T _Z；

6)根据C_n ^T _＝D ^-1/2C^T及C_n ^TC_n＝I计算矩阵C_n；

7)计算分离矩阵W∈R^d×m及混合矩阵A∈R^m×d，其中，

8)通过分离矩阵W对监测数据矩阵X∈R^m×n进行信号分离，得独立分量的源信号，独立分量的源信号之间的独立关系通过非高斯性反映，所述非高斯性由负熵函数J(W^TX)＝[E{G(W^TX)}-E{G(v)}]²进行量化，其中，v为零均值及单位方差的高斯变量，负熵函数可选择三种非二次函数，所述三种非二次函数分别为G₂(u)＝exp(-a₂u²/2)及G₃＝u⁴，其中1≤a₁≤2，a₂≈1，cosh()为双曲余弦函数；

9)构建三种分量重要性评价标准，其中，所述三种分量重要性评价标准分别为EMICA-CPV、EMICA-L₂及EMICA-nG；

10)根据三种非二次函数及三种分量重要性评价标准混合形成双层综合学习策略，即其中，i∈{1,2,3}，i∈{1,2,3}分别代表三种非二次函数，E∈R^m×n为初始设定的残差矩阵，/>为混合矩阵A中第i行第j列的元素，第i，j个混合矩阵，W_i ^j为分离矩阵W中第i行第j列的元素；

11)各种非二次函数分别选择上述三种分量重要性评价标准，以形成9个分量选择模型其中，i∈{1,2,3}，i∈{1,2,3}。再利用贝叶斯推理将多重统计量以概率方式组成形成唯一的索引；

12)在第i个分量选择模型中，计算监测统计量T²的检测概率；

13)在第i个分量选择模型中，计算统计量Q的检测概率；

14)分离得到异常分量s_i∈S，并将分离的异常分量s_i记作_yi，再计算最小化损失函数得到权重系数w，其中，x_i为异常分量真实值，λ为确定的正则化参数，||.||_F表示Frobenius规范；

15)使用核变换方法进行扩展显性回归函数，再利用高斯核函数及多项式函数及k(y,y_i)＝(uyy_i+1)^d，得回归的故障信号数据y，其中，σ为设定的高斯核函数的核参数，u和d分别为设定的多项式核函数的核参数；

16)通过回归的故障信号数据y计算压力波的传输速度v，再利用压力波的传输速度v计算泄漏位置d。

监测统计量T²的检测概率为：

设N及F分别表示正常运行条件及异常运行条件，及分别为计算控制极 限的置信度a及1_-α，正常运行条件N及异常运行条件F的概率分别表示为及 其中，

各分量选择模型综合成为：

泄漏位置L压力监测点两段距离，Δt为首尾两端传感器接收数据时间差，u为管内流体速度。

仿真实验

本仿真实验在TE平台进行数值仿真实验分析，首先利用MICA模型实现TE过程故障检测；然后利用构建的KRR回归模型进一步对故障数据进行故障变量的选择分离，最终实现故障定位与诊断。

TE工艺的物理模型由反应器、冷凝器、气液分离器、循环压缩机及汽提塔组成。TE过程由41个测量变量(其中，22个连续变量及19个成分值变量)及12个操作变量组成。本仿真实验选择30个变量，其中包括10个操作变量及20个测量变量，其中，20个测量变量如表1所示。在TE过程中有21个可编程的异常条件；相比较于使用不同非二次函数的方法，本发明对主导IC的识别度更高。

表1

在实际长输管道运行过程中，多数故障会引起两种或更多的变量异常，鉴于此可根据主要异常变量进行更有针对性的检查；在实时监测过程中，对比不同数量的显性分量平均故障检测率，表明本发明具有简洁直观的变量选择能力。

本发明说明书中未作详细描述的内容属于本领域专业技术人员周知的现有公开技术。

以上实施方式仅用于说明本发明，而并非对本发明的限制。尽管为说明目的公开了本发明的相关实施例和附图，但是本领域的技术人员可以理解；在不脱离本发明及所附的权利要求的精神和范围内，各种替换、变化、修改都是可能的。因此，所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定，而不应局限于最佳实施例和附图所公开的内容。

Claims (1)

1.一种基于集成改进ICA-KRR算法的长输管道压力监测方法，其特征在于，包括以下步骤：

1)采集若干长输管道的压力监测数据，再通过获取得到的长输管道的压力监测数据构建长输管道压力监测数据矩阵X∈R^m×n，n为获取得到的长输管道压力监测数据的数目，m为变量数；

2)计算长输管道压力监测数据的协方差矩阵XX^T/(n-1)＝PΛP^T，其中，Λ为长输管道压力监测数据矩阵X的特征向量，Λ＝diag{λ₁,λ₂,…,λ_m}，再根据长输管道压力监测数据的协方差矩阵XX^T/(n-1)＝PΛP^T及特征向量Λ计算变量P∈R^m×m；

3)根据变量P从长输管道压力监测数据矩阵X中提取分量矩阵T＝P^TX；

4)计算统计量Q＝Λ^-1/2P^T，再对提取的分量矩阵T进行白化，得白化后的结果Z＝Λ^-1/2T＝Λ^-1/2P^TX＝QX；

5)根据C^TC＝D条件计算矩阵C∈R^m×n，其中，D＝diag{λ₁,λ₂,…,λ_d}为已知d个独立信号的特征向量，再根据矩阵C计算矩阵S＝C^TZ；

6)根据C_n ^T＝D^-1/2C^T及C_n ^TC_n＝I计算矩阵C_n；

7)计算分离矩阵W∈R^d×m及混合矩阵A∈R^m×d，其中，

8)通过分离矩阵W对监测数据矩阵X∈R^m×n进行信号分离，得独立分量的源信号，独立分量的源信号之间的独立关系通过非高斯性反映，所述非高斯性由负熵函数J(W^TX)＝[E{G(W^TX)}-E{G(v)}]²进行量化，其中，v为零均值及单位方差的高斯变量，负熵函数可选择三种非二次函数，所述三种非二次函数分别为G₂(u)＝exp(-a₂u²/2)及G₃＝u⁴，其中1≤a₁≤2，a₂≈1，cosh()为双曲余弦函数；

9)构建三种分量重要性评价标准，其中，所述三种分量重要性评价标准分别为EMICA-CPV、EMICA-L₂及EMICA-nG；

10)根据三种非二次函数及三种分量重要性评价标准混合形成双层综合学习策略，即其中，i∈{1,2,3}，i∈{1,2,3}分别代表三种非二次函数，H∈R^m×n为初始设定的残差矩阵，A_i ^j为混合矩阵A中第i行第j列的元素，第i，j个混合矩阵，W_i ^j为分离矩阵W中第i行第j列的元素；

11)各种非二次函数分别选择上述三种分量重要性评价标准，以形成9个分量选择模型其中，i∈{1,2,3}，i∈{1,2,3}，再利用贝叶斯推理将多重统计量以概率方式组成形成唯一的索引；

12)在第i个分量选择模型中，计算监测统计量T²的检测概率；

13)在第i个分量选择模型中，计算统计量Q的检测概率；

14)分离得到异常分量s_i∈S，并将分离的异常分量s_i记作y_i，再计算最小化损失函数得到权重系数w，其中，x_i为异常分量真实值，λ为确定的正则化参数，||.||_F表示Frobenius规范；

15)使用核变换方法进行扩展显性回归函数，再利用高斯核函数及多项式函数及k(y,y_i)＝(cyy_i+1)^e，得回归的故障信号数据y，其中，σ为设定的高斯核函数的核参数，c和e分别为设定的多项式核函数的核参数；

16)通过回归的故障信号数据y计算压力波的传输速度，再利用压力波的传输速度计算泄漏位置d；

监测统计量T²的检测概率为：

设N及F分别表示正常运行条件及异常运行条件，及/>分别为计算控制极限的置信度α及1-α，正常运行条件N及异常运行条件F的概率分别表示为/>及/>其中，/>

各分量选择模型综合成为：

泄漏位置L压力监测点两段距离，△t为首尾两端传感器接收数据时间差，z为管内流体速度，l为压力波的传输速度。