劉喜梅 尹國才

（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。

長期以來，國內(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)測性的非線性動(dòng)力學(xué)參數(shù)，它用一個(gè)非負(fù)數(shù)來表示一個(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，都是通過度量信號(hào)中產(chǎn)生新模式的概率大小來衡量時(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：樣本熵的計(jì)算不依賴數(shù)據(jù)長度；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5種不同工況壓力信號(hào)的樣本熵。可以看出，樣本熵對樣本類型的區(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)是無量綱參數(shù)，對沖擊信號(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)閥開五種不同工況壓力信號(hào)的峭度。從圖中可以看出，峭度對樣本類型的區(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，作為工況識(shí)別特征。場站在管道運(yùn)營中，根據(jù)傳輸需要分為傳輸首站、末站、中間泵站3種類型，每種場站可能發(fā)生的典型工況及其壓力、流量波動(dòng)趨勢和設(shè)備狀態(tài)變化見表1。

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

基于上述工作生成表征工況的特征向量，見表2。對表征工況的進(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3種信號(hào)特征；對進(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)趨勢和設(shè)備狀態(tài)變化

3 基于決策樹的工況識(shí)別

決策樹算法的準(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。決策樹是一種基本的分類與回歸方法，對于該文所研究的工況識(shí)別，實(shí)際是一個(gè)分類問題。采用決策樹構(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。

決策樹在分類問題中，表示基于特征對實(shí)例進(jìn)行分類的過程，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)開始，對實(shí)例的某個(gè)特征進(jìn)行測試，根據(jù)測試結(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)對應(yīng)該特征的一個(gè)取值，這樣遞歸地對實(shí)例進(jìn)行測試并分配，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。

針對工況識(shí)別的特點(diǎn)，該文采用CART分類樹構(gòu)建工況識(shí)別決策樹，將根據(jù)上述方法構(gòu)建的決策樹應(yīng)用于試驗(yàn)管道進(jìn)行測試，測試效果見表3。對于泄漏、啟泵、停泵、切罐、調(diào)節(jié)閥開以及調(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的一種石油管道工況識(shí)別算法，對管道運(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，對降低管網(wǎng)運(yùn)行安全風(fēng)險(xiǎn)具有重要的意義。