基于机器学习的成品油管道运行工况识别

来源：中国安全科学学报杂志2024年第6期北京时间：

作者：李苗, 李凌波, 左志恒, 张丽, 江璐鑫, 苏怀

单位：1 国家石油天然气管网集团有限公司 华南分公司,广东 广州 510623；2 昆仑数智科技有限责任公司 智慧天然气与管道事业部,北京 102206；3 国家石油天然气管网集团有限公司 科学技术研究总院分公司,河北 廊坊 065000；4 中国石油大学(北京)油气管道输送安全国家工程实验室/城市油气输配技术北京市重点实验室,北京 102249

摘要：为改善成品油管道系统生产运行监测过程中不能自动识别部分运行状态,以及异常工况识别准确率较低的问题,应用智能工况识别方法,构建具有实时监测能力的成品油管道运行工况识别模型。首先,采用逻辑规则判别方法,并根据成品油管道系统中的事件日志补充数据标签;其次,按照工况的起止时间对数据进行分段,并采用滑动窗口的方式提取不同工况的子序列及其特征;然后构建成品油管道运行工况识别模型,并与随机森林(RF)、自适应提升(AdaBoost)、支持向量机(SVM)、时间序列森林(TSF)、随机区间谱系森林(RISF)和序列学习器(SEQL)等6种机器学习分类模型进行对比,分析其识别效果;最后,以某真实成品油管道为例,进行模型验证。结果表明:TSF模型对阀门开关、阀门内漏、清管和甩泵4种工况的识别精确度最高,且更适合短期内运行工况的识别;而AdaBoost模型的识别精确度在95%的置信区间内所含真实值的概率更高。

关键词：机器学习,成品油管道,运行工况,工况识别,分类模型

基金资助：国家石油天然气管网集团有限公司科技项目(GWHT20210025353); 国家自然科学基金青年科学基金资助(51904316); 中国石油大学(北京)科学基金资助(2462021YJRC013)