氣田集氣站安全監(jiān)測數(shù)據(jù)異常值識別研究

張子濤 殷存志 楊 毅 董彩虹 向 敏

1中國石油北京油氣調(diào)控中心

2中亞天然氣管道有限公司

氣田集氣站安全監(jiān)測數(shù)據(jù)異常值識別研究

張子濤1殷存志2楊 毅1董彩虹1向 敏1

1中國石油北京油氣調(diào)控中心

2中亞天然氣管道有限公司

天然氣集氣站監(jiān)測數(shù)據(jù)異常值的準確識別具有重要意義。借助支持向量回歸機算法，建立傳感器在線預測模型，利用遺傳算法獲取最佳SVR參數(shù)，避免過擬合問題；基于一步預測誤差判斷方法，通過遺傳算法獲取最佳懲罰因子、不敏感損失函數(shù)參數(shù)和核函數(shù)參數(shù)以保證SVR回歸效果，構(gòu)建集氣站監(jiān)測數(shù)據(jù)異常識別方法；計算回歸值和監(jiān)測值之間的差值，若其大于閾值，可判斷該實測值為異常，用回歸值代替監(jiān)測值，通過中心服務器寫入到現(xiàn)場控制執(zhí)行器中，則可防止安全系統(tǒng)誤動作。工程應用表明該方法具有良好的適用性。

集氣站；安全監(jiān)測數(shù)據(jù)；異常；識別

為保障氣田集氣站安全、高效運行，需對站內(nèi)工藝運行參數(shù)及可燃氣數(shù)據(jù)（如硫化氫和甲烷濃度）進行在線監(jiān)測。然而由于種種原因，如傳感器故障、信號干擾、電纜破壞等，參數(shù)監(jiān)測值易出現(xiàn)異常，不能準確反映現(xiàn)場實際情況，由此引發(fā)集氣站安全系統(tǒng)誤關(guān)斷、誤報警事件，影響正常生產(chǎn)[1]。為提高安全控制系統(tǒng)的可靠性，需對監(jiān)測數(shù)據(jù)異常值進行準確識別。支持向量回歸機算法（SVR，Support Vector Regression）具有計算量小、存儲量少且算法穩(wěn)定的優(yōu)點[2]，在信號識別、故障診斷領(lǐng)域得到了廣泛應用。

由于存在節(jié)流降壓及閥門分隔作用，集氣站內(nèi)工藝監(jiān)測值具有相關(guān)性不強的特性，同時硫化氫和甲烷濃度傳感器布置較分散，其安全監(jiān)測值也無相關(guān)性，不能作為整體進行回歸計算。本文借助于支持向量回歸機算法，對單個傳感器建立在線預測模型，基于一步預測誤差判斷方法，通過遺傳算法獲取最佳懲罰因子、不敏感損失函數(shù)參數(shù)和核函數(shù)參數(shù)以保證SVR回歸效果，從而構(gòu)建集氣站監(jiān)測數(shù)據(jù)異常識別方法。

1 支持向量回歸機算法

支持向量回歸機算法由支持向量機分類算法演化而來，給定訓練樣本{(x1,y1),...,(xl,yl)}，其決策函數(shù)為，可歸結(jié)為如下凸優(yōu)化問題

式中ε為不敏感損失函數(shù)參數(shù)。引入松弛變量ξ、ξ*，則上述方程變?yōu)?/p>

為解出上述方程，引入Lagrange乘子η、η*、α、α*，將其轉(zhuǎn)換成對偶形式，得到對偶優(yōu)化問題

為適用于非線性問題，用核函數(shù)k(xi,xj)代替將k(xi,xj)簡記為ki,j，則上述優(yōu)化方程為

核函數(shù)必須滿足Mercer定理，徑向基核函數(shù)是較常用的核函數(shù)

決策函數(shù)中常量b的計算方法為：若第j個輸入變量對應的αj∈(0,C)，則

對所有樣本進行遍歷，計算b的均值bˉ，則回歸方程為SVR的核心問題是Lagrange乘子αi和α*i的計算，一旦求出，則可構(gòu)造出決策函數(shù)。將支持向量回歸機轉(zhuǎn)化為凸二次規(guī)劃標準形式，則可以用支持向量分類機的算法進行訓練。通常采用序列最小優(yōu)化算法（SMO，Sequential Minimal Optimization）求解方程[3-4]。

2 集氣站監(jiān)測數(shù)據(jù)異常值識別方法

鑒于集氣站內(nèi)工藝監(jiān)測值相關(guān)性不強，同時硫化氫和甲烷濃度傳感器布置較分散，其安全監(jiān)測值相互間也無相關(guān)性，因而其異常識別不能作為整體進行回歸計算。本文采用在線一步預測法對監(jiān)測數(shù)據(jù)異常進行識別。

第1步：降噪。取一組正常工況下的信號進行冗余提升小波分解[5]，對各層細節(jié)信號和最后一層逼近信號進行奇異值分解降噪處理，通過重構(gòu)算法獲得降噪信號。

第2步：構(gòu)造訓練集。自然界中的任何系統(tǒng)都是混沌系統(tǒng)，氣田集輸系統(tǒng)的生產(chǎn)參數(shù)也不例外，具有非線性特性。本文通過相空間重構(gòu)，可構(gòu)造出一維時間序列的混沌吸引子。

假設(shè)信號為[s1,s2,…,sN0]，運算前，須將信號歸一化到[-1，1]范圍內(nèi)，公式為

式中l(wèi)ower=-1，upper=1，smax和smin分別為原始信號si的最大值和最小值，xi為歸一化后的值。

將歸一化后的信號分為訓練集[x1,x2,…,xNt]和確定集[x1,x2,…,xNc]。確定集長度，如果太長，預測出來的曲線將是一條直線；若太短，則預測精度較低。經(jīng)過反復試驗，Nc的取值范圍為1N0≤N≤3。通過相空間重構(gòu)從訓練集中獲得自變量和因變量，時間延遲為nt，嵌入維數(shù)一般取為1，自變量為

因變量為

第3步：訓練參數(shù)。給定SVR參數(shù)，通過SMO算法求出拉格朗日乘子及決策函數(shù)常量，構(gòu)造決策函數(shù)。對自變量矩陣進行迭代更新，逐步對確定集進行預測。計算預測值和實測值間的均方差，以該均方差最小化為目標函數(shù)，通過遺傳算法求解最佳延時、懲罰因子、不敏感損失函數(shù)參數(shù)和核函數(shù)參數(shù)。

第4步：構(gòu)造一步預測模型?；谥С窒蛄炕貧w機算法，將第3步求解的最佳參數(shù)代入SVR模型進行求解。手動將拉格朗日乘子、決策函數(shù)常量、支持向量、最佳延時、懲罰因子、不敏感損失函數(shù)參數(shù)和核函數(shù)參數(shù)輸入到C#程序中，構(gòu)造預測模型。通過自編的OPC客戶端程序，每秒從OPC服務器中讀取最新數(shù)據(jù)。通過timer控件，對自變量進行在線更新，代入預測模型中對下一時刻的工藝參數(shù)進行預測，并進行逆歸一化，公式為

第5步：判斷異常值。根據(jù)經(jīng)驗設(shè)置閾值，計算預測值和實測值間的相對誤差，若其小于或等于閾值，則判斷該監(jiān)測數(shù)據(jù)為正常值；若其大于閾值，則判斷該監(jiān)測數(shù)據(jù)為異常值，并輸出報警信息。將每個傳感器的運算設(shè)為獨立的線程，根據(jù)計算機性能設(shè)置最大線程數(shù)。

3 識別方法的工程應用

以普光氣田301集氣站壓力傳感器C31732.PV為例，取其某時監(jiān)測信號，采樣間隔為1 min，信號長度為1 440個點，此時集輸系統(tǒng)運行工況正常。原始信號如圖1所示。

圖1 壓力信號

從圖1可看出信號中包含很多“毛刺”，這是由噪聲引起的。對信號進行3層自適應冗余提升小波分解，通過遺傳算法計算出第一、二、三層細節(jié)信號和第三層逼近信號的最佳SVD降噪階次，分別為2、2、2、6。降噪信號如圖2所示，從圖2可看出信號噪聲明顯減少，信號主體趨勢較明顯。從降噪信號中取出300個數(shù)作為訓練樣本，如圖3所示。

圖2 降噪后的壓力信號

圖3 訓練樣本

通過遺傳算法獲取最佳參數(shù)，自變量包括4個：嵌入維數(shù)nt、懲罰因子c、不敏感損失函數(shù)參數(shù)ε和徑向基核函數(shù)參數(shù)σ，取值范圍分別為1≤nt≤15、1≤c≤500、0≤ε≤1和0.2≤σ≤10，各參數(shù)運算精度分別為1、1、0.01和0.1。根據(jù)取值范圍和運算精度，可算出各參數(shù)的二進制字符串長度分別為4、9、7、7。將訓練樣本分為訓練集和確定集，訓練集長度為295，確定集長度為5。訓練前，將樣本歸一化到[-1，1]內(nèi)。

離線訓練在MATLAB中運行，遺傳算法迭代次數(shù)為30，群體規(guī)模為300，運算時間為807 s（約14 min）。

通過訓練，得到的最佳參數(shù)為：nt=9，c= 407，ε=0.349 0，σ=1.82。支持向量共30個，預測函數(shù)中的常量為-0.038 5。用于信號歸一化的最大值為9.01，最小值為8.90。由以上信息可構(gòu)造一步在線預測程序。為驗證該預測模型精度，用一組正常數(shù)據(jù)進行驗證。連續(xù)監(jiān)測的9個數(shù)據(jù)為[9.05，9.06，9.09，9.02，9.04，9.06，9.12，9.10，9.07]，第10個數(shù)為9.06。將前9個數(shù)代入建立的預測模型，算出預測值為8.96，相對誤差為1.1%，獲得了較高的預測精度。一步預測程序在MATLAB中運行，運算時間為0.039 s，遠小于1 s，適合于在線運算。利用本方法，通過已有監(jiān)測數(shù)據(jù)，可以準確預測下一個監(jiān)測值，一旦預測值和實測值的差值大于某一閾值，則說明實測值為異常信號。下面論述如何選取合適的閾值。

原始壓力信號從前到后，每次連續(xù)取9個數(shù)作為自變量代入在線預測模型，對下一個數(shù)進行預測。計算預測值與實測值間的相對誤差，如圖4所示。

從圖4可看出大部分誤差在2%以內(nèi)，少部分在2%～4%之間，考慮噪聲影響，設(shè)閾值為4%。在以后的在線預測中，凡是誤差大于該閾值的數(shù)都是異常數(shù)據(jù)，將預測值代替實測值，以避免誤關(guān)斷或誤報警事件的發(fā)生。

圖4 一步預測相對誤差

4 結(jié)論

借助于支持向量回歸機算法，對集氣站內(nèi)每個傳感器建立在線預測模型，利用遺傳算法獲取最佳SVR參數(shù)，避免過擬合問題；基于一步預測誤差判斷方法，通過遺傳算法獲取最佳懲罰因子、不敏感損失函數(shù)參數(shù)和核函數(shù)參數(shù)以保證SVR回歸效果，構(gòu)建了集氣站監(jiān)測數(shù)據(jù)異常識別方法。通過對正常值的預測處理，獲得了判別閾值。工程應用表明，該方法具有良好的適用性。

[1]張繼燕．基于實時數(shù)據(jù)庫的油氣處理故障診斷系統(tǒng)[J]．油氣田地面工程，2015，34（3）：22-23.

[2]何正嘉，陳進，王太勇，等．機械故障診斷理論及應用[M]．北京：高等教育出版社，2010：33-35.

[3]Marcos F S，Ricardo H C，Takahashic.Incipient fault detection in induction machine stator-winding using a fuzzy-Bayesian change point detection approach[J]．Applied Soft Computing，2011，11（1）：179-192.

[4]Saravanan N，Ramachandran K I．Incipient gear box fault diagnosis using discrete wavelet transform（DWT）for feature extraction and classification using artificial neural network（ANN）[J]．Expert Systems with Applications，2010，37（1）：4 168-4 181.

[5]Maurya M R，Rengaswamy R，Venkatasubramanian V．A signed directed graph and qualitative trend analysis-based framework for incipient fault diagnosis[J]．Chemical Engineering Research and Design，2007，85（A10）：1 407-1 422.

（欄目主持 紀嫦杰）

10.3969/j.issn.1006-6896.2015.10.001

張子濤：工程師，2003年畢業(yè)于遼寧石油化工大學自動化專業(yè)，主要從事天然氣集輸系統(tǒng)調(diào)控運行研究管理工作。

2015-06-01

18236046420、1095440060@qq.com