基于數(shù)據(jù)特征融合的管網(wǎng)信息物理異常診斷方法

馬大中 胡旭光 孫秋野 鄭君 王睿

隨著信息和通信技術(shù)的不斷進(jìn)步與發(fā)展,工業(yè)系統(tǒng)依靠智能化的檢測(cè)執(zhí)行設(shè)備、可靠的網(wǎng)絡(luò)通信以及高度集成的決策分析信息促使工業(yè)系統(tǒng)物理設(shè)備及信息空間的聯(lián)系更加緊密.異構(gòu)空間融合發(fā)展的過(guò)程衍生出靈活高效的信息物理系統(tǒng)(Cyberphysical systems,CPS)[1-3].由于系統(tǒng)具有實(shí)時(shí)、高效、高性能的特點(diǎn),同時(shí)能夠有效地實(shí)現(xiàn)工業(yè)過(guò)程穩(wěn)定有效的監(jiān)測(cè)與控制,信息物理系統(tǒng)成為未來(lái)工業(yè)4.0計(jì)劃的核心基礎(chǔ).

作為工業(yè)信息物理系統(tǒng)的典型應(yīng)用,輸油管網(wǎng)系統(tǒng)已經(jīng)從管道自動(dòng)化網(wǎng)絡(luò)發(fā)展成融合管道設(shè)備、通信體系以及信息網(wǎng)絡(luò)的復(fù)雜智能化網(wǎng)絡(luò)體系.由于輸油管網(wǎng)在保障能源供應(yīng)、維護(hù)能源安全方面具有重要價(jià)值,因此在日常生產(chǎn)調(diào)度中需要實(shí)時(shí)監(jiān)測(cè)管網(wǎng)物理空間異常情況[4].文獻(xiàn)[5]采用泵狀態(tài)、閥門開(kāi)度以及管道設(shè)計(jì)參數(shù)等變量建立管道模糊分類模型,從而完成對(duì)管道運(yùn)行狀態(tài)的判斷分類.文獻(xiàn)[6-7]從單條管道壓力時(shí)間序列出發(fā)對(duì)泄漏異常情況進(jìn)行診斷和定位,文獻(xiàn)[6]采用結(jié)構(gòu)相似度準(zhǔn)則判斷泄漏情況并且確定泄漏位置,同時(shí)文獻(xiàn)[7]通過(guò)馬爾科夫鏈提取管道壓力數(shù)據(jù)特征進(jìn)行異常檢測(cè)并且采用相似性和連續(xù)小波定位方法找出泄漏源位置.文獻(xiàn)[8]將小波提取的管道壓力拐點(diǎn)時(shí)間作為特征對(duì)雙支持向量機(jī)進(jìn)行訓(xùn)練完成對(duì)管道泄漏點(diǎn)的定位.隨著管網(wǎng)信息物理系統(tǒng)進(jìn)一步發(fā)展,系統(tǒng)內(nèi)部產(chǎn)生與累積了海量過(guò)程數(shù)據(jù),機(jī)器學(xué)習(xí)方法由于其強(qiáng)大的數(shù)據(jù)挖掘能力,迅速的分析速度以及良好的泛化性能[9-11],尤其是卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network,CNN)自主挖掘圖像深度特征的能力,因而廣泛用于管道系統(tǒng)中,為管網(wǎng)系統(tǒng)的異常檢測(cè)、分析和運(yùn)行等提供了直接或輔助的決策.文獻(xiàn)[12]提出一種融合一維卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的方法檢測(cè)管網(wǎng)泄漏情況.文獻(xiàn)[13]通過(guò)卷積神經(jīng)網(wǎng)絡(luò)對(duì)管道漏磁圖像進(jìn)行訓(xùn)練,進(jìn)而識(shí)別出管道的缺陷區(qū)域和非缺陷區(qū)域.通過(guò)對(duì)卷積神經(jīng)網(wǎng)絡(luò)增加視覺(jué)轉(zhuǎn)化層,文獻(xiàn)[14]可以準(zhǔn)確地辨識(shí)不同形狀和大小的缺陷特征.除了對(duì)缺陷進(jìn)行識(shí)別以外,文獻(xiàn)[15]使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)管道焊縫法蘭組件進(jìn)行識(shí)別,并且結(jié)果表明卷積神經(jīng)網(wǎng)絡(luò)對(duì)漏磁圖像具有良好的位移和畸變魯棒性.

此外隨著管網(wǎng)系統(tǒng)物理空間和信息網(wǎng)絡(luò)深度融合和實(shí)時(shí)交互,信息網(wǎng)絡(luò)的功能不斷升級(jí)改造使得管網(wǎng)系統(tǒng)的可觀測(cè)性不斷增強(qiáng),管網(wǎng)系統(tǒng)的功能和作用范圍得到極大擴(kuò)展.但是與此同時(shí),信息網(wǎng)絡(luò)也增加了管網(wǎng)系統(tǒng)的復(fù)雜性和不確定性,給管網(wǎng)系統(tǒng)帶來(lái)新的安全問(wèn)題.信息網(wǎng)絡(luò)的異常會(huì)導(dǎo)致管網(wǎng)系統(tǒng)設(shè)備失去控制造成甩泵、閥門關(guān)斷等緊急運(yùn)行情況,如果處置不當(dāng)甚至?xí)T發(fā)連鎖故障使得管網(wǎng)全線停輸[16-17].文獻(xiàn)[18]對(duì)管道SCADA系統(tǒng)信息傳輸中斷的原因及保護(hù)措施進(jìn)行了全面的分析.由上述文獻(xiàn)可知,對(duì)信息傳輸中斷或者數(shù)據(jù)傳輸錯(cuò)誤異常進(jìn)行快速檢測(cè)具有重要意義,及早發(fā)現(xiàn)信息異常能夠避免重大安全事故的發(fā)生.

綜上所述,為了能夠區(qū)分管網(wǎng)不同空間異常變化情況,本文以管網(wǎng)系統(tǒng)信息數(shù)據(jù)為基礎(chǔ),提出一種數(shù)據(jù)特征融合的管網(wǎng)信息物理異常診斷方法.通過(guò)對(duì)站場(chǎng)信息數(shù)據(jù)構(gòu)建信息增維協(xié)方差矩陣實(shí)現(xiàn)數(shù)據(jù)特征的融合.在利用矩陣特征值分布情況實(shí)現(xiàn)信息異常判斷的同時(shí),將矩陣最大特征向量轉(zhuǎn)換成的圖像作為輸入,通過(guò)卷積神經(jīng)網(wǎng)絡(luò)完成不同物理異常的分析.本文創(chuàng)新點(diǎn)在于:

1)提出一種基于數(shù)據(jù)特征融合的管網(wǎng)信息物理異常診斷方法.首先通過(guò)信息增維協(xié)方差矩陣最大特征值對(duì)管網(wǎng)不同異常類型情況進(jìn)行檢測(cè)和分析,進(jìn)而在此基礎(chǔ)上通過(guò)矩陣最大特征向量映射的圖像完成對(duì)物理異常的分析.

2)針對(duì)管網(wǎng)系統(tǒng)的海量信息數(shù)據(jù),采用隨機(jī)矩陣譜理論實(shí)現(xiàn)數(shù)據(jù)特征的構(gòu)建.通過(guò)管網(wǎng)各個(gè)站場(chǎng)信息數(shù)據(jù)構(gòu)建信息增維協(xié)方差矩陣數(shù)據(jù)特征,從而能夠在有效地降低數(shù)據(jù)輸入量的基礎(chǔ)上對(duì)管網(wǎng)進(jìn)行實(shí)時(shí)分析.

3)采用集中–分布協(xié)同檢測(cè)形式完成對(duì)管網(wǎng)異常情況的檢測(cè).通過(guò)信息增維協(xié)方差矩陣最大特征值完成管網(wǎng)異常情況的判斷,然后通過(guò)選取的管網(wǎng)全部站場(chǎng)的矩陣最大特征向量完成物理異常診斷,從而實(shí)現(xiàn)站場(chǎng)異常診斷與信息物理異常分類的有機(jī)結(jié)合,提高了異常診斷響應(yīng)能力.

本文其余內(nèi)容安排如下:第1節(jié)根據(jù)管網(wǎng)特性對(duì)站場(chǎng)數(shù)據(jù)進(jìn)行梳理,建立起管網(wǎng)的信息物理系統(tǒng)模型;第2節(jié)介紹基于信息增維協(xié)方差矩陣的管網(wǎng)信息物理異常診斷方法;第3節(jié)通過(guò)仿真實(shí)例驗(yàn)證本文所提出方法的有效性;最后,給出了本文的結(jié)論.

1 管網(wǎng)信息物理模型

1.1 管網(wǎng)圖論

輸油管網(wǎng)模型是信息物理異常診斷的基礎(chǔ),所建立的模型結(jié)構(gòu)既要從全局上描述整個(gè)系統(tǒng),又要兼顧各個(gè)站場(chǎng)在系統(tǒng)中的功能和地位.輸油管網(wǎng)具有網(wǎng)絡(luò)狀拓?fù)浣Y(jié)構(gòu)并且管道內(nèi)油品具有方向性,因此本文采用有向拓?fù)鋱D理論進(jìn)行研究分析.假設(shè)管網(wǎng)系統(tǒng)表示為有向圖,其中(n為節(jié)點(diǎn)數(shù)目),(m為邊連接數(shù)目).在管網(wǎng)信息物理系統(tǒng)中,節(jié)點(diǎn)表示站場(chǎng)物理及信息節(jié)點(diǎn),并且不同節(jié)點(diǎn)通過(guò)連接邊完成能量及信息流傳遞,最終實(shí)現(xiàn)管網(wǎng)系統(tǒng)的平穩(wěn)運(yùn)行和完成額定輸油計(jì)劃.

1.2 管網(wǎng)結(jié)構(gòu)

管網(wǎng)圖論模型是設(shè)備硬件等物理組元和管道數(shù)據(jù)等信息組元的綜合反映,同時(shí)也是系統(tǒng)集成的基礎(chǔ).因?yàn)楣芫W(wǎng)信息物理系統(tǒng)是一個(gè)融合物理實(shí)體設(shè)備與信息數(shù)據(jù)網(wǎng)絡(luò)的海量異構(gòu)系統(tǒng),所以從物理信息融合交互角度對(duì)管網(wǎng)的數(shù)據(jù)結(jié)構(gòu)進(jìn)行劃分,具體結(jié)構(gòu)如圖1所示.

在物理網(wǎng)絡(luò)中,節(jié)點(diǎn)表示實(shí)際存在的數(shù)據(jù)站場(chǎng)并且通過(guò)長(zhǎng)距離密閉輸油管道實(shí)現(xiàn)油品的輸送.在實(shí)際輸油管網(wǎng)系統(tǒng)中,通常采用管道兩端壓力和流量評(píng)價(jià)和分析管網(wǎng)運(yùn)行情況,因此本文定義用于管網(wǎng)系統(tǒng)異常分析的信息數(shù)據(jù)為壓力、流量.定義t時(shí)刻站場(chǎng)k的信息數(shù)據(jù)zk(t)為

其中,h(x)為非線性測(cè)量函數(shù),為站場(chǎng)k的測(cè)量向量,α為測(cè)量噪聲,站場(chǎng)編號(hào)k=1,2,···,n.

圖1 管網(wǎng)信息物理系統(tǒng)結(jié)構(gòu)Fig.1 CPS structure of pipeline network

因?yàn)樾畔⒐?jié)點(diǎn)矩陣Dk(Dk∈Rnk×ts)每一行表示為信息數(shù)據(jù)的時(shí)間序列,因此為了能夠突顯信息數(shù)據(jù)的變化以及保持?jǐn)?shù)據(jù)變化的連續(xù)性,對(duì)矩陣Dk(Dk∈Rnk×ts)行向量依次增維次,構(gòu)成如式(4)所示的增維矩陣.

2 基于數(shù)據(jù)特征的信息物理異常診斷

為提高采集的數(shù)據(jù)可靠性,管網(wǎng)會(huì)安裝多個(gè)設(shè)備采集同一信息數(shù)據(jù),所以同一采樣時(shí)刻信息數(shù)據(jù)可以描述為向量zk(t)

其中,j為采集同一信息數(shù)據(jù)量的設(shè)備個(gè)數(shù).

多元信息網(wǎng)絡(luò)是由實(shí)際物理設(shè)備采集到的實(shí)時(shí)信息數(shù)據(jù)構(gòu)成的,用于判斷和分析管道的運(yùn)行狀態(tài).因?yàn)楣芫W(wǎng)系統(tǒng)為有向圖結(jié)構(gòu),為了能夠?qū)崟r(shí)反映站場(chǎng)數(shù)據(jù)流情況,定義nk維的站場(chǎng)信息節(jié)點(diǎn)向量為

其中,z(t)in為站場(chǎng)k的進(jìn)站信息數(shù)據(jù)向量,為站場(chǎng)k的出站信息數(shù)據(jù)向量.p和f分別表示為站場(chǎng)壓力和流量,上標(biāo)in和out分別表明數(shù)據(jù)的采集點(diǎn)為進(jìn)站位置和出站位置.

假設(shè)管網(wǎng)系統(tǒng)信息節(jié)點(diǎn)向量dk(t)通過(guò)ts次采樣后構(gòu)成行為信息數(shù)據(jù),列為時(shí)間長(zhǎng)度的矩陣Dk(Dk∈Rnk×ts).為進(jìn)一步通過(guò)管網(wǎng)信息數(shù)據(jù)情況判斷出管網(wǎng)異常情況,本文將站場(chǎng)信息節(jié)點(diǎn)向量dk(t)進(jìn)行增維實(shí)現(xiàn)突出信息數(shù)據(jù)變化情況的目的.由于管網(wǎng)中各個(gè)站場(chǎng)的壓力變送器、流量計(jì)設(shè)備類型及數(shù)量各不相同,所以設(shè)置增維變量,根據(jù)實(shí)際管網(wǎng)站場(chǎng)情況對(duì)信息節(jié)點(diǎn)矩陣實(shí)現(xiàn)不同程度地增維.

為了闡述本文提出的異常診斷方法,本節(jié)以站場(chǎng)k的信息物理異常診斷為例進(jìn)行說(shuō)明,并且定義物理異常為工況調(diào)整和泄漏,信息異常為信息傳輸中斷和信息傳輸錯(cuò)誤.在第1節(jié)建立管網(wǎng)信息物理系統(tǒng)增維矩陣的基礎(chǔ)上,依據(jù)隨機(jī)矩陣?yán)碚揫19]構(gòu)建信息增維協(xié)方差矩陣.接著通過(guò)站場(chǎng)信息增維協(xié)方差矩陣最大特征值的變化區(qū)別出物理異常和信息傳輸錯(cuò)誤異常,最后通過(guò)矩陣最大特征向量融合映射成的圖像完成不同物理異常的區(qū)分.

其中,tb為系統(tǒng)允許的最大數(shù)據(jù)中斷時(shí)間.

在確保站場(chǎng)k數(shù)據(jù)可靠性的基礎(chǔ)上,將隨機(jī)噪聲引入矩陣保證信息數(shù)據(jù)間的獨(dú)立性,減少由于增維過(guò)程帶來(lái)的數(shù)據(jù)高度一致性,從而完成構(gòu)建信息增維協(xié)方差矩陣的第一步.構(gòu)建的信息增維矩陣如下所示.

其中,Ak為增加的隨機(jī)噪聲幅值,G為標(biāo)準(zhǔn)高斯噪聲矩陣.

其中,i=1,2,···,,t=1,2,···,ts,分別為矩陣第i行的均值和標(biāo)準(zhǔn)差.

根據(jù)隨機(jī)矩陣MP律可知,當(dāng)管網(wǎng)系統(tǒng)處于平穩(wěn)運(yùn)行狀態(tài)時(shí),信息數(shù)據(jù)不會(huì)出現(xiàn)明顯地變化,矩陣特征值的分布滿足[19]

因此為了檢測(cè)站場(chǎng)k的信息傳輸異常和物理異常情況,本文采用矩陣最大特征值分析判斷站場(chǎng)k的信息數(shù)據(jù)變化情況,當(dāng)站場(chǎng)最大特征值滿足下式時(shí),表明ts時(shí)刻站場(chǎng)k發(fā)生異常情況.

其中,γ為設(shè)定的異常閾值,λset為預(yù)先定義的增維協(xié)方差矩陣的最大理論特征值.

根據(jù)輸油管網(wǎng)特性可知,當(dāng)站場(chǎng)k的信息增維矩陣最大特征值滿足式(10)時(shí),需要進(jìn)一步綜合管網(wǎng)其余站場(chǎng)信息數(shù)據(jù)進(jìn)行物理信息異常的分析.為了能夠區(qū)分信息異常和物理異常,首先定義最大站場(chǎng)數(shù)據(jù)傳輸時(shí)間tg為

其中,tthr為數(shù)據(jù)傳輸延遲時(shí)間,站場(chǎng)數(shù)據(jù)傳輸時(shí)間為

圖2 管網(wǎng)卷積神經(jīng)網(wǎng)絡(luò)模型Fig.2 CNN structure of pipeline network

其中,Lkg為站場(chǎng)k和g間的管道長(zhǎng)度,vkg為站場(chǎng)間負(fù)壓波速.

當(dāng)相鄰站場(chǎng)g的信息增維協(xié)方差矩陣經(jīng)過(guò)長(zhǎng)度為tg的采樣時(shí)間后未滿足式(10),則表明ts時(shí)刻站場(chǎng)k的信息數(shù)據(jù)改變是由信息傳輸錯(cuò)誤異常引起的.

在信息增維協(xié)方差矩陣特征值實(shí)現(xiàn)信息異常判斷的基礎(chǔ)上,為了對(duì)物理異常進(jìn)行分析,本文采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行物理異常類型的識(shí)別.首先從管網(wǎng)站場(chǎng)的信息增維協(xié)方差矩陣最大特征向量中選取維的最大特征向量,然后將選取的最大特征向量按照管網(wǎng)站場(chǎng)輸油順序進(jìn)行排列,將tn秒數(shù)據(jù)構(gòu)成維度為的矩陣;接著根據(jù)矩陣內(nèi)的數(shù)值情況將矩陣內(nèi)元素映射為0～255范圍內(nèi)的數(shù)字,從而得到維的灰度圖;最后通過(guò)偽彩色變換實(shí)現(xiàn)灰度圖向RGB圖像的轉(zhuǎn)換.在得到輸入圖像后,通過(guò)卷積神經(jīng)網(wǎng)絡(luò)的卷積核和池化窗進(jìn)行特征自主提取,使最大特征向量包含的信息經(jīng)過(guò)非線性模型轉(zhuǎn)化為更抽象的特征,最終完成物理異常的識(shí)別[20-21].

針對(duì)管網(wǎng)系統(tǒng)物理異常分類問(wèn)題構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)如圖2所示,由4個(gè)卷積層、4個(gè)批正則化層、4個(gè)池化層、1個(gè)全連接層以及1個(gè)Softmax回歸層組成.

圖2中的卷積層包含卷積運(yùn)算和非線性運(yùn)算兩種計(jì)算結(jié)構(gòu),卷積層圖像的特征向量是由卷積核的尺寸決定的,將上一層的輸出與當(dāng)前層32個(gè)大小為5×5的卷積核進(jìn)行卷積運(yùn)算,然后通過(guò)激活函數(shù)對(duì)卷積結(jié)果進(jìn)行非線性運(yùn)算,也就是說(shuō)通過(guò)非線性函數(shù)和加入偏置項(xiàng)得到最終當(dāng)前層的輸出特征映射Xc+1.

為了能夠提升卷積神經(jīng)網(wǎng)絡(luò)的模型擬合能力,在圖2卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中加入批正則化層,對(duì)卷積層輸出特征進(jìn)行正則化處理,使得圖像數(shù)據(jù)特征的分布更加均勻.

接著池化層的每個(gè)神經(jīng)元對(duì)局部接收區(qū)域進(jìn)行池化操作,起到二次特征提取及實(shí)現(xiàn)非線性降采樣運(yùn)算的作用,進(jìn)而得到池化層輸出圖像的特征向量.本文中池化層的池化窗大小為2×2,步長(zhǎng)為2,并且神經(jīng)元表達(dá)式為

其中,down(·)為最大值池化函數(shù).Φ 和b分別為權(quán)重系數(shù)向量和偏置系數(shù)向量.

在經(jīng)過(guò)12層網(wǎng)絡(luò)的圖像特征提取之后,將特征圖輸入到具有1024個(gè)神經(jīng)元的全連接層,通過(guò)全連接將提取的特征圖連接成一個(gè)一維向量.進(jìn)而將其輸入到Softmax回歸層進(jìn)行物理異常的分類.

基于上述分析可知:當(dāng)站場(chǎng)k信息數(shù)據(jù)發(fā)生改變時(shí),根據(jù)信息增維協(xié)方差矩陣最大特征值和最大特征向量的變化可以診斷出管網(wǎng)信息物理異常,并且基于數(shù)據(jù)特征的管網(wǎng)異常診斷方法的流程圖如圖3所示.

3 仿真結(jié)果與分析

為了驗(yàn)證所提方法的有效性,本文采用Matlab完成對(duì)不同算例數(shù)據(jù)的仿真及分析.并且每個(gè)算例中均包含不同類型的異常樣本及診斷過(guò)程的描述.所有測(cè)試結(jié)果均在一臺(tái)配備Intel Core i7-6700CPU、8GB內(nèi)存的計(jì)算機(jī)上實(shí)現(xiàn).并且仿真數(shù)據(jù)選取某輸油管網(wǎng)近5年的工況調(diào)整數(shù)據(jù)、放油測(cè)試以及調(diào)試時(shí)產(chǎn)生的信息異常數(shù)據(jù).為了能夠滿足卷積神經(jīng)網(wǎng)絡(luò)對(duì)于樣本的要求,本文通過(guò)對(duì)現(xiàn)有物理異常數(shù)據(jù)的泛化實(shí)現(xiàn)樣本數(shù)量的增加.所以最后訓(xùn)練和測(cè)試卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)集共包含26500個(gè)數(shù)據(jù)樣本,其中物理異常工況調(diào)整樣本為14000個(gè),不同程度地泄漏樣本為12500個(gè).在管網(wǎng)輸送油品到各個(gè)站場(chǎng)時(shí),管網(wǎng)調(diào)控中心及相應(yīng)站場(chǎng)會(huì)對(duì)站內(nèi)閥門、主輸泵等設(shè)備進(jìn)行操作,由于此類操作有時(shí)會(huì)使管網(wǎng)信息數(shù)據(jù)產(chǎn)生類似泄漏情況的變化,并且可能會(huì)傳播到管網(wǎng)沿線其他站場(chǎng),所以在本文中定義由正常操作引起的數(shù)據(jù)改變?yōu)楣r調(diào)整樣本;泄漏樣本定義為管網(wǎng)放油測(cè)試以及程序調(diào)試時(shí)通過(guò)閥室及站內(nèi)調(diào)節(jié)閥模擬產(chǎn)生的管網(wǎng)泄漏數(shù)據(jù).訓(xùn)練樣本和測(cè)試樣本分別為總樣本數(shù)量的80%和20%.為了模擬實(shí)際現(xiàn)場(chǎng)情況,檢驗(yàn)?zāi)Ｐ偷姆夯芰?在測(cè)試過(guò)程中,將部分工況調(diào)整及泄漏樣本作為未知樣本進(jìn)行測(cè)試,其比例占全部測(cè)試樣本的20%.仿真參數(shù)為:管網(wǎng)站場(chǎng)增維矩陣的維度為30×60,站場(chǎng)信息增維協(xié)方差矩陣的最大特征向量的維度為30×30,,tn=300,因此卷積神經(jīng)網(wǎng)絡(luò)的輸入圖像維度是60×300,最大允許數(shù)據(jù)中斷時(shí)間tb為10s以及最大傳輸延遲長(zhǎng)度tthr為3s.異常閾值γ為1.2,管網(wǎng)信息增維協(xié)方差矩陣最大理論特征值λset為0.1.卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)為初始化學(xué)習(xí)率為10-4,損失函數(shù)為交叉熵函數(shù),最大迭代次數(shù)為20次,卷積層權(quán)重系數(shù)向量參數(shù)由卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練獲得,其余參數(shù)如圖2所示.

3.1 算例一

為了說(shuō)明本文提出的檢測(cè)方法對(duì)信息傳輸中斷異常的有效性,以圖4所示的管網(wǎng)某管道調(diào)試時(shí)的壓力曲線為例進(jìn)行說(shuō)明.管道上、下游站場(chǎng)分別為管網(wǎng)中的第2個(gè)和第3個(gè)分輸站場(chǎng).管道下游站場(chǎng)通過(guò)式(5)進(jìn)行分析計(jì)算,當(dāng)采樣時(shí)刻達(dá)到326s時(shí),計(jì)算第317s至第326s的增維矩陣的數(shù)據(jù)可靠性,發(fā)現(xiàn)下游站場(chǎng)數(shù)據(jù)滿足式(5),因此判斷下游站場(chǎng)發(fā)生信息傳輸中斷異常.

此外,選取如圖5所示的管網(wǎng)站場(chǎng)2和站場(chǎng)3的異常壓力曲線對(duì)信息傳輸錯(cuò)誤異常進(jìn)行說(shuō)明.從圖5中得知:采樣時(shí)間為324s時(shí),下游站場(chǎng)壓力由1.748MPa下降至1.746MPa,超過(guò)了平時(shí)壓力波動(dòng)范圍.

基于數(shù)據(jù)特征融合的異常診斷方法首先通過(guò)式(5)驗(yàn)證增維矩陣滿足數(shù)據(jù)可靠性,進(jìn)而采用式(6)～(8)構(gòu)建信息增維協(xié)方差矩陣和.通過(guò)圖6(a)可知,在采樣時(shí)間ts=325s時(shí),站場(chǎng)3的信息增維協(xié)方差矩陣最大值為0.1294,超過(guò)了式(10)所設(shè)定的閾值0.12.因此,判斷下游站場(chǎng)(站場(chǎng)3)發(fā)生異常情況.為進(jìn)一步確定異常類型,對(duì)上游站場(chǎng)(站場(chǎng)2)的壓力進(jìn)行分析.當(dāng)上游站場(chǎng)采樣時(shí)間超過(guò)最大站場(chǎng)數(shù)據(jù)傳輸時(shí)間tg=61s時(shí),通過(guò)圖6(a)可知上游站場(chǎng)信息增維協(xié)方差矩陣的最大值在此時(shí)間段內(nèi)并未超過(guò)閾值.因此根據(jù)圖3流程圖可知,下游站場(chǎng)(站場(chǎng)3)發(fā)生信息傳輸錯(cuò)誤異常.

3.2 算例二

選取如圖7所示的管網(wǎng)工況調(diào)整曲線對(duì)工況調(diào)整的物理異常進(jìn)行檢測(cè).

按照第2節(jié)所示診斷流程,首先分別對(duì)管網(wǎng)6個(gè)站場(chǎng)進(jìn)行數(shù)據(jù)預(yù)分析,然后再構(gòu)建站場(chǎng)信息增維協(xié)方差矩陣.接著通過(guò)式(10)得到管網(wǎng)6個(gè)站場(chǎng)的信息增維協(xié)方差矩陣的最大特征值.管網(wǎng)站場(chǎng)最大特征值計(jì)算結(jié)果如圖8所示.通過(guò)圖8可知,站場(chǎng)4的最大特征值在800s時(shí)超過(guò)設(shè)置的閾值.然后根據(jù)圖3所示流程圖判斷其他站場(chǎng)的最大特征值曲線,通過(guò)圖8其余站場(chǎng)最大特征值曲線發(fā)現(xiàn)相鄰站場(chǎng)均在不同時(shí)間發(fā)生最大特征值改變,因此判斷站場(chǎng)4發(fā)生物理異常.

圖3 管網(wǎng)信息物理異常診斷流程圖Fig.3 Flowchart of pipeline network for cyber-physical abnormity diagnosis

然后選取管網(wǎng)站場(chǎng)信息增維協(xié)方差矩陣最大特征向量組成60×300維的矩陣.如圖9所示,為了判斷物理異常類型,首先將最大特征向量構(gòu)成的矩陣通過(guò)灰度圖映射為彩色圖,接著將其作為卷積神經(jīng)網(wǎng)絡(luò)的輸入,通過(guò)之前訓(xùn)練好的網(wǎng)絡(luò)得到站場(chǎng)4發(fā)生的物理異常為工況調(diào)整.卷積神經(jīng)網(wǎng)絡(luò)對(duì)于圖7所示的異常壓力曲線的分析結(jié)果與實(shí)際工況調(diào)整相符(站場(chǎng)4進(jìn)行輸油調(diào)壓).

圖4 管道信息中斷壓力曲線Fig.4 Pipeline cyber interrupt pressure

圖5 管道信息錯(cuò)誤壓力曲線Fig.5 Pipeline cyber error pressure

信息物理異常診斷方法除了需要對(duì)工況調(diào)整作出準(zhǔn)確地識(shí)別以外,還需要對(duì)管網(wǎng)站場(chǎng)發(fā)生的泄漏情況進(jìn)行分析.因此本算例通過(guò)站場(chǎng)2放油測(cè)試產(chǎn)生的壓力曲線(圖10)進(jìn)行泄漏異常診斷.

通過(guò)圖10可知,站場(chǎng)2壓力曲線從380s附近開(kāi)始下降,并且從圖11可以看出站場(chǎng)2的最大特征值從382s開(kāi)始超過(guò)了設(shè)定的閾值.并且在430s時(shí)站場(chǎng)3的最大特征值呈現(xiàn)出上升趨勢(shì).兩個(gè)站場(chǎng)在最大站場(chǎng)數(shù)據(jù)傳輸時(shí)間內(nèi)相繼出現(xiàn)最大特征值上升的情況,表明管網(wǎng)發(fā)生物理異常.

圖6 管道壓力最大特征值曲線Fig.6 Max eigenvalue curves of pipeline pressure

為了進(jìn)一步判別該異常的類型,在經(jīng)過(guò)251s的采樣后,將管網(wǎng)站場(chǎng)信息增維協(xié)方差矩陣的最大特征向量轉(zhuǎn)化為如圖12所示的RGB圖像.利用訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)對(duì)該圖像進(jìn)行圖像特征提取,卷積層1和卷積層4得到的圖像特征向量如圖12所示.在完成特征提取后,將一維特征向量輸入到Softmax回歸層,最終得到站場(chǎng)2的物理異常類型為泄漏.

圖7 管網(wǎng)工況調(diào)整壓力曲線Fig.7 Pipeline network operation adjustment pressure

圖8 管網(wǎng)壓力最大特征值曲線Fig.8 Max eigenvalue curves of pipeline network pressure

圖9 卷積神經(jīng)網(wǎng)絡(luò)輸出特征圖Fig.9 Output feature of CNN

圖10 管道泄漏壓力曲線Fig.10 Pipeline leakage pressure

在管網(wǎng)物理泄漏異常診斷當(dāng)中,異常診斷方法需要識(shí)別出站場(chǎng)出現(xiàn)的緩慢泄漏情況.因此,選取如圖13所示的站場(chǎng)3和站場(chǎng)4的壓力變化曲線進(jìn)行闡述.該變化曲線是由閥室開(kāi)閥放油測(cè)試產(chǎn)生的.

圖11 管道壓力最大特征值曲線Fig.11 Max eigenvalue curves of pipeline network pressure

圖12 卷積神經(jīng)網(wǎng)絡(luò)輸出特征圖Fig.12 Output feature of CNN

如圖13所示,在采樣時(shí)刻ts=450s附近,上、下游站場(chǎng)壓力開(kāi)始緩慢下降并且壓力下降值小于0.01MPa.對(duì)管網(wǎng)6個(gè)站場(chǎng)的信息節(jié)點(diǎn)矩陣通過(guò)增維變量進(jìn)行增維,經(jīng)過(guò)式(5)～(10)分析得到如圖14所示的站場(chǎng)3和站場(chǎng)4的最大特征值曲線:在480s附近,上、下游站場(chǎng)最大特征值均超過(guò)最大特征值異常閾值1.2,表明站場(chǎng)4發(fā)生物理異常情況.接著將管網(wǎng)6個(gè)站場(chǎng)的信息增維協(xié)方差矩陣最大特征向量轉(zhuǎn)化為圖15所示的輸入層圖像.然后通過(guò)圖2所示的卷積層提取圖像特征,接著將提取到的一維特征向量輸入到圖2所示的Softmax回歸層中進(jìn)行判別,最后得到站場(chǎng)4的物理異常是由泄漏引起的.

圖13 管道泄漏壓力曲線Fig.13 Pipeline leakage pressure

圖14 管道壓力最大特征值曲線Fig.14 Max eigenvalue curve of pipeline network pressure

圖15 卷積神經(jīng)網(wǎng)絡(luò)輸出特征圖Fig.15 Output feature of CNN

綜合算例二的結(jié)果可知,通過(guò)數(shù)據(jù)特征融合的信息物理異常診斷方法能夠有效地判斷出不同的物理異常類型.為了檢驗(yàn)卷積神經(jīng)網(wǎng)絡(luò)對(duì)工況調(diào)整及泄漏異常的識(shí)別能力,對(duì)測(cè)試樣本進(jìn)行50次實(shí)驗(yàn),在50次統(tǒng)計(jì)測(cè)試實(shí)驗(yàn)中,全部測(cè)試樣本中工況調(diào)整樣本數(shù)量為2800個(gè),泄漏樣本的個(gè)數(shù)為2500.并且統(tǒng)計(jì)結(jié)果如表1所示.

表1 物理異常統(tǒng)計(jì)結(jié)果Table 1 The statistical result of physical abnormity

從表1可以看出工況調(diào)整樣本的錯(cuò)誤分類數(shù)為104個(gè),并且泄漏測(cè)試樣本的錯(cuò)誤分類數(shù)為145個(gè).兩種物理異常的判斷結(jié)果均在95%附近,表明卷積神經(jīng)網(wǎng)絡(luò)對(duì)于不同物理異常樣本的識(shí)別有著較好的分類效果.如果在訓(xùn)練過(guò)程中包含全部物理異常類型的樣本,那么測(cè)試精度會(huì)達(dá)到99%以上.

3.3 算例三

為了進(jìn)一步表明文中提出方法在實(shí)際應(yīng)用中的優(yōu)勢(shì),將本文提出的方法和參考文獻(xiàn)[7]、反向傳播神經(jīng)網(wǎng)絡(luò)(Back propagation neural network,BPNN)、支持向量機(jī) (Support vector machine,SVM)的方法進(jìn)行了對(duì)比.

在仿真對(duì)比中,參考文獻(xiàn)[7]采用發(fā)生物理異常的管道兩端壓力進(jìn)行分析,并且采用相同的樣本對(duì)BPNN、SVM 進(jìn)行訓(xùn)練,其中BPNN是由三層神經(jīng)網(wǎng)絡(luò)組成,隱含層神經(jīng)元的個(gè)數(shù)為6,并且隱含層的傳遞函數(shù)為tan-sigmoid;SVM的核函數(shù)為徑向基函數(shù),并且通過(guò)網(wǎng)格搜索算法來(lái)優(yōu)選SVM參數(shù).不同方法間的精度對(duì)比結(jié)果如表2所示.

表2 不同方法物理異常精度對(duì)比Table 2 Comparison of accuracy among different methods

從表2中可以看出,本文所提的方法在兩種物理異常的識(shí)別中均優(yōu)于其他三種方法.由于成品油是在密閉管道內(nèi)輸送,壓力會(huì)隨著距離不斷衰減,參考文獻(xiàn)[7]主要針對(duì)單條管道進(jìn)行異常檢測(cè),所以該方法無(wú)法對(duì)管網(wǎng)沿線的操作進(jìn)行有效地識(shí)別,從而導(dǎo)致誤報(bào)警出現(xiàn).因此,該方法對(duì)于工況調(diào)整和泄漏的識(shí)別精度較低.BPNN和SVM方法采用管網(wǎng)數(shù)據(jù)進(jìn)行識(shí)別,所以方法靈敏度、特異度以及準(zhǔn)確率都比參考文獻(xiàn)[7]要高.雖然三種不同的方法均能夠得到較好的效果,但是靈敏度、特異度以及準(zhǔn)確率均低于本文所提的方法.出現(xiàn)該現(xiàn)象的原因在于卷積神經(jīng)網(wǎng)絡(luò)的輸入為管網(wǎng)信息增維協(xié)方差均值的最大特征向量圖像,而非手工提取的特征,信息更加全面,能夠挖掘出隱藏在圖像背后的深層特征.

此外,為了對(duì)比不同方法間的計(jì)算量,測(cè)試時(shí)間定義為方法得到一次樣本結(jié)果所需的平均計(jì)算時(shí)間.不同方法的訓(xùn)練時(shí)間及測(cè)試時(shí)間結(jié)果如表3所示.

表3 不同方法物理異常計(jì)算時(shí)間對(duì)比Table 3 Comparison of computing time among different methods

從表3中可以看到,本文所提方法的訓(xùn)練時(shí)間比另外三種方法的時(shí)間要長(zhǎng).其原因在于本文所提的方法需要將信息增維協(xié)方差矩陣的最大特征向量轉(zhuǎn)化成圖像,進(jìn)而使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試,并且卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)及結(jié)構(gòu)較為復(fù)雜,所以訓(xùn)練時(shí)間較長(zhǎng).因?yàn)榫W(wǎng)絡(luò)訓(xùn)練是離線進(jìn)行的,所以不同的訓(xùn)練時(shí)間對(duì)于在線實(shí)時(shí)檢測(cè)來(lái)說(shuō)是一樣的.雖然本文提出的方法是采用管網(wǎng)數(shù)據(jù)進(jìn)行測(cè)試,測(cè)試時(shí)間較長(zhǎng),但是仍然沒(méi)有超過(guò)1s.

因此,本文提出的方法能夠兼顧管網(wǎng)異常診斷精度以及實(shí)時(shí)性,能夠在較短的時(shí)間內(nèi)準(zhǔn)確地判斷出運(yùn)行情況,從而確保管道的安全.

4 結(jié)論

針對(duì)管網(wǎng)不同類型的信息物理異常,本文提出一種基于數(shù)據(jù)特征融合的管網(wǎng)信息物理異常診斷方法.從信息網(wǎng)絡(luò)角度將站場(chǎng)壓力、流量作為信息數(shù)據(jù)進(jìn)行分析,通過(guò)對(duì)信息數(shù)據(jù)增維的方式突出信息數(shù)據(jù)的變化情況.接著通過(guò)構(gòu)建的信息增維協(xié)方差矩陣預(yù)分析以及矩陣最大特征值的變化情況得到不同信息異常類型的分析結(jié)果.當(dāng)多個(gè)站場(chǎng)最大特征值發(fā)生改變時(shí),將協(xié)方差矩陣最大特征向量映射的二維圖像作為卷積神經(jīng)網(wǎng)絡(luò)的輸入,最終實(shí)現(xiàn)對(duì)站場(chǎng)工況調(diào)整和泄漏兩種不同物理異常的分析.通過(guò)大量實(shí)際數(shù)據(jù)樣本的仿真研究表明,本文提出的方法能夠有效地檢測(cè)管網(wǎng)信息物理異常情況.

此外為了能夠提高測(cè)試精度,可以采用增加訓(xùn)練樣本以及多次多折交叉驗(yàn)證進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練.雖然本文提出的方法能夠診斷出管網(wǎng)信息物理異常,但是需要進(jìn)一步確定泄漏源位置.因此下一步的研究方向?yàn)槔^續(xù)研究深度學(xué)習(xí)機(jī)理,進(jìn)一步探索泄漏源位置定位方法.