基于多特征融合決策樹的原油管道工況識別研究

劉喜梅 尹國才

（北華航天工業學院計算機學院，河北 廊坊 065000）

0 引言

管道運輸是一種便捷的、安全的、經濟的運輸方式，并與其他四大運輸方式，即水路、公路、航空和鐵路并稱現代五大運輸方式。石油管道運輸在世界經濟中扮演著越來越重要的角色。為了保證管道平穩地運行，在管道系統中，多使用SCADA系統，對管道系統進行遠程控制調度，并監控管道的運行參數，如管道內的壓力、流量以及流體密度等相關參數。基于SCADA管線運行數據和壓力波動的海量歷史數據，綜合運用先進算法，智能識別管道運行工況。

長期以來，國內有關管道壓力異常波動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域，針對各類工況智能識別研究較少。陳萍[1]提出了把動態壓力信號作正負區間劃分、把相鄰區間信號累加值差分、相鄰區間信號均值差分和相鄰區間信號峰值差分作為泄漏信號識別特征的特征量計算方法和相對量化方法[2]，該方法具備了一定的工況適應性。劉嘯奔、龔駿等人[3-4]引入主成分分析和神經網絡的方法，對不同類型且時域形態差異較為明顯的壓力波動信號進行分析[5]，實現了對穩態、啟泵、停泵、調閥以及泄漏等工況的有效區分。

該文在該基礎上，將各類方法進行有效融合，彌補了各自的缺陷，通過提取管線運行數據信號特征，根據專家經驗，采用決策樹進行融合建模，從而提高工況識別的準確率，獲得更好的實際應用效果。

1 基于小波的信號去噪預處理

在信號分析中有用信號通常表現為低頻信號，噪聲信號通常表現為高頻信號。信號可以由小波分解后的小波系數來描述，小波系數越大，其攜帶能量越多。小波去噪的基本思想就是根據噪聲與信號在各尺度上的小波系數具有不同表現這一特點，將各尺度上由噪聲產生的小波分量，特別是將那些噪聲分量占主導地位尺度上的噪聲分量去除，然后將保留下來的小波系數利用小波算法，重構出原始信號中的有用信號。

在利用小波變換信號處理方法對壓力傳感器采集到的信號進行濾波消噪時，需要選擇合理的小波基函數和恰當的小波變換分解層數。最優基和最優尺度的選取是決定消噪質量的關鍵。

小波基函數的選擇應當視具體分析信號的不同而不同，常用的幾種經典小波基函數有dbN小波、symN小波和coifN小波等。目前小波去噪質量的評價指標主要有4種：均方根誤差（RMSE）、信噪比（SNR）、互相關函數（R）以及平滑度（r）。

對于小波變換的最優分解層數可以基于均方根誤差變化判別法（VRMSE）確定小波去噪的最優尺度，當小波分解的第k層的均方根誤差與第k+1層的均方根誤差變化的數值開始趨于穩定或接近于0時，可認為此時的小波分解層數k最優。

根據上述方法得到所采集信號的最優基為coif5、最優尺度k=7，利用小波濾波的壓力信號效果，如圖1所示。

圖1 小波變換最優基和最優尺度去噪效果圖

2 工況特征提取

2.1 基于統計方法的特征提取

2.1.1 樣本熵

“熵”（Entropy）是系統混亂度的度量。近似熵是一種用于量化時間序列波動的規律性和不可預測性的非線性動力學參數，它用一個非負數來表示一個時間序列的復雜性，反映了時間序列中新信息發生的可能性，越復雜的時間序列對應的近似熵越大。

樣本熵與近似熵的物理意義相似，都是通過度量信號中產生新模式的概率大小來衡量時間序列復雜性，新模式產生的概率越大，序列的復雜性就越大。與近似熵相比，樣本熵具有2個優勢：樣本熵的計算不依賴數據長度；樣本熵具有更好的一致性。根據管道工況產生機理，不同工況壓力信號所攜帶的能量不同，復雜性也不同，圖2為管道停泵、啟泵、切罐、調節閥關和調節閥開5種不同工況壓力信號的樣本熵。可以看出，樣本熵對樣本類型的區分程度比較好。

圖2 5種不同工況的信號樣本熵

2.1.2 峭度

在管道工況識別研究中，大部分學者都選擇直接將信號的峭度值作為特征值，或者先進行信號分解，將信號分量的峭度值構成特征向量，用于描述管道泄漏工況的特征。峭度指標是無量綱參數，對沖擊信號特別敏感，特別適用于信號突變的診斷。信號的峭度如公式（1）所示。

式中：i為信號采樣點編號，xi為信號的幅值，為信號的均值，σ為信號的標準差，N為信號的采樣長度，K為信號峭度。

圖3為管道停泵、啟泵、切罐、調節閥關和調節閥開五種不同工況壓力信號的峭度。從圖中可以看出，峭度對樣本類型的區分程度同樣比較好。

圖3 5種不同工況的信號峭度

2.2 典型工況規律特征

根據場站設備以及典型工況產生機理，工況發生會引起壓力、流量特定的趨勢波動。

當管道某點發生泄漏時，油品外泄，使泄漏點壓力降低。上端與泄漏點形成正壓差，加速流體從上游向泄漏點的流動，使緊鄰泄漏點的上游流量增大，而泄漏點與下端形成負壓差，導致緊鄰泄漏點的下游流量減小。隨著兩端油品向漏點處的流動，在泄漏點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、流量變化趨勢為進出站壓力降低、出站流量上升以及進站流量下降。

采用定性分析與定量計算相結合的方法研究典型工況對站內壓力、流量等參數的影響規律，以此為依據計算壓力、流量信號波動趨勢，作為工況識別特征。場站在管道運營中，根據傳輸需要分為傳輸首站、末站、中間泵站3種類型，每種場站可能發生的典型工況及其壓力、流量波動趨勢和設備狀態變化見表1。

表1 典型工況及其壓力、流量波動趨勢和設備狀態變化

基于上述工作生成表征工況的特征向量，見表2。對表征工況的進出站壓力、流量等復雜信號提取其樣本熵、峭度及變化趨勢3種信號特征；對進出泵壓力、泵運行狀態、調節閥狀態和罐前閥門狀態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、流量波動趨勢和設備狀態變化

3 基于決策樹的工況識別

決策樹算法的準確率、魯棒性較好，計算效率高，且能夠適應小樣本的訓練環境。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別，實際是一個分類問題。采用決策樹構建工況識別算法也與實際專家經驗總結的工況識別方法相吻合。

決策樹在分類問題中，表示基于特征對實例進行分類的過程，可以認為是if-then的集合，也可以認為是定義在特征空間與類空間上的條件概率分布。從根節點開始，對實例的某個特征進行測試，根據測試結果將實例分配到其子節點，此時每個子節點對應該特征的一個取值，這樣遞歸地對實例進行測試并分配，直到到達葉節點，最后將實例分到葉節點的類中。

針對工況識別的特點，該文采用CART分類樹構建工況識別決策樹，將根據上述方法構建的決策樹應用于試驗管道進行測試，測試效果見表3。對于泄漏、啟泵、停泵、切罐、調節閥開以及調節閥關6種工況分別試驗20次，該算法判斷準確率達97.5%。使用該算法構建的決策樹模型能夠較好地識別管道運行中的工況情況。

表3 試驗管道測試效果

4 結論

該文根據管道運行規律特征，在管道運行理論的基礎上，采用對管道信號有良好區分效果的統計方法提取信號特征；并總結了專家工況識別判斷經驗，研究管道工況的規律特征，提出基于多特征融合決策樹的一種石油管道工況識別算法，對管道運行工況的智能識別具有較好的工況識別效果，能較好地幫助調控人員快速進行決策控制，對降低管網運行安全風險具有重要的意義。