基于多源數據融合的天然氣站場設備運行監控方法設計

中圖分類號：TQ517.1;TP277 文獻標志碼：A 文章編號：1001-5922（2025）07-0129-04

Abstract：Due to the ignorance of the equipment operation and maintenance distribution deviation characteristics in the operation and monitoring of natural gas station equipment，it is dificult to accuratelyobtain the distribution matrixof operation and maintenance form of equipment operation，resulting in high monitoring leakage inductance rate and low monitoring accuracy.A method for monitoring the operation of natural gas station equipment was proposed based on multi-source data fusion.By determining the safety level of theequipment，collecting and converting the operation data of the equipment，and full considering the operation and maintenance distribution deviation characteristics ofthe equipment，the deviation function was used to obtain the operation and maintenance form distribution matrixof the equipment operation，so as to detect the state characteristic quantity.The multi-sourcedata fusion method was introduced to fuse the upper bound state information and the lower bound state information of the equipment to obtain the equipment failure probability，and then the equipment operation state evolution model was constructed.The operating state of the equipment was determined bycalculating thequantization value of the operating stateof theequipment and comparing it to a preset threshold.The experimental results showed that the monitoring leakage inductance rate of the proposed method was lower and the monitoring accuracy was higher.

Key words：multi source data fusion；natural gas station yard；natural gas equipment；operating status；character istic quantity；condition monitoring

通過傳感器和其他設備收集電力設備的實時運行數據，根據電力設備的特點和要求，選擇遞歸神經網絡建立設備運行狀態監測模型，并利用大量的電力設備運行數據和故障樣本對模型進行訓練，使其能夠自動識別和預測電力設備的運行狀態[1]。該方法可以從原始數據中自動學習和提取有效特征，只需最少的預處理和人工干預，大大降低了識別的復雜性和工作量。但由于模型的復雜性，深度學習算法無法明確定義特征提取和分類的過程，輸出結果往往難以提供可解釋的結果，導致監控結果的準確性還有待提高。在電氣設備上安裝傳感器，監測和收集設備狀態參數，并通過物聯網技術無線傳輸到云平臺進行遠程監測，使用大數據分析技術對數據進行深度學習和模式識別，實現對設備的遠程監控[2]。該方法可以實現對設備運行時間、能耗等指標的監測和統計，為電力設備的優化運行提供參考依據，實現設備的精細化管理。但該方法存在異構終端接入復雜的問題，無法保證監控精度。通過對采集到的聲紋信號進行預處理，結合MFCC（Mel頻率倒譜系數）等特征向量的加權降維優化方法和矢量量化算法識別狀態信號，以此實時監測電力設備的運行狀態[3]。該算法可以快速高效地掃描發電廠的電力設備，比傳統的檢測方法更全面地檢測設備，檢測時間更短。然而，聲紋電源在線監測系統對檢測環境條件要求較高，需要在相對安靜的環境中運行。利用紅外成像設備對電氣設備進行非接觸式溫度數據采集，以可視化的方式呈現提取的溫度數據，根據溫度數據變化趨勢和閾值設置，系統可以實時監測電氣設備的運行狀態。當設備溫度異常時，系統可以及時發出警告信號，提醒操作人員進行處理[4]。該方法可以實時采集和顯示電氣設備的溫度數據，并以直觀的視覺形式呈現，使操作人員能夠快速準確地了解設備的運行狀態。然而，對于某些特定的故障或異常情況，此方法可能無法準確識別或警告。

針對上述分析，為提高天然氣站場設備運行狀態監控的精度，本文結合多源數據融合方法，對此展開深入研究。該方法不僅可以彌補單一數據源的局限性，提高數據的準確性和可靠性，還可以為設備故障預警、運行優化等提供有力支持。

1天然氣站場設備運行監控方法設計

1.1設備運行狀態特征量檢測

通過安裝在天然氣設施上的傳感器和儀器，實時采集設備的運行數據，并檢測其中的狀態特征量，以反映設備的運行狀態。并結合設備的歷史運行數據，對日志數據進行挖掘分析，并將監測日志數據樣本劃分為不同的類別，得到的設備狀態日志的優先級，以描述設備安全與報警消息的嚴重等級[，計算公式為：

式中： m 表示監測日志種類； α₀ 表示數據最小化誤差平方和； e_v 表示屬性向量； X_i 表示計算矩陣。

為確保后續算法能夠識別天然氣設備的運行數據，利用下式完成對數據模擬量的轉換[7]，即：

式中： β₀ 表示設備運行數據最大值； g₀ 表示運行數據二進制數值； K_ι 表示運行數據維度。

采用模糊信息分析方法，對設備的動態動量因子進行分析，表達式為：

式中： ι₀ 表示運行狀態監測峰度； n 表示采樣次數； e_t

表示雙曲正切函數。

考慮設備的運維分布偏移特性，采用偏差度函數求取設備運行的運維形態分布矩陣，即：

式中： d_φχ 表示第 φ 種工況下設備的排列熵系數。

設備運行運維形態分布矩陣是基于大量的歷史數據與實踐經驗而構建的，詳細記錄了設備在不同運行條件、不同負載狀態下的性能表現，以及與之相關的運維措施和效果，可以深人了解設備的運行規律。因此，以上述構造的設備運行運維形態分布矩陣作為約束參數，檢測設備的運行狀態特征量，表達式為：

式中： 表示狀態特征量的檢測模糊度; m_s 表示縮放因子； h₀ 表示檢測樣本分布集。

通過確定設備的安全等級，對設備運行數據進行采集與格式轉換，并構造設備運行的運維形態分布矩陣，由此檢測狀態特征量，為接下來建立設備狀態演化模型。

1.2基于多源數據融合的設備狀態演化模型建立

通過上述獲取天然氣站場設備運行狀態特征數據后，采用多源數據融合方法求取設備運行狀態的綜合評估指標，結合設備故障概率建立設備狀態演化模型。

首先，利用多維分析方法對設備的運行狀態進行多維度與多模式的解析，構造設備故障分析函數[8]，表達式為：

式中 ?f_t 表示設備的運行狀態特征量 ;f₀ 表示數據距離權值； t_s 表示指示函數。

進而得到設備狀態特征的分解式[9]，即：

式中 ?：β_c 表示監測中的事務集數； g_f 表示經驗常數；

B_t 表示決策函數。

通過將設備運行狀態特征映射到時頻域空間，計算各特征值的聚集性度量，公式為：

式中： N 表示特征值數量; C_x 表示正態分布矩陣； h_p

表示特征維度； S_d 表示特征殘差子空間。

則時頻域空間的表達式為：

式中： δ₀ 表示狀態信息的噪聲標準差 ;j_c 表示模擬參數； b_e 表示朗德因子； v₀ 表示尺度因子； 分別表示特征的時域空間和頻域空間。

利用多源數據融合方法將設備的上界狀態信息和下界狀態信息進行層次融合[10]，得到設備運行狀態的綜合評價指標，即：

式中： u₁ 表示特征量重要性系數； J_δ 表示時間常數。由此求取設備的故障概率[11]，公式為：

式中： M^′ 表示故障類型數量； λ₀ 表示線性函數。

基于上式，構建設備運行狀態演化模型，表達式為：

Q=p_q×t_r×a_f

式中： t_r 表示設備運行時間； a_f 表示故障位置。

在設備運行狀態特征量檢測基礎上，構造設備故障分析函數，引入多源數據融合方法對設備的上界狀態信息和下界狀態信息進行層次融合，得到設備故障概率，進而構建設備運行狀態演化模型，為后期實現設備運行狀態監控提供有利條件。

1.3天然氣站場設備運行監控

得到設備運行狀態演化模型后，采用大數據分析技術構造天然氣設備運行狀態分類器[12]。通過將設備運行狀態演化模型輸出的狀態變化量輸入至分類器中，最終輸出設備的運行狀態。

將天然氣設備的實時運行數據作為設備運行狀態演化模型的輸入，從而輸出采樣時間及其前后2個時間點的數據變異系數[13]，表達式為：

式中： R 表示監測時段數， R=5 ρ₀ 表示平衡超參數； ν_c 表示狀態矩陣； w_n 表示多變量非線性函數。

將數據變異系數進行疊加擬合，得到設備狀態轉移概率[14]，公式為：

式中： η 表示衰減常數。

進而將上述數據輸入至分類器中，輸出設備當前的運行狀態，即：

式中： u_s 表示映射函數; X 表示隨機常數： ??μ₀ 表示傳感矩陣； y 表示運行狀態量化值。設定天然氣設備的運行狀態閾值為 當 y

2 實例論證分析

本次測試主要是針對基于多源數據融合的天然氣站場設備運行監控方法的實際應用效果進行驗證與研究，并通過對比實驗的方式分析本文方法的性能有效性。

2.1 實驗準備

本次實驗以某大型天然氣站場為研究背景。該天然氣站位于某城市交通便利的能源樞紐區，占地面積約 5000m² 。主要承擔區域內天然氣的接收、儲存、加壓、計量和配送任務。該站配備了先進的LNG接收設備、儲存設備、壓力設備、測量設備以及分配設備。為便于分析，本實驗以該站場的天然氣存儲設備為主要研究對象，結合傳感器、數據采集器、數據傳輸設備、遠程監控中心設備以及待測設備等硬件構建實驗環境。

數據采集器負責接收傳感器發送的信號，并將其轉換為數字信號，用于后續處理和分析；數據傳輸設備將數據采集單元采集的數據傳輸到中央控制室或遠程監控中心進行實時監控和數據分析；遠程監控中心包括服務器、工作站、顯示設備報警設備。用于天然氣站設備運行狀態的遠程監控和管理；傳感器是監測系統的核心部件，用于實時采集天然氣站設備的溫度、壓力、流量、液位等參數；待測設備即為該天然氣站場的天然氣存儲設備。

這些硬件設備共同構成了一個完整的天然氣站設備運行狀態監測系統，可以實現對站場設備的實時監測、數據分析、報警處理等功能。

2.2 實驗結果分析

實驗平臺采用基于云計算的數據融合分析平臺，該平臺可以接收來自多個數據源的數據，并進行實時處理、存儲和分析。

使用數據融合算法，融合來自不同數據源的數據。設置數據融合周期為 1min ，數據平滑窗口寬度和長度分別為10和5，窗口大小為5個數據點，數據波動因子為0.02，數據采集頻率為1次/s。并根據天然氣站設備的正常運行參數范圍，將設備運行狀態閾值設置為60；當設備運行狀態量化值超過60時，則觸發警報。實驗過程如下：啟動數據采集工具，開始從模擬環境中采集設備運行狀態數據;將收集到的數據實時傳輸到云計算平臺；在云計算平臺上運行數據處理和分析工具，對接收到的數據進行預處理、融合、分析和可視化；通過監測軟件實時監測天然氣站設備的運行狀態，并根據需要調整實驗參數或進行故障排除；分析和評估實驗數據，驗證基于多源數據融合的天然氣站設備運行監測方法的有效性和可靠性。

2.3天然氣設備運行監控結果與分析

在以上實驗準備與相關參數設置的基礎上，為驗證本文方法的有效性，進行對比實驗。在實驗中，采用紅外傳感技術（方法1）、數字孿生技術（方法2）作為對比組，本文方法為實驗組，分別采用3種方法對該天然氣站場設備的運行狀態進行監控，實驗結果如圖1所示。

70 設備安全運行閾值品 方安方法實際值4 6 8 101214161820監測時間/h

由圖1可以看出，利用本文設計的方法對該天然氣站場設備進行運行狀態監控，得到的狀態量化值與實際值基本一致，說明本文方法能夠準確且客觀地監控設備的實時運行狀態，監控精度較高。而方法1進而方法2輸出的狀態量化值與實際值間存在顯著偏差，主要是由于這兩種方法未考慮到設備故障特征量與設備運行狀態之間的相關性，從而導致監控結果不準確。由此可以證明本文方法在天然氣站場設備運行監控中的可行性。

2.4對比實驗與分析

為進一步體現本文方法在設備運行監控精度方面的優越性能，采用設備安全狀態漏感比率這一指標對不同方法的監控性能進行測試。設備安全狀態漏感比率是一個衡量在監控過程中，設備的正常（異常）運行狀態被感知為異常（正常）狀態的比率。數值越低，表明相應方法的監控準確性越高。對比結果如表1所示。

輸出的設備安全運行狀態漏感比率明顯低于方法1和方法2，說明本文方法對天然氣設備的運行狀態感知性能更強，能夠以較高的精度監控設備的運行狀態，整體監控效果比較優異。

3結語

在天然氣站設備運行監測領域，本研究提出的基于多源數據融合的監測方法，不僅實現了對設備運行狀態的全面準確監測，而且通過整合多個數據源，顯著提高了監測的準確性。本文研究成果為天然氣站安全高效運行提供了保障。

【參考文獻】

[1]牛碩豐，李濤，徐珂，等.GIS開斷設備典型機械故障模擬及運行狀態智能診斷研究［J].高壓電器，2023，59（12） ：36-47.

[2]尹雪峰.基于深度學習的電力設備運行狀態實時監控方法［J].今日制造與升級，2023，（11）：168-170.

[3]LEI T，LV F，LIU J，et al. Research on electrical equip-mentmonitoringand earlywarning system based oninter-netof things technology[J].Mathematical ProblemsinEngineering，2023，36（7） ：156-58.

[4]肖毓增，楊勝儀，陳文清，等.基于聲紋電力在線監控系統的電廠電力設備運行狀態研究［J].電氣技術與經濟，2023，（7）：118-121.

[5]WANG J，OUJ，FAN Y，et al. Online monitoring of elec-trical equipment condition based on infrared image tem-perature data visualization[J]. IEEJ Transactions on E-lectrical andElectronic Engineering，2022，17（4）：583-591.

[6]周宏輝，翁東雷，莫建國，等.基于趨勢分析技術的設備運行態勢自動感知建模研究［J].粘接，2023，50（7） ：175-178.

[7]梁月放.基于物聯網嵌入式單片機的電氣設備運行狀態遠程監控［J].廊坊師范學院學報（自然科學版），2023，23（1） ：39-44.

[8]胡杰，唐靜，謝仕義.基于實時動態基線的運行設備多元狀態估計方法［J].熱力發電，2021，50（2）：125-131.

[9]周增宏，高冬霞.選煤廠設備監控系統研究［J].潔凈煤技術，2023，29（S1）：118-121.

[10] QIN M，LIAO K X，HE GX，etal.Quantitativeriskassessment of static equipment in petroleum and naturalgas processing station based on corrosion-thinning failuredegree[J].Process Safety and Environmental Protec-tion，2023，172（4）：144-156.

[11]王利欣，李波，胡成軍，等.基于物聯網遠程集中監控系統的煤礦掘進設備運行狀態研究［J].能源與環保，2022，44（11） ：187-192.

[12]許逵，羅顯躍，龍黔，等.設備終端智能監控視區布點技術方案優化設計[J].粘接，2023，50（11）：153-156.

[13] 韓偉，張志剛.基于監控設備運行大數據的智能變電站運行狀態分析方法研究［J］.現代工業經濟和信息化，2023，13（3）：46-47.

[14] 仲楠，崔鳳新.基于DSP的電氣設備運行狀態遠程監控系統設計[J].現代電子技術，2022，45（24）：113-117.

[15] 文繼鋒，袁湘華，張津，等.基于國產設備的智能監控系統體系結構設計［J].中國農村水利水電，2023，（12）：308-313.