(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111473110.6 (22)申请日 2021.12.02 (71)申请人 中国石油大 学 （北京） 地址 102299 北京市昌平区府学路18号 (72)发明人 郑坚钦　梁永图　王昌　杜渐　 廖绮　 (74)专利代理 机构 北京纪凯知识产权代理有限 公司 11245 代理人 刘美丽 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06F 119/02(2020.01) (54)发明名称 基于排序网络的成品油管道异常检测方法、 系统及设备 (57)摘要 本发明涉及基于排序网络的成品油管道异 常检测方法、 系统及设备， 方法包括建立仿真管 道模型； 基于仿真管道模型模拟各种正常与异常 工况的运行情况， 得到仿真管道模 型中各站的进 出口压力时间序列数据； 基于压力时间序列数据 搭建基于排序网络的成品油管道异常检测模型 进行， 用于对管道进行检测。 本发明模型对于成 品油管道的异常检测具有很高的准确性和很强 的通用性， 同时模型将以往的识别问题转化为排 序问题， 极大的提升了模型对异常情况的检测准 确度和容 错率。 权利要求书1页 说明书9页 附图3页 CN 114186489 A 2022.03.15 CN 114186489 A 1.一种基于排序网络的成品油管道 异常检测方法， 其特 征在于包括： 建立仿真管道模型； 基于仿真管道模型模拟各种正常与异常工况的运行情况， 得到仿真管道模型中各站的 进出口压力时间序列数据； 基于压力时间序列 数据搭建基于排序网络的成品油管道异常检测模型， 用于对待测管 道进行检测。 2.根据权利要求1所述的基于排序网络的成品油管道异常检测方法， 其特征在于， 基于 排序网络的成品油管道 异常检测模型的搭建包括： 对压力时间序列进行变形处 理； 将p组正常工况定义为正样本， 将q组正常工况和异常工况定义为负样本， 将正样本与 负样本相互配对， 并且两组样本中的每一个仅配对一次； 配对完成后， 得到p ×q组的训练 组合样本对， 并对其标签形式进行定义； 通过借助采用具有共享权值的双 分支人工神经网络对压力时间序列的特征进行提取， 并给出得分， 通过训练完成基于排序网络的成品油管道 异常检测模型的搭建。 3.根据权利要求2所述的基于排序网络的成品油管道异常检测方法， 其特征在于， 在构 建训练组合样本对时， 正常工况组成的样本对的标签定义为0， 正常工况与 异常工况组成的 样本对的标签定义 为1。 4.根据权利要求2或3所述的基于排序网络的成品油 管道异常检测方法， 其特征在于， 在训练过程中， 训练组合样本对每次给网络发送一个异常工况标签或正常工况标签， 学习 网络试图使得异常标签的得分高于正常的， 学习过程 为： Pij＝σ(si‑sj) si＝f(xi,w) sj＝f(xj,w) 其中， Pij代表待测工况所属于哪个类别的概率大小， σ( ·)代表sigmoid函数， xi和xj代 表从组合样本 中提取出来的压力特征， w代表所提排序网络的权值， si和sj表示排序网络得 出的分数。 5.根据权利要求1所述的基于排序网络的成品油管道异常检测方法， 其特征在于， 建立 仿真管道模型利用S PS仿真软件。 6.一种基于排序网络的成品油管道 异常检测系统， 其特 征在于， 该系统包括： 管道模型建立单 元， 被配置为建立仿真管道模型； 工况仿真单元， 被配置为基于仿真管道模型模拟各种正常与异常工况的运行情况， 得 到仿真管道模型中各站的进出口压力时间序列数据； 模型搭建单元， 被配置为基于压力时间序列数据搭建基于排序网络的成品油管道异常 检测模型对待测管道进行检测。 7.一种电子设备， 所述电子设备至少包括处理器和存储器， 所述存储器上存储有计算 机程序， 其特征在于， 所述处理器运行所述计算机程序时执行以实现权利要求1到5任一项 所述的方法。 8.一种计算机存储介质， 其特征在于， 其上存储有计算机可读指令， 所述计算机可读指 令可被处 理器执行以实现权利要求1到 5任一项所述的方法。权　利　要　求　书 1/1 页 2 CN 114186489 A 2基于排序网 络的成品油管道异常检测方 法、 系统及设 备 技术领域 [0001]本发明是关于一种基于排序网络 的成品油管道异常检测方法、 系统及设备， 涉及 管道检测技 术领域。 背景技术 [0002]成品油管道作为油品运输的主要方式之一， 其输送过程安全与否关系着用户乃至 国家能源发展。 在输送过程中， 管道内存在各种干扰(如调度计划引起的工况频繁变化)。 由 于管道损坏、 设备故障、 操作不当等因素， 异常情况时有发生， 严重影响现场的正常生产工 作， 造成了巨大 的经济损失。 目前， 现场对于工况运行的监控主要依靠人工识别与监测， 不 仅耗时耗力， 而且还容易对工况类型误判。 因此， 实时、 准确、 快速的实现管道异常检测具有 重要意义。 [0003]目前， 成品油管道异常检测的研究主要集中在管道泄漏方面。 基于数值模拟的方 法是比较灵敏 的方法， 经常应用于管道异常检测。 基于数值模拟的方法原理是采用流体质 量、 动量和能量方程来模拟管道内的流量与压力等， 并将预测值与测量数据进 行比较， 以确 定泄漏并描述泄漏特征。 De  Sousa等人使用ANSYS  Fluent研究了漏油对压力和流量特性的 影响。 获得的结果揭示了泄漏如何影 响泄漏区域附近的压力和流速。 Molina ‑Espinosa等人 进行了由管道泄漏物理实验支持的数值建模， 研究了存在泄漏的短管中不可压缩流动的瞬 态模型。 获得的结果表明， 在泄漏附近的压降方面， 模拟和实验数据之间具有良好的相关 性。 Zhang等人提出了基于水热力瞬态分析的液体管道泄漏检测和定位模型， 然后使用改进 的粒子群(PSO)进行优化等。 利用数值模拟的方法虽然可以比较精准的计算管道泄漏的参 数， 但是其模型对于计算速度和计算规模要求较高； 而且随着管道长度的增加， 计算参数也 会增多， 计算速度也相应降低； 同时数值模拟的方法无法实时动态更新， 不能实时检测管道 是否发生异常情况。 [0004]基于算法和数据驱动的智能方法是目前比较流行的异常检测方法。 龚俊等人提出 了一种基于主成分分析和RBF神经网络的管道泄漏检测模型。 Li等人建立了管道突变的创 新模型， 采用基于BP神经网络的非线性时间序列来检测泄漏。 Kang等人提出了一种融合了 一维卷积神经网络和支持向量机的方法进行泄漏检测。 Fukuda使用统计 分析技术和压力 梯 度法来检测较小规模泄漏的泄漏等。 虽然基于智能算法和数据驱动的方法充分利用了管道 SCADA系统的运行数据， 但是其中大多数的方法都仅仅是从数据层面去进 行异常检测， 忽略 了管道的拓扑结构与水力特性， 且未考虑其时空特征。 最后导致对于异常工况检测的准确 率低， 误报率高。 在实际应用中， 常用的模型的容错率和识别准确 率会很低， 无法对未知的 异常情况做出判断。 另外， 大部 分检测方法都只针对于特定的几种工况， 对于其它异常情况 无法有效识别。 发明内容 [0005]针对上述问题， 本发明的目的是提供一种能够提升对管道异常情况进行准确检测说　明　书 1/9 页 3 CN 114186489 A 3