技术新讯 > 计算推算,计数设备的制造及其应用技术 > 一种多维感知的油罐泄露风险预警方法与流程  >  正文

一种多维感知的油罐泄露风险预警方法与流程

  • 国知局
  • 2024-08-30 14:23:16

本发明涉及风险预警的,尤其涉及一种多维感知的油罐泄露风险预警方法。

背景技术:

1、随着工业化进程的加速和城市化进程的不断扩张,油罐成为了现代工业中不可或缺的重要设施之一。因此对油罐泄露风险进行有效预警成为了迫切需要解决的问题。传统的油罐泄露预警方法主要依赖于传感器监测油罐周围的环境参数,如挥发性有机物浓度、温度、湿度等。然而,这种方法往往只能提供单一维度的监测数据,难以全面评估油罐泄露风险。针对该问题,本发明提出一种多维感知的油罐泄露风险预警方法,结合传感器技术、数据处理技术等多个领域的技术手段,推动油罐泄露智能监测技术的发展和应用。

技术实现思路

1、有鉴于此,本发明提供一种多维感知的油罐泄露风险预警方法,目的在于:1)基于不同油罐参数所对应数据序列的频率信息计算得到不同数据序列的信息权重,结合数据序列的四分位数,构建表征正常数据范围对应的异常数据内限,实现异常数据剔除,并基于降维处理后特征向量与原始油罐参数信息之间的残差信息,以残差信息越少为目标,对分解得到的特征向量进行贪婪迭代,其中残差信息越少,则所提取的特征向量越能表征原始油罐参数信息的特征分布,实现油罐参数信息的降维处理;2)基于滑动窗口方式对不同时刻的油罐风险特征向量进行赋权,并依次提取赋权后特征向量的有效信息,利用多重激活函数实现门控机制,即控制不同特征向量有效信息对预测概率的影响,实现结合多维数据向量的油罐风险预警,并在时序油罐泄露预警模型的模型参数优化过程中,采取多策略改进的麻雀搜索方法,采用不同迭代策略对麻雀位置进行迭代,增加模型参数的多样性,便于得到最优模型参数。

2、实现上述目的,本发明提供的一种多维感知的油罐泄露风险预警方法,包括以下步骤:

3、s1:利用传感器网络监测采集油罐参数数据,并对采集得到的油罐参数数据进行异常数据剔除,得到油罐参数信息,其中油罐参数包括温度、湿度和气体浓度;

4、s2:对油罐参数信息进行特征提取,得到油罐风险特征向量,其中贪婪选择策略为所述特征提取的主要实施方法;

5、s3:构建时序油罐泄露预警模型,并进行模型参数优化,所述时序油罐泄露预警模型以油罐风险特征向量序列为输入,以泄露风险预测结果为输出,其中融合门控机制的滑动窗口transformer方式为所述构建时序油罐泄露预警模型的主要实施方法,多策略改进的麻雀搜索为所述模型参数优化的主要实施方法;

6、s4:利用模型参数优化后的时序油罐泄露预警模型对油罐风险特征向量进行油罐泄露风险预警。

7、作为本发明的进一步改进方法:

8、可选地,所述s1步骤中利用传感器网络监测采集油罐参数数据,包括:

9、利用传感器网络监测采集油罐参数数据,其中传感器网络包括温度传感器、湿度传感器以及气体浓度传感器,用于监测油罐表面的油罐参数数据,油罐参数包括温度、湿度和气体浓度,所采集t时刻的油罐参数数据形式为:

10、

11、

12、

13、

14、其中:

15、xt表示t时刻的油罐参数数据;

16、分别表示t时刻油罐表面温度、湿度以及气体浓度所对应的数据序列;

17、x1(t-n),x2(t-n),x3(t-n)分别表示t-n时刻油罐表面温度、湿度以及气体浓度所对应的数据,n∈[0,n],将n设置为15,相邻时刻之间的时间间隔为1分钟;

18、对采集得到的油罐参数数据进行异常数据剔除,得到油罐参数信息。

19、可选地,所述对采集得到的油罐参数数据进行异常数据剔除,得到油罐参数信息,包括:

20、对采集得到的油罐参数数据进行异常数据剔除,得到油罐参数信息,其中油罐参数数据xt的异常数据剔除流程为:

21、s11:分别计算得到油罐参数数据xt中数据序列的四分位数:

22、

23、

24、

25、其中:

26、分别为数据序列的四分位数;

27、依次为数据序列的第一四分位数、第二四分位数、第三四分位数以及第四四分位数;

28、依次为数据序列的第一四分位数、第二四分位数、第三四分位数以及第四四分位数;

29、依次为数据序列的第一四分位数、第二四分位数、第三四分位数以及第四四分位数;

30、s12:分别计算得到油罐参数数据xt中数据序列的异常数据内限:

31、

32、

33、

34、

35、其中:

36、分别为油罐参数数据xt中数据序列的异常数据内限;

37、为异常数据内限的调控系数;

38、s13:计算得到油罐参数数据xt中不同时刻数据的异常信息指标,其中t-n时刻数据的异常信息指标为:

39、

40、

41、

42、其中:

43、xi(t-n)表示数据xi(t-n)的归一化处理结果;

44、表示数据序列对应的信息权重;

45、βi(t-n)表示基于异常数据内限的数据xi(t-n)的异常判别结果;

46、表示t-n时刻数据的异常信息指标;

47、s14:对于油罐参数数据xt中的数据序列删去异常信息指标高于预设异常信息阈值的时刻数据,其中若则在数据序列中删去t-n时刻x1(t-n),x2(t-n),x3(t-n);

48、s15:将所保留的时刻数据构成油罐参数数据xt对应的油罐参数信息gt:

49、

50、

51、其中:

52、表示所保留的第s个时刻数据,s∈[1,numt],numt表示所保留的时刻数据数目;

53、表示所保留时刻数据分别在油罐表面温度、湿度以及气体浓度参数对应的数据。

54、可选地,所述s2步骤中对油罐参数信息进行特征提取,包括:

55、对油罐参数信息进行特征提取,得到油罐风险特征向量,其中油罐参数信息gt的特征提取流程为:

56、s21:计算得到油罐参数信息gt对应的方差信息covt:

57、covt=gt(gt)t

58、其中:

59、t表示转置;

60、s22:对方差信息进行特征分解,并提取分解得到的k个最大特征值所对应的特征向量,作为k个初始向量,其中第k个最大特征值所对应的初始向量为k∈[1,k];

61、s23:初始化生成残差r0=covt,并设置初始向量的当前迭代次数为a,最大迭代次数为a,则初始向量的第a次迭代结果为a的初始值为0;则初始向量的第a次迭代结果所对应的残差信息为ra;

62、s24:构建贪婪选择策略函数,其中贪婪选择策略函数以初始向量以及对应的迭代结果为输入,以对应的策略函数值为输出,初始向量迭代结果对应的策略函数值为:

63、

64、其中:

65、表示初始向量迭代结果对应的策略函数值,||·||2表示l2范数;

66、s25:对残差进行迭代:

67、

68、其中:

69、表示k个初始向量的第a次迭代结果中,所对应策略函数值最大的迭代结果;

70、s26:若小于预设的残差阈值,则构成油罐参数信息gt对应的油罐风险特征向量:

71、

72、其中:

73、ft表示油罐参数信息gt对应的油罐风险特征向量;

74、否则对初始向量进行迭代,其中初始向量迭代结果的迭代公式为:

75、

76、其中:

77、||·||表示l1范数;

78、并令a=a+1,返回步骤s25。

79、可选地,所述s3步骤中构建时序油罐泄露预警模型,包括:

80、构建时序油罐泄露预警模型,所述时序油罐泄露预警模型以油罐风险特征向量序列为输入,以泄露风险预测结果为输出,其中融合门控机制的滑动窗口transformer方式为所述构建时序油罐泄露预警模型的主要实施方法,时序油罐泄露预警模型包括输入层、滑动窗口信息提取层、信息融合层以及泄露风险预测层;

81、输入层用于接收油罐风险特征向量序列,其中油罐风险特征向量序列包括待风险预警时刻的油罐风险特征向量以及邻近时刻的油罐风险特征向量,滑动窗口信息提取层用于基于滑动窗口方式对油罐风险特征向量进行赋权,将赋权后的油罐风险特征向量作为滑动窗口信息提取结果,信息融合层用于基于门控融合机制对滑动窗口信息提取结果进行融合处理,得到待风险预警时刻的油罐风险融合特征,泄露风险预测层用于将油罐风险融合特征转换为泄露风险预测概率,作为待风险预警时刻的泄露风险预测结果。

82、可选地,所述对时序油罐泄露预警模型进行模型参数优化,包括:

83、对时序油罐泄露预警模型进行模型参数优化,其中多策略改进的麻雀搜索为所述模型参数优化的主要实施方法,模型参数优化流程为:

84、s31:获取u组油罐风险特征向量序列以及所对应的油罐泄露情况,构成时序油罐泄露预警模型的训练数据集data:

85、data={(f(u),y(u))|u∈[1,u]}

86、其中:

87、(f(u),y(u))表示训练数据集中的第u组训练数据,f(u)表示所获取第u组油罐风险特征向量序列,y(u)表示油罐风险特征向量序列f(u)所对应的油罐泄露情况,y(u)=1表示存在油罐泄露,y(u)=0表示不存在油罐泄露;

88、s32:初始化生成q组迭代序列,并将q组迭代序列映射为q只麻雀的初始位置信息,每组位置信息对应一组模型参数,其中第q组迭代序列的生成公式为:

89、δq=bsin(πδq-1)

90、其中:

91、δq表示所生成的第q组迭代序列,b表示系统参数,将b设置为0.88,δ0为随机生成的迭代序列;

92、第q组迭代序列δq所对应的第q只麻雀的初始位置信息为:

93、

94、其中:

95、表示第q只麻雀的初始位置信息,lo表示位置信息的搜索下限,up表示位置信息的搜索上限;

96、s33:设置初始位置信息的当前迭代次数为h,最大迭代次数为h,则初始位置信息的第h次迭代结果为h的初始值为0;

97、s34:构建模型训练目标函数,所构建模型训练目标函数以初始位置信息的迭代结果为输入,以对应的目标函数值为输出,其中以迭代结果为输入的目标函数值为:

98、

99、其中:

100、表示以迭代结果为输入的目标函数值;

101、表示以为模型参数所构建的时序油罐泄露预警模型,表示将f(u)作为模型输出,模型输出的泄露风险预测概率;

102、s35:将q个麻雀初始位置信息的第h次迭代结果作为模型训练目标函数的输入,并将目标函数值最小的迭代结果作为第h次迭代得到的最优位置目标函数值最大的迭代结果作为第h次迭代得到的最差位置

103、s36:随机抽取10%比例的迭代结果作为捕食者位置,对捕食者位置进行迭代,其中将迭代结果lh作为捕食者位置进行迭代的公式为:

104、

105、

106、

107、其中:

108、rand(0,1)表示0-1之间的随机数;

109、lh+1(1),lh+1(2)表示迭代结果lh的候选迭代位置;

110、s37:对非捕食者位置的迭代结果进行追随迭代,其中将迭代结果lh进行追随迭代的公式为:

111、lh+1=lh+ρ|lh-random|

112、其中:

113、random表示迭代得到的任意捕食者位置迭代结果;

114、ρ表示迭代步长控制参数;

115、s38:令h=h+1,返回步骤s36,直到达到最大迭代次数,并将达到最大迭代次数后,目标函数值最小的迭代结果l*作为模型参数优化结果l*=(w1,w2),其中w1表示信息融合层中的映射矩阵参数,w2表示泄露风险预测层中的预测参数。

116、可选地,所述s4步骤中利用模型参数优化后的时序油罐泄露预警模型进行油罐泄露风险预警,包括:

117、利用模型参数优化后的时序油罐泄露预警模型对油罐风险特征向量进行油罐泄露风险预警,其中油罐风险特征向量ft的油罐泄露风险预警流程为:

118、s41:输入层接收油罐风险特征向量ft对应的油罐风险特征向量序列:

119、ft=(ft-m,ft-m+1,...,ft-m,...,ft)

120、其中:

121、ft表示油罐风险特征向量ft对应的油罐风险特征向量序列;

122、m+1表示预设的滑动窗口长度,m∈[1,m];

123、s42:滑动窗口信息提取层基于滑动窗口方式对油罐风险特征向量进行赋权,其中油罐风险特征向量序列ft中油罐风险特征向量fm的赋权公式为:

124、f′t-m=weightt-mft-m

125、

126、其中:

127、weightt-m表示油罐风险特征向量序列ft中油罐风险特征向量ft-m的权重,f′t-m表示油罐风险特征向量ft-m的赋权结果;

128、将赋权后的油罐风险特征向量作为滑动窗口信息提取结果;

129、s43:信息融合层基于门控融合机制对滑动窗口信息提取结果进行融合处理,得到油罐风险特征向量ft对应的油罐风险融合特征:

130、

131、其中:

132、gt表示油罐风险特征向量ft对应的油罐风险融合特征;

133、exp(·)表示以自然常数为底的指数函数;

134、relu(·)表示relu激活函数;

135、w1表示信息融合层中的映射矩阵参数;

136、在本发明实施例中,表示f′t-m的有效信息;

137、s44:泄露风险预测层将油罐风险融合特征gt转换为泄露风险预测概率pt:

138、

139、其中:

140、w2表示泄露风险预测层中的预测参数;

141、将泄露风险预测概率pt作为油罐在t时刻的泄露风险预测结果,若泄露风险预测概率pt高于预设的概率阈值,则表示油罐在t时刻出现泄露风险。

142、为了解决上述问题,本发明提供一种电子设备,所述电子设备包括:

143、存储器,存储至少一个指令;

144、通信接口,实现电子设备通信;及

145、处理器,执行所述存储器中存储的指令以实现上述所述的多维感知的油罐泄露风险预警方法。

146、为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的多维感知的油罐泄露风险预警方法。

147、相对于现有技术,本发明提出一种多维感知的油罐泄露风险预警方法,该技术具有以下优势:

148、首先,本方案提出一种油罐参数信息特征提取方式,对油罐参数信息进行特征提取,得到油罐风险特征向量,其中油罐参数信息gt的特征提取流程为:计算得到油罐参数信息gt对应的方差信息covt:

149、covt=gt(gt)t

150、其中:t表示转置;对方差信息进行特征分解,并提取分解得到的k个最大特征值所对应的特征向量,作为k个初始向量,其中第k个最大特征值所对应的初始向量为k∈[1,k];初始化生成残差r0=covt,并设置初始向量的当前迭代次数为a,最大迭代次数为a,则初始向量的第a次迭代结果为a的初始值为0;则初始向量的第a次迭代结果所对应的残差信息为ra;构建贪婪选择策略函数,其中贪婪选择策略函数以初始向量以及对应的迭代结果为输入,以对应的策略函数值为输出,初始向量迭代结果对应的策略函数值为:

151、

152、其中:表示初始向量迭代结果对应的策略函数值,||·||2表示l2范数;对残差进行迭代:

153、

154、其中:表示k个初始向量的第a次迭代结果中,所对应策略函数值最大的迭代结果;若ra+1小于预设的残差阈值,则构成油罐参数信息gt对应的油罐风险特征向量:

155、

156、其中:ft表示油罐参数信息gt对应的油罐风险特征向量;否则对初始向量进行迭代,其中初始向量迭代结果的迭代公式为:

157、

158、其中:||·||表示l1范数;并令a=a+1,进行迭代。本方案基于不同油罐参数所对应数据序列的频率信息计算得到不同数据序列的信息权重,结合数据序列的四分位数,构建表征正常数据范围对应的异常数据内限,实现异常数据剔除,并基于降维处理后特征向量与原始油罐参数信息之间的残差信息,以残差信息越少为目标,对分解得到的特征向量进行贪婪迭代,其中残差信息越少,则所提取的特征向量越能表征原始油罐参数信息的特征分布,实现油罐参数信息的降维处理。

159、同时,本方案提出一种油罐泄露风险概率计算方式,利用模型参数优化后的时序油罐泄露预警模型对油罐风险特征向量进行油罐泄露风险预警,其中油罐风险特征向量ft的油罐泄露风险预警流程为:输入层接收油罐风险特征向量ft对应的油罐风险特征向量序列:

160、ft=(ft-m,ft-m+1,...,ft-m,...,ft)

161、其中:ft表示油罐风险特征向量ft对应的油罐风险特征向量序列;m+1表示预设的滑动窗口长度,m∈[1,m];滑动窗口信息提取层基于滑动窗口方式对油罐风险特征向量进行赋权,其中油罐风险特征向量序列ft中油罐风险特征向量fm的赋权公式为:

162、f′t-m=weightt-mft-m

163、

164、其中:weightt-m表示油罐风险特征向量序列ft中油罐风险特征向量ft-m的权重,f′t-m表示油罐风险特征向量ft-m的赋权结果;将赋权后的油罐风险特征向量作为滑动窗口信息提取结果;信息融合层基于门控融合机制对滑动窗口信息提取结果进行融合处理,得到油罐风险特征向量ft对应的油罐风险融合特征:

165、

166、其中:gt表示油罐风险特征向量ft对应的油罐风险融合特征;exp(·)表示以自然常数为底的指数函数;relu(·)表示relu激活函数;w1表示信息融合层中的映射矩阵参数;泄露风险预测层将油罐风险融合特征gt转换为泄露风险预测概率pt:

167、

168、其中:w2表示泄露风险预测层中的预测参数;将泄露风险预测概率pt作为油罐在t时刻的泄露风险预测结果,若泄露风险预测概率pt高于预设的概率阈值,则表示油罐在t时刻出现泄露风险。本方案基于滑动窗口方式对不同时刻的油罐风险特征向量进行赋权,并依次提取赋权后特征向量的有效信息,利用多重激活函数实现门控机制,即控制不同特征向量有效信息对预测概率的影响,实现结合多维数据向量的油罐风险预警,并在时序油罐泄露预警模型的模型参数优化过程中,采取多策略改进的麻雀搜索方法,采用不同迭代策略对麻雀位置进行迭代,增加模型参数的多样性,便于得到最优模型参数。

本文地址:https://www.jishuxx.com/zhuanli/20240830/281757.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。