气田集气站安全监测数据异常值识别研究

张子涛 殷存志 杨 毅 董彩虹 向 敏

1中国石油北京油气调控中心

2中亚天然气管道有限公司

气田集气站安全监测数据异常值识别研究

张子涛1殷存志2杨 毅1董彩虹1向 敏1

1中国石油北京油气调控中心

2中亚天然气管道有限公司

天然气集气站监测数据异常值的准确识别具有重要意义。借助支持向量回归机算法，建立传感器在线预测模型，利用遗传算法获取最佳SVR参数，避免过拟合问题；基于一步预测误差判断方法，通过遗传算法获取最佳惩罚因子、不敏感损失函数参数和核函数参数以保证SVR回归效果，构建集气站监测数据异常识别方法；计算回归值和监测值之间的差值，若其大于阈值，可判断该实测值为异常，用回归值代替监测值，通过中心服务器写入到现场控制执行器中，则可防止安全系统误动作。工程应用表明该方法具有良好的适用性。

集气站；安全监测数据；异常；识别

为保障气田集气站安全、高效运行，需对站内工艺运行参数及可燃气数据（如硫化氢和甲烷浓度）进行在线监测。然而由于种种原因，如传感器故障、信号干扰、电缆破坏等，参数监测值易出现异常，不能准确反映现场实际情况，由此引发集气站安全系统误关断、误报警事件，影响正常生产[1]。为提高安全控制系统的可靠性，需对监测数据异常值进行准确识别。支持向量回归机算法（SVR，Support Vector Regression）具有计算量小、存储量少且算法稳定的优点[2]，在信号识别、故障诊断领域得到了广泛应用。

由于存在节流降压及阀门分隔作用，集气站内工艺监测值具有相关性不强的特性，同时硫化氢和甲烷浓度传感器布置较分散，其安全监测值也无相关性，不能作为整体进行回归计算。本文借助于支持向量回归机算法，对单个传感器建立在线预测模型，基于一步预测误差判断方法，通过遗传算法获取最佳惩罚因子、不敏感损失函数参数和核函数参数以保证SVR回归效果，从而构建集气站监测数据异常识别方法。

1 支持向量回归机算法

支持向量回归机算法由支持向量机分类算法演化而来，给定训练样本{(x1,y1),...,(xl,yl)}，其决策函数为，可归结为如下凸优化问题

式中ε为不敏感损失函数参数。引入松弛变量ξ、ξ*，则上述方程变为

为解出上述方程，引入Lagrange乘子η、η*、α、α*，将其转换成对偶形式，得到对偶优化问题

为适用于非线性问题，用核函数k(xi,xj)代替将k(xi,xj)简记为ki,j，则上述优化方程为

核函数必须满足Mercer定理，径向基核函数是较常用的核函数

决策函数中常量b的计算方法为：若第j个输入变量对应的αj∈(0,C)，则

对所有样本进行遍历，计算b的均值bˉ，则回归方程为SVR的核心问题是Lagrange乘子αi和α*i的计算，一旦求出，则可构造出决策函数。将支持向量回归机转化为凸二次规划标准形式，则可以用支持向量分类机的算法进行训练。通常采用序列最小优化算法（SMO，Sequential Minimal Optimization）求解方程[3-4]。

2 集气站监测数据异常值识别方法

鉴于集气站内工艺监测值相关性不强，同时硫化氢和甲烷浓度传感器布置较分散，其安全监测值相互间也无相关性，因而其异常识别不能作为整体进行回归计算。本文采用在线一步预测法对监测数据异常进行识别。

第1步：降噪。取一组正常工况下的信号进行冗余提升小波分解[5]，对各层细节信号和最后一层逼近信号进行奇异值分解降噪处理，通过重构算法获得降噪信号。

第2步：构造训练集。自然界中的任何系统都是混沌系统，气田集输系统的生产参数也不例外，具有非线性特性。本文通过相空间重构，可构造出一维时间序列的混沌吸引子。

假设信号为[s1,s2,…,sN0]，运算前，须将信号归一化到[-1，1]范围内，公式为

式中lower=-1，upper=1，smax和smin分别为原始信号si的最大值和最小值，xi为归一化后的值。

将归一化后的信号分为训练集[x1,x2,…,xNt]和确定集[x1,x2,…,xNc]。确定集长度，如果太长，预测出来的曲线将是一条直线；若太短，则预测精度较低。经过反复试验，Nc的取值范围为1N0≤N≤3。通过相空间重构从训练集中获得自变量和因变量，时间延迟为nt，嵌入维数一般取为1，自变量为

因变量为

第3步：训练参数。给定SVR参数，通过SMO算法求出拉格朗日乘子及决策函数常量，构造决策函数。对自变量矩阵进行迭代更新，逐步对确定集进行预测。计算预测值和实测值间的均方差，以该均方差最小化为目标函数，通过遗传算法求解最佳延时、惩罚因子、不敏感损失函数参数和核函数参数。

第4步：构造一步预测模型。基于支持向量回归机算法，将第3步求解的最佳参数代入SVR模型进行求解。手动将拉格朗日乘子、决策函数常量、支持向量、最佳延时、惩罚因子、不敏感损失函数参数和核函数参数输入到C#程序中，构造预测模型。通过自编的OPC客户端程序，每秒从OPC服务器中读取最新数据。通过timer控件，对自变量进行在线更新，代入预测模型中对下一时刻的工艺参数进行预测，并进行逆归一化，公式为

第5步：判断异常值。根据经验设置阈值，计算预测值和实测值间的相对误差，若其小于或等于阈值，则判断该监测数据为正常值；若其大于阈值，则判断该监测数据为异常值，并输出报警信息。将每个传感器的运算设为独立的线程，根据计算机性能设置最大线程数。

3 识别方法的工程应用

以普光气田301集气站压力传感器C31732.PV为例，取其某时监测信号，采样间隔为1 min，信号长度为1 440个点，此时集输系统运行工况正常。原始信号如图1所示。

图1 压力信号

从图1可看出信号中包含很多“毛刺”，这是由噪声引起的。对信号进行3层自适应冗余提升小波分解，通过遗传算法计算出第一、二、三层细节信号和第三层逼近信号的最佳SVD降噪阶次，分别为2、2、2、6。降噪信号如图2所示，从图2可看出信号噪声明显减少，信号主体趋势较明显。从降噪信号中取出300个数作为训练样本，如图3所示。

图2 降噪后的压力信号

图3 训练样本

通过遗传算法获取最佳参数，自变量包括4个：嵌入维数nt、惩罚因子c、不敏感损失函数参数ε和径向基核函数参数σ，取值范围分别为1≤nt≤15、1≤c≤500、0≤ε≤1和0.2≤σ≤10，各参数运算精度分别为1、1、0.01和0.1。根据取值范围和运算精度，可算出各参数的二进制字符串长度分别为4、9、7、7。将训练样本分为训练集和确定集，训练集长度为295，确定集长度为5。训练前，将样本归一化到[-1，1]内。

离线训练在MATLAB中运行，遗传算法迭代次数为30，群体规模为300，运算时间为807 s（约14 min）。

通过训练，得到的最佳参数为：nt=9，c= 407，ε=0.349 0，σ=1.82。支持向量共30个，预测函数中的常量为-0.038 5。用于信号归一化的最大值为9.01，最小值为8.90。由以上信息可构造一步在线预测程序。为验证该预测模型精度，用一组正常数据进行验证。连续监测的9个数据为[9.05，9.06，9.09，9.02，9.04，9.06，9.12，9.10，9.07]，第10个数为9.06。将前9个数代入建立的预测模型，算出预测值为8.96，相对误差为1.1%，获得了较高的预测精度。一步预测程序在MATLAB中运行，运算时间为0.039 s，远小于1 s，适合于在线运算。利用本方法，通过已有监测数据，可以准确预测下一个监测值，一旦预测值和实测值的差值大于某一阈值，则说明实测值为异常信号。下面论述如何选取合适的阈值。

原始压力信号从前到后，每次连续取9个数作为自变量代入在线预测模型，对下一个数进行预测。计算预测值与实测值间的相对误差，如图4所示。

从图4可看出大部分误差在2%以内，少部分在2%～4%之间，考虑噪声影响，设阈值为4%。在以后的在线预测中，凡是误差大于该阈值的数都是异常数据，将预测值代替实测值，以避免误关断或误报警事件的发生。

图4 一步预测相对误差

4 结论

借助于支持向量回归机算法，对集气站内每个传感器建立在线预测模型，利用遗传算法获取最佳SVR参数，避免过拟合问题；基于一步预测误差判断方法，通过遗传算法获取最佳惩罚因子、不敏感损失函数参数和核函数参数以保证SVR回归效果，构建了集气站监测数据异常识别方法。通过对正常值的预测处理，获得了判别阈值。工程应用表明，该方法具有良好的适用性。

[1]张继燕．基于实时数据库的油气处理故障诊断系统[J]．油气田地面工程，2015，34（3）：22-23.

[2]何正嘉，陈进，王太勇，等．机械故障诊断理论及应用[M]．北京：高等教育出版社，2010：33-35.

[3]Marcos F S，Ricardo H C，Takahashic.Incipient fault detection in induction machine stator-winding using a fuzzy-Bayesian change point detection approach[J]．Applied Soft Computing，2011，11（1）：179-192.

[4]Saravanan N，Ramachandran K I．Incipient gear box fault diagnosis using discrete wavelet transform（DWT）for feature extraction and classification using artificial neural network（ANN）[J]．Expert Systems with Applications，2010，37（1）：4 168-4 181.

[5]Maurya M R，Rengaswamy R，Venkatasubramanian V．A signed directed graph and qualitative trend analysis-based framework for incipient fault diagnosis[J]．Chemical Engineering Research and Design，2007，85（A10）：1 407-1 422.

（栏目主持 纪嫦杰）

10.3969/j.issn.1006-6896.2015.10.001

张子涛：工程师，2003年毕业于辽宁石油化工大学自动化专业，主要从事天然气集输系统调控运行研究管理工作。

2015-06-01

18236046420、1095440060@qq.com