《融合SCADA系统数据的天然气管道泄漏多源感知技术研究》误报数据识别模型开发

数据处理不作表述。因为我用的是处理后的数据，数据点这。

文章目录

工作内容1
- CC040
- - VFD电流
  - VFD转速
  - 压缩机转速反馈
  - 进出口差压
- 紧急截断阀开到位
- 进出电动阀开到位
- 发球筒电筒阀开到位
- 收球筒电动阀开到位
- 电动阀2005开到位
- 越站阀开到位
工作内容2
工作内容3

工作内容1

任务描述：简单观察时序数据

CC040

VFD电流

在这里插入图片描述

VFD转速

在这里插入图片描述
这两观察一个就好。

压缩机转速反馈

在这里插入图片描述

蚌埠住了。

进出口差压

在这里插入图片描述
似乎我看不出什么。
不用看了以上数据无法用作时序分析。我们之后特征工程看看它们是否有用。现在简单处理一下，小0.1换0大0.1换1。只需选择一段就好，这几段的本质一样。那就进出口差压了。同时只有两台能用。

紧急截断阀开到位

在这里插入图片描述
开了29560的单位时间。

开了29554的单位时间。
唐山这里前开后关。

宝坻全都没有开启。
这些数据十分显然只能用于特征工程无法用于时序分析。

进出电动阀开到位

在这里插入图片描述
进站：开了0的单位时间。
出站：开了12869的单位时间。
这些数据十分显然只能用于特征工程无法用于时序分析。

发球筒电筒阀开到位

在这里插入图片描述
开了0的单位时间。
这些数据十分显然只能用于特征工程无法用于时序分析。

收球筒电动阀开到位

在这里插入图片描述
开了12874的单位时间。
这些数据十分显然只能用于特征工程无法用于时序分析。

电动阀2005开到位

在这里插入图片描述
开了2405的单位时间。
这些数据十分显然只能用于特征工程无法用于时序分析。

越站阀开到位

在这里插入图片描述
唐山：开了30082的单位时间。
宝坻：开了42946的单位时间。
这些数据十分显然只能用于特征工程无法用于时序分析。

代码忽略

工作内容2

任务描述：判断数据之中是否有天然气大量泄漏。理论概述：基于上面工作内容，显而易见不能判断天然气体是否泄漏。为什么呢？？同一时间，各种阀门开关状态组合过少。按理来说，应该有 $2^{3+4+2+1+1+1+2}=2^{14}$ 种的状态，但是实际不是这样。例如：有的阀门一直关闭，有的阀门一直开启，有的阀门开启之时另一阀门必然关闭，有的阀门关闭之时另一阀门必然开启。这个情况在这数据尤为严重，所以不能。个人观点：压力波形作为输入才是更加合理选择。 但是显然不是上述这些简单分类变量。我们可以使用模态分解技术，奇异谱分析等进行曲线分析。我们可以使用循环神经网络，多层感知机等进行模型建立。关键就是我们需要使用哪些波形曲线。 还有就是标签问题，工作内容1中表明，所有阀门关不代表气体泄漏。根据统计学习原理，如果数据之中没有泄漏数据，那么模型就不可能能学习到泄漏特征。特征我们都知道是多段波形，但是具体应该是什么呢？一定不是上面那些。标签我们都知道是是否泄漏，但是数据之中没有。在没有的情况之下，更偏向非统计建模。
曲线分析框架

from PyEMD import CEEMDAN
from vmdpy import VMD
import pandas as pd
import numpy as np

class Decomposition:

    def EMD(data):
        ceemdan=CEEMDAN()
        ceemdan.ceemdan([i for i in data])
        IMFS,RES=ceemdan.get_imfs_and_residue()
        f=pd.ExcelWriter("data/EMD.xlsx")
        pd.DataFrame(IMFS.T).to_excel(f,sheet_name="IMFS",index=None,columns=None,header=None)
        pd.DataFrame(RES.T).to_excel(f,sheet_name="RES",index=None,columns=None,header=None)
        f.save()
        return IMFS.shape[0]+1

    def VMD(data,x):
        alpha,tau,K,DC,init,tol=5000,0,x,0,1,1e-6
        U,u_hat,omega=VMD(data,alpha,tau,K,DC,init,tol)
        f=pd.ExcelWriter("data/VMD.xlsx")
        pd.DataFrame(U.T).to_excel(f,index=None,columns=None,header=None)
        f.save()

    def SSA(data,x):
        windowlen=x;datalen=data.shape[0]
        K=datalen-windowlen+1;X=np.zeros((windowlen,K))
        for i in range(K):
            X[:,i]=data[i:i+windowlen]
        U,sigma,VT=np.linalg.svd(X,full_matrices=False)
        for i in range(VT.shape[0]):
            VT[i,:]*=sigma[i]
        A=VT
        REC=np.zeros((windowlen,datalen))
        for i in range(windowlen):
            for j in range(windowlen-1):
                for m in range(j+1):
                    REC[i,j]+=A[i,j-m]*U[m,i]
                REC[i,j]/=(j+1)
            for j in range(windowlen-1,datalen-windowlen+1):
                for m in range(windowlen):
                    REC[i,j]+=A[i,j-m]*U[m,i]
                REC[i,j]/=windowlen
            for j in range(datalen-windowlen+1,datalen):
                for m in range(j-datalen+windowlen,windowlen):
                    REC[i,j]+=A[i,j-m]*U[m,i]
                REC[i,j]/=(datalen-j)
        f=pd.ExcelWriter("data/SSA.xlsx")
        pd.DataFrame(REC.T).to_excel(f,index=None,columns=None,header=None)
        f.save()

神经网络框架(tensorflow版)

from sklearn.neural_network import MLPRegressor
import matplotlib.pyplot as plt
from Function import Function
import tensorflow as tf
import numpy as np

class Neural_network():
    
    def BPNN(X_train,Y_train,X_test,Y_test,scaled_tool,step_size,batch_size,epochs,Boolean1,Boolean2):
        inputs=tf.keras.Input(shape=(step_size,))
        x=tf.keras.layers.Dense(step_size//4*3,activation='relu',name='dense_1')(inputs)
        x=tf.keras.layers.Dense(step_size//4*2,activation='relu',name='dense_2')(x)
        x=tf.keras.layers.Dense(step_size//4*1,activation='relu',name='dense_3')(x)
        x=tf.keras.layers.Dense(1,activation='relu',name='dense_4')(x)
        model=tf.keras.Model(inputs=inputs,outputs=x)
        model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=1e-4),loss='mean_squared_error')
        history=model.fit(X_train,Y_train,batch_size=batch_size,epochs=epochs)
        loss=history.history['loss']
        if Boolean1==True:
            plt.plot(loss,label='BPNN '+'Training Loss')
        return Function.Function2(model,X_train,X_test,scaled_tool,Y_test,Boolean2)

    def RNN(X_train,Y_train,X_test,Y_test,scaled_tool,step_size,batch_size,epochs,Boolean1,Boolean2):
        X_train=np.reshape(X_train,(X_train.shape[0],X_train.shape[1],1))
        model=tf.keras.models.Sequential()
        model.add(tf.keras.layers.SimpleRNN(step_size,input_shape=(step_size,1)))
        model.add(tf.keras.layers.Dense(1))
        model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=1e-4),loss='mean_squared_error')
        history=model.fit(X_train,Y_train,batch_size=batch_size,epochs=epochs)
        loss=history.history['loss']
        if Boolean1==True:
            plt.plot(loss,label="RNN "+'Training Loss')
        X_test=np.reshape(X_test,(X_test.shape[0],X_test.shape[1],1))
        return Function.Function2(model,X_train,X_test,scaled_tool,Y_test,Boolean2)

    def LSTM(X_train,Y_train,X_test,Y_test,scaled_tool,step_size,batch_size,epochs,Boolean1,Boolean2):
        X_train=np.reshape(X_train,(X_train.shape[0],X_train.shape[1],1))
        model=tf.keras.models.Sequential()
        model.add(tf.keras.layers.LSTM(step_size,input_shape=(step_size,1)))
        model.add(tf.keras.layers.Dense(1))
        model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=1e-4),loss='mean_squared_error')
        history=model.fit(X_train,Y_train,batch_size=batch_size,epochs=epochs)
        loss=history.history['loss']
        if Boolean1==True:
            plt.plot(loss,label="LSTM "+'Training Loss')
        X_test=np.reshape(X_test,(X_test.shape[0],X_test.shape[1],1))
        return Function.Function2(model,X_train,X_test,scaled_tool,Y_test,Boolean2)

    def GRU(X_train,Y_train,X_test,Y_test,scaled_tool,step_size,batch_size,epochs,Boolean1,Boolean2):
        X_train=np.reshape(X_train,(X_train.shape[0],X_train.shape[1],1))
        model=tf.keras.models.Sequential()
        model.add(tf.keras.layers.GRU(step_size,input_shape=(step_size,1)))
        model.add(tf.keras.layers.Dense(1))
        model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=1e-4),loss='mean_squared_error')
        history=model.fit(X_train,Y_train,batch_size=batch_size,epochs=epochs)
        loss=history.history['loss']
        if Boolean1==True:
            plt.plot(loss,label="GRU "+'Training Loss')
        X_test=np.reshape(X_test,(X_test.shape[0],X_test.shape[1],1))
        return Function.Function2(model,X_train,X_test,scaled_tool,Y_test,Boolean2)

    def MLP(X_train,Y_train,X_test,Y_test,scaled_tool,Boolean):
        model=MLPRegressor(max_iter=50,hidden_layer_sizes=(200),random_state=0)
        model.fit(X_train,Y_train)
        return Function.Function2(model,X_train,X_test,scaled_tool,Y_test,Boolean)