基于時(shí)序片段的油氣管道運(yùn)行工況識(shí)別方法*

張 麗，蘇 懷，范 霖，江璐鑫，張勁軍

(1.中國(guó)石油大學(xué)(北京) 油氣管道輸送安全國(guó)家工程實(shí)驗(yàn)室，北京 102249；2.中國(guó)石油大學(xué)(北京) 城市油氣輸配技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室，北京 102249)

0 引言

實(shí)時(shí)監(jiān)控油氣管道系統(tǒng)的運(yùn)行狀態(tài)是保障油氣管道安全穩(wěn)定運(yùn)行的重要手段之一。油氣管網(wǎng)主要采用管道數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)(SCADA,Supervisory Control and Data Acquisition)儲(chǔ)存運(yùn)行數(shù)據(jù)、事件和報(bào)警等信息[1]。近年來(lái)，為降低操作員的負(fù)荷，提升管道安全管理水平，國(guó)內(nèi)某些公司對(duì)SCADA系統(tǒng)進(jìn)行了優(yōu)化改造。例如，遼陽(yáng)石化成品油長(zhǎng)輸管線，將管道泄漏自動(dòng)監(jiān)測(cè)系統(tǒng)與SCADA系統(tǒng)對(duì)接，實(shí)現(xiàn)對(duì)管道泄漏定位和參數(shù)的管理[2]；中國(guó)石化銷售有限公司華南分公司采用浙江中控開(kāi)發(fā)的國(guó)產(chǎn)SCADA系統(tǒng)，該系統(tǒng)設(shè)置間歇、瞬閃、關(guān)聯(lián)等5種報(bào)警措施，提高SCADA系統(tǒng)的報(bào)警效率，實(shí)現(xiàn)對(duì)成品油混油界面跟蹤、批次和報(bào)警管理等功能[3-4]。但這些改進(jìn)措施并沒(méi)有加強(qiáng)SCADA系統(tǒng)在管道運(yùn)行工況識(shí)別方面的能力，這是因?yàn)镾CADA系統(tǒng)的事件記錄僅描述管道或設(shè)備的動(dòng)作，沒(méi)有對(duì)某時(shí)間段內(nèi)的管道運(yùn)行狀態(tài)進(jìn)行歸納總結(jié)，工況標(biāo)簽不完善。現(xiàn)階段油氣管道部分運(yùn)行工況的識(shí)別一般以專家經(jīng)驗(yàn)判斷為主，人力和時(shí)間成本較高，且難以實(shí)現(xiàn)實(shí)時(shí)、全面監(jiān)測(cè)。

針對(duì)上述問(wèn)題，許多學(xué)者采用計(jì)算機(jī)算法與工程經(jīng)驗(yàn)法相結(jié)合的方法，對(duì)油氣管道系統(tǒng)的運(yùn)行工況進(jìn)行分析[5-7]。其中，管道泄漏監(jiān)測(cè)技術(shù)相對(duì)成熟，其主要基于壓力、流量等實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)，通過(guò)負(fù)壓波法或數(shù)據(jù)模型定位泄漏位置，形成適用不同管道系統(tǒng)的商業(yè)檢漏軟件[8-10]。但智慧管網(wǎng)的發(fā)展，不僅要著眼于某1類異常工況，還要提升系統(tǒng)對(duì)各類工況的感知能力。如何基于油氣管道的運(yùn)行數(shù)據(jù)變化準(zhǔn)確區(qū)分管道運(yùn)行的正常與異常工況，并識(shí)別閥門內(nèi)漏、泵異常停機(jī)、電壓異常波動(dòng)等異常工況，是實(shí)現(xiàn)管道全方位感知需要攻克的重要難題。

油氣管道的壓力、流量等運(yùn)行數(shù)據(jù)屬于典型的時(shí)間序列數(shù)據(jù)，準(zhǔn)確識(shí)別管道運(yùn)行工況的關(guān)鍵是對(duì)高維、非穩(wěn)態(tài)時(shí)間序列數(shù)據(jù)模式的識(shí)別。時(shí)間序列模式識(shí)別問(wèn)題在設(shè)備故障監(jiān)測(cè)、人類行為識(shí)別、能源系統(tǒng)工況識(shí)別等方面已形成一定的研究基礎(chǔ)[11-13]。目前，主流方法是采用數(shù)據(jù)時(shí)頻域特征分析、具備監(jiān)督機(jī)器學(xué)習(xí)分類等方法，進(jìn)行階段性系統(tǒng)動(dòng)作識(shí)別。但是，該類方法適用于滿足標(biāo)注樣本量大、數(shù)據(jù)時(shí)域特征或頻域特征明顯的場(chǎng)景，且可解釋性較弱，不能直接移植、應(yīng)用于我國(guó)現(xiàn)階段的油氣管道系統(tǒng)。因此，本文以某真實(shí)成品油管道為例，提出1種基于時(shí)間序列片段的油氣管道運(yùn)行狀態(tài)識(shí)別方法。根據(jù)時(shí)間序列的概率分布變化識(shí)別不同狀態(tài)變化點(diǎn)，進(jìn)而劃分不同運(yùn)行工況的時(shí)域區(qū)間，解決現(xiàn)階段管道系統(tǒng)缺少有標(biāo)注數(shù)據(jù)樣本的難題。算例分析顯示，該方法在運(yùn)行工況識(shí)別準(zhǔn)確率、誤報(bào)率以及漏報(bào)率等方面均優(yōu)于經(jīng)典方法，例如孤立森林法[14]，研究結(jié)果可為油氣管道運(yùn)行工況實(shí)時(shí)監(jiān)控提供新的方法借鑒。

1 油氣管道系統(tǒng)運(yùn)行工況識(shí)別

本文提出1種數(shù)據(jù)驅(qū)動(dòng)的油氣管道系統(tǒng)運(yùn)行工況識(shí)別方法，該方法由4部分組成：數(shù)據(jù)的采集與預(yù)處理、狀態(tài)變化識(shí)別、子序列后處理和時(shí)間序列分類,具體研究思路如圖1所示。

圖1 管道運(yùn)行工況識(shí)別方法框架Fig.1 Framework of recognition method on operating conditions of pipeline

1.1 狀態(tài)變化點(diǎn)識(shí)別模型

建立狀態(tài)變化識(shí)別模型，可以明確管道所經(jīng)歷的各種操作變化，并檢測(cè)到管道運(yùn)行過(guò)程中可能出現(xiàn)的異常狀態(tài)變化，結(jié)合SCADA系統(tǒng)的事件記錄，可快速判斷不同時(shí)間段內(nèi)，導(dǎo)致管道運(yùn)行狀態(tài)變化的事件。

當(dāng)管道運(yùn)行狀態(tài)發(fā)生改變時(shí)，壓力時(shí)間序列的概率分布在2個(gè)連續(xù)的區(qū)間內(nèi)發(fā)生突變，由于2個(gè)區(qū)間是移動(dòng)的，所以當(dāng)2個(gè)區(qū)間的概率分布明顯不同時(shí)，就認(rèn)為存在狀態(tài)變化點(diǎn)。實(shí)現(xiàn)上述判斷過(guò)程的方法如式(1)所示，這種方法被稱為累積和檢驗(yàn)法[15]：

(1)

1.2 運(yùn)行工況識(shí)別模型

建立基于時(shí)間序列片段的運(yùn)行工況識(shí)別模型，目的是快速準(zhǔn)確判別管道在不同時(shí)間段的運(yùn)行工況。與其他識(shí)別模型不同的是，工況識(shí)別模型是基于連續(xù)的時(shí)間片段，而不只是某個(gè)特殊的時(shí)間點(diǎn)。如圖2所示，描述基于時(shí)間序列片段的運(yùn)行工況識(shí)別模型的構(gòu)建過(guò)程。為便于理解，將模型構(gòu)建過(guò)程涉及到的相關(guān)定義說(shuō)明如下：

圖2 代表性時(shí)間序列片段提取過(guò)程Fig.2 Extraction process of representative sequential segments

1)時(shí)間序列。在本文研究中，時(shí)間序列用來(lái)描述管道系統(tǒng)的歷史運(yùn)行狀態(tài)。

2)目標(biāo)時(shí)間序列。目標(biāo)時(shí)間序列是對(duì)時(shí)間序列分段后的結(jié)果，其長(zhǎng)度不固定。為了排除重疊事件對(duì)后續(xù)分類的影響，在本文研究中，每段目標(biāo)時(shí)間序列的長(zhǎng)度依據(jù)是狀態(tài)改變點(diǎn)檢測(cè)模型得到的結(jié)果。

3)時(shí)間序列片段[16-17]。時(shí)間序列片段用于描述系統(tǒng)在某段時(shí)間內(nèi)的運(yùn)行工況，其數(shù)據(jù)表現(xiàn)形式為目標(biāo)時(shí)間序列中的1段子序列。因此，不同時(shí)間序列片段所代表的序列形狀可以區(qū)分不同運(yùn)行工況。

4)候選時(shí)間序列片段集。候選時(shí)間序列片段集是所有時(shí)間序列片段的集合。以時(shí)間序列片段的長(zhǎng)度為基準(zhǔn)，采用滑動(dòng)窗口在目標(biāo)時(shí)間序列中選取所有子序列，時(shí)間步長(zhǎng)取1，以避免錯(cuò)過(guò)任何運(yùn)行狀態(tài)。每個(gè)目標(biāo)時(shí)間序列中的所有子序列都被提取出來(lái)，從而形成候選時(shí)間序列片段集合。

5)距離相似性矩陣。距離相似性描述候選時(shí)間序列片段和測(cè)試子序列之間的所有距離[18]。該距離采用動(dòng)態(tài)時(shí)間規(guī)整(DTW)方法進(jìn)行測(cè)量。相比歐氏距離測(cè)量方法，DTW的優(yōu)勢(shì)是可以測(cè)量2個(gè)異步長(zhǎng)的時(shí)間序列之間的相似度[19]。

6)最佳時(shí)間序列片段。在距離相似性集合中，每個(gè)最短距離所對(duì)應(yīng)的候選時(shí)間序列片段是該目標(biāo)時(shí)間序列所對(duì)應(yīng)運(yùn)行工況的最佳描述性子序列。通過(guò)計(jì)算測(cè)試集時(shí)間序列片段與最佳時(shí)間序列片段的相似性對(duì)測(cè)試子序列進(jìn)行工況識(shí)別。圖2中，SN表示運(yùn)行工況所對(duì)應(yīng)的最佳時(shí)間序列片段，其中N=1，2，3，…，n，表示最佳片段所對(duì)應(yīng)的索引。

1.3 評(píng)價(jià)指標(biāo)

本文采用4個(gè)指標(biāo)對(duì)模型測(cè)試結(jié)果進(jìn)行評(píng)價(jià)：精確度(prec)、召回率(rec)、誤報(bào)率(FPR)和F1值[11]，如式(2)～(5)所示：

(2)

(3)

(4)

(5)

式(2)～(5)中：TP(真陽(yáng)性)表示把實(shí)際正樣本預(yù)測(cè)為正樣本的樣本數(shù)量，個(gè)；TN(真陰性)表示把實(shí)際負(fù)樣本預(yù)測(cè)為負(fù)樣本的樣本數(shù)量，個(gè)；FP(假陰性)表示把實(shí)際正樣本預(yù)測(cè)為負(fù)樣本的樣本數(shù)量，個(gè)；FN(假陽(yáng)性)表示把實(shí)際負(fù)樣本預(yù)測(cè)為正樣本的樣本數(shù)量，個(gè)；F1值表示精確度和召回率的調(diào)和平均數(shù)，在[0,1]值域內(nèi)取值，F(xiàn)1值越大，模型整體評(píng)價(jià)越好。

2 數(shù)據(jù)的采集和整理

本文所提出的識(shí)別方法在1個(gè)真實(shí)的成品油管道系統(tǒng)中應(yīng)用。該成品油管道系統(tǒng)由9個(gè)站組成，圖3所示為該成品油管道系統(tǒng)拓?fù)浣Y(jié)構(gòu)示意?；谠摮善酚凸艿赖腟CADA系統(tǒng)，收集總時(shí)間長(zhǎng)度為2個(gè)月，采樣間隔為1 min，總樣本量為86 400條。收集的參數(shù)類型主要有：各站的進(jìn)出口壓力、泵和閥門的進(jìn)出口壓力等。采集的歷史事件包括：管道或設(shè)備在每個(gè)時(shí)刻的運(yùn)行狀態(tài)、動(dòng)作和報(bào)警信息。

由于SCADA系統(tǒng)的數(shù)據(jù)記錄功能遵循“逢變則記”原則，因此有必要在分析之前對(duì)數(shù)據(jù)進(jìn)行調(diào)整。首先，基于所研究油氣管道的SCADA系統(tǒng)設(shè)置，需要將導(dǎo)出后的數(shù)據(jù)按時(shí)間順序進(jìn)行重組。由于SCADA系統(tǒng)的后臺(tái)處理負(fù)荷限制，導(dǎo)致采集數(shù)據(jù)中出現(xiàn)空缺值，因此，本文采用向前填充法對(duì)空缺數(shù)據(jù)進(jìn)行填補(bǔ)。如果出現(xiàn)時(shí)間戳重復(fù)但運(yùn)行數(shù)據(jù)不同的情況，則保留第1次出現(xiàn)的時(shí)間戳。

圖3 管道系統(tǒng)拓?fù)浣Y(jié)構(gòu)示意Fig.3 Topological structure of pipeline system

由于通信網(wǎng)絡(luò)的信息傳輸方式是異步傳遞，所以記錄順序是隨機(jī)的。系統(tǒng)只是簡(jiǎn)單地記錄所有到達(dá)的事件信息，未將時(shí)間戳考慮在內(nèi)，這可能導(dǎo)致時(shí)間戳的重復(fù)，對(duì)事件標(biāo)簽的匹配和管道運(yùn)行工況的識(shí)別產(chǎn)生影響。因此，本文研究使用文本匹配方法找到與需要識(shí)別狀態(tài)相關(guān)的重要事件描述，消除其他不相關(guān)事件的影響。若出現(xiàn)同時(shí)刻對(duì)應(yīng)不同事件的情況，則需要將事件標(biāo)簽合并，再根據(jù)建模所需的事件類型確定標(biāo)簽。

3 案例分析

本文實(shí)驗(yàn)設(shè)計(jì)3種應(yīng)用情景：分輸站C的閥門開(kāi)關(guān)狀態(tài)、首站A的泵異常停機(jī)狀態(tài)和分輸站E的閥門內(nèi)漏狀態(tài)。通過(guò)這3種常見(jiàn)的應(yīng)用情景驗(yàn)證所提方法的可行性。

3.1 成品油管道運(yùn)行狀態(tài)變化的檢測(cè)

1)閥門開(kāi)關(guān)狀態(tài)檢測(cè)。模型的輸入為該閥門的進(jìn)出口壓差，輸出結(jié)果為檢測(cè)到的閥門全開(kāi)和全關(guān)的對(duì)應(yīng)時(shí)間。采用真實(shí)歷史運(yùn)行事件中關(guān)于閥門開(kāi)關(guān)狀態(tài)的記錄對(duì)所得結(jié)果進(jìn)行評(píng)價(jià)。

2)泵異常停機(jī)狀態(tài)檢測(cè)。模型的輸入為該泵的進(jìn)出口壓差，輸出結(jié)果為檢測(cè)到的泵異常停機(jī)時(shí)間。采用真實(shí)歷史運(yùn)行事件中的泵異常停機(jī)記錄對(duì)檢測(cè)結(jié)果進(jìn)行評(píng)價(jià)。

3)閥門內(nèi)漏狀態(tài)檢測(cè)。模型的輸入為該閥門的進(jìn)出口壓差，輸出結(jié)果為檢測(cè)到的閥門出現(xiàn)內(nèi)漏的時(shí)間。采用真實(shí)歷史運(yùn)行事件中閥門關(guān)閉記錄對(duì)結(jié)果進(jìn)行評(píng)價(jià)(需考慮時(shí)間延遲)。

如表1所示為不同工況下，改變點(diǎn)檢測(cè)模型的最佳輸入?yún)?shù)。其中，用戶自定義參數(shù)h和v是基于輸入子序列確定的，改變點(diǎn)檢測(cè)和精度檢測(cè)的時(shí)間誤差是通過(guò)優(yōu)化最佳精確度確定的，二者對(duì)精確度的影響起決定性作用。這是因?yàn)?，?dāng)管道運(yùn)行狀態(tài)切換時(shí)，壓力差會(huì)產(chǎn)生短暫的波動(dòng)直至完全穩(wěn)定，這些波動(dòng)在數(shù)據(jù)上對(duì)應(yīng)1個(gè)時(shí)間序列區(qū)間，該區(qū)間內(nèi)的所有時(shí)間點(diǎn)均可被檢測(cè)為是狀態(tài)改變點(diǎn)。但從物理意義的角度來(lái)說(shuō)，開(kāi)關(guān)狀態(tài)的改變實(shí)際上只對(duì)應(yīng)1個(gè)時(shí)間點(diǎn)。所以，為處理時(shí)間誤差對(duì)檢測(cè)精度造成的影響，有必要對(duì)不同工況設(shè)定相應(yīng)的允許時(shí)間誤差。

表1 不同工況下改變點(diǎn)識(shí)別方法的參數(shù)設(shè)置Table 1 Parameters setting of recognition method on change points in different scenarios

采用經(jīng)典異常點(diǎn)檢測(cè)方法即孤立森林[14]，對(duì)相同的時(shí)間序列數(shù)據(jù)進(jìn)行檢測(cè)，用以檢驗(yàn)評(píng)估改變點(diǎn)識(shí)別的效果。2種方法評(píng)估結(jié)果如表2所示。從表2中可以看出，2種方法的識(shí)別精度相差不大，區(qū)別在于改變點(diǎn)識(shí)別方法的漏報(bào)率更低，整體性能更好(從F1值可以看出)。一方面，相較于孤立森林方法，在閥門狀態(tài)檢測(cè)、泵異常停機(jī)和閥門內(nèi)漏檢測(cè)3種應(yīng)用場(chǎng)景中，漏報(bào)率分別降低了約26%，17%和26%。另一方面，當(dāng)缺乏數(shù)據(jù)標(biāo)簽時(shí)，改變點(diǎn)識(shí)別方法得到的結(jié)果可以作為時(shí)間序列數(shù)據(jù)狀態(tài)分段的依據(jù)。其可為缺乏數(shù)據(jù)標(biāo)注的大型復(fù)雜系統(tǒng)提供更準(zhǔn)確的標(biāo)注，或?yàn)椴煌\(yùn)行模式的預(yù)警提供相關(guān)依據(jù)。

3.2 成品油管道運(yùn)行工況的識(shí)別

如圖4所示為時(shí)間序列片段提取數(shù)量對(duì)不同運(yùn)行工況識(shí)別準(zhǔn)確度的影響。從圖4可以看出，當(dāng)時(shí)間序列片段的數(shù)量超過(guò)50個(gè)時(shí)，3種工況的識(shí)別準(zhǔn)確度較高。

表2 狀態(tài)改變點(diǎn)識(shí)別方法在不同工況下的評(píng)價(jià)結(jié)果Table 2 Evaluation results of recognition method on state change points in difference scenarios

但隨著所選取的時(shí)間序列片段增多，分類過(guò)程的計(jì)算復(fù)雜度也隨之升高，所以不能盲目增加時(shí)間序列片段的數(shù)量；在閥門內(nèi)漏場(chǎng)景下，當(dāng)時(shí)間序列片段數(shù)量在0～10 個(gè)之間時(shí)，準(zhǔn)確度高達(dá)90%以上；當(dāng)數(shù)量在10～15 個(gè)之間時(shí)，該方法的分類準(zhǔn)確度高于95%，說(shuō)明此時(shí)時(shí)間序列片段已包含該場(chǎng)景下的多種形狀特征，再增加時(shí)間序列片段數(shù)量反而會(huì)混淆分類特征，影響分類質(zhì)量。相似地，在閥門開(kāi)關(guān)狀態(tài)和泵異常停機(jī)工況的識(shí)別過(guò)程中，也可以得到基本相同結(jié)論。

圖4 最佳時(shí)間序列片段數(shù)量對(duì)分類準(zhǔn)確度的影響Fig.4 Influence of number of optimal sequential segments on classification accuracy

如圖5所示為測(cè)試子序列長(zhǎng)度對(duì)識(shí)別不同運(yùn)行狀態(tài)的影響。其中，橫坐標(biāo)表征測(cè)試子序列數(shù)據(jù)的時(shí)間長(zhǎng)度，以分鐘(min)為單位。對(duì)于管道運(yùn)行工況的判斷來(lái)說(shuō)，應(yīng)做到快速、準(zhǔn)確的判斷標(biāo)注，才能規(guī)避危險(xiǎn)事故的發(fā)生。所以，所選擇的輸入子序列長(zhǎng)度不宜過(guò)長(zhǎng)。在案例分析中，本文考查了輸入子序列長(zhǎng)度在2～10 min之間的識(shí)別效果，以2 min為單位步長(zhǎng)遞增。結(jié)果表明：輸入的測(cè)試子序列長(zhǎng)度在6 min以內(nèi)呈現(xiàn)微弱遞增趨勢(shì)，長(zhǎng)度超過(guò)6 min后，識(shí)別準(zhǔn)確度基本保持不變。所以，結(jié)合判別速度和準(zhǔn)確性2方面因素，輸入子序列的時(shí)間長(zhǎng)度在4～6 min之間為宜。

圖5 測(cè)試子序列長(zhǎng)度對(duì)識(shí)別準(zhǔn)確度的影響Fig.5 Influence of test subsequence length on recognition accuracy

比較基于時(shí)間序列片段的分類方法與其他傳統(tǒng)分類方法的分類準(zhǔn)確度，匯總后的結(jié)果如表3所示。從表3中可以看出，基于時(shí)序片段識(shí)別方法的識(shí)別準(zhǔn)確度較高，該方法相較于自適應(yīng)提升方法，對(duì)閥門開(kāi)關(guān)工況的分類準(zhǔn)確度提高了約3.8%；相較于時(shí)間序列森林方法，對(duì)泵異常停機(jī)和閥門內(nèi)漏分類準(zhǔn)確度分別提高了約2.7%和2.8%。這是因?yàn)?，管道運(yùn)行數(shù)據(jù)與管道狀態(tài)改變之間存在延時(shí)，在數(shù)據(jù)變化還不明顯時(shí)，系統(tǒng)工況已發(fā)生改變。這時(shí)，基于統(tǒng)計(jì)特征和字典等傳統(tǒng)方法可能會(huì)產(chǎn)生誤報(bào)或錯(cuò)報(bào)現(xiàn)象，而基于時(shí)間序列片段的分類方法可以較好地處理這種情況。時(shí)間序列片段通過(guò)保留序列的形狀特點(diǎn)和時(shí)頻域特征對(duì)子序列進(jìn)行分類，通過(guò)在訓(xùn)練集中添加此類時(shí)間序列片段，即可準(zhǔn)確地對(duì)延時(shí)導(dǎo)致的數(shù)據(jù)變化進(jìn)行狀態(tài)分類。該方法所具備的另1個(gè)優(yōu)勢(shì)為：對(duì)分類結(jié)果具有一定的可解釋性，即對(duì)于任意的輸入子序列，可以通過(guò)與之相似性較高的時(shí)間序列片段對(duì)該輸入子序列的分類結(jié)果進(jìn)行解釋。

表3 不同分類方法的識(shí)別結(jié)果比較Table 3 Comparison on recognition results of different classification methods

本文所提出的識(shí)別方法除上文應(yīng)用工況以外，油氣管道系統(tǒng)涉及到的其他運(yùn)行工況也可以通過(guò)基于時(shí)序片段的分類方法進(jìn)行識(shí)別。在識(shí)別過(guò)程中，需預(yù)先得到各個(gè)工況的真實(shí)標(biāo)簽，然后結(jié)合實(shí)際數(shù)據(jù)的變化規(guī)律和專家經(jīng)驗(yàn)提取與各種運(yùn)行工況關(guān)聯(lián)度最高的參數(shù)時(shí)間序列，最后通過(guò)本方法對(duì)時(shí)序片段進(jìn)行分析。

4 結(jié)論

1)提出1種基于時(shí)序片段的油氣管道運(yùn)行工況變化識(shí)別與運(yùn)行狀態(tài)判別方法，該方法僅需管道運(yùn)行壓力數(shù)據(jù)即可完成對(duì)管道運(yùn)行狀態(tài)較為快速且準(zhǔn)確的判斷。

2)通過(guò)引入狀態(tài)變化識(shí)別模型，準(zhǔn)確識(shí)別管道運(yùn)行工況轉(zhuǎn)變的運(yùn)行數(shù)據(jù)變化點(diǎn)，將連續(xù)的運(yùn)行數(shù)據(jù)準(zhǔn)確分割為代表不同運(yùn)行工況的時(shí)間序列片段，彌補(bǔ)缺少標(biāo)簽的不足。該方法對(duì)孤立森林方法中漏報(bào)率高的問(wèn)題有所改善。例如，在閥門開(kāi)關(guān)狀態(tài)檢測(cè)、泵異常停機(jī)狀態(tài)檢測(cè)、閥門內(nèi)漏狀態(tài)檢測(cè)3種應(yīng)用場(chǎng)景中，利用該方法使其漏報(bào)率分別降低約26%，17%和26%。

3)基于時(shí)間序列片段的分類方法可以在提高工況識(shí)別準(zhǔn)確度的同時(shí)，對(duì)識(shí)別結(jié)果進(jìn)行解釋。該方法相較于自適應(yīng)提升方法，對(duì)閥門開(kāi)關(guān)工況的分類準(zhǔn)確度提高約3.8%；相較于時(shí)間序列森林方法，對(duì)泵異常停機(jī)和閥門內(nèi)漏工況的分類準(zhǔn)確度分別提高約2.7%和2.8%。