概括
本研究介绍了一种使用空间和时间OTDR信号数据的新型管道威胁检测方法. 该方法准确地识别了第三方事件,提高了管道安全和监控.
科学领域:
- 能源基础设施的安全性
- 信号处理和机器学习
背景情况:
- 管道监控对于检测石油和天然气行业的第三方威胁至关重要.
- 传统方法在准确识别各种入侵事件方面存在局限性.
研究的目的:
- 在长途管道中开发一种用于检测第三方事件的新策略.
- 利用来自OTDR信号的空间和时间数据来改进威胁识别.
主要方法:
- 综合实证模式分解 (EMD),马尔科夫过渡场 (MTF) 和主要组件分析 (PCA).
- 将振动信号转换为2D MTF图像,用于机器学习分类.
- 使用反向传播神经网络 (BPNN),随机森林 (RF),自适应增强 (AB) 和决策树 (DT) 模型.
主要成果:
- 所有分类器在检测五个不同的威胁事件时都取得了超过95%的准确性.
- 反向传播神经网络 (BPNN) 以99.10%的准确性和99.49%的F1得分表现出卓越的性能.
- 综合方法有效地区分了威胁信号中的微妙变化.
结论:
- 拟议的方法为长途管道安全监控提供了高效和精确的解决方案.
- 这种技术提高了检测第三方复杂活动的能力,改善了管道的整体监控.


