摘要：为改善成品油管道系统生产运行监测过程中不能自动识别部分运行状态，以及异常工况识别准确率较低的问题，应用智能工况识别方法，构建具有实时监测能力的成品油管道运行工况识别模型。首先，采用逻辑规则判别方法，并根据成品油管道系统中的事件日志补充数据标签；其次，按照工况的起止时间对数据进行分段，并采用滑动窗口的方式提取不同工况的子序列及其特征；然后构建成品油管道运行工况识别模型，并与随机森林(RF)、自适应提升(AdaBoost)、支持向量机(SVM)、时间序列森林(TSF)、随机区间谱系森林(RISF)和序列学习器(SEQL)等6种机器学习分类模型进行对比，分析其识别效果；最后，以某真实成品油管道为例，进行模型验证。结果表明：TSF模型对阀门开关、阀门内漏、清管和甩泵4种工况的识别精确度最高，且更适合短期内运行工况的识别；而AdaBoost模型的识别精确度在95%的置信区间内所含真实值的概率更高。

关键字：机器学习;成品油管道;运行工况;工况识别;分类模型

ISSN号：1003-3033

卷、期、页：卷34期6：127-135

发表日期：2024-06-15

期刊分区（SCI为中科院分区）：无

收录情况：北大中文核心期刊,CSTPCD（中国科技核心期刊）（统计源期刊）

发表期刊名称：中国安全科学学报

参与作者：李苗,李凌波,左志恒,张丽

通讯作者：江璐鑫

第一作者：苏怀

论文类型：期刊论文

论文概要：李苗,李凌波,左志恒,张丽,江璐鑫,苏怀，基于机器学习的成品油管道运行工况识别，中国安全科学学报，2024，卷34期6：127-135

论文题目：基于机器学习的成品油管道运行工况识别