基于时空特征融合的原油管道运行参数异常检测

摘要

针对原油管道运行参数异常检测过程中存在的多变量时序数据高维、异常模式复杂及传统方法检出率低等问题，提出一种基于特征图注意力(Graph Attention, GAT)与时序自注意力(Temporal Self-Attention)串联结构的自监督时空特征融合管道异常检测模型(Spatio-Temporal Pipeline Anomaly Detection, STPAD)。首先利用特征图注意力提取不同站场多传感器参数间的空间关联特征，随后通过时序自注意力机制对提取后的特征序列捕捉长程时序依赖，最终通过预测与重构双分支协同综合评估异常状态。以新疆油田2条真实原油管道为算例，所提模型在2个案例上的F1分数分别为0.974 3和0.988 6,准确率分别为0.994 0和0.996 9,整体优于LSTM-AE、OC-SVM及OmniAnomaly等方法，有效降低了误判和漏检风险。延迟步数分析表明，模型在2个案例中的延迟步数分别为0.289 1步和0.176 5步，能够满足原油管道快瞬变特性对异常检测响应速度的实际需求。消融实验进一步验证了各个模块设计的有效性。所提模型实现了对原油管道运行异常的高精度、低延迟检测，具备良好的泛化能力和工程适用性。

关键词

原油管道 / 异常检测 / 图注意力 / 时序自注意力 / 深度学习