基于在线突变点检测的实时燃油泄漏检测
机器学习
2024-10-15 v1 机器学习
摘要
在配备地下石油储存系统的加油站进行燃油泄漏早期检测，是防止灾难性事故的关键任务。当前的数据驱动燃油泄漏检测方法采用离线统计库存核对，导致检测延迟显著。因此，可能导致巨额财务损失及对周边社区的环境影响。本文提出了一种新型框架，称为基于记忆的在线突变点检测（Memory-based Online Change Point Detection, MOCPD），其 operate in near real-time，使燃油泄漏能够实现早期检测。MOCPD 在受大小限制的记忆中维持一组代表性历史数据，同时计算自适应阈值。当最新数据与历史记忆之间的异质性超过当前阈值时，即检测到漏液。MOCPD 还包含一个更新阶段，以确保记忆中历史样本的多样性。通过这种设计，MOCPD 更加稳健，能够在保持合理精确率的同时实现更好的召回率。我们对 MOCPD 与常用在线突变点检测（CPD）基线方法在真实世界燃油方差数据（包括人为诱导的泄漏）、实际燃油泄漏数据以及基准 CPD 数据集上的进行了多种实验。总体而言，MOCPD 在检测准确性方面始终优于基线方法，证明了其在燃油泄漏检测和 CPD 问题中的适用性。
引用
@article{arxiv.2410.09741,
title = {Real-time Fuel Leakage Detection via Online Change Point Detection},
author = {Ruimin Chu and Li Chik and Yiliao Song and Jeffrey Chan and Xiaodong Li},
journal= {arXiv preprint arXiv:2410.09741},
year = {2024}
}