[发明专利]RBF神经网络模型的流致腐蚀特性预测及寿命评估方法

权利要求书

1.一种RBF神经网络模型的流致腐蚀特性预测及寿命评估方法，其特征在于：

1)RBF神经网络模型建立；

2)训练样本数据采集

训练样本数据的采集是高风险冷换管束系统的集散控制系统(DCS)的实时运行工况数据和实验室信息管理系统(LIMS)化验分析数据获取，即实时采集某高风险冷换管束系统中不同时刻序列对应的管束入口平均流速V1、管束出口平均流速V2、注水量m1、原料氯含量m2、原料氮含量m3、原料硫含量m4和管束入口温度T1，将这七个变量作为RBF神经网络模型的七个输入变量，将流致腐蚀温度TJ和流致腐蚀速率G作为RBF神经网络模型的两个输出变量；整个RBF神经网络模型为多输入多输出模型，将训练样本数据的输入变量和输出变量输入到RBF神经网络模型中进行优化训练并获得训练后的RBF神经网络模型；

3)利用训练后的RBF神经网络模型对待测高风险冷换管束系统的实时运行工况数据和化验分析数据进行处理，获得待测高风险冷换管束系统的流致腐蚀特性预测及寿命评估的结果。

2.根据权利要求1所述的一种RBF神经网络模型的流致腐蚀特性预测及寿命评估方法，其特征在于：所述1)中的RBF神经网络模型为单隐层多层神经网络结构，包括输入层、隐藏层和输出层，采用I-P-O结构，即输入层神经节点个数为为I个，隐藏层神经节点个数为P个，输出层神经节点个数为O个，隐藏层激活函数为高斯径向基函数，输出层激活函数为线性函数。

3.根据权利要求1或者2所述的一种RBF神经网络模型的流致腐蚀特性预测及寿命评估方法，其特征在于：所述2)中，训练样本数据采集的步骤具体包括：

2.1)首先，将实时采集获得的管束入口平均流速V₁、管束出口平均流速V₂、注水量m₁、原料氯含量m₂、原料氮含量m₃、原料硫含量m₄、管束入口温度T₁进行离散点野值统计分析，剔除任意一个与其相邻五个同种数据类型的离散点几何平均值之间的偏差超过40％的离散点数据，进行数据清洗预处理，构建不同时刻序列的训练样本数据，将训练样本数据分为两组；

2.2)然后，将管束入口平均流速V₁、管束出口平均流速V₂、注水量m₁、原料氯含量m₂、原料氮含量m₃、原料硫含量m₄、管束入口温度T₁输入至RBF神经网络模型获得流致腐蚀温度T_J和流致腐蚀速率G的预测值；

2.2.1)将RBF神经网络模型的样本数据集表示为(x,y)的向量形式，其中x＝[X_i1，X_i2，X_i3，X_i4，X_i5，X_i6，X_i7]^T，y＝[y_i1,y_i2]^T；

式中X_in为第i样本的第n个特征，在RBF神经网络模型中，一个输入神经节点表征样本的一个特征，设定七个输入变量的特征为，X_i1、X_i2分别表示管束入口、管束出口的平均流速V₁、V₂，单位：m/s；X_i3为注水量m₁，单位：t/h；X_i4为原料氯含量m₂，单位ppm；X_i5为原料氮含量m₃，单位：g/kg；X_i6为原料硫含量m₄，单位：％；X_i7为管束入口温度T₁，单位：℃；Y_i为第i个样本对应的输出值，Y_im为第i个样本的第m个特征，设定两个输出变量的特征值，y_i1为流致腐蚀温度T_J，单位：℃；y_i2为流致腐蚀G，单位：g/t；

2.2.2)设定隐藏层是由径向基函数构成的j维空间向量选择高斯函数作为RBF神经网络模型的核函数，表示为：

其中，u_j为神经节点j的核函数中心向量，δ为核函数的宽度函数，x表示RBF神经网络模型的7个输入样本特征，P为隐藏层神经节点总个数；

u_j和δ计算表示为：

其中，min i、max i分别表示训练样本数据中第i个特征所有输入信息的最小值和最大值，j表示第j个隐藏层节点；P为隐藏层神经节点总个数；d_max表示距离所选核函数中心向量u_j的最大欧式距离，任意两向量(x₁,x₂,…,x_n)与(y₁,y₂,…,y_n)之间的欧氏距离d计算方法如下：

隐藏层输出矩阵为：

隐藏层神经节点j到输出层神经节点k的分权向量ω_jk和偏置向量c_jk分别为：

ω_jk＝[ω_j1,ω_j2]^T，j＝1,2,…,P

c_jk＝[c_j1,c_j2]^T，j＝1,2,…,P

其中，ω_j1,ω_j2分别表示第j个隐藏层神经节点到第1个、第2个输出层神经节点的分权向量，c_j1,c_j2分别表示第j个隐藏层神经节点到第1个、第2个输出层神经节点的偏置向量，T为矩阵的转置符号；

2.2.3)采用以下公式进行高风险冷换管束系统中流致腐蚀特性的预测，表示为：

其中，y表示所有组训练样本数据分组通过步骤2.2.3)中预测获得的流致腐蚀温度T_J或流致腐蚀速率G的预测结果，k表示训练样本数据分组的组序数。