[发明专利]基于多源数据融合的管道腐蚀缺陷尺寸的预测方法

摘要

基于多源数据融合的管道腐蚀缺陷尺寸的预测方法，该方法采用基于多源数据融合的管道腐蚀缺陷尺寸的预测系统实现，该系统包括传感器组、下位机和上位机；其中，传感器组置于管道的首端或者末端，与输送介质接触；传感器组与所述下位机相连接，下位机与所述上位机相连接；该方法首先利用历史数据建立灰色GM(1，1)预测模型和BP神经网络模型，然后利用这两种模型得到预测值，接下来根据历史数据和这两种模型的预测值建立诱导有序加权调和平均IOWHA算子组合模型，对于新数据，逐次利用这三种模型，分别对腐蚀缺陷的尺寸从轴向、周向和深度3个方向都进行预测后，最后获得管道腐蚀缺陷尺寸预测值；本发明预测的准确性更高，且减少数据量的输入。

主权项

一种基于多源数据融合的管道腐蚀缺陷尺寸的预测方法，该方法采用一种基于多源数据融合的管道腐蚀缺陷尺寸的预测系统进行管道腐蚀缺陷尺寸预测，所述预测系统包括：传感器组、下位机和上位机；所述传感器组置于管道的首端或者末端，与输送介质接触；所述传感器组与所述下位机相连接，所述下位机与所述上位机相连接；所述传感器组包括多种传感器，该多种传感器分别用于实时采集反映管道运行状态的特征参量数据和管道输送介质成分数据，并将这些数据传送至下位机；所述多种传感器的类型和数量，根据实际使用的管道类型和管道输送介质来确定；所述下位机用于控制传感器组的数据采集过程，并将从传感器组接收的数据传送给上位机；所述上位机，包括：数据管理模块、数据处理模块和腐蚀缺陷尺寸预测模块；所述数据管理模块用于接收下位机传送来的数据，并按照数据检测时间进行存储；所述数据管理模块还用于读取管道内检测器定期检测的管道腐蚀缺陷尺寸数据，并分别针对管道每个腐蚀缺陷记录其历史缺陷尺寸数据；所述数据处理模块用于从数据管理模块中获取数据进行处理与计算，包括：无量纲化处理、灰色关联系数计算、灰色关联度计算和腐蚀速率估算，并将数据处理与计算的结果传送给腐蚀缺陷尺寸预测模块；所述腐蚀缺陷尺寸预测模块用于利用数据管理模块的数据和数据处理模块的数据建立腐蚀缺陷尺寸预测模型，并对管道腐蚀缺陷尺寸进行预测，得到管道腐蚀缺陷尺寸预测值；其特征在于：包括如下步骤：步骤1：采集历史数据；所述数据包括：反映管道运行状态的特征参量的数据、管道输送介质成分的数据和管道腐蚀缺陷尺寸数据；各个反映管道运行状态的特征参量和各个管道输送介质成分构成管道腐蚀缺陷的影响因素集合U＝{u1，u2，...，un}中的各个元素，ui为所述元素的基于检测时间点的数据集，ui＝{xi(t)}，i＝1，2，…，n，t为检测时间；n为反映管道运行状态的特征参量个数与管道输送介质成分个数之和；针对管道腐蚀缺陷尺寸历史数据，建立管道腐蚀缺陷尺寸历史数据集：其中，LT为管道腐蚀缺陷的轴向长度基于检测时间顺序的历史数据集，WT为管道腐蚀缺陷的周向宽度基于检测时间顺序的历史数据集，HT为管道腐蚀缺陷的深度基于检测时间顺序的历史数据集；T＝T1，T2，...，Tm为检测时间点，例为检测次数；步骤2：根据管道腐蚀缺陷尺寸历史数据，估算管道腐蚀缺陷的腐蚀速率；分别计算管道腐蚀缺陷在各检测时间点T1，T2，...，Tm和各插值时间点T1，2，T2，3，...，Tm‑1，m的轴向长度、周向宽度和深度3个方向的腐蚀速率其中，Tm‑1，m为Tm‑1和Tm的时间中点，t′＝T1，2，T2，T2，3，...，Tm‑1，Tm‑1，m；分别以管道腐蚀缺陷的轴向长度、周向宽度和深度为纵坐标轴，以检测时间T为横坐标轴，建立Lt‑T坐标系、Wt‑T坐标系和Ht‑T坐标系，并分别根据管道腐蚀缺陷尺寸历史数据集在Lt‑T坐标系、Wt‑T坐标系和Ht‑T坐标系上绘制曲线；除去第一个检测时间点T1和最后一个检测时间点Tm后，管道腐蚀缺陷分别在其余各检测时间点T2，...，Tm‑1的轴向长度方向的腐蚀速率值，为所述Lt‑T坐标系上的点与其前后紧邻的点和的两条连线相交所得夹角的平分线的斜率值；同样的，管道腐蚀缺陷分别在各检测时间点T2，...，Tm‑1的周向宽度方向的腐蚀速率值，为所述Wt‑T坐标系上的点与其前后紧邻的点和的两条连线相交所得夹角的平分线的斜率值；同样的，管道腐蚀缺陷分别在各检测时间点T2，...，Tm‑1的深度方向的腐蚀速率值，为所述Ht‑T坐标系上的点与其前后紧邻的点和的两条连线相交所得夹角的平分线的斜率值；管道腐蚀缺陷分别在各插值时间点T1，2，T2，3，...，Tm‑1，m的轴向长度方向的腐蚀速率值、周向宽度方向的腐蚀速率值和深度方向的腐蚀速率值，分别为Lt‑T坐标系上、Wt‑T坐标系上和Ht‑T坐标系上各个插值时间点各自相关的两个检测时间点分别对应的两个坐标点的连线的斜率值；即，步骤3：利用灰色关联方法，确定影响管道腐蚀缺陷腐蚀速率的主要影响因素；步骤3.1：确定管道腐蚀缺陷轴向长度的腐蚀速率的主要影响因素；步骤3.1.1：以腐蚀缺陷轴向长度的腐蚀速率为参考因素，分别以集合U中的各个元素为对比因素，对ui进行无量纲化处理；步骤3.1.2：计算各对比因素对于参考因素在各检测时间点的灰色关联系数；步骤3.1.3：根据步骤3.1.2的结果，分别计算各个对比因素的灰色关联系数平均值，分别作为各个对比因素的灰色关联度；步骤3.1.4：对各个对比因素的灰色关联度进行降序排列，根据排序结果和经验，选取前若干个对比因素作为腐蚀缺陷轴向长度的腐蚀速率的主要影响因素；步骤3.2：采用同样的方法，重复执行步骤3.1.1至步骤3.1.4两次，分别确定腐蚀缺陷周向宽度的腐蚀速率的主要影响因素和腐蚀缺陷深度的腐蚀速率的主要影响因素；步骤4：利用管道腐蚀缺陷尺寸历史数据、管道腐蚀缺陷的腐蚀速率估算数据及其对应的各检测时间点和各插值时间点的腐蚀速率的各主要影响因素的数据，建立管道腐蚀缺陷尺寸预测模型；所述管道腐蚀缺陷尺寸预测模型，包括灰色GM(1，1)预测模型、BP神经网络模型和诱导有序加权调和平均IOWHA算子组合模型，方法如下：步骤4.1：根据管道腐蚀缺陷尺寸历史数据，对管道腐蚀缺陷尺寸在轴向长度、周向宽度和深度三个方向上分别建立灰色GM(1，1)预测模型，得到模型参数，并利用该模型进行腐蚀缺陷尺寸预测得到预测值；步骤4.2：对管道腐蚀缺陷尺寸在轴向长度、周向宽度和深度三个方向上分别建立并训练BP神经网络模型，并利用该模型进行腐蚀缺陷尺寸预测得到预测值，具体方法为：分别将步骤3中得到的结果作为3个BP神经网络的输入；分别将步骤2中得到的结果作为3个BP神经网络的输出；分别给3个BP神经网络设定1个隐含层，并根据所需的训练速度和精度设定隐含层节点数；分别建立管道腐蚀缺陷在轴向长度方向的BP神经网络、周向宽度方向的BP神经网络和深度方向的BP神经网络；分别通过3个BP神经网络模型进行预测，分别得到管道腐蚀缺陷在轴向长度方向的腐蚀速率预测值、周向宽度方向的腐蚀速率预测值和深度方向的腐蚀速率预测值，并分别按时间积分后得到管道腐蚀缺陷在轴向长度方向的腐蚀缺陷尺寸的预测值、周向宽度方向的腐蚀缺陷尺寸的预测值和深度方向的腐蚀缺陷尺寸的预测值；步骤4.3：利用步骤4.1得到的管道腐蚀缺陷尺寸预测值、步骤4.2得到的管道腐蚀缺陷尺寸预测值和管道腐蚀缺陷尺寸历史数据，建立诱导有序加权调和平均IOWHA算子组合模型，并确定模型参数；步骤5：采集新数据；所述新数据包括反映管道运行状态的特征参量数据和管道输送介质成分数据；步骤6：利用步骤4.1建立的灰色GM(1，1)预测模型，预测新数据检测时间点的管道腐蚀缺陷尺寸；步骤7：利用步骤4.2得到的BP神经网络模型，预测新数据检测时间点的管道腐蚀缺陷尺寸，具体方法为：根据最后时间点读取的管道腐蚀缺陷尺寸数据及该时间点到新数据检测时间点之间的这段时间段的ui，利用步骤4.2得到的BP神经网络模型，预测该时间段的管道腐蚀缺陷的腐蚀速率，并将该腐蚀速率预测值按时间积分到该时间段的管道腐蚀缺陷的增长尺寸预测值；然后，将最后的管道腐蚀缺陷尺寸数据与该时间段的管道腐蚀缺陷的增长尺寸预测值相加，得到新数据检测时间点的管道腐蚀缺陷尺寸预测值；步骤8：利用步骤4.3中建立的诱导有序加权调和平均IOWHA算子组合模型，将步骤6和步骤7的结果进行结合，得到最终的新数据检测时间点的管道腐蚀缺陷尺寸的预测值。