基于粗糙集与遗传小波神经网络的石油管道漏损预测方法技术

本发明专利技术涉及的是基于粗糙集与遗传小波神经网络的石油管道漏损预测方法，这种基于粗糙集与遗传小波神经网络的石油管道漏损预测方法包括以下步骤：获取导致石油管道漏损的因素以及初始发生漏损时间的历史数据；利用粗糙集对获取的数据进行清洗优化，获取有效历史数据；根据获取的有效数据采用小波神经网络建立预测模型；对上述模型通过遗传算法优化初始参数；输入历史漏损数据预测石油管道漏损时间的发生。本发明专利技术可以有效预测石油管道发生漏损的时间，具有收敛速度快，预测精度高、预测结果唯一的优点，可以对石油管道的漏损进行有效预警，从而为石油管道维护提供参考。

【技术实现步骤摘要】
【专利说明】
本专利技术涉及石油管道漏损预警领域，具体涉及了一种基于粗糙集与遗传小波神经 网络的石油管道漏损预测方法。
技术介绍
伴随着能源市场需求的不断扩大，石油在国家经济发展中起着十分重要的作用。 管道运输为石油运输的主要方式，其运行状态直接关系到石油资源的安全运输，因此受到 越来越多的重视。由于石油管道自身的设计、施工质量、所处自然环境以及人为破坏，随着 使用时间的增加，会导致漏损的发生，从而对石油管道所属企业的安全生产带来影响，甚至 引起环境危害，造成巨大的经济损失。尽管现有仪器可以检测石油管道的漏损，然而仪器检 测需要消耗大量的人力与物力，并且只能在被动的在石油管道漏损发生之后才能检测，存 在着时延性。因此，通过对导致石油管道漏损的因素预测石油管道漏损发生的初始时间， 不仅可以预防可能发生的漏损故障，排除潜在的隐患，还能够为石油管道的检测与维 修计划的制定提供可靠的理论依据，具有重要的现实意义。 导致石油管道漏损的因素包括管道材料属性、管道口径、管道环境沉降、管道环境 载荷、管道环境腐蚀、管道环境温度、管道埋深、管道运行压力，并且存在着一定的非线性与 不确定性。遗传小波神经网络结合了遗传算法与小波神经网络，能够通过学习掌握这些因 素与漏损之间的复杂关系，具有很强的非线性拟合功能，并且预测结果唯一，收敛速度快的 优点。 本专利技术提出了一种，通 过导致石油管道漏损的因素的历史数据对石油管道漏损发生的初始时间进行预测，具有广 泛的应用前景以及经济价值。
技术实现思路
本专利技术提出了一种，为 石油管道漏损的检测与维修提供有效的理论参考，从而保证石油管道运行的安全稳定。 为实现上述目的，本专利技术采用的技术方案是： 一种，包括以下步骤： 步骤1 :获取导致石油管道漏损的因素以及初始发生漏损时间的历史数据，包括管道 材料属性、管道口径、管道环境沉降、管道环境载荷、管道环境腐蚀、管道环境温度、管道埋 深、管道运行压力，对获取的原始数据进行归一化处理； 步骤2 :利用步骤1获取的数据基于粗糙集方法进行清洗优化，消除因素之间的冗余信 息； 步骤3 :利用步骤2获取的优化后的数据建立小波神经网络预测模型； 步骤4 :利用遗传算法获取步骤3构建的预测模型的最优初始参数； 步骤5 :利用步骤4获取的预测模型的最优初始参数，计算预测模型输出，通过将模型 的输出反归一化获取石油管道漏损的预计发生时间。 所述步骤1中所述的导致石油管道漏损的因素的历史数据采用线性归一化处理， 公式为式（1): 对数据》立映线性映射： 所述步骤2的具体步骤为： 步骤2. 1 :将获取的导致石油管道漏损的因素离散化； 步骤2. 2 :将离散化的导致石油管道漏损的肖个因素设置为作为条 件属性，将发生漏损的时间数据设置为S，作为结论属性，建立决策规则； 步骤2. 3 :对建立的决策规则进行整理，删除冗余以及有误的数据； 步骤2. 4 :在保证决策规则相容的前提下对数据进行属性及属性值简约，获取最小属 性约简的数据。 所述步骤3中所述的小波神经网络预测模型包括神经网络输入层神经元s，神经 网络隐含层神经元及神经网络输出层神经元I ;所述隐含层神经元为f个隐含层节点，根据 实际训练精度进行调整；所述输出层神经元为石油管道漏损的初始发生时间。 所述的隐含层神经元小波基函数为式（2):式中，《与I为伸缩平移尺度因子，·Morlet小波：所述输出层神经元通过选择Sigmoid函数：小波神经网络的输入输出可以表示为：式中， 式中，努为样本个数，、_:、_为网络学习速率，为网络动量因子。 所述步骤4具体包括： 步骤4. 1 :初始化遗传算法参数，包括群体大小嫌、交叉概率&、变异概率_以及最大代 数 If :; 步骤4. 2 :将基于权利要求1所述的步骤3所述的小波神经网络的预测模型中的隐含 层节点数I、初始权值"^、网络学习速率_、稱、親伸缩平移尺度因子@以及网 络动量因子《采用实数编码方法作为一组染色体； 步骤4. 3 :随机生成JV组初始染色体，构成初始种群Pa ; 步骤4. 4:定义适应度函数为式中浐为第个样本输出神经元的实际输出，#为第丨个样本输出神经元的理想输出， 计算种群民各个个体的适应度； 步骤4. 5 :选择适应度比例选择法进行遗传操作； 步骤4. 6 :根据交叉概率_，进行交叉操作； 步骤4. 7 :选择变异概率蟀，进行变异操作； 步骤4. 8 :得到下一代种群; 步骤4. 9 :判断是否达到最大次数或中最优个体适应度大于等于预定值，若是则停 止运算，将最优个体解码为小波神经网络的参数，若否则重复步骤4. 3-步骤4. 9 ; 所述步骤4中所述的石油管道漏损的初始发生时间由训练好的小波神经网络预测模 型输出反归一化获取。 本专利技术的有益效果在于： 本专利技术的，不需要精确的 数学模型，通过分析导致石油管道漏损的因素以及初始发生漏损时间的历史数据，采用粗 糙集方法处理冗余数据，遗传小波神经网络对未来石油管道初始发生漏损时间进行准确预 测，预测结果精度高、结果唯一、收敛速度快，从而为石油管道的检测与维修计划的制定提 供可靠的理论依据提供参考，保证石油管道运行的安全稳定。【附图说明】 图1为本专利技术的的流 程图。 图2为本专利技术的中小 波神经网络结构图。 图3为本专利技术的的遗 传算法优化流程图。【具体实施方式】 以下结合附图1-附图3对本专利技术的优选实施例进行说明，应当理解，此处所描 述的优选实施例仅用于说明和解释本专利技术，并不用于限定本专利技术。 -种，包括以下步骤： 步骤1 :获取导致石油管道漏损的因素以及初始发生漏损时间的历史数据，包括管道 材料属性、管道口径、管道环境沉降、管道环境载荷、管道环境腐蚀、管道环境温度、管道埋 深、管道运行压力，对获取的原始数据进行归一化处理； 步骤2 :利用步骤1获取的数据基于粗糙集方法进行清洗优化，消除因素之间的冗余信 息； 步骤3 :利用步骤2获取的优化后的数据建立小波神经网络预测模型； 步骤4 :利用遗传算法获取步骤3构建的预测模型的最优初始参数； 步骤5 :利用步骤4获取的预测模型的最优初始参数，计算预测模型输出，通过将模型 的输出反归一化获取石油管道漏损的预计发生时间。 所述步骤1中所述的导致石油管道漏损的因素的历史数据采用线性归一化处理， 公式为式（1): 对数据斯建立映线性映射：式中，其中％代表管道当前第1页1 2 本文档来自技高网...

【技术保护点】
一种基于粗糙集与遗传小波神经网络的石油管道漏损预测方法, 其特征在于，所述方法包括：步骤1，获取导致石油管道漏损的因素以及初始发生漏损时间的历史数据，包括管道材料属性、管道口径、管道环境沉降、管道环境载荷、管道环境腐蚀、管道环境温度、管道埋深、管道运行压力，对获取的原始数据进行归一化处理；步骤2，利用步骤1获取的数据基于粗糙集方法进行清洗优化，消除因素之间的冗余信息；步骤3，利用步骤2获取的优化后的数据建立小波神经网络预测模型；小波神经网络预测模型包括神经网络输入层神经元，神经网络隐含层神经元及神经网络输出层神经元；所述隐含层神经元为个隐含层节点，根据实际训练精度进行调整；所述输出层神经元为图像像素灰度值；基于小波神经网络的预测模型中所述隐含层神经元小波基函数为：其中，与为伸缩平移尺度因子，，取Morlet小波：所述输出层神经元通过选择Sigmoid函数：可以表示为：其中，式中为样本个数，、、、为网络学习速率，为网络动量因子；步骤4，利用遗传算法获取步骤3构建的预测模型的最优初始参数；步骤5，利用步骤4获取的预测模型的最优初始参数，计算预测模型输出，通过将模型的输出反归一化获取石油管道漏损的预计发生时间。...

【技术特征摘要】

【专利技术属性】
技术研发人员：李贤丽，刘斌，张秀龙，张义勇，孙宇，张晓玲，
申请(专利权)人：东北石油大学，
类型：发明
国别省市：黑龙江;23