一种基于LSTM的油气储罐远程壁板厚度预测方法及系统技术方案

本发明专利技术涉及一种基于LSTM的油气储罐远程壁板厚度预测方法及系统，考虑储油罐外部环境温度、湿度等油气储罐壁板厚度腐蚀因素，还考虑壁板预测位置的振动量和壁板所承受的压力。通过建立LSTM网络预测模型，以及对历史数据的分析，对下一时刻的壁板厚度进行预测，并结合规定阈值进行故障预判断。本发明专利技术可有效避免可能发生的事故，实现油气储罐壁板的预测性维护。

【技术实现步骤摘要】
一种基于LSTM的油气储罐远程壁板厚度预测方法及系统
本专利技术涉及油气罐远程运维
，特别是一种基于LSTM的油气储罐远程壁板厚度预测方法及系统。
技术介绍
大型油气储罐壁板腐蚀减薄是油气储罐区需要面临的一个非常严峻的问题，因腐蚀造成的油气储罐泄露带来了严重的经济损失和环境污染，对油气储罐的壁板厚度值进行预测，及时发现问题，避免可能发生的事故。然而，目前在油气储罐壁板远程运维中，缺乏对油气储罐壁板厚度的预测方法，只能通过实时检测获取当前时刻的壁板厚度。
技术实现思路
有鉴于此，本专利技术的目的是提出一种基于LSTM的油气储罐远程壁板厚度预测方法及系统，可有效避免可能发生的事故，实现油气储罐壁板的预测性维护。本专利技术采用以下方案实现：一种基于LSTM的油气储罐远程壁板厚度预测方法，具体包括以下步骤：远程采集五组油气储罐运行参数：壁板厚度T、储罐外部环境温度C、储罐内部油气压力P、壁板振动幅值V、空气湿度H，并构建时间序列数据集；计算各个特征与输出壁板厚度序列的相关性系数；归一化处理时间序列数据集，将归一化后的数据集分成训练数据集和验证数据集；以相关性系数初始化LSTM模型权重，利用训练数据集对LSTM模型进行学习训练；通过验证数据集对训练好的模型进行验证，若验证不通过，则采集新数据，构建新的时间序列数据集，并重复上述步骤，直到模型验证通过；采集最新时刻的数据，输入到验证通过的LSTM模型，实现下一时刻壁板厚度值预测。进一步地，所述远程采集五组油气储罐运行参数：壁板厚度T、储罐外部环境温度C、储罐内部油气压力P、壁板振动幅值V、空气湿度H，并构建时间序列数据集具体包括以下步骤：步骤S11：远程采集壁板厚度检测点的外部温度C、壁板压力P、壁板振动量V、空气湿度H、壁板厚度T；步骤S12：采用时间t为采样间隔时间，分别获取如下运行参数时间序列：T＝[T0,Tt,T2t,...Tkt...,T(n-1)t,Tnt]，C＝[C0,Ct,C2t,...Ckt...C(n-1)t,Cnt]，P＝[P0,Pt,P2t,...Pkt...P(n-1)t,Pnt]，V＝[V0,Vt,V2t,...Vkt...V(n-1)t,Vnt]，H＝[H0,Ht,H2t,...Hkt...H(n-1)t,Hnt]；其中，Tkt表示kt时刻采集的壁板厚度数据，Ckt表示kt时刻采集的外部温度数据，Pkt表示kt时刻采集的壁板压力数据，Vkt表示kt时刻采集的壁板振动量数据，Hkt表示kt时刻采集的空气湿度数据；其中，k＝0,1,...,n，n+1为最大采集数。进一步地，所述计算各个特征与输出壁板厚度序列的相关性系数具体为：计算运行参数时间序列C、P、V、H的时间序列数据与壁板厚度时间序列的相关性系数[ρCT,ρPT,ρVT,ρHT]T；式中，E(*)表示取均值操作，D(*)表示取方差操作。进一步地，所述以相关性系数初始化LSTM模型权重，利用训练数据集对LSTM模型进行学习训练具体包括以下步骤：步骤S21：初始化模型权重，分别为：遗忘门f的初始权重：Wf＝[Wfh,Wfx]；其中，Wfh＝ρCT，Wfx＝[ρCT,ρCT,ρCT,ρCT,ρCT]；输入门i的初始权重：Wi＝[Wih,Wix]，其中，Wih＝ρPT，Wix＝[ρPT,ρPT,ρPT,ρPT,ρPT]；输出门o的初始权重：Wo＝[Woh,Wox]，其中，Woh＝ρVT，Wox＝[ρVT,ρVT,ρVT,ρVT,ρVT]；记忆单元c的初始权重：Wc＝[Wch,Wcx]，其中，Wch＝ρHT，Wcx＝[ρHT,ρHT,ρHT,ρHT,ρHT]；步骤S22：使用训练数据集进行模型学习训练，通过误差反向传播进行模型参数更新。进一步地，所述通过验证数据集对训练好的模型进行验证具体为：将验证数据集输入到训练好的模型中，得到nt时刻的归一化预测值，通过与nt时刻的壁板厚度实际值T的归一化数值比较，如果差值绝对值在设定阈值范围内，则模型验证通过。进一步地，所述采集最新时刻的数据，输入到验证通过的LSTM模型，实现下一时刻壁板厚度值预测中，在模型输出预测值后，将其进行反归一化操作，得到下一时刻的壁板厚度值。进一步地，还包括步骤：定义油气储罐壁板失效阈值为TInvalid，预测壁厚值Tyc小于规定阈值TInvalid，则判定为壁板厚度异常。本专利技术还提供了一种基于LSTM的油气储罐远程壁板厚度预测系统，包括数据采集与预处理模块、相关性分析模块、模型训练模块、模型验证模块以及厚度预测模块；所述数据采集与预处理模块远程采集五组油气储罐运行参数：壁板厚度T、储罐外部环境温度C、储罐内部油气压力P、壁板振动幅值V、空气湿度H，并构建时间序列数据集；同时，归一化处理时间序列数据集，将归一化后的数据集分成训练数据集和验证数据集；所述相关性分析模块以相关性系数初始化LSTM模型权重；所述模型训练模块利用训练数据集对LSTM模型进行学习训练；所述模型验证模块通过验证数据集对训练好的模型进行验证，若验证不通过，则采集新数据，构建新的时间序列数据集，并重复上述步骤，直到模型验证通过；所述厚度预测模块采集最新时刻的数据，输入到验证通过的LSTM模型，实现下一时刻壁板厚度值预测。上述各模块所进行的处理细节均可与上文方法部分相同。本专利技术还提供了一种基于LSTM的油气储罐远程壁板厚度预测系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序，当处理器在运行该计算机程序时，能够实现如上文所述的方法步骤。本专利技术还提供了一种计算机可读存储介质，其上存储有能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如上文所述的方法步骤。本专利技术考虑储油罐外部环境温度、湿度等油气储罐壁板厚度腐蚀因素，还考虑壁板预测位置的振动量和壁板所承受的压力。通过建立LSTM网络预测模型，以及对历史数据的分析，对下一时刻的壁板厚度进行预测，并结合规定阈值进行故障预判断，可有效避免可能发生的事故，实现油气储罐壁板的预测性维护。与现有技术相比，本专利技术有以下有益效果：1、本专利技术提取的特征数据简单、易于提取，并且与壁板厚度具有较强的相关性，可以更加全面评估壁板厚度变化情况，保证其预测精度。2、本专利技术基于LSTM的油气储罐壁板厚度的预测方法，将实时采集的当前数据放入训练好的LSTM网络模型并得出下一时刻壁板厚度预测结果，能够提供有效可靠的预测方法。附图说明图1为本专利技术实施例的本专利技术的原理流程示意图。图2为本专利技术实施例的LSTM神经网络原理图。图3为本专利技术实施例的预测示意图。具体实施方式下面结合附图及实施例对本专利技术做进一步说明。本文档来自技高网...

【技术保护点】
1.一种基于LSTM的油气储罐远程壁板厚度预测方法，其特征在于，包括以下步骤：/n远程采集五组油气储罐运行参数：壁板厚度T、储罐外部环境温度C、储罐内部油气压力P、壁板振动幅值V、空气湿度H，并构建时间序列数据集；/n计算各个特征与输出壁板厚度序列的相关性系数；/n归一化处理时间序列数据集，将归一化后的数据集分成训练数据集和验证数据集；/n以相关性系数初始化LSTM模型权重，利用训练数据集对LSTM模型进行学习训练；/n通过验证数据集对训练好的模型进行验证，若验证不通过，则采集新数据，构建新的时间序列数据集，并重复上述步骤，直到模型验证通过；/n采集最新时刻的数据，输入到验证通过的LSTM模型，实现下一时刻壁板厚度值预测。/n

【技术特征摘要】
1.一种基于LSTM的油气储罐远程壁板厚度预测方法，其特征在于，包括以下步骤：
远程采集五组油气储罐运行参数：壁板厚度T、储罐外部环境温度C、储罐内部油气压力P、壁板振动幅值V、空气湿度H，并构建时间序列数据集；
计算各个特征与输出壁板厚度序列的相关性系数；
归一化处理时间序列数据集，将归一化后的数据集分成训练数据集和验证数据集；
以相关性系数初始化LSTM模型权重，利用训练数据集对LSTM模型进行学习训练；
通过验证数据集对训练好的模型进行验证，若验证不通过，则采集新数据，构建新的时间序列数据集，并重复上述步骤，直到模型验证通过；
采集最新时刻的数据，输入到验证通过的LSTM模型，实现下一时刻壁板厚度值预测。


2.根据权利要求1所述的一种基于LSTM的油气储罐远程壁板厚度预测方法，其特征在于，所述远程采集五组油气储罐运行参数：壁板厚度T、储罐外部环境温度C、储罐内部油气压力P、壁板振动幅值V、空气湿度H，并构建时间序列数据集具体包括以下步骤：
步骤S11：远程采集壁板厚度检测点的外部温度C、壁板压力P、壁板振动量V、空气湿度H、壁板厚度T；
步骤S12：采用时间t为采样间隔时间，分别获取如下运行参数时间序列：
T＝[T0,Tt,T2t,...Tkt...,T(n-1)t,Tnt]，
C＝[C0,Ct,C2t,...Ckt...C(n-1)t,Cnt]，
P＝[P0,Pt,P2t,...Pkt...P(n-1)t,Pnt]，
V＝[V0,Vt,V2t,...Vkt...V(n-1)t,Vnt]，
H＝[H0,Ht,H2t,...Hkt...H(n-1)t,Hnt]；
其中，Tkt表示kt时刻采集的壁板厚度数据，Ckt表示kt时刻采集的外部温度数据，Pkt表示kt时刻采集的壁板压力数据，Vkt表示kt时刻采集的壁板振动量数据，Hkt表示kt时刻采集的空气湿度数据；其中，k＝0,1,...,n，n+1为最大采集数。


3.根据权利要求1所述的一种基于LSTM的油气储罐远程壁板厚度预测方法，其特征在于，所述计算各个特征与输出壁板厚度序列的相关性系数具体为：计算运行参数时间序列C、P、V、H的时间序列数据与壁板厚度时间序列的相关性系数[ρCT,ρPT,ρVT,ρHT]T；



式中，E(*)表示取均值操作，D(*)表示取方差操作。


4.根据权利要求1所述的一种基于LSTM的油气储罐远程壁板厚度预测方法，其特征在于，所述以相关性系数初始化LSTM模型权重，利用训练数据集对LSTM模型进行学习训练具体包括以下步骤：
步骤S21：初始化模型权重，分别为：
遗忘门f的初始权重：
Wf＝[Wfh,Wfx]；其中，Wfh＝ρCT，Wfx＝[ρCT,ρCT,ρCT,ρCT,ρCT]；
输入...

【专利技术属性】
技术研发人员：叶锦华，朱利琦，刘峰，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建;35