【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 ...
【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。