数据驱动的设备腐蚀预测方法技术

本申请提供一种数据驱动的设备腐蚀预测方法，用于对设备的关键部位的腐蚀状态进行预测。该方法基于数据驱动的思想建立针对设备腐蚀机理、腐蚀类型、腐蚀程度的综合腐蚀预测过程，共涉及数据获取、数据划分、数据处理以及数据建模四个方面。首先，基于大量设备腐蚀检测历史数据和GB/T 30579

Data driven method for equipment corrosion prediction

【技术实现步骤摘要】
数据驱动的设备腐蚀预测方法


[0001]本申请涉及腐蚀监测领域，具体涉及一种数据驱动的设备腐蚀预测方法。

技术介绍

[0002]腐蚀是指金属等材料在周围介质的作用下产生的损伤破坏过程。尤其对于石油和天然气行业而言，设备的腐蚀往往会引发严重的负面影响，包括设备结构的失效、有毒物质的泄漏以及相应的火灾爆炸事故等，从而产生重大的生命和财产损失。因此，开展炼化设备的腐蚀防护，消除潜在腐蚀威胁对石油和天然气行业的发展和工艺设备的安全运行具有重要意义。腐蚀诊断是开展腐蚀防护的第一步，通过诊断识别设备腐蚀安全状态也是评估设备完整性和安全性的重要依据。
[0003]目前，工程上的腐蚀诊断通常需要有经验的人员对设备进行腐蚀机理识别判断，随后采用宏观目测或其他检测仪器进行腐蚀检查，从而对设备腐蚀状态进行诊断。然而，此类依赖于专家经验的诊断评估方法效率低且受人为因素影响大，无法全面有效的提供设备腐蚀状态信息。随着人工神经网络(ArtificialNeural Network，ANN)、支持向量机(Support Vector Machine，SVM)、随机森林(Random Forest，RF)等数据预测模型在图像识别、医疗健康评估、故障诊断等多个领域的成功应用，以及长期积累下来的大量设备检测状态数据，为研究设备腐蚀规律和预测方法提供了新思路。其中，RF算法的操作简单、泛化能力较好、分类精度高、善于处理大样本数据并且可以在一定程度上抑制类别不平衡数据影响等特点，恰好满足数据量大且各参数关系复杂的设备腐蚀检测数据集的应用，也为开展腐蚀诊断研究提供了一定启发。

技术实现思路

[0004]针对上述技术问题，本申请实施例提供一种数据驱动的设备腐蚀预测方法，能够至少解决上述技术问题之一。
[0005]本申请采用的技术方案为：
[0006]本申请提供一种数据驱动的设备腐蚀预测方法，用于对设备的关键部位的腐蚀状态进行预测，所述方法包括以下步骤：
[0007]S1，获取设备基础数据，所述设备基础数据包括第一参数信息和第二参数信息，所述第一参数信息包括(A1，A2，
…
，A9)，所述第二参数信息包括(B1，B2，B3)其中，A1，A2，
…
，A9分别表示设备名称、设备关键部位、设备材质、设备投用日期、设备检测日期、设备运行时间、设置工艺介质、设备工作温度和设备工作压力，B1、B2和B3分别表示腐蚀机理、腐蚀类型和腐蚀程度；
[0008]S2，基于获取的基础数据构建腐蚀机理预测数据集、腐蚀类型预测数据集和腐蚀程度预测数据集；所述腐蚀机理预测数据集包括m1组样本数据，每组样本数据包括(A1，A2，
…
，A9，B1)；腐蚀类型预测数据集包括m2组样本数据，每组样本数据包括(A2，A6，A8，A9，B2)；腐蚀程度预测数据集包括m3组样本数据，每组样本数据包括(A2，A6，A8，A9，B3)；
[0009]S3，对构建的每个数据集中的数据进行预处理，使得所有数据转换为全数值型数据并得到平衡数据集；
[0010]S4，将预处理后的每个数据集分别划分为训练集和测试集；
[0011]S5，构建RF预测模型和优化超参数；
[0012]S6，对于每个数据集，执行如下步骤：
[0013]S61，将对应的训练集输入到构建的RF预测模型中，利用PSO对随机森林预测模型中的两个超参数n_estimators和max_depth进行优化；
[0014]S62，将优化后的n_estimators和max_depth代入到RF预测模型中，并利用对应的测试集进行测试，得到对应的腐蚀预测模型；
[0015]S7，基于S6，分别得到腐蚀机理预测模型、腐蚀类型预测模型和腐蚀程度预测模型；
[0016]S8，获取待预测设备的设备基础信息和设备工艺参数信息，分别利用腐蚀机理预测模型、腐蚀类型预测模型和腐蚀程度预测模型对待预测设备的关键部位的腐蚀机理、腐蚀类型和腐蚀程度进行预测。
[0017]本申请实施例提供的数据驱动的设备腐蚀预测方法，基于大量设备腐蚀检测历史数据和GB/T 30579
‑
2014等相关标准信息构建腐蚀机理预测数据集、腐蚀类型预测数据集和腐蚀程度预测数据集，然后应用过采样算法解决数据集的样本不平衡问题，最终建立RF模型并采用PSO智能优化算法调参，该方法能够对设备的腐蚀机理、腐蚀类型以及腐蚀程度进行有效预测，能够提高腐蚀预测的准确性和效率。
附图说明
[0018]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0019]图1为本申请实施例提供的数据驱动的设备腐蚀预测方法的流程图；
[0020]图2为本申请实施例的腐蚀机理分类预测示意图；
[0021]图3和图4为本申请实施例的数据样本分布情况示意图；
[0022]图5和图6为经过数据平衡前后的腐蚀类型预测的混淆矩阵示意图；
[0023]图7和图8为经过数据处理前后的腐蚀程度预测的混淆矩阵示意图；
[0024]图9和图10为设备腐蚀类型预测的优化情况示意图；
[0025]图11和图12为设备腐蚀程度预测的优化情况示意图。
具体实施方式
[0026]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0027]本申请的技术思想在于提出以数据驱动的方式建立包含模式识别、程度评估等内
容的腐蚀损伤预测方法，并以收集的炼油设备腐蚀检测评估的大量历史数据为基础，采用Borderline
‑
SMOTE过采样算法对数据样本不平衡问题进行调节，最后基于PSO
‑
RF模型建立设备关键部位的腐蚀综合分类诊断模型，为设备腐蚀管理提供支持，弥补腐蚀评估应用不充分现状。
[0028]本申请实施例提供的数据驱动的设备腐蚀预测方法基于大量设备腐蚀检测历史数据和GB/T 30579
‑
2014等相关标准信息，提出将传统诊断识别方法与数据预测模型相结合，建立针对设备腐蚀综合预测的方法，用于对设备的关键部位的腐蚀状态进行预测，包括对设备不同部位腐蚀机理、腐蚀类型以及腐蚀程度的识别预测。在本申请实施例中，设备的关键部位的具体位置基于实际情况确定。
[0029]如图1所示，本申请实施例提供的数据驱动的设备腐蚀预测方法可包括以下步骤：
[0030]S1，获取设备基础数据，所述设备基础数据包括第一参数信息和第二参数信息，所述第一参数信息包括(A本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据驱动的设备腐蚀预测方法，其特征在于，用于对设备的关键部位的腐蚀状态进行预测，所述方法包括以下步骤：S1，获取设备基础数据，所述设备基础数据包括第一参数信息和第二参数信息，所述第一参数信息包括(A1，A2，
…
，A9)，所述第二参数信息包括(B1，B2，B3)其中，A1，A2，
…
，A9分别表示设备名称、设备关键部位、设备材质、设备投用日期、设备检测日期、设备运行时间、设置工艺介质、设备工作温度和设备工作压力，B1、B2和B3分别表示腐蚀机理、腐蚀类型和腐蚀程度；S2，基于获取的基础数据构建腐蚀机理预测数据集、腐蚀类型预测数据集和腐蚀程度预测数据集；所述腐蚀机理预测数据集包括m1组样本数据，每组样本数据包括(A1，A2，
…
，A9，B1)；腐蚀类型预测数据集包括m2组样本数据，每组样本数据包括(A2，A6，A8，A9，B2)；腐蚀程度预测数据集包括m3组样本数据，每组样本数据包括(A2，A6，A8，A9，B3)；S3，对构建的每个数据集中的数据进行预处理，使得所有数据转换为全数值型数据并得到平衡数据集；S4，将预处理后的每个数据集分别划分为训练集和测试集；S5，构建RF预测模型和优化超参数；S6，对于每个数据集，执行如下步骤：S61，将对应的训练集输入到构建的RF预测模型中，利用PSO对随机森林预测模型中的两个超参数n_estimators和max_depth进行优化；S62，将优化后的n_estimators和max_depth代入到RF预测模型中，并利用对应的测试集进行测试，得到对应的腐蚀预测模型；S7，基于S6，分别得到腐蚀机理预测模型、腐蚀类型预测模型和腐蚀程度预测模型；S8，获取待预测设备的设备基础信息和设备工艺参数信息，分别利用腐蚀机理预测模型、腐蚀类型预测模型和腐蚀程度预测模型对待预测设备的关键部位的腐蚀机理、腐蚀类型和腐蚀程度进行预测。2.根据权利要求1所述的方法，其特征在于，在S1中，通过设备设计说明书、设备工艺流程图、设备腐蚀检测及其评估报告获取设备基础数据。3.根据权利要求1所述的方法，其特征在于，S3进一步包括：S31，将每个数据集中的第一参数信息中的文字型描述转换为数值型描述；S32，将每个数据集中的第二参数信息中的文字型描述以数字0～9作为标签进行替换；S33，获取每个数据集中的第二参数信息中的标签分布，如果标签比例差异大于预设值，执行S34，否则，执行S35；S34，利用设定的过采样算法对该列标签数据进行过采样，使得标签比例趋于一致；执行S35；S35，对所有数据进行归一化处理，得到归一化处理后的平衡数据集。4.根据权利要求3所述的方法，其特征在于，所述设定的过采样算法为Borderline
‑
SMOTE算法。5.根据权利要求1所述的方法，其特征在于，S61进一步包括：S601，设置PSO的部分基本参数，包括粒子数量n1、迭代次数n2、局部粒子加速度因子C1、全局粒子加速度因子C2、惯性权重因子ω；粒子i的向量表达形式为x
i
＝{x
i1
，x
i2
}，x
i1
，x
i2
分
别对应n_estimators和max_depth的值，x
i
为粒子i的位置，x
i1
，x
i2
分别为粒子i的空间位置坐标，i的取值为1到n1；S602，设置n_estimators和max_depth的取值范围；S603，基于设置的取值范围生成n1个粒子的随机初始位置(x
11
，x
12
，
…
，x
1n1
)和飞行移动速度(v
11
，v
12
，
…
，v
1n1
)，其中，x
1i
为粒子i的初始位置，v
1i
为粒子i的初始飞行移动速度；S604，对于每个粒子i，基于对应的训练集和RF预测模型获取粒子i的初始适应度f(x
1i
)；S605，设置pbest
1...

【专利技术属性】
技术研发人员：李如，陈良超，杨剑锋，
申请(专利权)人：北京化工大学，
类型：发明
国别省市：