【技术实现步骤摘要】
本专利技术涉及管道热氧老化程度异常评估，特别是涉及一种用于燃气pe管道热氧老化程度异常智能评估方法。
技术介绍
1、我国域市的燃气pe管道主要作用是为域市居民、企业和其他成员运送城市燃气，是城市正常运行的生命线之一，一方面城市燃气管道网的周围有着大量的人群生活、商业活动和企业运营等，另一方面易燃、易爆和有毒性是燃气的特点之一。所以，域市燃气pe管道事故具有突发性、群发性和公共危害性等特点。一旦发生事故，受到危害的人口多、范围广，会对人民群众和社会安定造成巨大影响。
2、在现有技术中，多线性回归分析法和统计预测法是最常见的预测方法，但采用多线性回归方法分析时，忽略了各个因素间交互作用产生的影响，对热氧老化异常程度的评估产生影响；采用统计预测方法评估热氧老化异常程度，需要去寻找各种因素对热氧老化异常程度的影响，数据量大，无法进行准确的预测。但随着社会技术的不断发展，计算机算法逐渐被应用于各行各业。其中基于bp神经网络的评估方法由于具有精度高、适用范围广等优点被广泛应用于各个领域。
3、bp神经网络的计算原理如下：首先需要给每个连接权重和每个神经元设置偏置值。这些参数的初始值可以通过随机初始化来确定。而后进行前向传播，使用输入数据来计算每个隐含层神经元的输出。对于每个神经元，将输入与其对应的连接权重相乘，并对所有输入求和。然后将该求和结果加上神经元的偏置值。最后，将该结果应用于激活函数，得到隐含层的输出。在进行反向传播，根据隐含层的输出和目标输出之间的差异来更新权重和偏置值。首先计算输出误差，即目标输出与网络预
4、因此，需要提供一种基于bp神经网络的更为可靠的热氧老化异常程度评估方法。
技术实现思路
1、本专利技术的目的是提供一种用于燃气pe管道热氧老化程度异常智能评估方法，基于bp神经网络，对燃气pe管道热氧老化程度进行更加精确、可靠的评估。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种用于燃气pe管道热氧老化程度异常智能评估方法，该方法包括以下步骤：
4、获取不同热氧老化程度下的pe管道的超声检测特征参数，所述超声检测特征参数包括线性以及非线性参数；
5、将超声检测特征参数作为输入，不同热氧老化程度作为输出，形成样本数据集；
6、基于样本数据集，训练优化bp神经网络的参数，得到基于bp神经网络的预测模型；
7、利用基于bp神经网络的预测模型，对燃气pe管道热氧老化程度异常进行智能评估。
8、进一步地，所述获取不同热氧老化程度下的pe管道的超声检测特征参数，具体包括：
9、使用频率为1.25mhz的超声探头采集不同热氧老化程度下pe管道的线性与非线性超声检测特征参数，重复采集多次，并对超声检测特征参数进行归一化处理。
10、进一步地，所述不同热氧老化程度用不同热氧老化时间t表征；所述超声检测特征参数包括声速c，材质衰减系数α，相对非线性系数β。
11、进一步地，所述将超声检测特征参数作为输入，不同热氧老化程度作为输出，形成样本数据集，具体包括：
12、所述样本数据集分为验证集和训练集；
13、将同次采集的声速c，材质衰减系数α固定，与不同次采集的相对非线性系数β组合作为输入，不同热氧老化时间t作为输出，形成验证集；
14、将不同次采集的声速c，不同次采集的材质衰减系数α，与不同次采集的相对非线性系数β组合，后除去与验证集相同的数据，剩下的数据作为输入，不同热氧老化时间t作为输出，形成训练集。
15、进一步地，所述基于样本数据集，训练优化bp神经网络的参数，得到基于bp神经网络的预测模型，具体包括：
16、基于样本数据集，选取bp神经网络的参数，包括隐含层节点数、学习速率、期望误差、隐含层层数；
17、基于选取的bp神经网络的参数，搭建基于bp神经网络的初始模型，确定bp神经网络输入层与隐含层之间的传递函数以及bp神经网络的训练函数，并采用l-m优化算法、梯度下降法进行优化，对bp神经网络进行反复训练和优化，并对其进行准确性验证，得到与验证集拟合程度最好的最优bp神经网络，建立基于最优bp神经网络的预测模型。
18、进一步地，所述基于样本数据集，选取bp神经网络的参数，具体包括：
19、隐含层节点数采取从0-30节点自动寻优，选取训练集根均方误差最低时的节点数为隐含层节点数；
20、根据经验公式，从设定的几个数值循环验证学习速率的值，选取验证集误差最小时的学习速率；
21、同时对多个不同期望误差值的网络进行训练，选取验证集误差最小值的期望误差为最佳期望误差；
22、分别改变隐含层数为1-5层，选取验证集误差最小的隐含层数为最佳隐含层数。
23、进一步地，所述bp神经网络输入层与隐含层之间的传递函数为s函数或线性函数，bp神经网络的训练函数采用trainlm函数；
24、其中，所述s函数为：
25、
26、所述线性函数为：
27、y＝purelin(s)＝s。
28、进一步地，所述利用基于bp神经网络的预测模型，对燃气pe管道热氧老化程度异常进行智能评估，具体包括：
29、利用基于bp神经网络的预测模型，预测得到当前状态下燃气pe管道热氧老化时间t，将预测值与实际值比较，当预测值与实际值相差达到设定阈值，则判定老化程度异常。
30、根据本专利技术提供的具体实施例，本专利技术提供的用于燃气pe管道热氧老化程度异常智能评估方法公开了以下技术效果：
31、1.本专利技术采用bp算法构建评估燃气pe管热氧老化程度是否异常的神经网络模型，与现有评估pe材料的热氧老化程度异常的技术相比，将线性以及非线性参数相结合，能够得到更准确的预测值；同时与传统的线性模型相比，bp神经网络可以捕捉到非线性关系，能够更好地模拟真实世界中的复杂问题。
32、2.本专利技术能够以pe管道的声速c，材质衰减系数a，相对非线性系数β为数据基础，对燃气pe管道的热氧老化异常程度进行智能评估，对预防燃气管道破裂爆炸而引发的重大安全事故提供重要的参考与技术指导意义。
本文档来自技高网...【技术保护点】
1.一种用于燃气PE管道热氧老化程度异常智能评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的用于燃气PE管道热氧老化程度异常智能评估方法，其特征在于，所述获取不同热氧老化程度下的PE管道的超声检测特征参数，具体包括：
3.根据权利要求1所述的用于燃气PE管道热氧老化程度异常智能评估方法，其特征在于，所述不同热氧老化程度用不同热氧老化时间T表征；所述超声检测特征参数包括声速C，材质衰减系数α，相对非线性系数β。
4.根据权利要求2所述的用于燃气PE管道热氧老化程度异常智能评估方法，其特征在于，所述将超声检测特征参数作为输入，不同热氧老化程度作为输出，形成样本数据集，具体包括：
5.根据权利要求4所述的用于燃气PE管道热氧老化程度异常智能评估方法，其特征在于，所述基于样本数据集，训练优化BP神经网络的参数，得到基于BP神经网络的预测模型，具体包括：
6.根据权利要求5所述的用于燃气PE管道热氧老化程度异常智能评估方法，其特征在于，所述基于样本数据集，选取BP神经网络的参数，具体包括：
7.根据权利要
8.根据权利要求1所述的用于燃气PE管道热氧老化程度异常智能评估方法，其特征在于，所述利用基于BP神经网络的预测模型，对燃气PE管道热氧老化程度异常进行智能评估，具体包括：
...【技术特征摘要】
1.一种用于燃气pe管道热氧老化程度异常智能评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的用于燃气pe管道热氧老化程度异常智能评估方法，其特征在于，所述获取不同热氧老化程度下的pe管道的超声检测特征参数，具体包括：
3.根据权利要求1所述的用于燃气pe管道热氧老化程度异常智能评估方法，其特征在于，所述不同热氧老化程度用不同热氧老化时间t表征；所述超声检测特征参数包括声速c，材质衰减系数α，相对非线性系数β。
4.根据权利要求2所述的用于燃气pe管道热氧老化程度异常智能评估方法，其特征在于，所述将超声检测特征参数作为输入，不同热氧老化程度作为输出，形成样本数据集，具体包括：
5.根据权利要求4所述的用于燃气pe...
【专利技术属性】
技术研发人员：张琦，汪树民，王海，张路根，涂东坤，陈振华，程炜，张庆怀，吴骞，方雨婷，戴梦娟，
申请(专利权)人：景德镇市特种设备监督检验中心，
类型：发明
国别省市：
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。