CN104063588A - 基于多源数据融合的管道腐蚀缺陷尺寸的预测系统及方法 - Google Patents

Abstract

基于多源数据融合的管道腐蚀缺陷尺寸的预测系统及方法，该系统包括：传感器组、下位机和上位机；其中，传感器组置于管道的首端或者末端，与输送介质接触；传感器组与所述下位机相连接，下位机与所述上位机相连接；该方法首先利用历史数据建立建立灰色GM(1,1)预测模型和BP神经网络模型，然后利用这两种模型得到预测值，接下来根据历史数据和这两种模型的预测值建立诱导有序加权调和平均IOWHA算子组合模型，对于新数据，逐次利用这三种模型，分别对腐蚀缺陷的尺寸从轴向、周向和深度3个方向都进行预测后，最后获得管道腐蚀缺陷尺寸预测值；本发明预测的准确性更高，且减少数据量的输入。

Description

基于多源数据融合的管道腐蚀缺陷尺寸的预测系统及方法

技术领域

本发明属于管道风险预测技术领域，具体涉及一种基于多源数据融合的管道腐蚀缺陷尺寸的预测系统及方法。

背景技术

管道运输在经济发展中的角色越来越重要，如城市自来水管道、陆地原油管道、海底油气管道等，但是随着管道运营时间的延长，管道不可避免的会出现腐蚀现象，最终造成的泄漏成为管道输送的重要安全隐患之一。为防止泄漏事故的发生,有必要利用管道检测装置对管道进行检测,了解管道的腐蚀状况，对管道进行剩余强度评价、剩余寿命预测等，从而有计划、有针对性地对管道进行维护和维修。

管道腐蚀的产生有诸多因素，内部因素是管壁材料成分差异、含杂质差异等，而输送介质是主要的外部因素。一般的碳钢管道内含有的主要成分是铁、少量碳化铁、碳和其它合金元素，由于它们各自具有不同电极电位，使电位低的铁遭受腐蚀，再加上管壁与输送介质接触，会导致管壁金属损失而产生缺陷。

预测管道上腐蚀缺陷尺寸随着时间的变化是预测管道的剩余寿命及剩余强度、可靠性随着时间的变化趋势的基础，因此有必要对管道腐蚀缺陷尺寸随着时间的变化进行研究。目前腐蚀缺陷尺寸随着时间的变化趋势的确定方法主要有：通过管道检测器进行在线实时检测，得到当前腐蚀缺陷尺寸，使用预测算法如灰色GM(1,1)，以时间序列为基础，通过计算分析得到腐蚀缺陷尺寸随着时间的变化，这种方法所需的数据少，但是预测精度不高。另外，还可以根据管道所处的环境进行分析，利用化学学科知识建立特定的管道腐蚀速率模型，求解得到腐蚀缺陷尺寸随时间的变化，这种方法比灰色GM(1,1)方法预测的精度高，但是所需数据信息量大，而足够量的检测数据也很难获得，一定程度上也降低了这种方法的准确性。

发明内容

针对现有技术存在的不足，本发明提供一种基于多源数据融合的管道腐蚀缺陷尺寸的预测系统及方法。

本发明的技术方案：

一种基于多源数据融合的管道腐蚀缺陷尺寸的预测系统，包括：传感器组、下位机和上位机；

所述传感器组置于管道的首端或者末端，与输送介质接触；所述传感器组与所述下位机相连接，所述下位机与所述上位机相连接；

所述传感器组包括多种传感器，该多种传感器分别用于实时采集反映管道运行状态的特征参量数据和管道输送介质成分数据，并将这些数据传送至下位机；

所述下位机用于控制传感器组的数据采集过程，并将从传感器组接收的数据传送给上位机；

所述上位机，包括：数据管理模块、数据处理模块和腐蚀缺陷尺寸预测模块；

所述数据管理模块用于接收下位机传送来的数据，并按照数据检测时间进行存储；所述数据管理模块还用于读取管道内检测器定期检测的管道腐蚀缺陷尺寸数据，并分别针对管道每个腐蚀缺陷记录其历史缺陷尺寸数据；

所述数据处理模块用于从数据管理模块中获取数据进行处理与计算，包括：无量纲化处理、灰色关联系数计算、灰色关联度计算和腐蚀速率估算，并将数据处理与计算的结果传送给腐蚀缺陷尺寸预测模块；

所述腐蚀缺陷尺寸预测模块用于利用数据管理模块的数据和数据处理模块的数据建立腐蚀缺陷尺寸预测模型，并对管道腐蚀缺陷尺寸进行预测，得到管道腐蚀缺陷尺寸预测值。

所述多种传感器的类型和数量，根据实际使用的管道类型和管道输送介质来确定。

采用所述的基于多源数据融合的管道腐蚀缺陷尺寸的预测系统进行管道腐蚀缺陷尺寸预测的方法，包括如下步骤：

步骤1：采集历史数据；

所述数据包括：反映管道运行状态的特征参量的数据、管道输送介质成分的数据和管道腐蚀缺陷尺寸数据；

各个反映管道运行状态的特征参量和各个管道输送介质成分构成管道腐蚀缺陷的影响因素集合U＝{u₁,u₂,...,u_n}中的各个元素，u_i为所述元素的基于检测时间点的数据集，u_i＝{x_i(t)}，i＝1,2,…,n，t为检测时间；n为反映管道运行状态的特征参量个数与管道输送介质成分个数之和；

针对管道腐蚀缺陷尺寸历史数据，建立管道腐蚀缺陷尺寸历史数据集：

$L_T=\{l_{T_1},l_{T_2},...,l_{T_m}\},W_T=\{w_{T_1},w_{T_2},...,w_{T_m}\},H_T=\{h_{T_1},h_{T_2},...,h_{T_m}\},$ 其中，L_T为管道腐蚀缺陷的轴向长度基于检测时间顺序的历史数据集，W_T为管道腐蚀缺陷的周向宽度基于检测时间顺序的历史数据集，H_T为管道腐蚀缺陷的深度基于检测时间顺序的历史数据集；T＝T₁,T₂,...,T_m为检测时间点，m为检测次数；

步骤2：根据管道腐蚀缺陷尺寸历史数据，估算管道腐蚀缺陷的腐蚀速率；

分别计算管道腐蚀缺陷在各检测时间点T₁,T₂,...,T_m和各插值时间点T_1,2,T_2,3,...,T_m-1,m的轴向长度、周向宽度和深度3个方向的腐蚀速率 $V_{t^{\′}}^W=\{{v^w}_{T_{\mathrm{1,2}}},{v^w}_{T_2},...,{v^w}_{T_{m-1,m}}\},V_{t^{\′}}^H=\{{v^h}_{T_{\mathrm{1,2}}},{v^h}_{T_2},...,{v^h}_{T_{m-1,m}}\},$ 其中，T_m-1,m为T_m-1和T_m的时间中点，t'＝T_1,2,T₂,T_2,3,...,T_m-1,T_m-1,m；

分别以管道腐蚀缺陷的轴向长度、周向宽度和深度为纵坐标轴，以检测时间T为横坐标轴，建立L_t－T坐标系、W_t－T坐标系和H_t－T坐标系，并分别根据管道腐蚀缺陷尺寸历史数据集 $L_t=\{l_{T_1},l_{T_2},...,l_{T_m}\},W_t=\{w_{T_1},w_{T_2},...,w_{T_m}\},H_t=\{h_{T_1},h_{T_2},...,h_{T_m}\}$ 在L_t－T坐标系、W_t－T坐标系和H_t－T坐标系上绘制曲线；

除去第一个检测时间点T₁和最后一个检测时间点T_m后，管道腐蚀缺陷分别在其余各检测时间点T₂,...,T_m-1的轴向长度方向的腐蚀速率值，为所述L_t－T坐标系上的点(T_m-2，)与其前后紧邻的点(T_m-3，)和(T_m-1，)的两条连线相交所得夹角的平分线的斜率值；同样的，管道腐蚀缺陷分别在各检测时间点T₂,...,T_m-1的周向宽度方向的腐蚀速率值，为所述W_t－T坐标系上的点与其前后紧邻的点和的两条连线相交所得夹角的平分线的斜率值；同样的，管道腐蚀缺陷分别在各检测时间点T₂,...,T_m-1的深度方向的腐蚀速率值，为所述H_t－T坐标系上的点与其前后紧邻的点 和的两条连线相交所得夹角的平分线的斜率值；

管道腐蚀缺陷分别在各插值时间点T_1,2,T_2,3,...,T_m-1,m的轴向长度方向的腐蚀速率值、周向宽度方向的腐蚀速率值和深度方向的腐蚀速率值，分别为L_t－T坐标系上、W_t－T坐标系上和H_t－T坐标系上各个插值时间点各自相关的两个检测时间点分别对应的两个坐标点的连线的斜率值；即， $v_{T_{m-1,m}}^l=\frac{L_{T_m}-L_{T_{m-1}}}{T_m-T_{m-1}},v_{T_{m-1,m}}^w=\frac{W_{T_m}-W_{T_{m-1}}}{T_m-T_{m-1}},v_{T_{m-1,m}}^h=\frac{H_{T_m}-H_{T_{m-1}}}{T_m-T_{m-1}};$

步骤3：利用灰色关联方法，确定影响管道腐蚀缺陷腐蚀速率的主要影响因素；

步骤3.1：确定管道腐蚀缺陷轴向长度的腐蚀速率的主要影响因素；

步骤3.1.1：以腐蚀缺陷轴向长度的腐蚀速率为参考因素，分别以集合U中的各个元素为对比因素，对u_i进行无量纲化处理；

步骤3.1.2：计算各对比因素对于参考因素在各检测时间点的灰色关联系数；

步骤3.1.3：根据步骤3.1.2的结果，分别计算各个对比因素的灰色关联系数平均值，分别作为各个对比因素的灰色关联度；

步骤3.1.4：对各个对比因素的灰色关联度进行降序排列，根据排序结果和经验，选取前若干个对比因素作为腐蚀缺陷轴向长度的腐蚀速率的主要影响因素；

步骤3.2：采用同样的方法，重复执行步骤3.1.1至步骤3.1.4两次，分别确定腐蚀缺陷周向宽度的腐蚀速率的主要影响因素和腐蚀缺陷深度的腐蚀速率的主要影响因素；

步骤4：利用管道腐蚀缺陷尺寸历史数据、管道腐蚀缺陷的腐蚀速率估算数据及其对应的各检测时间点和各插值时间点的腐蚀速率的各主要影响因素的数据，建立管道腐蚀缺陷尺寸预测模型；

所述管道腐蚀缺陷尺寸预测模型，包括灰色GM(1,1)预测模型、BP神经网络模型和诱导有序加权调和平均IOWHA算子组合模型，方法如下：

步骤4.1：根据管道腐蚀缺陷尺寸历史数据，对管道腐蚀缺陷尺寸在轴向长度、周向宽度和深度三个方向上分别建立灰色GM(1,1)预测模型，得到模型参数，并利用该模型进行腐蚀缺陷尺寸预测得到预测值；

步骤4.2：对管道腐蚀缺陷尺寸在轴向长度、周向宽度和深度三个方向上分别建立并训练BP神经网络模型，并利用该模型进行腐蚀缺陷尺寸预测得到预测值；

步骤4.3：利用步骤4.1得到的管道腐蚀缺陷尺寸预测值、步骤4.2得到的管道腐蚀缺陷尺寸预测值和管道腐蚀缺陷尺寸历史数据，建立诱导有序加权调和平均IOWHA算子组合模型，并确定模型参数；

步骤5：采集新数据；

所述新数据包括反映管道运行状态的特征参量数据和管道输送介质成分数据；

步骤6：利用步骤4.1建立的灰色GM(1,1)预测模型，预测新数据检测时间点的管道腐蚀缺陷尺寸；

步骤7：利用步骤4.2得到的BP神经网络模型，预测新数据检测时间点的管道腐蚀缺陷尺寸；

步骤8：利用步骤4.3中建立的诱导有序加权调和平均IOWHA算子组合模型，将步骤6和步骤7的结果进行结合，得到最终的新数据检测时间点的管道腐蚀缺陷尺寸的预测值。

步骤4.2所述的对管道腐蚀缺陷尺寸在轴向长度、周向宽度和深度三个方向上分别建立并训练BP神经网络模型的方法如下：

分别将步骤3中得到的结果作为3个BP神经网络的输入；分别将步骤2中得到的结果作为3个BP神经网络的输出；分别给3个BP神经网络设定1个隐含层，并根据所需的训练速度和精度设定隐含层节点数；分别建立管道腐蚀缺陷在轴向长度方向的BP神经网络、周向宽度方向的BP神经网络和深度方向的BP神经网络；分别通过3个BP神经网络模型进行预测，分别得到管道腐蚀缺陷在轴向长度方向的腐蚀速率预测值、周向宽度方向的腐蚀速率预测值和深度方向的腐蚀速率预测值，并分别按时间积分后得到管道腐蚀缺陷在轴向长度方向的腐蚀缺陷尺寸的预测值、周向宽度方向的腐蚀缺陷尺寸的预测值和深度方向的腐蚀缺陷尺寸的预测值。

步骤7所述的利用步骤4.2得到的BP神经网络模型，预测新数据检测时间点的管道腐蚀缺陷尺寸，方法为：

根据最后时间点读取的管道腐蚀缺陷尺寸数据及该时间点到新数据检测时间点之间的这段时间段的u_i，利用步骤4.2得到的BP神经网络模型，预测该时间段的管道腐蚀缺陷的腐蚀速率，并将该腐蚀速率预测值按时间积分到该时间段的管道腐蚀缺陷的增长尺寸预测值；然后，将最后的管道腐蚀缺陷尺寸数据与该时间段的管道腐蚀缺陷的增长尺寸预测值相加，得到新数据检测时间点的管道腐蚀缺陷尺寸预测值。

有益效果：本发明的基于多源数据融合的管道腐蚀缺陷尺寸的预测系统及方法与现有技术相比较有以下优势：

(1)分别对某一个腐蚀缺陷的尺寸从轴向、周向和深度3个方向都进行预测，预测的准确性更高；

(2)根据管道内检测器定期检测得到的腐蚀缺陷尺寸历史数据，计算各检测时间点的管道腐蚀速率，从而避免了对缺陷腐蚀速率进行直接检测；

(3)通过定期检测腐蚀缺陷尺寸，估算得到各检测时间点和两个检测时间点中点的腐蚀速率，增加了训练BP神经网络模型的样本数，有效克服了管道缺陷腐蚀速率数据量缺乏的问题，并使得BP神经网络模型的预测结果更加精确。

(4)本发明所述的管道腐蚀缺陷腐蚀扩展速率的预测方法，综合使用了灰色GM(1,1)预测方法和BP神经网络预测方法，并将两者的结果使用组合模型进行结合，克服了原本两种方法的缺陷，使得预测结果更加精确；

(5)使用BP神经网络之前，利用灰色关联方法对BP神经网络的输入进行初步筛选，有效选择出缺陷腐蚀的主要影响因素，减少数据量的输入，在保证结果的前提下减少了数据量。

附图说明

图1为本发明一种实施方式的基于多源数据融合的管道腐蚀缺陷尺寸的预测系统的结构示意图；

图2为本发明一种实施方式的基于多源数据融合的管道腐蚀缺陷尺寸的预测方法的逻辑示意图；

图3为本发明一种实施方式的基于多源数据融合的管道腐蚀缺陷尺寸的预测方法的流程图；

图4(a)为本发明一种实施方式的一段带有腐蚀缺陷的管道的示意图，(b)为(a)的I部放大图，(c)为(b)的左视图，(d)为(b)的俯视图；

图5为本发明一种实施方式的管道腐蚀缺陷的腐蚀速率计算方法所用的坐标系示意图。

具体实施方式

下面结合附图对本发明的一种实施方式作进一步详细的说明。

本实施方式的基于多源数据融合的管道腐蚀缺陷尺寸的预测系统，如图1所示，包括传感器组、下位机和上位机；其中传感器组置于管道的首端或者末端，与输送介质接触，传感器组包括多种传感器，该多种传感器分别用于实时采集反映管道运行状态的特征参量数据和管道输送介质成分数据，并将这些数据传送至下位机；所述多种传感器的类型和数量根据实际使用的管道类型和管道输送介质来确定；本实施方式用直径219mm、壁厚9.5mm的钢管进行石油管道腐蚀模拟试验，传感器组中的传感器包括PTG501型压力传感器、SKLWGY型流量传感器、DS18B20型温度传感器、YSI5739型氧气浓度传感器、FC-100型二氧化碳浓度传感器、yps08型pH传感器、KY-101型硫离子分析仪、检测仪型氯离子RCT，本实施方式中反映管道运行状态的特征参量，包括石油管道输送石油的压力、流速，石油的温度；本实施方式中石油管道输送的介质成分，包括氧含量、二氧化碳含量、pH值、硫离子含量、氯离子含量；反映管道运行状态的特征参量和管道输送的介质成分都是影响管道缺陷腐蚀的因素。

下位机用于控制传感器组的数据采集过程，并将从传感器组接收的传送给上位机。本实施方式的下位机采用的是型号为PEC9000的PLC。

上位机中主要包括以下模块：数据管理模块、数据处理模块、腐蚀缺陷尺寸预测模块；

数据管理模块用于接收下位机传送来的数据，并按照数据检测时间进行存储；数据管理模块还用于读取管道内检测器定期检测的管道腐蚀缺陷尺寸数据，并分别针对管道每个腐蚀缺陷记录其历史缺陷尺寸数据；数据处理模块用于从数据管理模块中获取数据进行处理与计算，包括：无量纲化处理、灰色关联系数计算、灰色关联度计算和腐蚀速率估算，并将数据处理与计算的结果传送给腐蚀缺陷预测模块；腐蚀缺陷尺寸预测模块用于利用数据管理模块的数据和数据处理模块的数据建立腐蚀缺陷尺寸预测模型，并对管道腐蚀缺陷尺寸进行预测，得到管道腐蚀缺陷尺寸预测值。

本实施方式采用基于多源数据融合的管道腐蚀缺陷尺寸预测系统进行管道腐蚀缺陷尺寸预测的方法，如图2所示，流程开始于步骤201。

在步骤202：采集历史数据；

所述数据包括：反映管道运行状态的特征参量的数据、管道输送介质成分的数据和管道腐蚀缺陷尺寸数据；

其中反映管道运行状态的特征参量的数据和管道输送介质成分数据的检测通常是连续的，但在本方法的使用时只需调取所需检测时间点的检测数据即可，因为腐蚀的进行是一个长期缓慢的过程，间隔时间过短的检测和预测没有意义；

本实施方式中反映管道运行状态的特征参量数据和管道输送介质成分数据包括输送石油的压力、流速，石油的温度、溶解氧含量、二氧化碳含量、pH值、硫离子含量、氯离子含量；根据需要调取的检测数据的时间间隔为1个月，如表1所示：

表1

应保持等时间间隔检测管道腐蚀缺陷尺寸，数据量越多，模型预测精度越高。管道腐蚀缺陷尺寸，如图3所示，将管道上的某一腐蚀缺陷按平面展开后的外轮廓用一个最小的矩形圈住，这个矩形的某一边平行于管道中轴线，那么该矩形这条边的长度作为该缺陷的轴向长度L，与之相互垂直的一边的长度作为该缺陷的周向宽度W，缺陷的最大的深度作为该缺陷的深度H。本实施方式中的管道内检测器定期检测管道腐蚀缺陷尺寸的时间间隔为2个月，共有7组检测数据，如下表2所示：

表2管道腐蚀缺陷尺寸

则本实施方式中构成管道腐蚀缺陷的影响因素的集合U＝{u₁,u₂,...,u_n}中的各个元素为输送石油的压力、流速，石油的温度、溶解氧含量、二氧化碳含量、pH值、硫离子含量、氯离子含量，即影响因素个数为n＝8，每个因素在各个检测时间点T₁,T₂,...,T_m的检测数据构成的数据集为u_i＝{x_i(t)}，即u_i＝{x_i(T₁),x_i(T₂),…,x_i(T_m)}，i＝1,2,…,n。

在步骤203：根据管道腐蚀缺陷尺寸历史数据，估算出管道腐蚀缺陷的腐蚀速率；

分别计算管道腐蚀缺陷在各检测时间点T₁,T₂,...,T_m和各插值时间点T_1,2,T_2,3,...,T_m-1,m的轴向长度、周向宽度和深度3个方向的腐蚀速率 $V_{t^{\′}}^W=\{{v^w}_{T_{\mathrm{1,2}}},{v^w}_{T_2},...,{v^w}_{T_{m-1,m}}\},V_{t^{\′}}^H=\{{v^h}_{T_{\mathrm{1,2}}},{v^h}_{T_2},...,{v^h}_{T_{m-1,m}}\},$ 其中，T_m-1,m为T_m-1和T_m的时间中点，t'＝T_1,2,T₂,T_2,3,...,T_m-1,T_m-1,m；

分别以管道腐蚀缺陷的轴向长度、周向宽度和深度为纵坐标轴，以检测时间T为横坐标轴，建立L_t－T坐标系、W_t－T坐标系和H_t－T坐标系，并分别根据管道腐蚀缺陷尺寸历史数据集 $L_t=\{l_{T_1},l_{T_2},...,l_{T_m}\},W_t=\{w_{T_1},w_{T_2},...,w_{T_m}\},H_t=\{h_{T_1},h_{T_2},...,h_{T_m}\}$ 在L_t－T坐标系、W_t－T坐标系和H_t－T坐标系上绘制曲线；

除去第一个检测时间点T₁和最后一个检测时间点T_m后，管道腐蚀缺陷分别在其余各检测时间点T₂,...,T_m-1的轴向长度方向的腐蚀速率值，为所述L_t－T坐标系上的点(T_m-2，)与其前后紧邻的点(T_m-3，)和(T_m-1，)的两条连线相交所得夹角的平分线的斜率值；同样的，管道腐蚀缺陷分别在各检测时间点T₂,...,T_m-1的周向宽度方向的腐蚀速率值，为所述W_t－T坐标系上的点与其前后紧邻的点和的两条连线相交所得夹角的平分线的斜率值；同样的，管道腐蚀缺陷分别在各检测时间点T₂,...,T_m-1的深度方向的腐蚀速率值，为所述H_t－T坐标系上的点与其前后紧邻的点 和的两条连线相交所得夹角的平分线的斜率值；

管道腐蚀缺陷分别在各插值时间点T_1,2,T_2,3,...,T_m-1,m的轴向长度方向的腐蚀速率值、周向宽度方向的腐蚀速率值和深度方向的腐蚀速率值，分别为L_t－T坐标系上、W_t－T坐标系上和H_t－T坐标系上各个插值时间点各自相关的两个检测时间点分别对应的两个坐标点的连线的斜率值；即， $v_{T_{m-1,m}}^l=\frac{L_{T_m}-L_{T_{m-1}}}{T_m-T_{m-1}},v_{T_{m-1,m}}^w=\frac{W_{T_m}-W_{T_{m-1}}}{T_m-T_{m-1}},v_{T_{m-1,m}}^h=\frac{H_{T_m}-H_{T_{m-1}}}{T_m-T_{m-1}};$

本实施方式中腐蚀速率估算结果，如表3所示。

表3某腐蚀缺陷的腐蚀速率估算结果

在步骤204，以腐蚀缺陷轴向长度的腐蚀速率为参考因素，分别以各个反映管道运行状态的特征参量和各个管道输送介质成分为对比因素，分别对反映管道运行状态的特征参量数据和管道输送介质成分数据进行无量纲化处理，具体方法为:

以某腐蚀缺陷在轴向长度方向的腐蚀速率为参考因素，以U＝{u₁,u₂,...,u_n}中各因素为对比因素，按照以下公式进行无量纲化：

${v_{t^{\′}}^l}^{\′}=v_{t^{\′}}^l\·(2m-3)/\underset{t^{\′}=T_{\mathrm{1,2}}}{\overset{T_{m-1,m}}{\mathrm{\Σ}}}{v}_{t^{\′}}^l$

$y_i\left(t^{\′}\right)=x_i\left(t^{\′}\right)\·(2m-3)/\underset{t^{\′}=T_{\mathrm{1,2}}}{\overset{T_{m-1,m}}{\mathrm{\Σ}}}{x}_i\left(t^{\′}\right)$

其中，为步骤2中得到的各检测时间点和各插值时间点管道腐蚀缺陷的腐蚀速率估算值；{x_i(t')}＝{x_i(T_1，2),x_i(T₂),x_i(T_2,3),...x_i(T_m-1，m),x_i(T_m)},i＝1,2,...,n为不同检测时间点的反映管道运行状态的特征参量值和管道输送介质成分值；

在步骤205，计算各对比因素对于参考因素在各检测时间点的灰色关联系数；计算y_i(t')对于在第t'时间点的灰色关联系数为：

${\mathrm{\ξ}}_i\left(t^{\′}\right)=\frac{\underset{i}{\min }\underset{t^{\′}}{\min }|{v_{t^{\′}}^l}^{\′}-y_i\left(t^{\′}\right)|+0.5\underset{i}{\max }\underset{t^{\′}}{\max }|{v_{t^{\′}}^l}^{\′}-y_i\left(t^{\′}\right)|}{|{v_{t^{\′}}^l}^{\′}-y_i\left(t^{\′}\right)|+0.5\underset{i}{\max }\underset{t^{\′}}{\max }|{v_{t^{\′}}^l}^{\′}-y_i\left(t^{\′}\right)|}$

在步骤206：根据每一对比因素的各检测时间点的灰色关联系数，分别计算每一对比因素的灰色关联系数平均值，作为每一比对因素的灰色关联度：

$r_i^l=\frac{1}{2m-3}\underset{t=T_{\mathrm{1,2}}}{\overset{T_{m-1,m}}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i\left(t^{\′}\right)$

在步骤207：对各对比因素的灰色关联度进行降序排列，根据排序结果和经验，选取前若干个对比因素作为腐蚀缺陷轴向长度的腐蚀速率的主要影响因素；本实施方式中选取灰色关联度大于0.7的对比因素作为腐蚀缺陷轴向长度的腐蚀速率的主要影响因素，本实施方式中管道腐蚀缺陷在轴向长度上的各对比因素的灰色关联度计算结果为：溶解氧(0.8419)>pH(0.9326)>温度(0.811)>压力(0.735)>CO₂(0.735)>流速(0.723)>硫离子(0.681)>氯离子(0.611)，则选取溶解氧、pH、温度、压力、CO₂、流速为腐蚀缺陷轴向长度的腐蚀速率的主要影响因素；

在步骤208：采用同样的方法，重复执行步骤204至步骤207两次，分别确定腐蚀缺陷周向宽度的腐蚀速率的主要影响因素和腐蚀缺陷深度的腐蚀速率的主要影响因素，计算结果如下，腐蚀缺陷周向宽度的腐蚀速率的主要影响因素为：压力、溶解氧、pH、温度、流速；腐蚀缺陷深度的腐蚀速率的主要影响因素为：溶解氧、流速、压力、pH、温度、CO₂、硫离子、氯离子；

在步骤209：根据管道腐蚀缺陷尺寸历史数据，对管道腐蚀缺陷尺寸在轴向长度、周向宽度和深度三个方向上分别建立灰色GM(1,1)预测模型，得到模型参数，并利用该模型进行腐蚀缺陷尺寸预测得到预测值；

建立灰色GM(1,1)模型的方法如下：

管道腐蚀缺陷尺寸历史数据为x⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(N)}，对其进行一次累加生成 $x^{\left(1\right)}\left(k\right)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{x}^{\left(0\right)}\left(i\right),$ 得到累加序列；

累加序列一般具有指数特性，故令其满足灰色GM(1,1)模型的白化微分方程：其差分形式(称灰微分方程)为：x⁽⁰⁾(k)+a×z⁽¹⁾(k)＝b,k＝2,3,...,N

式中：z⁽¹⁾(k)为背景值；a为发展系数，反应时间序列函数的发展态势；b为灰作用量，是灰色系统内涵外延化的体现。

背景值z⁽¹⁾(k)的计算方法为:z⁽¹⁾(k+1)＝[x⁽¹⁾(k)+x⁽¹⁾(k+1)]/2,k＝1,2,...,N-1

利用最小二乘法求得a和b的近似值如下：

$a=\frac{\underset{k=2}{\overset{N}{\mathrm{\Σ}}}{z}^{\left(1\right)}\left(k\right)\underset{k=2}{\overset{N}{\mathrm{\Σ}}}{x}^{\left(0\right)}\left(k\right)-(N-1)\underset{k=2}{\overset{N}{\mathrm{\Σ}}}{z}^{\left(1\right)}\left(k\right)x^{\left(0\right)}\left(k\right)}{(N-1)\underset{k=2}{\overset{N}{\mathrm{\Σ}}}{\left[z^{\left(1\right)}\left(k\right)\right]}^2-\underset{k=2}{\overset{N}{\mathrm{\Σ}}}{\left[z^{\left(1\right)}\left(k\right)\right]}^2}$

$b=\frac{\underset{k=2}{\overset{N}{\mathrm{\Σ}}}{x}^{\left(0\right)}\left(k\right)\underset{k=2}{\overset{N}{\mathrm{\Σ}}}{\left[z^{\left(1\right)}\left(k\right)\right]}^2-\underset{k=2}{\overset{N}{\mathrm{\Σ}}}{z}^{\left(1\right)}\left(k\right)x^{\left(0\right)}\left(k\right)}{(N-1)\underset{k=2}{\overset{N}{\mathrm{\Σ}}}{\left[z^{\left(1\right)}\left(k\right)\right]}^2-\underset{k=2}{\overset{N}{\mathrm{\Σ}}}{\left[z^{\left(1\right)}\left(k\right)\right]}^2}$

则灰色GM(1,1)预测模型为： ${\hat{x}}^{\left(0\right)}(k+1)=(1-e^a)[x^{\left(0\right)}\left(1\right)-b/a]\×e^{-a(k-1)}$

由不同个数的管道腐蚀缺陷历史尺寸数据建立的灰色GM(1,1)预测模型各不相同，其精度也不同；管道腐蚀缺陷历史尺寸数据越多，模型精度越高，预测结果也更加准确。本实施方式中，由管道腐蚀缺陷的轴向长度基于检测时间顺序的历史数据集L_T＝{11.45,11.472,11.503,11.542}代入x⁽⁰⁾得到的灰色GM(1,1)预测模型表达式为：由管道腐蚀缺陷的周向宽度基于检测时间顺序的历史数据集W_T＝{5.421,5.428,5.432,5.441}代入x⁽⁰⁾得到的灰色GM(1,1)预测模型表达式为：由管道腐蚀缺陷的深度基于检测时间顺序的历史数据集H_T＝{1.005,1.019,1.035,1.053}代入x⁽⁰⁾得到的灰色GM(1,1)预测模型表达式为： ${\hat{x}}^{\left(0\right)}(k+1)=1.0023\×e^{0.0162(k-1)}.$

在步骤210，对管道腐蚀缺陷尺寸在轴向长度、周向宽度和深度三个方向上分别建立并训练BP神经网络模型，并利用该模型进行腐蚀缺陷尺寸预测得到预测值；方法如下：

分别将表4、表5和表6给出的管道腐蚀缺陷在轴向长度方向、周向宽度方向和深度方向的主要影响因素数据作为BP神经网络的输入；分别将表4、表5和表6给出的管道腐蚀缺陷在轴向长度方向、周向宽度方向和深度方向的腐蚀速率估算数据作为BP神经网络的输出；分别设定1个隐含层，并根据所需的训练速度和精度设定隐含层节点数，本实施方式中设定隐层节点数为10个；分别建立管道腐蚀缺陷在轴向长度方向、周向宽度方向和深度方向的用于预测腐蚀速率的BP神经网络；分别通过3个BP神经网络模型进行预测，得到管道腐蚀缺陷在轴向长度方向、周向宽度方向和深度方向的腐蚀速率预测值，分别按时间积分后得到管道腐蚀缺陷在轴向长度方向、周向宽度方向和深度方向的腐蚀缺陷尺寸的预测值；

表4管道腐蚀缺陷在轴向长度方向的主要影响因素数据及腐蚀速率数据

表5管道腐蚀缺陷在周向宽度方向的主要影响因素数据及腐蚀速率数据

表6管道腐蚀缺陷在深度方向的主要影响因素数据及腐蚀速率数据

步骤211：利用步骤209得到的管道腐蚀缺陷尺寸预测值、步骤210得到的管道腐蚀缺陷尺寸预测值和管道腐蚀缺陷尺寸历史数据，建立诱导有序加权调和平均IOWHA算子组合模型，并确定模型参数；具体步骤为：

某时刻的IOWHA算子组合模型的预测值为：

$\mathrm{IOWHA}(<p_{1t},x_{1t}>,<p_{2t},x_{2t}>)=\frac{1}{\frac{r_1}{x_{p-\mathrm{index}\left(1t\right)}}+\frac{r_2}{x_{p-\mathrm{index}\left(2t\right)}}}$

式中x_1t,x_2t分别表示两种方法在t时刻的预测值，p_1t,p_2t分别表示两种方法在t时刻的预测精度值，R＝(r₁,r₂)^T为两种预测方法在组合预测中的加权变量，p-index(1t)表示使用某种方法的较大的预测精度值的下标，p-index(2t)表示使用某种方法的较小的预测精度值的下标；

令 $e_{a-\mathrm{index}\left(1t\right)}=\frac{1}{x_t}-\frac{1}{x_{p-\mathrm{index}\left(1t\right)}};e_{a-\mathrm{index}\left(2t\right)}=\frac{1}{x_t}-\frac{1}{x_{p-\mathrm{index}\left(2t\right)}};$

于是m次总的基于IOWHA组合预测倒数误差平方和IOWHA达到极小化为：

$\min F(r_1,r_2)=\min \underset{t=T_1}{\overset{T_m}{\mathrm{\&Sigma;}}}{(r_1{e}_{a-\mathrm{index}\left(1t\right)}+r_2{e}_{a-\mathrm{index}\left(2t\right)})}^2$

$s.t.\left\{\begin{array}{c}{r}_1+r_2=1\\ r_1,r_2\&GreaterEqual;0\end{array}\right.$

计算得到最优权系数R＝(r₁,r₂)^T的值，从而得到IOWHA算子组合模型；本实施方式中得到的最优权系数为R＝(0.92,0.08)^T。在使用该模型时，预测区间[T_m+Δt,T_m+2Δt,...]的预测精度大小确定的原则为根据各单项预测方法在样本区间内近期拟合平均精度的高低，用某种方法最近k次的拟合平均精度和来反映预测区间上T_m+kΔt的预测精度的大小；

在步骤212，采集新数据；

新数据包括反映管道运行状态的特征参量数据和管道输送介质成分数据，如表7所示；

表7新数据表

检测时间	压力	流速	温度	溶氧量	溶解CO2	PH	硫离子	氯离子
									2000.03	16.34	1.345	55.12	3.057	6.67	6.17	2.99	165.2
2000.05	17.37	1.365	55.9	3.492	7.09	5.95	3.87	166.0
									2000.07	18.54	1.388	62.34	3.769	7.45	5.34	3.78	149.8

在步骤213，利用步骤209建立的灰色GM(1,1)预测模型预测检测时间点T_预测＝2000.07的管道腐蚀缺陷尺寸为

在步骤214，利用步骤210得到的BP神经网络模型，根据最后的管道腐蚀缺陷尺寸数据及该数据的检测时间到新数据检测时间的时间段的历史数据，预测该时间段的管道腐蚀缺陷的腐蚀速率，并将腐蚀速率预测值按时间积分到该时间段的管道腐蚀缺陷的增长预测尺寸，本实施方式中从最后一次检测时间2000.01到待预测时间2000.07这段时间通过BP神经网络预测的腐蚀速率经积分得到的管道腐蚀缺陷的增长尺寸为轴向长度0.096mm、周向宽度0.365mm，深度0.239mm；将最后时间点读取的管道腐蚀缺陷尺寸数据，即2000.01的腐蚀缺陷尺寸检测数据(轴向长度11.767mm、周向宽度5.458mm、深度1.113mm)与预测的该时间段的管道腐蚀缺陷的增长尺寸相加，得到新数据检测时间的管道腐蚀缺陷尺寸，

在步骤215，利用步骤211中建立的诱导有序加权调和平均IOWHA算子组合模型，将步骤213和步骤214的结果进行结合，得到最终的新数据检测时间的管道腐蚀缺陷尺寸的预测值,即并对该结果在上位机上进行显示；

虽然以上描述了本发明的具体实施方式，但是本领域内的熟练的技术人员应当理解，这些仅是举例说明，可以对这些实施方式做出多种变更或修改，而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。

Claims (5)

1.一种基于多源数据融合的管道腐蚀缺陷尺寸的预测系统，其特征在于：包括：传感器组、下位机和上位机；

所述传感器组置于管道的首端或者末端，与输送介质接触；所述传感器组与所述下位机相连接，所述下位机与所述上位机相连接；

所述传感器组包括多种传感器，该多种传感器分别用于实时采集反映管道运行状态的特征参量数据和管道输送介质成分数据，并将这些数据传送至下位机；

所述下位机用于控制传感器组的数据采集过程，并将从传感器组接收的数据传送给上位机；

所述上位机，包括：数据管理模块、数据处理模块和腐蚀缺陷尺寸预测模块；

所述数据管理模块用于接收下位机传送来的数据，并按照数据检测时间进行存储；所述数据管理模块还用于读取管道内检测器定期检测的管道腐蚀缺陷尺寸数据，并分别针对管道每个腐蚀缺陷记录其历史缺陷尺寸数据；

所述数据处理模块用于从数据管理模块中获取数据进行处理与计算，包括：无量纲化处理、灰色关联系数计算、灰色关联度计算和腐蚀速率估算，并将数据处理与计算的结果传送给腐蚀缺陷尺寸预测模块；

所述腐蚀缺陷尺寸预测模块用于利用数据管理模块的数据和数据处理模块的数据建立腐蚀缺陷尺寸预测模型，并对管道腐蚀缺陷尺寸进行预测，得到管道腐蚀缺陷尺寸预测值。

2.根据权利要求1所述的基于多源数据融合的管道腐蚀缺陷尺寸的预测系统，其特征在于：所述多种传感器的类型和数量，根据实际使用的管道类型和管道输送介质来确定。

3.采用权利要求1所述的基于多源数据融合的管道腐蚀缺陷尺寸的预测系统进行管道腐蚀缺陷尺寸预测的方法，其特征在于：包括如下步骤：

步骤1：采集历史数据；

所述数据包括：反映管道运行状态的特征参量的数据、管道输送介质成分的数据和管道腐蚀缺陷尺寸数据；

各个反映管道运行状态的特征参量和各个管道输送介质成分构成管道腐蚀缺陷的影响因素集合U＝{u₁,u₂,...,u_n}中的各个元素，u_i为所述元素的基于检测时间点的数据集，u_i＝{x_i(t)}，i＝1,2,…,n，t为检测时间；n为反映管道运行状态的特征参量个数与管道输送介质成分个数之和；

针对管道腐蚀缺陷尺寸历史数据，建立管道腐蚀缺陷尺寸历史数据集：

$L_T=\{l_{T_1},l_{T_2},...,l_{T_m}\},W_T=\{w_{T_1},w_{T_2},...,w_{T_m}\},H_T=\{h_{T_1},h_{T_2},...,h_{T_m}\},$ 其中，L_T为管道腐蚀缺陷的轴向长度基于检测时间顺序的历史数据集，W_T为管道腐蚀缺陷的周向宽度基于检测时间顺序的历史数据集，H_T为管道腐蚀缺陷的深度基于检测时间顺序的历史数据集；T＝T₁,T₂,...,T_m为检测时间点，m为检测次数；

步骤2：根据管道腐蚀缺陷尺寸历史数据，估算管道腐蚀缺陷的腐蚀速率；

分别计算管道腐蚀缺陷在各检测时间点T₁,T₂,...,T_m和各插值时间点T_1,2,T_2,3,...,T_m-1,m的轴向长度、周向宽度和深度3个方向的腐蚀速率 $V_{t^{\&prime;}}^W=\{{v^w}_{T_{\mathrm{1,2}}},{v^w}_{T_2},...,{v^w}_{T_{m-1,m}}\},V_{t^{\&prime;}}^H=\{{v^h}_{T_{\mathrm{1,2}}},{v^h}_{T_2},...,{v^h}_{T_{m-1,m}}\},$ 其中，T_m-1,m为T_m-1和T_m的时间中点，t'＝T_1,2,T₂,T_2,3,...,T_m-1,T_m-1,m；

分别以管道腐蚀缺陷的轴向长度、周向宽度和深度为纵坐标轴，以检测时间T为横坐标轴，建立L_t－T坐标系、W_t－T坐标系和H_t－T坐标系，并分别根据管道腐蚀缺陷尺寸历史数据集 $L_t=\{l_{T_1},l_{T_2},...,l_{T_m}\},W_t=\{w_{T_1},w_{T_2},...,w_{T_m}\},H_t=\{h_{T_1},h_{T_2},...,h_{T_m}\}$ 在L_t－T坐标系、W_t－T坐标系和H_t－T坐标系上绘制曲线；

除去第一个检测时间点T₁和最后一个检测时间点T_m后，管道腐蚀缺陷分别在其余各检测时间点T₂,...,T_m-1的轴向长度方向的腐蚀速率值，为所述L_t－T坐标系上的点(T_m-2，)与其前后紧邻的点(T_m-3，)和(T_m-1，)的两条连线相交所得夹角的平分线的斜率值；同样的，管道腐蚀缺陷分别在各检测时间点T₂,...,T_m-1的周向宽度方向的腐蚀速率值，为所述W_t－T坐标系上的点与其前后紧邻的点和的两条连线相交所得夹角的平分线的斜率值；同样的，管道腐蚀缺陷分别在各检测时间点T₂,...,T_m-1的深度方向的腐蚀速率值，为所述H_t－T坐标系上的点与其前后紧邻的点 和的两条连线相交所得夹角的平分线的斜率值；

管道腐蚀缺陷分别在各插值时间点T_1,2,T_2,3,...,T_m-1,m的轴向长度方向的腐蚀速率值、周向宽度方向的腐蚀速率值和深度方向的腐蚀速率值，分别为L_t－T坐标系上、W_t－T坐标系上和H_t－T坐标系上各个插值时间点各自相关的两个检测时间点分别对应的两个坐标点的连线的斜率值；即， $v_{T_{m-1,m}}^l=\frac{L_{T_m}-L_{T_{m-1}}}{T_m-T_{m-1}},v_{T_{m-1,m}}^w=\frac{W_{T_m}-W_{T_{m-1}}}{T_m-T_{m-1}},v_{T_{m-1,m}}^h=\frac{H_{T_m}-H_{T_{m-1}}}{T_m-T_{m-1}};$

步骤3：利用灰色关联方法，确定影响管道腐蚀缺陷腐蚀速率的主要影响因素；

步骤3.1：确定管道腐蚀缺陷轴向长度的腐蚀速率的主要影响因素；

步骤3.1.1：以腐蚀缺陷轴向长度的腐蚀速率为参考因素，分别以集合U中的各个元素为对比因素，对u_i进行无量纲化处理；

步骤3.1.2：计算各对比因素对于参考因素在各检测时间点的灰色关联系数；

步骤3.1.3：根据步骤3.1.2的结果，分别计算各个对比因素的灰色关联系数平均值，分别作为各个对比因素的灰色关联度；

步骤3.1.4：对各个对比因素的灰色关联度进行降序排列，根据排序结果和经验，选取前若干个对比因素作为腐蚀缺陷轴向长度的腐蚀速率的主要影响因素；

步骤3.2：采用同样的方法，重复执行步骤3.1.1至步骤3.1.4两次，分别确定腐蚀缺陷周向宽度的腐蚀速率的主要影响因素和腐蚀缺陷深度的腐蚀速率的主要影响因素；

步骤4：利用管道腐蚀缺陷尺寸历史数据、管道腐蚀缺陷的腐蚀速率估算数据及其对应的各检测时间点和各插值时间点的腐蚀速率的各主要影响因素的数据，建立管道腐蚀缺陷尺寸预测模型；

所述管道腐蚀缺陷尺寸预测模型，包括灰色GM(1,1)预测模型、BP神经网络模型和诱导有序加权调和平均IOWHA算子组合模型，方法如下：

步骤4.1：根据管道腐蚀缺陷尺寸历史数据，对管道腐蚀缺陷尺寸在轴向长度、周向宽度和深度三个方向上分别建立灰色GM(1,1)预测模型，得到模型参数，并利用该模型进行腐蚀缺陷尺寸预测得到预测值；

步骤4.2：对管道腐蚀缺陷尺寸在轴向长度、周向宽度和深度三个方向上分别建立并训练BP神经网络模型，并利用该模型进行腐蚀缺陷尺寸预测得到预测值；

步骤4.3：利用步骤4.1得到的管道腐蚀缺陷尺寸预测值、步骤4.2得到的管道腐蚀缺陷尺寸预测值和管道腐蚀缺陷尺寸历史数据，建立诱导有序加权调和平均IOWHA算子组合模型，并确定模型参数；

步骤5：采集新数据；

所述新数据包括反映管道运行状态的特征参量数据和管道输送介质成分数据；

步骤6：利用步骤4.1建立的灰色GM(1,1)预测模型，预测新数据检测时间点的管道腐蚀缺陷尺寸；

步骤7：利用步骤4.2得到的BP神经网络模型，预测新数据检测时间点的管道腐蚀缺陷尺寸；

步骤8：利用步骤4.3中建立的诱导有序加权调和平均IOWHA算子组合模型，将步骤6和步骤7的结果进行结合，得到最终的新数据检测时间点的管道腐蚀缺陷尺寸的预测值。

4.根据权利要求3所述的基于多源数据融合的管道腐蚀缺陷尺寸的预测方法，其特征在于：步骤4.2所述的对管道腐蚀缺陷尺寸在轴向长度、周向宽度和深度三个方向上分别建立并训练BP神经网络模型的方法如下：

分别将步骤3中得到的结果作为3个BP神经网络的输入；分别将步骤2中得到的结果作为3个BP神经网络的输出；分别给3个BP神经网络设定1个隐含层，并根据所需的训练速度和精度设定隐含层节点数；分别建立管道腐蚀缺陷在轴向长度方向的BP神经网络、周向宽度方向的BP神经网络和深度方向的BP神经网络；分别通过3个BP神经网络模型进行预测，分别得到管道腐蚀缺陷在轴向长度方向的腐蚀速率预测值、周向宽度方向的腐蚀速率预测值和深度方向的腐蚀速率预测值，并分别按时间积分后得到管道腐蚀缺陷在轴向长度方向的腐蚀缺陷尺寸的预测值、周向宽度方向的腐蚀缺陷尺寸的预测值和深度方向的腐蚀缺陷尺寸的预测值。

5.根据权利要求3所述的基于多源数据融合的管道腐蚀缺陷尺寸的预测方法，其特征在于：步骤7所述的利用步骤4.2得到的BP神经网络模型，预测新数据检测时间点的管道腐蚀缺陷尺寸，方法为：

根据最后时间点读取的管道腐蚀缺陷尺寸数据及该时间点到新数据检测时间点之间的这段时间段的u_i，利用步骤4.2得到的BP神经网络模型，预测该时间段的管道腐蚀缺陷的腐蚀速率，并将该腐蚀速率预测值按时间积分到该时间段的管道腐蚀缺陷的增长尺寸预测值；然后，将最后的管道腐蚀缺陷尺寸数据与该时间段的管道腐蚀缺陷的增长尺寸预测值相加，得到新数据检测时间点的管道腐蚀缺陷尺寸预测值。