CN104865291A - 一种大型化工设备腐蚀监测系统及其趋势预测方法 - Google Patents
一种大型化工设备腐蚀监测系统及其趋势预测方法 Download PDFInfo
- Publication number
- CN104865291A CN104865291A CN201410066824.9A CN201410066824A CN104865291A CN 104865291 A CN104865291 A CN 104865291A CN 201410066824 A CN201410066824 A CN 201410066824A CN 104865291 A CN104865291 A CN 104865291A
- Authority
- CN
- China
- Prior art keywords
- corrosion
- monitor
- corrosion monitoring
- monitoring
- single device
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
本发明公开了一种大型化工设备腐蚀监测系统及其趋势预测方法,腐蚀监测系统组成包括:被监测设备1,腐蚀监测装置2,单台设备腐蚀监测装置3,GPRS4,Internet5。安装在被监测设备1的组合式腐蚀监测传感器7,对石化设备的腐蚀状况进行实时监测,通过腐蚀监测装置2应用无线通讯发射至单台设备腐蚀监测装置3,单台设备腐蚀监测装置3中的DSP11运行时序BP神经网络算法,对各个腐蚀监测装置2的腐蚀趋势进行预测,同时通过单台设备腐蚀监测装置3的GPRS4与Internet5实时将各台设备的腐蚀监测数据发送到腐蚀监控中心6的数据库处理系统中,数据中心应用时序BP神经网络算法对各台设备的腐蚀趋势进行预测。
Description
技术领域:
本发明涉及石化企业炼油装置腐蚀的在线监测及其发展趋势的预测,是属于测量仪器领域。
背景技术:
腐蚀是危及石化企业炼油装置安全平稳运行的重要隐患之一,其造成的惊人损失直接影响了石化企业的可持续发展。随着电子技术、自动化技术与检测仪器的发展,腐蚀监测作为防腐蚀工作的重要部分之一,逐渐在事故预防、设备运行状态改善等方面发挥着越来越重要的作用。
目前,腐蚀监测技术主要有,公开号:101846644A,公开日期:2010-10-29,发明名称:油气管道在线腐蚀监测仪,公开了利用电阻法对油气管道进行腐蚀测量;公开号:202372494U,公开日期:2012-08-08,实用新型名称:一种无线传输腐蚀监测系统,公开了一种无线传输腐蚀数据的监控系统;公开号:102012255A,公开日期:2011-04-13,发明名称:智能高速恒电量腐蚀监测系统,用小波变换对数据去噪,可与笔记本相连,实现便携式监测仪。中国科学院金属研究所开发的DG-5300在线电感探针系统;美国RCS公司研制的Microcor快速分辨率磁感应腐蚀监测系统已开始在石化系统腐蚀监测的实际中应用。
综合所述,现有技术只是提供监测一个腐蚀状况的评价参数,投入实际使用的两个产品虽然能够实现在线监测,但对于石化企业的一些特殊设备(如蒸馏装置),由于各部分腐蚀情况各不相同,不能提供装置各部分的准确腐蚀情况,更不能进行腐蚀趋势的预测。针对现有技术的缺陷,特提供如下发明。
发明内容:
本发明的目的是解决石化企业化工设备的腐蚀实现监测及腐蚀趋势预测问题。为特大型石化企业提供一种智能型腐蚀监测系统。本发明将Zigbee无线传感网络技术、腐蚀无损在线监测技术、GPRS与Internet技术、神经网络智能算法相结合。
本发明提供一种大型化工设备腐蚀监测系统,包括:被监测设备1,腐蚀监测装置2,单台设备腐蚀监测装置3,GPRS4,Internet5;其特征在于:组合式腐蚀监测传感器7安装在被监测设备1上,组合式腐蚀监测传感器7对石化设备的腐蚀状况进行实时监测,并通过腐蚀监测装置2应用无线通讯发射至单台设备腐蚀监测装置3,单台设备腐蚀监测装置3的GPRS4与Internet5将监测信息实时发射到腐蚀监控中心6的数据库处理系统。
腐蚀监测装置2的组成包括组合式腐蚀监测传感器7,信号调理电路8,ZigBee CC25309, 电源10。单台设备腐蚀监测装置3组成包括ZigBee CC25309,电源10,DSP11,显示器12,USB接口13,键盘14,GPRS模块15。
安装在被监测设备1的组合式腐蚀监测传感器7,对石化设备的腐蚀状况进行实时监测,通过腐蚀监测装置2应用无线通讯发射至单台设备腐蚀监测装置3,单台设备腐蚀监测装置3中的DSP11运行时序BP神经网络算法,对各个腐蚀监测装置2的腐蚀趋势进行预测,同时通过单台设备腐蚀监测装置3的GPRS4与Internet5实时将各台设备的腐蚀监测数据发送到腐蚀监测中心的数据库处理系统中,腐蚀监测装置2与单台设备腐蚀监测装置3应用Zigbee无线通讯协议进行通讯。腐蚀监测装置2的组合式腐蚀监测传感器包括电阻探针16,电位探针17,电偶探针18,电流探针19。
监测中心应用时序BP神经网络算法对各台设备的腐蚀趋势进行预测,单台设备腐蚀监测装置3应用PDM(P)定位算法,对腐蚀点进行定位,查询被监测设备1中各监测点腐蚀的具体状况。
本发明一种大型化工设备腐蚀监测系统与现有技术相比有如下明显效果:
1.本发明既是石化企业化工设备的监测系统,当腐蚀点监测装置与设备监测装置组合时,又可以单独实施对一台石化设备实施实时监测与腐蚀预测;
2.能够实施对单台石化设备不同部位腐蚀情况的实时监测与趋势预测,监测中心可以同时对所有的设备实施实时监测与预测;
3.可以自动建立所有监测设备以及设备点的腐蚀情况监测与预测档案;
4.采用组合式腐蚀监测传感器可以互为补充,为准确监测与预测石化设备腐蚀状况提供硬件支持;
5.在Zigbee通信协议中应用定位算法,对单台设备腐蚀情况较为严重的点能够准确定位;
6.采用无线通讯方式,省去监测现场的布线,节约监测设备自身成本、安装成本。
附图说明:
图1腐蚀监测系统;
图2腐蚀点监测装置;
图3设备或区域腐蚀监测装置;
图4组合式腐蚀监测传感器;
图5神经网络结构。
图中,被监测设备1,腐蚀监测装置2,单台设备腐蚀监测装置3,GPRS4,Internet5,监控中心6,组合式腐蚀监测传感器7,信号调理电路8,ZigBee CC25309,电源10,DSP11,显示器12,USB接口13,键盘14,GPRS模块15,电阻探针16,电位探针17,电偶探针18,电流探针19。
具体实施方式:
下面结合具体实施方式对本发明一种大型化工设备腐蚀监测系统进行详细说明。
1.本腐蚀监测系统结构及具体工作过程。
将腐蚀监测的电阻探针16、电位探针17、电偶探针18、电流探针19组合成一个组合式腐蚀监测传感器7,安排在被监测设备1中,例如:化工设备蒸馏塔,组成无线传感网络进行监测。同时腐蚀监测装置2及无线传感网络的单台设备腐蚀监测装置3可以作为单台设备的监测显示和综合分析部分,同时可以将监测数据发送到监控中心6,如图1所示。另外,在无线传感网络中各个点的位置可以使用无线传感网络的定位算法进行定位,同时网关节点中的DSP11可实现单台设备各腐蚀点的腐蚀预测。单台设备腐蚀监测装置3应用PDM(P)定位算法,对腐蚀点进行定位,查询被监测设备1中各监测点腐蚀的具体状况。同时将监测和预测的数据发送到企业的监控中心6,实现对整个厂区的所有被监测设备1腐蚀情况的动态监测及其趋势预测。腐蚀监测装置2与单台设备腐蚀监测装置3应用Zigbee无线通讯协议进行通讯。
安装在被监测设备1的组合式腐蚀监测传感器7,对石化设备的腐蚀状况进行实时监测,通过腐蚀监测装置2应用无线通讯发射至单台设备腐蚀监测装置3,单台设备腐蚀监测装置3中的DSP11运行时序BP神经网络算法,对各个腐蚀监测装置2的腐蚀趋势进行预测,同时通过单台设备腐蚀监测装置3的GPRS4与Internet5实时将各台设备的腐蚀监测数据发送到监控中心6的数据库处理系统中,数据库处理系统应用时序BP神经网络算法对各台设备的腐蚀趋势进行预测。
2.本腐蚀监测系统的各个组成部分的说明。
1)腐蚀监测装置2的组合式腐蚀监测传感器7包括电阻探针16,电位探针17,电偶探针18,电流探针19。组合式腐蚀监测传感器7可以监测的参数是电阻、电位、电偶、电流,如图4所示,具体如下:
电阻探针16:其组成包括保护帽、敏感元件、探头杆、信号接口和卡槽,常见的电阻探针敏感元件有板状、管状与丝状,且采用与被测设备相同的材料制成。于正在运转的设备中插入一个装有金属敏感元件的探针,敏感元件的电阻的变化率与探针的腐蚀量成正比,对电阻的增加量进行周期性地测量即可获得腐蚀速率。
电位探针17:由于被测金属或合金的腐蚀电位与他们的腐蚀状态之间存在着对应关系, 通过监测被监测设备1的腐蚀电位,即可监测材料应力腐蚀开裂过程。参比电极是测量腐蚀电位的关键因素,采用Ag/AgCl电极、铂丝、银丝等作为参比电极,并设置不同腐蚀状态之间的电位区间为100mV。
电偶探针18:采用运算放大器实现零阻电流表,浸与同一环境的偶接金属之间,测量起电偶电流,根据电流的大小和电偶电流与阳极性金属溶解电流之间的数学关系,获得金属的腐蚀速度。进行测量的电偶腐蚀探针由两种不同的金属电极制成,并采用异金属材料,可与被监测设备金属材料不同。
电流探针19:通过测量含氧水循环系统中铁电极和黄铜电极之间的电流变化,确定含氧量的变化,进而确定环境的腐蚀情况。探针采用边缘相平的结构,并皆与外壳固定结构绝缘,并各自伸出一定距离。
2)ZigBee CC25309选用CC2530射频模块,DSP11选用TMS320F2812处理器作为中心处理器,具有高性能、低功耗、低成本特点,其指令处理速度可以高达300兆指令/秒,能满足无线传感器网关节点的高速传输要求,和保证工作稳定性。
3)GPRS4与DSP11相连,GPRS4选用MC55模块,由MC55模块内置的TCP/IP协议栈,由AT指令控制使应用程序很容易接入网络。这一方案的优点在于它不需应用程序,开发商执行自己的TCP/IP和PPP栈,这样最小化了将网络连接成一个新的或已经存在的应用程序所需的成本和时间,实现数据的无线拨号GPRS连接。
3.腐蚀监测点的定位方法
PDM(P)定位在传感网中嵌入式空间来描述节点的位置,从一个节点(锚节点或非锚节点)到锚节点测量估计值在线性系统中来定位它的坐标。假设存在M个锚节点,节点Si在M维的嵌入式空间中的坐标用估计值矢量来表示:
Pi={pil,pi2,...,PiM}T
pij表示节点i到节点j的估计测量值,pij=0。整个嵌入式空间可以用一个M×M的估计矩阵来表示为:
P=[P1,P2,...,PM]
地理距离矢量表示为:
Li={li1,li2,...,liM}T
lij表示节点i到节点j的地理距离。则地理距离矩阵表示为:
L=[L1,L2,...,LM]
PDM定位算法主要思想是构建一个最优线性转换T(称为PDM),提供一个从估计矩阵P到线性矩阵L的影射关系。未知节点在获得一个估计矢量后,就可以利用这种映射关系来计算它的距离矢量,从而计算节点的位置坐标。T是一个M×M的矩阵,T的每一行通过最小化方差来得到。
[L1,L2,...,LM]=T[P1,P2,...,PM]
通过最小方差得到行矢量:
在非奇异分解中,由于在测量中可能存在噪声等干扰,使得包含小的接近于0的非奇异值,PDM定位算法中采用抛弃小的非奇异值的方法来解决这个问题。
4.时序BP神经网络预测算法
时序BP神经网络拓扑结构为三层网络,由输入层、隐含层和输出层组成,隐含层采用非线性映射函数,输出层采用线性映射函数,利用这一网络,将已知的腐蚀点时间序列作为网络的输入,同时也作为网络的期望输出值,训练网络权值,以预测腐蚀趋势。
时序BP神经网络基本神经元选定为6-13-1,即输入层6个神经元,隐含层13个神经元,输出层1个神经元,以腐蚀点时间序列作为网络输入,对腐蚀趋势进行预测。网络隐含层神经元激活函数选择S型正切函数tansig,输出层神经元激活函数采用S型对数函数logsig。
采用时序BP神经网络算法网络进行腐蚀趋势预测主要利用BP网络的非线性映射能力,在三层网络中,只要对隐含层采用非线性映射函数,输出层采用线性映射函数,就可以用三层网络对任意连续函数逼近。利用这一网络,将已知的腐蚀点时间序列作为网络的输入,同时也作为网络的期望输出值,训练网络权值,以预测腐蚀趋势,神经网络结构如图5所示。网络隐含层神经元激活函数选择S型正切函数tansig,输出层神经元激活函数采用S型对数 函数logsig。其程序如下所示:
threshold=[01;01;01;01;01];%量化范围值
net=newff(threshold,[5,11,1],{‘tansig’,‘tansig’,‘tansig’,‘logsig’},‘trainlm’);
%建立一个网络
net.trainParam.epochs=1000; %训练最大次数
net.trainParam.goal=0.00033; %期望误差最小值
LP.1r=0.04; %学习效率
net=train(net,M,N);
%网络训练,神经网络对数据产生识别和记忆能力
a=load(‘e\2.txt’); %输入训练样本
sin_test_out=sim(net,M2); %拟合网络,得到预测值。
Claims (9)
1.一种大型化工设备腐蚀监测系统,包括:被监测设备(1),腐蚀监测装置(2),单台设备腐蚀监测装置(3),GPRS(4),Internet(5);其特征在于:组合式腐蚀监测传感器(7)安装在被监测设备(1)上,组合式腐蚀监测传感器(7)对石化设备的腐蚀状况进行实时监测,并通过腐蚀监测装置(2)应用无线通讯发射至单台设备腐蚀监测装置(3),单台设备腐蚀监测装置(3)的GPRS(4)与Internet(5)将监测信息实时发射到腐蚀监控中心(6)的数据库处理系统。
2.根据权利要求1所述的腐蚀监测系统,其特征在于:腐蚀监测装置(2)的组成包括组合式腐蚀监测传感器(7),信号调理电路(8),ZigBee CC2530(9),电源(10)。
3.根据权利要求1所述的腐蚀监测系统,其特征在于:单台设备腐蚀监测装置(3)组成包括ZigBee CC2530(9),电源(10),DSP(11),显示器(12),USB接口(13),键盘(14),GPRS模块(15)。
4.根据权利要求1所述的腐蚀监测系统,其特征在于:腐蚀监测装置(2)与单台设备腐蚀监测装置(3)应用Zigbee无线通讯协议进行通讯。
5.根据权利要求3所述的腐蚀监测系统,其特征在于:单台设备腐蚀监测装置(3)应用PDM(P)定位算法,对腐蚀点进行定位,查询被监测设备(1)中各监测点腐蚀的具体状况。
6.根据权利要求2所述的腐蚀监测系统,其特征在于:腐蚀监测装置(2)的组合式腐蚀监测传感器包括电阻探针(16),电位探针(17),电偶探针(18),电流探针(19)。
7.根据权利要求1-5任一权利要求所述的腐蚀监测系统的趋势预测方法,其特征在于:安装在被监测设备(1)的组合式腐蚀监测传感器(7),对石化设备的腐蚀状况进行实时监测,通过腐蚀监测装置(2)应用无线通讯发射至单台设备腐蚀监测装置(3),单台设备腐蚀监测装置(3)中的DSP(11)运行时序BP神经网络算法,对各个腐蚀监测装置(2)的腐蚀趋势进行预测,同时通过单台设备腐蚀监测装置(3)的GPRS(4)与Internet(5)实时将各台设备的腐蚀监测数据发送到腐蚀监控中心(6)的数据库处理系统中,监控中心(6)应用时序BP神经网络算法对各台设备的腐蚀趋势进行预测。
8.根据权利要求7所述的腐蚀监测系统的趋势预测方法,其特征在于:时序BP神经网络拓扑结构为三层网络,由输入层、隐含层和输出层组成,隐含层采用非线性映射函数,输出层采用线性映射函数,将已知的腐蚀点时间序列作为网络的输入和期望输出值。
9.根据权利要求8所述的腐蚀监测系统的趋势预测方法,其特征在于:时序BP神经网络基本神经元选定为输入层6个神经元,隐含层13个神经元,输出层1个神经元,网络隐含层神经元激活函数选择S型正切函数tansig。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410066824.9A CN104865291A (zh) | 2014-02-26 | 2014-02-26 | 一种大型化工设备腐蚀监测系统及其趋势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410066824.9A CN104865291A (zh) | 2014-02-26 | 2014-02-26 | 一种大型化工设备腐蚀监测系统及其趋势预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104865291A true CN104865291A (zh) | 2015-08-26 |
Family
ID=53911271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410066824.9A Pending CN104865291A (zh) | 2014-02-26 | 2014-02-26 | 一种大型化工设备腐蚀监测系统及其趋势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104865291A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108595905A (zh) * | 2017-10-25 | 2018-09-28 | 中国石油化工股份有限公司 | 一种基于bp神经网络模型的冲蚀失效定量预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101846644A (zh) * | 2010-05-19 | 2010-09-29 | 华中科技大学 | 油气管道在线腐蚀监测仪 |
CN102590459A (zh) * | 2012-03-09 | 2012-07-18 | 中国石油天然气股份有限公司 | 一种埋地管道腐蚀检测评价系统和方法 |
CN202372494U (zh) * | 2011-12-28 | 2012-08-08 | 成都兴油科技开发有限公司 | 一种无线传输腐蚀数据的监控系统 |
-
2014
- 2014-02-26 CN CN201410066824.9A patent/CN104865291A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101846644A (zh) * | 2010-05-19 | 2010-09-29 | 华中科技大学 | 油气管道在线腐蚀监测仪 |
CN202372494U (zh) * | 2011-12-28 | 2012-08-08 | 成都兴油科技开发有限公司 | 一种无线传输腐蚀数据的监控系统 |
CN102590459A (zh) * | 2012-03-09 | 2012-07-18 | 中国石油天然气股份有限公司 | 一种埋地管道腐蚀检测评价系统和方法 |
Non-Patent Citations (4)
Title |
---|
周湶等: "基于Zigbee 和零序电流增量法的配网单相接地故障定位方法", 《电力系统保护与控制》 * |
张巧芬等: "基于无线传感器网络的变电站", 《低压电器》 * |
法拉哈尼: "《ZigBee无线网络与收发器》", 31 August 2013, 北京航空航天大学出版社 * |
郑秀红: "炼油厂蒸馏塔腐蚀在线监测系统的设计与实现", 《佳木斯大学学报(自然科学版)》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108595905A (zh) * | 2017-10-25 | 2018-09-28 | 中国石油化工股份有限公司 | 一种基于bp神经网络模型的冲蚀失效定量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103268519B (zh) | 基于改进Lyapunov指数的电力系统短期负荷预测方法及装置 | |
CN108418841A (zh) | 基于ai的下一代关键信息基础设施网络安全态势感知系统 | |
KR100867938B1 (ko) | 종속변수 유사도와 커널 회귀법을 이용한 발전소 계측기성능감시용 예측방법 | |
CN102938021A (zh) | 一种输电线路覆冰负荷定量估计及预测方法 | |
CN102331525B (zh) | 基于建筑设备物联网的分布式谐波在线检测系统 | |
Sharma et al. | Review of artificial intelligence techniques application to dissolved gas analysis on power transformer | |
CN104376383A (zh) | 一种基于地理信息系统的电网电压监视与预测系统及方法 | |
CN104063577B (zh) | 基于广义回归神经网络的变压器油中特征气体发展趋势预测方法 | |
CN117517907B (zh) | 一种变电站电容型设备的绝缘状态监测方法及系统 | |
KR20130017992A (ko) | Usn 기반 실시간 수질 모니터링을 위한 다항목 수질측정기 | |
CN110046834A (zh) | 工作场所有害气体健康风险定量评估系统及其评估方法 | |
CN105182141A (zh) | 变压器故障检测方法及系统 | |
CN101408577A (zh) | 基于广域测量信息的低频振荡节点贡献因子的分析方法 | |
Vitter et al. | A non-intrusive approach for classifying residential water events using coincident electricity data | |
Becherif et al. | Determination of the health state of fuel cell vehicle for a clean transportation | |
WO2020234921A1 (ja) | 予測式導出方法及び予測式導出装置 | |
CN104865291A (zh) | 一种大型化工设备腐蚀监测系统及其趋势预测方法 | |
CN109215821A (zh) | 核电站蒸发器主给水流量冗余测量通道比较方法及系统 | |
CN117191147A (zh) | 一种泄洪大坝水位监测预警方法及系统 | |
Moustris et al. | One‐Day Prediction of Biometeorological Conditions in a Mediterranean Urban Environment Using Artificial Neural Networks Modeling | |
Zhou et al. | Anode effect prediction of aluminum electrolysis using GRNN | |
Farooq et al. | Traffic systems in smart cities using LabVIEW | |
Feng et al. | Implementation of a power transformer temperature monitoring system | |
CN113973403A (zh) | 基于结构离散测点拓扑的温致应变场重分布智能感知方法 | |
Handayani et al. | Robustness of Sensors Network in Environmental Monitoring |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150826 |