CN107491840A - 基于elm神经网络模型的流动磨损特性预测及寿命评估方法 - Google Patents
基于elm神经网络模型的流动磨损特性预测及寿命评估方法 Download PDFInfo
- Publication number
- CN107491840A CN107491840A CN201710718383.XA CN201710718383A CN107491840A CN 107491840 A CN107491840 A CN 107491840A CN 201710718383 A CN201710718383 A CN 201710718383A CN 107491840 A CN107491840 A CN 107491840A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- flowing
- prediction
- mover
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Abstract
本发明公开了基于ELM神经网络模型的流动磨损特性预测及寿命评估方法。包括训练样本数据采集的步骤、测试样本数据采集的步骤、ELM神经网络模型建立的步骤和利用已构建的ELM神经网络模型进行流动磨损特性预测分析及寿命评估的步骤，实现对承压管束系统流动磨损特性的预测及寿命评估。本发明针对石油化工、煤化工等流程型工业承压管束系统的流动磨损问题，基于ELM神经网络模型建立了一种流动磨损特性的快速量化预测和剩余寿命评估方法，能快速定量的预测复杂变工况环境的流动磨损速率，可为承压管束系统系统的在役检验、风险评价、寿命预测、防控优化等安全闭环管理提供科学指导，促进流动磨损高风险设备系统的安全、稳定、长周期运行。
Description
技术领域
本发明涉及一种基于ELM神经网络模型的磨损预测方法，更具体地说，是涉及一种基于ELM神经网络模型的流动磨损特性预测及寿命评估方法。
背景技术
在石油化工、煤化工等流程型工业中，颗粒的流动磨损是承压管束系统冲蚀穿孔、泄漏爆管的主要危害源之一。现有研究表明：变工况环境中颗粒的流动磨损机理非常复杂，失效形式多样，且失效形式具有明显的局部性、突发性和风险性。现有研究表明：承压管束系统材料的流动磨损特性是流体冲刷和颗粒介质磨损共同耦合作用的结果，与设备的材质属性、速度特性、颗粒性质和颗粒浓度有着极为密切的关系。因此，如何量化流动磨损特性与关键影响因素间的关联关系是进行流动磨损特性预测和主动防控的重要途径之一。
现阶段研究复杂变工况条件下的颗粒流动磨损特性的主要手段是实验研究，即通过循环流动式管道回路测试流速、颗粒粒径、颗粒浓度对不同材质的流动磨损特性。受研究方法和测试技术的影响，流速范围、颗粒粒径的大小及颗粒浓度等变化的尺度较小，无法客观反应工程实际中承压管束系统所处的工况，流动磨损预测的精度，以及在此基础上确定的流动磨损表征参数群及防控技术均受到极大的局限性，某种程度上很难预测到承压管束系统流动磨损特性的高风险区域。现阶段，在流动磨损的预测方法上，依托计算机技术是拓展流动磨损特性预测的新途径，目前较为广泛的现代方法是人工神经网络方法、模糊方法、混沌方法、小波分析法、灰色系统方法等。其中较有代表的有刘双印等利用支持向量机对养殖水体中的pH值进行了预测分析，刘明等提出基于小波分解的ARMA预测模型，预测了养殖水体中亚硝酸盐的变化。不足的是，这些方法主要是利用现代智能算法自身优势展开的预测应用，往往不能有效地分析变工况环境特性参数变化过程的影响，未能揭示本质规律，从而影响预测精度。而对于承压管束系统的流动磨损特性问题，当前利用ELM神经网络模型进行预测尚处在初步阶段，模型的预测精度和可靠性尚需进行有效检验。因此，根据承压管束系统的结构材质特性、运行工况，综合考虑各种与流动磨损特性相关的因素，优化选择测试样本和训练样本，建立ELM神经网络流动磨损特性预测模型，是有效解决当前流动磨损特性预测难，精度差，成本高的新的研究方法。
发明内容
本发明的目的在于提出了一种基于ELM神经网络模型的承压管束系统流动磨损特性预测方法，在传统ELM神经网络预测模型的基础上，建立单隐藏层ELM神经网络模型，对与流动磨损特性相关的输入变量进行训练和测试，解决传统流动磨损特性预测难度大、精度差的难题，可准确、快速地预测承压管束系统材质的流动磨损特性，并实现管束类设备系统的剩余寿命评价。
为了达到上述目的，本发明采用的技术方案是：
本发明包括训练样本数据采集的步骤、测试样本数据采集的步骤、ELM神经网络模型建立的步骤和利用已构建的ELM神经网络模型进行流动磨损特性预测分析及寿命评估的步骤，实现对承压管束系统流动磨损特性的预测及寿命评估；所述训练样本数据和测试样本数据的采集均是从承压管束系统的DCS运行工况和LIMS化验分析数据获得，即实时采集承压管束系统不同时刻对应的平均流速V、颗粒粒径Dp和入口颗粒质量浓度φ，将其作为ELM神经网络模型的三个输入变量，将承压管束系统材质的总磨损率yTotal和最大磨损率ymax作为ELM神经网络模型的两个输出变量。
所述ELM神经网络模型为单隐层多层神经网络结构，建立的步骤是依次建立输入层、隐藏层和输出层，采用O-P-Q结构，即输入层神经元个数为O个，隐藏层神经元个数为P个，输出层神经元个数为Q个，定义O＝3，P＝4，Q＝2，隐藏层与输出层的激活函数为ReLu函数，整个神经网络结构为多输入多输出的模型。
所述利用已构建的ELM神经网络模型进行流动磨损特性预测分析的步骤，包括：
首先将实时采集获得的承压管束系统不同时刻对应的平均流速V、颗粒粒径Dp和入口颗粒质量浓度φ进行离散点统计分析，剔除任意一个离散点与其相邻五个离散点数据几何平均值的偏差超过40％的异常点数据，进行数据预处理，构建不同序列的训练样本和测试样本数据；然后，将平均流速V、颗粒粒径Dp和入口颗粒质量浓度φ输入至训练获得的ELM神经网络模块中得到承压管束系统管束材质总磨损率yTotal和最大磨损率ymax的预测结果；所述流动磨损特性预测和寿命评估方法步骤包括：
1)ELM神经网络模型前端输入和后端输出的样本数据集表示为(Xin，Yim)的形式，其中：
Xin＝[Xi1，Xi2，…，Xin]T
Yim＝[yi1，yi2，…，yim]T
其中，Xi为第i个样本，Xin为第i样本的第n个特征，设定三个输入变量的特征值，Xi1为入口颗粒质量浓度φ，单位：％，Xi2为入口颗粒粒径Dp，单位：μm，Xi3为平均流速V，单位：m/s；Yi为第i个样本对应的输出值，Yim为第i样本的第m个特征；
2)建立的流动磨损特性预测公式为：
3)输入层到隐藏层的分权向量及偏置向量公式分别为：
win＝[wi1,wi2,····,win]T(i＝1,2,····,P)，ci＝[c1,c2,....,cP]T
4)隐藏层输出矩阵为：
式中：g(X)表示为激励函数，g(X)＝eX/(1+eX)；
5)隐藏层到输出层的分权向量为：
6)承压管束系统管束材质样本的流动磨损特性预测：
(u＝Total或max)
7)与实际数据样本进行对比分析
对最终的预测数据进行统计分析，得到其均方根误差RMSE和相关系数R2；
其中，N代表样本总数，代表从第1项到第P项进行求和操作；wi为连接第i个隐藏层神经元和输入层神经元的分权向量，βi为连接第i个隐藏层神经元和输出层神经元的分权向量，ci为第i个隐藏层神经元的偏置向量，M+为隐藏层输出矩阵M的广义逆矩阵；为对输出分权向量的β估计结果。表示ELM模型的预测值，表示ELM模型预测值的均值，Yi为测量值，为测量值均值；
8)承压管束系统寿命评估
基于承压管束系统的原始壁厚δ，结合预测获得的承压管束系统总磨损率yTotal和最大磨损率ymax的预测结果，设定Ω＝max{yTotal，ymax}，则承压管束系统的寿命为f＝δ/Ω，Ω表示总磨损率和最大磨损率的较大值，单位毫米/年。
本发明具有的有益效果是：
本发明针对石油化工、煤化工等流程型工业承压管束系统的流动磨损问题，基于ELM神经网络模型建立了一种流动磨损特性的快速量化预测和剩余寿命评估方法，能够快速定量的预测复杂变工况环境的流动磨损速率，可为承压管束系统系统的在役检验、风险评价、寿命预测、防控优化等安全闭环管理提供科学指导，促进流动磨损高风险设备系统的安全、稳定、长周期运行。
附图说明
图1是本发明方法的逻辑示意图。
图2是本发明ELM神经网络模型的层状图。
图3是本发明实施例的材料磨损率预测值的拟合散点图。
图4是本发明实施例的预测样本与实际样本的对比图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
本发明的实施例如下：
(1)如图1所示，为本发明方法的逻辑示意框图。首先采集流动磨损相关特性数据数据进行样本数据库的构建，包括训练样本数据和测试样本数据，实现数据样本的采集和处理1；然后，构建ELM神经网络模型，开展基于ELM神经网络预测分析2；再者，将预测分析获得的结果与实际数据进行对比分析3，验证建立的ELM神经网络模型的预测精度和可靠性；最后，基于预测获得的流动磨损特性，进行承压管束系统的剩余寿命评估。
(2)基于石油化工或煤化工等流程型工业承压管束系统，例如换热器、空冷器及压力管道等高风险设备系统，采集分布式控制系统(DCS)和实验室化验分析系统(LIMS)的相关数据，主要包括工况温度、压力、流量，以及多相流介质的化验分析数据(介质浓度、颗粒形状、颗粒粒径、材质属性等)，建立流动磨损特性数据库。其中基于DCS采集得到的流量为油、气、水三相流流量Q1、Q2、Q3，管束横截面积为A，则平均流速V＝(Q1+Q2+Q3)/A。
(3)将实时采集获得的承压管束系统不同时刻对应的平均流速V、颗粒粒径Dp和入口颗粒质量浓度φ进行离散点统计分析，剔除异常点数据，即设定变量为χ，约定的数据为异常数据，实现数据的预处理，建立本地流动磨损特性数据库，构建不同序列的训练样本和测试样本数据。需补充说明的是，表示与选择的变量χ相邻的五个点的几何平均值，即：
(m是离散点所处的位置编号)
式中：χ的取值为平均流速V，或颗粒粒径Dp，或入口颗粒质量浓度φ。
(4)构建如图2所示的ELM神经网络模型的层状图。具体为，包括一个输入层、一个隐藏层、一个输出层(图2)。建立的步骤是依次建立输入层、隐藏层和输出层，采用O-P-Q结构，即输入层神经元的个数为O个，隐藏层神经元的个数为P个，输出层神经元个数为Q个，对于本实施例，因为取平均流速、颗粒粒径和入口颗粒质量浓度作为输入变量，故定义O＝3，P＝4，两个输出变量，分别对应总磨损率和最大磨损率，故Q＝2，其中隐藏层与输出层的激活函数为ReLu函数，即表示为：f(x)＝max(0，x)，神经网络结构为多输入多输出的模型。
(5)将实时采集的承压管束系统不同时刻对应的平均流速V、颗粒粒径Dp和入口颗粒质量浓度φ，将其作为ELM神经网络模型的三个输入变量；将承压管束系统材质的总磨损率yTotal和最大磨损率ymax作为ELM神经网络模型的两个输出变量，即神经网络输出层的目标值为总磨损率和最大磨损率，包含两个神经元。
(6)基于流动磨损特性样本数据库，从中随机选取45组数据作为总样本数据，系统再随机将样本分为36组训练样本和9组测试样本。将ELM神经网络前端输入的数据样本定义为(Xin，Yim)的形式，其中
Xin＝[Xi1，Xi2，…，Xin]T
其中，Xi为第i个样本，Xin为第i样本的第n个特征，设定三个输入变量的特征值，Xi1为入口颗粒质量浓度φ，单位：％，Xi2为入口颗粒粒径Dp，单位：μm，Xi3为平均流速V，单位：m/s；为简化说明，取总样本中的3个样本进行如下示例：
式中每一列代表一个训练样本。
(7)类似地，定义Yim＝[yi1，yi2，…，yim]T，Yi为第i个样本对应的输出值，Yim为第i样本的第m个特征。这里仅选择以管束材质的总磨损率yTotal为例，最大磨损率ymax同理可以得到，其中管束材质总磨损率对应的yTotal训练样本输出数据为：
Y＝[1.04E-04 3.30E-04 7.00E-04]
(8)建立的流动磨损特性预测公式为：
输入层到隐藏层的分权向量及偏置向量公式分别为：
win＝[wi1,wi2,····,win]T(i＝1,2,····,P)
ci＝[c1,c2,....,cP]T
其中，N代表样本总数，代表从第1项到第P项进行求和操作。wi为连接第i个隐藏层神经元和输入层神经元的分权向量，βi为连接第i个隐藏层神经元和输出层神经元的分权向量，ci为第i个隐藏层神经元的偏置向量。
结合图2可知，这里隐藏层神经元的个数P取4，在属性闭区间γ∈(-1,1)内按照均匀分布Randomize(随机)选取权重得到隐藏层的分权向量及偏置向量：
隐藏层输出矩阵M为：
式中：g(X)表示为激励函数，g(X)＝eX/(1+eX)，计算得到：
设定隐藏层到输出层的神经元的分权向量β为：
βim＝[βi1,βi2,····,βim]T(i＝1,2,····,P)
Mβ＝Y
M+为隐藏层输出矩阵M的Moore-Penrose(MP)广义逆矩阵；为对输出分权向量的β估计结果。计算得到：
承压管束系统管束材质样本的流动磨损特性预测：
(u＝Total或max)
基于上述步骤，将测试样本的数据输入到ELM神经网络模型中进行训练，获得管束材质总磨损率yTotal的预测结果，如图3(a)所示。类似的方法，可训练获得管束材质最大磨损率ymax的预测结果，如图3(b)所示。
对最终的预测数据进行统计分析，得到其均方根误差RMSE和相关系数R2。
表示ELM模型的预测值，表示ELM模型预测值的均值，Yi为测量值，为测量值均值。计算均方根误差RMSE和相关系数分别于图3(a)和图3(b)列出。
实施例最终将预测值与实际数据样本进行对比分析，验证结果如图4(a)和图4(b)所示。可知本发明与实际数据样本符合较好，具有较高的预测精度。
承压管束系统寿命评估：
基于承压管束系统的原始壁厚δ，结合预测获得的承压管束系统总磨损率yTotal和最大磨损率ymax的预测结果，设定Ω＝max{yTotal，ymax}，则承压管束系统的寿命为f＝δ/Ω。此外，对于新的承压管束系统原始壁厚δ为初始壁厚，而对于使用过程中的承压管束系统进行寿命评估时，以最近一次测量获得的一片区域中最薄(值最小)的区域作为原始壁厚等效计算，即对于新的承压管束系统原始壁厚δ为原始设计制造壁厚，而对于使用过程中的壁厚则取δ＝min{δ1,δ2...δn}，其中δ1,δ2...δn为针对承压管束系统某一高危区域的密集测厚值。
上述具体实施方式用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。
Claims (3)
1.基于ELM神经网络模型的流动磨损特性预测及寿命评估方法，其特征在于：包括训练样本数据采集的步骤、测试样本数据采集的步骤、ELM神经网络模型建立的步骤和利用已构建的ELM神经网络模型进行流动磨损特性预测分析及寿命评估的步骤，实现对承压管束系统流动磨损特性的预测及寿命评估；所述训练样本数据和测试样本数据的采集均是从承压管束系统的DCS运行工况和LIMS化验分析数据获得，即实时采集承压管束系统不同时刻对应的平均流速V、颗粒粒径Dp和入口颗粒质量浓度φ，将其作为ELM神经网络模型的三个输入变量，将承压管束系统材质的总磨损率yTotal和最大磨损率ymax作为ELM神经网络模型的两个输出变量。
2.根据权利要求1所述的基于ELM神经网络模型的流动磨损特性预测及寿命评估方法，其特征在于：所述ELM神经网络模型为单隐层多层神经网络结构，建立的步骤是依次建立输入层、隐藏层和输出层，采用O-P-Q结构，即输入层神经元个数为O个，隐藏层神经元个数为P个，输出层神经元个数为Q个，定义O＝3，P＝4，Q＝2，隐藏层与输出层的激活函数为ReLu函数，整个神经网络结构为多输入多输出的模型。
3.根据权利要求1所述的基于ELM神经网络模型的流动磨损特性预测及寿命评估方法，其特征在于：所述利用已构建的ELM神经网络模型进行流动磨损特性预测分析的步骤，包括：
首先将实时采集获得的承压管束系统不同时刻对应的平均流速V、颗粒粒径Dp和入口颗粒质量浓度φ进行离散点统计分析，剔除任意一个离散点与其相邻五个离散点数据几何平均值的偏差超过40％的异常点数据，进行数据预处理，构建不同序列的训练样本和测试样本数据；然后，将平均流速V、颗粒粒径Dp和入口颗粒质量浓度φ输入至训练获得的ELM神经网络模块中得到承压管束系统管束材质总磨损率yTotal和最大磨损率ymax的预测结果；所述流动磨损特性预测和寿命评估方法步骤包括：
1)ELM神经网络模型前端输入和后端输出的样本数据集表示为(Xin，Yim)的形式，其中：
Xin＝[Xi1，Xi2，…，Xin]T
Yim＝[yi1，yi2，…，yim]T
其中，Xi为第i个样本，Xin为第i样本的第n个特征，设定三个输入变量的特征值，Xi1为入口颗粒质量浓度φ，单位：％，Xi2为入口颗粒粒径Dp，单位：μm，Xi3为平均流速V，单位：m/s；Yi为第i个样本对应的输出值，Yim为第i样本的第m个特征；
2)建立的流动磨损特性预测公式为：
3)输入层到隐藏层的分权向量及偏置向量公式分别为：
win＝[wi1,wi2,····,win]T(i＝1,2,····,P)，ci＝[c1,c2,....,cP]T
4)隐藏层输出矩阵为：
式中：g(X)表示为激励函数，g(X)＝eX/(1+eX)；
5)隐藏层到输出层的分权向量为：
<mrow>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>i</mi>
<mn>1</mn>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>i</mi>
<mn>2</mn>
</mrow>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>.</mo>
<mo>,</mo>
<msub>
<mi>&beta;</mi>
<mrow>
<mi>i</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>&rsqb;</mo>
</mrow>
<mi>T</mi>
</msup>
<mo>,</mo>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>.</mo>
<mo>,</mo>
<mi>P</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mover>
<mi>&beta;</mi>
<mo>^</mo>
</mover>
<mo>=</mo>
<msup>
<mi>M</mi>
<mo>+</mo>
</msup>
<mi>Y</mi>
</mrow>
6)承压管束系统管束材质样本的流动磨损特性预测：
7)与实际数据样本进行对比分析
对最终的预测数据进行统计分析，得到其均方根误差RMSE和相关系数R2；
<mrow>
<mi>R</mi>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
<mo>=</mo>
<msqrt>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mi>N</mi>
</mfrac>
</msqrt>
<mo>,</mo>
<msup>
<mi>R</mi>
<mn>2</mn>
</msup>
<mo>=</mo>
<mfrac>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<msub>
<mi>Y</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>-</mo>
<mover>
<msub>
<mover>
<mi>y</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
其中，N代表样本总数，代表从第1项到第P项进行求和操作；wi为连接第i个隐藏层神经元和输入层神经元的分权向量，βi为连接第i个隐藏层神经元和输出层神经元的分权向量，ci为第i个隐藏层神经元的偏置向量，M+为隐藏层输出矩阵M的广义逆矩阵；为对输出分权向量的β估计结果；表示ELM模型的预测值，表示ELM模型预测值的均值，Yi为测量值，为测量值均值；
8)承压管束系统寿命评估
基于承压管束系统的原始壁厚δ，结合预测获得的承压管束系统总磨损率yTotal和最大磨损率ymax的预测结果，设定Ω＝max{yTotal，ymax}，则承压管束系统的寿命为f＝δ/Ω，Ω表示总磨损率和最大磨损率的较大值，单位毫米/年。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710718383.XA CN107491840B (zh) | 2017-08-21 | 2017-08-21 | 基于elm神经网络模型的流动磨损特性预测及寿命评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710718383.XA CN107491840B (zh) | 2017-08-21 | 2017-08-21 | 基于elm神经网络模型的流动磨损特性预测及寿命评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107491840A true CN107491840A (zh) | 2017-12-19 |
| CN107491840B CN107491840B (zh) | 2020-06-05 |
Family
ID=60645542
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710718383.XA Active CN107491840B (zh) | 2017-08-21 | 2017-08-21 | 基于elm神经网络模型的流动磨损特性预测及寿命评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107491840B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109521176A (zh) * | 2019-01-30 | 2019-03-26 | 杭州电子科技大学 | 一种基于改进深度极限学习机的虚拟水质监测方法 |
| CN109635468A (zh) * | 2018-12-18 | 2019-04-16 | 太原理工大学 | 一种角接触球轴承保持架稳定性预测方法 |
| CN110108631A (zh) * | 2019-05-20 | 2019-08-09 | 上海应用技术大学 | 一种煤调湿机中不锈钢管使用寿命的预测方法 |
| CN110287606A (zh) * | 2019-06-27 | 2019-09-27 | 淮阴师范学院 | 一种基于可视化平台的铸造磨球级配建模方法及系统 |
| CN111222229A (zh) * | 2019-12-27 | 2020-06-02 | 清华大学深圳国际研究生院 | 气液两相流动态流动过程的瞬时流量测量模型构建方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105334472A (zh) * | 2015-10-26 | 2016-02-17 | 安徽理工大学 | 矿用本安电源在线剩余寿命预测方法 |
| CN105547886A (zh) * | 2016-01-07 | 2016-05-04 | 浙江理工大学 | 一种基于激波式的冲击磨损率速度指数的定量预测方法 |
| CN107063907A (zh) * | 2017-03-31 | 2017-08-18 | 浙江理工大学 | 一种用于测量固液两相磨损的试验装置 |
-
2017
- 2017-08-21 CN CN201710718383.XA patent/CN107491840B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105334472A (zh) * | 2015-10-26 | 2016-02-17 | 安徽理工大学 | 矿用本安电源在线剩余寿命预测方法 |
| CN105547886A (zh) * | 2016-01-07 | 2016-05-04 | 浙江理工大学 | 一种基于激波式的冲击磨损率速度指数的定量预测方法 |
| CN107063907A (zh) * | 2017-03-31 | 2017-08-18 | 浙江理工大学 | 一种用于测量固液两相磨损的试验装置 |
Non-Patent Citations (2)
| Title |
|---|
| KAMRAN JAVED ET AL.: "Robust, reliable and applicable tool wear monitoring and prognostic: approach based on an Improved-Extreme Learning Machine", 《IEEE》 * |
| 胡春海等: "神经网络在磨损颗粒自动识别中的应用", 《机械工程与自动化》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109635468A (zh) * | 2018-12-18 | 2019-04-16 | 太原理工大学 | 一种角接触球轴承保持架稳定性预测方法 |
| CN109635468B (zh) * | 2018-12-18 | 2023-02-03 | 太原理工大学 | 一种角接触球轴承保持架稳定性预测方法 |
| CN109521176A (zh) * | 2019-01-30 | 2019-03-26 | 杭州电子科技大学 | 一种基于改进深度极限学习机的虚拟水质监测方法 |
| CN109521176B (zh) * | 2019-01-30 | 2021-08-31 | 杭州电子科技大学 | 一种基于改进深度极限学习机的虚拟水质监测方法 |
| CN110108631A (zh) * | 2019-05-20 | 2019-08-09 | 上海应用技术大学 | 一种煤调湿机中不锈钢管使用寿命的预测方法 |
| CN110108631B (zh) * | 2019-05-20 | 2021-11-19 | 上海应用技术大学 | 一种煤调湿机中不锈钢管使用寿命的预测方法 |
| CN110287606A (zh) * | 2019-06-27 | 2019-09-27 | 淮阴师范学院 | 一种基于可视化平台的铸造磨球级配建模方法及系统 |
| CN111222229A (zh) * | 2019-12-27 | 2020-06-02 | 清华大学深圳国际研究生院 | 气液两相流动态流动过程的瞬时流量测量模型构建方法 |
| CN111222229B (zh) * | 2019-12-27 | 2022-10-21 | 清华大学深圳国际研究生院 | 气液两相流动态流动过程的瞬时流量测量模型构建方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107491840B (zh) | 2020-06-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107491840A (zh) | 基于elm神经网络模型的流动磨损特性预测及寿命评估方法 | |
| Medeiros et al. | Multidimensional risk evaluation of natural gas pipelines based on a multicriteria decision model using visualization tools and statistical tests for global sensitivity analysis | |
| Zheng et al. | Deeppipe: A customized generative model for estimations of liquid pipeline leakage parameters | |
| Zendehboudi et al. | Application of smart models for prediction of the frost layer thickness on vertical cryogenic surfaces under natural convection | |
| Zolotukhin et al. | Machine learning in reservoir permeability prediction and modelling of fluid flow in porous media | |
| CN105373830A (zh) | 误差反向传播神经网络的预测方法、系统及服务器 | |
| Gallo et al. | A neural network model for forecasting CO2 emission | |
| CN109447332A (zh) | 一种适用于s型负荷曲线的中长期电力负荷组合预测方法 | |
| Abd El-mongy et al. | Design of prediction system for key performance indicators in balanced scorecard | |
| Sahu et al. | Prediction of entrance length for low Reynolds number flow in pipe using neuro-fuzzy inference system | |
| Sambo et al. | Application of adaptive neuro-fuzzy inference system and optimization algorithms for predicting methane gas viscosity at high pressures and high temperatures conditions | |
| Amiri-Ramsheh et al. | Modeling wax deposition of crude oils using cascade forward and generalized regression neural networks: Application to crude oil production | |
| Omrani et al. | Slugging monitoring and classification with machine learning | |
| Nwanwe et al. | An artificial neural network visible mathematical model for real-time prediction of multiphase flowing bottom-hole pressure in wellbores | |
| Zhang et al. | Grouped time series networks for grade monitoring of zinc tailings with multisource features | |
| Piazza et al. | Optimal positioning of water quality sensors in water distribution networks: Comparison of numerical and experimental results | |
| Liu et al. | Study on prediction model of liquid hold up based on random forest algorithm | |
| CN109210268B (zh) | 一种基于超低功率电磁阀的大数据处理方法 | |
| Lin et al. | Stacked auto-encoder network to predict tensile deformation behavior of a typical nickel-based superalloy considering Portevin–Le Chatelier effects | |
| TAŞKESEN et al. | Predicting heat transfer performance of Fe 3 O 4-Cu/water hybrid nanofluid under constant magnetic field using ANN. | |
| Zhou et al. | ENN-based recognition method for tool cutting state | |
| Anda et al. | A Machine Learning Model for the Development of a Digital Twin for a Control Valve for Oil and Gas Pipelines | |
| US20220308016A1 (en) | Piping wall thinning prediction system, piping soundness evaluation system, and method | |
| Cho et al. | Development of a machine learning based fast running model to determine rapidly the process conditions in drawing process | |
| Zheng et al. | An intelligent system for calculating the scale of rational, enlarged production of an underground non-ferrous metal mine |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Jin Haozhe Inventor after: Ai Zhibin Inventor after: Tan Jinlong Inventor after: Zhang Jianqiang Inventor after: Chen Xiaoping Inventor after: Our country is rich Inventor before: Jin Haozhe Inventor before: Zhang Jianqiang Inventor before: Chen Xiaoping |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20171219 Assignee: Zhejiang Zhongjing Bearing Co.,Ltd. Assignor: ZHEJIANG SCI-TECH University Contract record no.: X2022330000080 Denomination of invention: Prediction of flow wear characteristics and life evaluation method based on Elm neural network model Granted publication date: 20200605 License type: Common License Record date: 20220506 Application publication date: 20171219 Assignee: CHANGSHAN XINLONG BEARING Co.,Ltd. Assignor: ZHEJIANG SCI-TECH University Contract record no.: X2022330000079 Denomination of invention: Prediction of flow wear characteristics and life evaluation method based on Elm neural network model Granted publication date: 20200605 License type: Common License Record date: 20220506 |