CN107632521B - 一种基于决策树和神经网络的恒电位仪控制方法 - Google Patents
一种基于决策树和神经网络的恒电位仪控制方法 Download PDFInfo
- Publication number
- CN107632521B CN107632521B CN201710763186.XA CN201710763186A CN107632521B CN 107632521 B CN107632521 B CN 107632521B CN 201710763186 A CN201710763186 A CN 201710763186A CN 107632521 B CN107632521 B CN 107632521B
- Authority
- CN
- China
- Prior art keywords
- decision tree
- potentiostat
- neural network
- data
- module
- 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.)
- Active
Links
- 238000003066 decision tree Methods 0.000 title claims abstract description 82
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000010287 polarization Effects 0.000 claims abstract description 34
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000007797 corrosion Effects 0.000 claims abstract description 18
- 238000005260 corrosion Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 230000004913 activation Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 abstract 2
- 238000013480 data collection Methods 0.000 abstract 1
- 239000002184 metal Substances 0.000 description 7
- 238000004210 cathodic protection Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000004020 conductor Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005868 electrolysis reaction Methods 0.000 description 1
- 238000006056 electrooxidation reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
Landscapes
- Prevention Of Electric Corrosion (AREA)
Abstract
一种基于决策树和神经网络的恒电位仪控制方法,包括以下步骤:根据线路极化电位的分布,设置正向极化电压平均值监测点区域及监测点相应的阈值;通过网络将采集的极化电位数据传递给恒电位仪数据采集系统;运用基于决策树的恒电位仪控制策略,分析管道沿线各个位置处的杂散电流的特征属性数据,由特征属性训练数据生成决策树,并通过特征属性测试数据对决策树进行裁剪生成目标决策树模型;利用生成的目标决策树模型对采集的数据分析处理;利用BP神经网络学习、记忆、训练和预测的功能,建立一个恒电位仪占空比预测模型。本发明基于决策树和神经网络的恒电位仪控制策略能够将极化电位控制在安全范围内,有效地防护杂散电流对于管道的腐蚀。
Description
技术领域
本发明涉及恒电位仪控制技术领域,具体涉及一种基于决策树和神经网络的恒电位仪控制方法。
背景技术
随着科学技术和城市化的发展,大运量的轨道交通(地铁、轻轨)在城市中也扮演着越来越重要的作用,已经成为市民生活中不可或缺的部分。
电流通常是按照人们的要求在指定的导体中进行流动的,但是由于某些原因,一部分电流并不在指定的导体中流动,这种沿着指定路径之外流动的电流,称为杂散电流;杂散电流从金属体流出的地方将出现电解现象,这种电解现象会使金属体的温度升高,进而会加快了金属体的电化学腐蚀。在长期的杂散电流作用下,对金属构件的腐蚀破坏相当严重,易导致水管快速穿孔漏水、锈蚀,还易导致电缆挂钩打火、道钉生锈断裂等问题的发生,严重时可能发生管道漏泄和地铁设施寿命降低的状况,从而会造成巨大经济损失。
为了防止埋地管道的腐蚀,提高其使用寿命,阴极保护是目前防腐蚀的主要方法之一,而恒电位仪装置又是阴极保护系统的关键设备。对于区域范围内、分布密度高的埋地金属管道和金属设备,需要进行区域性的阴极保护。
现阶段的恒电位仪控制属于单点控制,只能控制管道上某一点的电位,而不能解决整条管线电位分布不均匀的状况。
发明内容
针对上述现有技术存在的问题,本发明提供一种基于决策树和神经网络的恒电位仪控制方法,该策略能根据实际情况对极化电位的监测数据进行处理来决定恒电位仪的投切使用,能解决整条管线电位分布不均匀的状况。
为了实现上述目的,本发明提供一种基于决策树和神经网络的恒电位仪控制方法,所述恒电位仪中包含有决策树模块和神经网络模块,通过决策树和神经网络模块的复合控制对恒电位仪的输出电压进行控制,具体包括以下步骤:
(1)根据线路极化电位的分布,设置恒电位仪的极化电压平均值监测点区域及监测点相应的阈值;
(2)通过网络将采集到的极化电位数据传输到恒电位仪的数据采集模块中;
(3)恒电位仪内部的数据处理模块分析监测的极化电位数据中极化电位为正的数据的比例,并根据所占比例确定特征属性训练数据;
(4) 决策树模块由步骤(3)中的特征属性训练数据生成决策树,并通过特征属性测试数据对决策树进行裁剪生成目标决策树模型;
(5)利用生成的目标决策树模型对采集到的极化电位数据进行分析处理,以此决定恒电位仪的投入使用,如若投入使用,那么进入步骤(6),否则进入步骤(7);
(6) 神经网络模块将过去某一时间段内监测到的极化电位数据及恒电位仪开关管的占空比作为学习样本,构建出一个神经网络模型,预测恒电位仪的当前开关管占空比;
(7)将极化电压监测数据再次应用于目标决策树模型,将监测部分、决策树和神经网络模块循环利用起来,形成一个自适应的恒电位仪控制系统。
进一步,所述特征属性训练数据至少能反应管道是否发生腐蚀以及腐蚀程度。
进一步,为了准确地判断管道的腐蚀程序,步骤(1)中监测点区域的位置和监测点阈值的选取遵循杂散电流的分布规律,对于腐蚀程度严重区域、较为严重区域和轻微区域,阈值分别对应地选取为0.5V、0.3V和0.1V。
进一步,为了方便决策树模块的快速处理,所述步骤(4)中决策树模块选取步骤(3)中的无冗余的特征属性训练数据生成决策树。
进一步,为了能快速准确地得到恒电位仪是否投入使用的依据,所述步骤(4)的具体过程为:决策树模块首先将特征属性训练数据进行切分处理得到预定的决策树层数,并选择裁剪节点生成决策树;然后再使用特征属性测试数据的分类属性对决策树进行裁剪处理,生成目标决策树模型。
进一步,为了更好的量化恒电位仪的输出量,所述步骤(6)具体过程为:神经网络模块采用BP神经网络技术对多个监测点的数值与恒电位仪占空比进行建模,选取只有一个隐含层的三层BP人工神经网络,隐含层采用S型激活函数,输出层采用线性激活函数,训练方法采用LM算法。
本发明能对在杂散电流干扰下恒电位仪的投切做出准确的评价,能根据实际情况对极化电位的监测数据进行处理来决定恒电位仪的投切使用,既能更好的控制恒电位仪的投切使用问题,并且能够将极化电位控制在安全的范围之内,从而能解决整条管线电位分布不均匀的状况,能更有效的防护杂散电流对于管道的腐蚀。
附图说明
图1为本发明的控制流程图;
图2为本发明中决策树模型构建的流程图;
图3为本发明中神经网络预测模型的流程图。
具体实施方式
下面对本发明作进一步说明。
如图1所示,一种基于决策树和神经网络的恒电位仪控制方法,所述恒电位仪中包含有决策树模块和神经网络模块,通过决策树和神经网络模块的复合控制对恒电位仪的输出电压进行控制,具体包括以下步骤:
(1)根据线路极化电位的分布,设置恒电位仪的极化电压平均值监测点区域及监测点相应的阈值;
(2)通过网络将采集到的极化电位数据传输到恒电位仪的数据采集模块中;
(3)恒电位仪内部的数据处理模块分析监测的极化电位数据中极化电位为正的数据的比例,并根据所占比例确定特征属性训练数据;
(4) 决策树模块由步骤(3)中的特征属性训练数据生成决策树,并通过特征属性测试数据对决策树进行裁剪生成目标决策树模型;
(5)利用生成的目标决策树模型对采集到的极化电位数据进行分析处理,以此决定恒电位仪的投入使用,如若投入使用,那么进入步骤(6),否则进入步骤(7);
(6) 神经网络模块将过去某一时间段内监测到的极化电位数据及恒电位仪开关管的占空比作为学习样本,构建出一个神经网络模型,预测恒电位仪的当前开关管占空比;
(7)将极化电压监测数据再次应用于目标决策树模型,将监测部分、决策树和神经网络模块循环利用起来,形成一个自适应的恒电位仪控制系统。
所述特征属性训练数据至少能反应管道是否发生腐蚀以及腐蚀程度。
为了准确地判断管道的腐蚀程序,步骤(1)中监测点区域的位置和监测点阈值的选取遵循杂散电流的分布规律,既对于一单边供电的地铁线路,回流点附近的埋地金属为阳极区,该处传感器监测到的极化电位正向偏移最大,在供电区间的其他位置传感器监测到的极化电位正向偏移较小,而在供电区间中间监测点传感器监测到的正向偏移最小,因此不同的监测点选取的阈值不同,对于腐蚀程度严重区域、较为严重区域和轻微区域,阈值分别对应地选取为0.5V、0.3V和0.1V。
为了方便决策树模块的快速处理,所述步骤(4)中决策树模块选取步骤(3)中的无冗余的特征属性训练数据生成决策树。
为了能快速准确地得到恒电位仪是否投入使用的依据,所述步骤(4)的具体过程为:决策树模块首先将特征属性训练数据进行切分处理得到预定的决策树层数,并选择裁剪节点生成决策树;然后再使用特征属性测试数据的分类属性对决策树进行裁剪处理,生成目标决策树模型。
如图2所示,决策树模型构建流程图,具体步骤如下:
(1)从采集到的极化电位数据库中提取无冗余的特征属性数据集合;
(2)将特征属性训练数据进行切分处理得到预定的决策树层数,并选择裁剪节点生成决策树,使用特征属性测试的分类属性对决策树进行裁剪处理,生成目标决策树模型;
(3)使用特征属性测试数据分别对该生成的目标决策树模型和正;在使用的决策树模型进行评估,如果评估结果大于预先设定的误差阈值,那么返回步骤(2),否则进入步骤(4);
(4)判断生成的目标决策树模型的误差值是否大于正在使用的目标决策树模型,如果判断结果为是,则使用该正在使用的目标决策树模型,如果判断结果为否,则使用该生成的目标决策树模型。
为了更好的量化恒电位仪的输出量,所述步骤(6)具体过程为:神经网络模块采用BP神经网络技术对多个监测点的数值与恒电位仪占空比进行建模,选取只有一个隐含层的三层BP人工神经网络,隐含层采用S型激活函数,输出层采用线性激活函数,训练方法采用LM算法。
如图3所示,神经网络预测模型流程图,具体步骤如下:
(1)网络初始化。根据系统输入输出序列确定网络输入层的节点数n、隐含层节点数l、输出层节点数m,初始化输入层、隐含层和输出层神经元之间的连接权值 , ,初始化隐含层阈值a,输出层阈值b,给定学习速率和神经元激励函数;
(4)误差计算。根据网络预测输出O和期望输出Y,计算网络误差e;
(6)判断算法迭代是否结束,若没有结束,返回步骤(2)。
本发明解决了现有恒电位仪只能单点控制以及在杂散电流干扰下恒电位仪无法合理做出投切使用这一状况。
Claims (6)
1.一种基于决策树和神经网络的恒电位仪控制方法,其特征在于,所述恒电位仪中包含有决策树模块和神经网络模块,通过决策树和神经网络模块的复合控制对恒电位仪的输出电压进行控制,具体包括以下步骤:
(1)根据线路极化电位的分布,设置恒电位仪的极化电压平均值监测点区域及监测点相应的阈值;
(2)通过网络将采集到的极化电位数据传输到恒电位仪的数据采集模块中;
(3)恒电位仪内部的数据处理模块分析监测的极化电位数据中极化电位为正的数据的比例,并根据所占比例确定特征属性训练数据;
(4) 决策树模块由步骤(3)中的特征属性训练数据生成决策树,并通过特征属性测试数据对决策树进行裁剪生成目标决策树模型;
(5)利用生成的目标决策树模型对采集到的极化电位数据进行分析处理,以此决定恒电位仪的投入使用,如若投入使用,那么进入步骤(6),否则进入步骤(7);
(6) 神经网络模块将过去某一时间段内监测到的极化电位数据及恒电位仪开关管的占空比作为学习样本,构建出一个神经网络模型,预测恒电位仪的当前开关管占空比;
(7)将极化电压监测数据再次应用于目标决策树模型,将监测部分、决策树和神经网络模块循环利用起来,形成一个自适应的恒电位仪控制系统。
2.根据权利要求1所述的一种基于决策树和神经网络的恒电位仪控制方法,其特征在于,所述特征属性训练数据至少能反应管道是否发生腐蚀以及腐蚀程度。
3.根据权利要求2所述的一种基于决策树和神经网络的恒电位仪控制方法,其特征在于,步骤(1)中监测点区域的位置和监测点阈值的选取遵循杂散电流的分布规律,对于腐蚀程度严重区域、较为严重区域和轻微区域,阈值分别对应地选取为0.5V、0.3V和0.1V。
4.根据权利要求1至3任一项所述的一种基于决策树和神经网络的恒电位仪控制方法,其特征在于,所述步骤(4)中决策树模块选取步骤(3)中的无冗余的特征属性训练数据生成决策树。
5.根据权利要求4所述的一种基于决策树和神经网络的恒电位仪控制方法,其特征在于,所述步骤(4)的具体过程为:决策树模块首先将特征属性训练数据进行切分处理得到预定的决策树层数,并选择裁剪节点生成决策树;然后再使用特征属性测试数据的分类属性对决策树进行裁剪处理,生成目标决策树模型。
6.根据权利要求5所述的一种基于决策树和神经网络的恒电位仪控制方法,其特征在于,所述步骤(6)具体过程为:神经网络模块采用BP神经网络技术对多个监测点的数值与恒电位仪占空比进行建模,选取只有一个隐含层的三层BP人工神经网络,隐含层采用S型激活函数,输出层采用线性激活函数,训练方法采用LM算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710763186.XA CN107632521B (zh) | 2017-08-30 | 2017-08-30 | 一种基于决策树和神经网络的恒电位仪控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710763186.XA CN107632521B (zh) | 2017-08-30 | 2017-08-30 | 一种基于决策树和神经网络的恒电位仪控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107632521A CN107632521A (zh) | 2018-01-26 |
CN107632521B true CN107632521B (zh) | 2020-09-29 |
Family
ID=61100844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710763186.XA Active CN107632521B (zh) | 2017-08-30 | 2017-08-30 | 一种基于决策树和神经网络的恒电位仪控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107632521B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6888577B2 (ja) | 2018-03-30 | 2021-06-16 | オムロン株式会社 | 制御装置、制御方法、及び制御プログラム |
CN110750880B (zh) * | 2019-09-28 | 2023-05-30 | 徐州中矿传动轨道科技有限公司 | 一种埋地管道地铁杂散电流腐蚀防护方法 |
CN110909463B (zh) * | 2019-11-14 | 2022-06-03 | 电子科技大学 | 一种大功率毫米波回旋行波管的主动控保方法及系统 |
CN110969559B (zh) * | 2019-12-23 | 2023-05-09 | 北京航星机器制造有限公司 | 一种基于阈值体系的危险品识别方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101187959A (zh) * | 2006-11-17 | 2008-05-28 | 中兴通讯股份有限公司 | 基于决策树的游戏作弊检测方法 |
CN101865817A (zh) * | 2010-06-08 | 2010-10-20 | 天津大学 | 用于埋地金属腐蚀探测的传感器与探测方法 |
CN102175597A (zh) * | 2011-01-21 | 2011-09-07 | 中国矿业大学 | 地铁杂散电流腐蚀在线监测系统的在线监测方法 |
US8380642B2 (en) * | 2008-12-03 | 2013-02-19 | Schlumberger Technology Corporation | Methods and systems for self-improving reasoning tools |
CN104239659A (zh) * | 2013-06-07 | 2014-12-24 | 中国石油天然气集团公司 | 一种bp神经网络的碳钢腐蚀速率预测方法 |
CN105300266A (zh) * | 2015-11-06 | 2016-02-03 | 中国矿业大学 | 一种汽车用镀锌板镀层厚度的电涡流检测装置与方法 |
CN106779069A (zh) * | 2016-12-08 | 2017-05-31 | 国家电网公司 | 一种基于神经网络的异常用电检测方法 |
CN106961249A (zh) * | 2017-03-17 | 2017-07-18 | 广西大学 | 一种光伏阵列故障诊断和预警方法 |
-
2017
- 2017-08-30 CN CN201710763186.XA patent/CN107632521B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101187959A (zh) * | 2006-11-17 | 2008-05-28 | 中兴通讯股份有限公司 | 基于决策树的游戏作弊检测方法 |
US8380642B2 (en) * | 2008-12-03 | 2013-02-19 | Schlumberger Technology Corporation | Methods and systems for self-improving reasoning tools |
CN101865817A (zh) * | 2010-06-08 | 2010-10-20 | 天津大学 | 用于埋地金属腐蚀探测的传感器与探测方法 |
CN102175597A (zh) * | 2011-01-21 | 2011-09-07 | 中国矿业大学 | 地铁杂散电流腐蚀在线监测系统的在线监测方法 |
CN104239659A (zh) * | 2013-06-07 | 2014-12-24 | 中国石油天然气集团公司 | 一种bp神经网络的碳钢腐蚀速率预测方法 |
CN105300266A (zh) * | 2015-11-06 | 2016-02-03 | 中国矿业大学 | 一种汽车用镀锌板镀层厚度的电涡流检测装置与方法 |
CN106779069A (zh) * | 2016-12-08 | 2017-05-31 | 国家电网公司 | 一种基于神经网络的异常用电检测方法 |
CN106961249A (zh) * | 2017-03-17 | 2017-07-18 | 广西大学 | 一种光伏阵列故障诊断和预警方法 |
Non-Patent Citations (1)
Title |
---|
基于 ANFIS 的地铁杂散电流腐蚀预警系统;胡爱国;《仪表技术与传感器》;20120831;第108-110页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107632521A (zh) | 2018-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107632521B (zh) | 一种基于决策树和神经网络的恒电位仪控制方法 | |
CN109270407B (zh) | 基于多源信息融合的特高压直流输电线路故障原因辨识方法 | |
KR102060481B1 (ko) | 회귀분석, 회귀신경망 및 심층신경망을 이용한 광역상수도의 유량 예측 및 누수 감지 방법 | |
CN106528975B (zh) | 一种应用于电路与系统的故障预测与健康管理方法 | |
CN107949812A (zh) | 用于检测配水系统中的异常的组合方法 | |
CN110738355A (zh) | 一种基于神经网络的城市内涝预测方法 | |
KR20190065015A (ko) | 하천에서의 홍수범람 대응 관리 방법 및 하천에서의 홍수범람 대응 관리 시스템 | |
KR102435919B1 (ko) | 다차원 데이터를 이용한 옥내 누수 탐지 및 유형 구분 장치, 방법 및 프로그램 | |
CN112504357B (zh) | 一种河道过流能力动态分析方法和系统 | |
KR102617312B1 (ko) | CA-TimeGAN 모델 및 Residual CNN-LSTM 모델로 지하 공동구 온도변화를 예측하는 방법 | |
CN105678417A (zh) | 一种施工隧道撑子面涌水量预测方法及装置 | |
CN108615098A (zh) | 基于贝叶斯生存分析的供水管网管道爆管风险预测方法 | |
Savic et al. | Intelligent urban water infrastructure management | |
Aymon et al. | Leak detection using random forest and pressure simulation | |
CN110163332B (zh) | 一种变压器故障诊断方法 | |
CN106529816A (zh) | 电力线信道的调整方法和系统 | |
CN116164241A (zh) | 一种瓦斯抽采管网泄漏故障智能检测方法 | |
CN116484219A (zh) | 一种基于门控图神经网络的供水管网水质异常污染源识别方法 | |
Awan et al. | Application of adaptive neuro-fuzzy inference system for dam inflow prediction using long-range weather forecast | |
KR102598412B1 (ko) | 상수관망시스템 실시간 누수인지 시스템 및 방법 | |
CN109614742A (zh) | 一种海面高度持续性预测算法 | |
CN109780450A (zh) | 管道次声波监测辅助交流杂散电流的智能排流装置及方法 | |
CN115512717A (zh) | 一种基于集成学习的二阶段单传感器管道泄漏定位方法 | |
Peng et al. | Long-distance oil/gas pipeline failure rate prediction based on fuzzy neural network model | |
Vogt et al. | Multi-task distribution learning approach to anomaly detection of operational states of wind turbines |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |