CN108827867B - 基于数据挖掘技术的地铁杂散电流腐蚀特征信息提取方法 - Google Patents

Abstract

本发明公开了一种基于数据挖掘技术的地铁杂散电流腐蚀特征信息提取方法，包括以下步骤：1、地铁现场关键数据采集：现场周围土壤电阻率、轨地过渡电阻、钢轨纵向电阻的测量，土壤离子成分分析；2、地铁现场关键数据等效化处理；3、实验室环境电化学腐蚀模拟；4、实验数据挖掘，腐蚀特征信息提取；5、根据腐蚀特征信息评估杂散电流腐蚀危险性。本发明能够借助数据挖掘技术，在获得地铁现场必要数据的情况下提取杂散电流电化学腐蚀特征信息，根据腐蚀特征信息评估杂散电流腐蚀危险性，预测未来埋地金属的腐蚀程度和使用寿命。

Description

基于数据挖掘技术的地铁杂散电流腐蚀特征信息提取方法

技术领域

本发明涉及一种特征信息的提取方法，特别是一种基于数据挖掘技术的地铁杂散电流腐蚀特征信息提取方法。

背景技术

地铁杂散电流会对周围埋地金属管线、混凝土结构造成严重的电化学腐蚀，严重威胁地铁系统日常运营和人身安全。因杂散电流腐蚀而造成的危险事故时有发生，最根本的原因在于对地铁埋地金属管线的杂散电流腐蚀危险性评估不够准确。由于杂散电流分布的精确模型很难确定，杂散电流难以直接准确测量，根据所监测的参数，很难预测出埋地管线在杂散电流作用下的腐蚀程度和腐蚀趋势，从而其杂散电流腐蚀危险性也难以进行准确评估。

金属管线埋置于地下，无法直观监测其受腐蚀情况，一般均采用间接的办法来反映杂散电流的腐蚀情况。目前主要通过极化电位间接检测杂散电流腐蚀情况，埋地管线极化电位既可以反映埋地管线的腐蚀特性，又可以反映杂散电流的干扰特性。在工程实践中，以极化电位表征埋地管线受杂散电流腐蚀影响的程度存在由于IR降的影响，极化电位在实际工程应用中检测精度有待提高；参比电极的种类和质量不同，对于极化电位的测量结果也具有较大的影响；以及无法预测埋地管线腐蚀量和使用寿命的问题。

发明内容

本发明的目的是提供一种基于数据挖掘技术的地铁杂散电流腐蚀特征信息提取方法，该方法能够有效提取并预测地铁杂散电流腐蚀特征信息，全面且精确的评估当前埋地金属受杂散电流腐蚀影响情况，并预测未来埋地金属的腐蚀程度和使用寿命。

为实现上述目的，本发明的技术方案是：基于数据挖掘技术的地铁杂散电流腐蚀特征信息提取方法，包括以下步骤：

步骤1：测量供电区间周围土壤电阻率ρ；测量供电区间内轨地过渡电阻R_g和钢轨纵向电阻R_s；通过土壤取样分析土壤中的主要离子成分；获取现场基本参数：供电区间长度L₁、牵引电流I；

步骤2：通过一段时间内杂散电流泄漏电荷量相等的原理进行等效处理，即：

式中，Q₁为杂散电流泄漏电荷量，Q₂为实验室环境下直流电源所提供的电荷量，L₁为供电区间长度，I_s为供电区间内的杂散电流，t₁为杂散电流腐蚀时长，t₂为所设计电化学腐蚀时间，I_e为所设计电化学腐蚀实验中直流电源所提供的电流大小；

根据电阻网络模型，结合现场参数测试结果进行计算，从而可以确定在实验室条件下所设计电化学腐蚀实验中直流电源所提供的电流大小I_e，所设计电化学腐蚀时间t₂；

步骤3：根据步骤2所确定的实验参数和埋地管线材质，制作金属样块并调配电解质溶液，在实验室腐蚀电解池环境下进行等效杂散电流电化学腐蚀实验；在所设计电化学腐蚀时间t₂内，利用电化学分析仪分别测定电化学腐蚀过程中t_2,1,t_2,2,t_2,3,…,t_2,i,…,t_2,n时刻的极化曲线并计算对应时刻下的腐蚀电流密度i_corr(2,1),i_corr(2,2),i_corr(2,3),…,i_corr(2,i),…,i_corr(2,n)，测量对应时刻腐蚀前后金属失重量Δm_2,1,Δm_2,2,Δm_2,3,…,Δm_2,i,…,Δm_2,n，根据极化曲线和腐蚀前后金属样块的失重量计算腐蚀速率Corr_rate(2,1),Corr_rate(2,2),Corr_rate(2,3),…,Corr_rate(2,i),…,Corr_rate(2,n)，利用CCD摄像机获取对应时刻t_2,1,t_2,2,t_2,3,…,t_2,i,…,t_2,n下的金属样块外观腐蚀形貌特征图像数据；

步骤4：将步骤3所测定的腐蚀过程中的腐蚀电流密度i_corr作为输出量，选取电介质溶液中Cl^-离子浓度、SO₄ ^2-离子浓度、杂散电流大小I_s、腐蚀时间t、金属样块碳含量C％作为输入量，利用BP神经网络训练并建立杂散电流腐蚀电流密度预测模型；

利用步骤3所测定的腐蚀过程中金属失重量Δm随腐蚀时间t的变化关系，建立基于灰色理论的杂散电流腐蚀失重量预测模型；

利用步骤3所获取不同条件下的金属样块外观腐蚀形貌特征图像，在对图像处理之后，通过卷积神经网络训练并建立基于腐蚀外观形貌的杂散电流腐蚀速率预测模型；

步骤5：通过杂散电流腐蚀电流密度预测评估埋地管线当前杂散电流腐蚀程度，通过基于灰色理论的杂散电流腐蚀失重量预测和基于腐蚀外观形貌的杂散电流腐蚀速率预测评估埋地管线未来杂散电流腐蚀发展情况，进而以当前杂散电流腐蚀程度和未来杂散电流腐蚀发展趋势综合评估地铁现场埋地管线的杂散电流腐蚀危险性。

本发明与现有技术相比：能够有效提取并预测地铁杂散电流腐蚀特征信息，解决了目前地铁现场仅通过极化电位对埋地管线的杂散电流腐蚀危险性进行评估的问题。通过对多个杂散电流腐蚀特征信息的预测，能够全面且精确的评估当前埋地金属受杂散电流腐蚀影响情况，并预测未来埋地金属的腐蚀程度和使用寿命，对于地铁系统附近埋地管线的腐蚀防护工作具有重要的实际意义。

附图说明

图1为基于数据挖掘技术的地铁杂散电流腐蚀特征信息的提取方法流程图，

图2为基于数据挖掘技术的地铁杂散电流腐蚀特征信息的提取方法实验系统，

图3为BP神经网络腐蚀电流密度预测模型流程图，

图4为基于灰色理论的杂散电流腐蚀失重量预测模型流程图，

图5为基于腐蚀外观形貌的腐蚀速率CNN预测模型流程图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

如图1所示，基于数据挖掘技术的地铁杂散电流腐蚀特征信息提取方法，总体可以分为5个过程：地铁现场参数测量、参数等效化处理、等效电化学腐蚀实验、腐蚀实验数据挖掘、腐蚀危险性评估。这5个过程可以进一步细分为以下步骤，下面进行详细说明：

步骤1：测量供电区间周围土壤电阻率ρ；测量供电区间内轨地过渡电阻R_g和钢轨纵向电阻R_s；通过土壤取样分析土壤中的主要离子成分；获取现场基本参数：供电区间长度L₁、牵引电流I；

步骤2：通过一段时间内杂散电流泄漏电荷量相等的原理进行等效处理，即：

式中，Q₁为杂散电流泄漏电荷量，Q₂为实验室环境下直流电源所提供的电荷量，L₁为供电区间长度，I_s为供电区间内的杂散电流，t₁为杂散电流腐蚀时长，t₂为所设计电化学腐蚀时间，I_e为所设计电化学腐蚀实验中直流电源所提供的电流大小；

区间内的杂散电流根据“轨道——埋地金属——大地”电阻网络模型，结合现场参数测试结果，供电区间内的杂散电流分布使用下式进行计算：

式中，R_s为走行轨纵向电阻，R_R为埋地金属结构纵向电阻，R_g为轨道对埋地金属结构过渡电阻，I为牵引电流，L₁为供电区间长度；

从而可以确定在实验室条件下所设计电化学腐蚀实验中直流电源所提供的电流大小I_e，所设计电化学腐蚀时间t₂。

步骤3：如图2所示，根据步骤2所确定的实验参数和埋地管线材质，制作金属样块并调配电解质溶液，在腐蚀电解池环境下进行等效杂散电流电化学腐蚀实验；在所设计电化学腐蚀时间t₂内，利用电化学分析仪分别测定电化学腐蚀过程中t_2,1,t_2,2,t_2,3,…,t_2,i,…,t_2,n时刻的极化曲线并计算对应时刻下的腐蚀电流密度i_corr(2,1),i_corr(2,2),i_corr(2,3),…,i_corr(2,i),…,i_corr(2,n)，测量对应时刻腐蚀前后金属失重量Δm_2,1,Δm_2,2,Δm_2,3,…,Δm_2,i,…,Δm_2,n，根据极化曲线和腐蚀前后金属样块的失重量计算腐蚀速率Corr_rate(2,1),Corr_rate(2,2),Corr_rate(2,3),…,Corr_rate(2,i),…,Corr_rate(2,n)，利用CCD摄像机获取对应时刻t_2,1,t_2,2,t_2,3,…,t_2,i,…,t_2,n下的金属样块外观腐蚀形貌特征图像数据；

步骤4：如图3所示，将步骤3所测定的腐蚀过程中的腐蚀电流密度i_corr作为输出量，选取电介质溶液中Cl^-离子浓度、SO₄ ^2-离子浓度、杂散电流大小I_s、腐蚀时间t、金属样块碳含量C％作为输入量，利用BP神经网络训练并建立杂散电流腐蚀电流密度预测模型；

设BP神经网络的输入a₁～a₅分别为Cl^-离子浓度、SO₄ ^2-离子浓度、杂散电流大小I、腐蚀时间t、金属样块碳含量，BP神经网络隐含层中的节点输出函数为：

输出层中节点的输出函数为：

其中：f(x)＝(1+e^-x)^-1；W_ir ¹为输入层a_i到隐含层b_r ¹间的连接权；W_rj ²为隐含层b_r ¹到隐含层b_j ²间的连接权；V_r为隐含层b_j ²到输出层c之间的连接权；T_r ¹为隐含层b_r ¹的阈值；T_j ²为隐含层b_j ²的阈值；θ为输出层单元阈值。

计算期望值与实际输出的偏差，若不满足精度要求，则根据误差使用反向传播学习算法调节输入与隐含层的权值、输出与隐含层的权值；若每一个样本均满足精度要求，则学习结束并保存权值。在完成BP神经网络建立过程后，在模型使用过程中根据输入量重复前向传递过程计算隐含层、输出层各神经元的输出值，预测结果输出。

如图4所示，利用步骤3所测定的腐蚀过程中金属失重量Δm随腐蚀时间t的变化关系，建立基于灰色理论的杂散电流腐蚀失重量预测模型；

已知金属失重量数据列：

1次累加生成序列1-AGO：

其中：

Δm⁽¹⁾的均值生成序列：

其中：

建立灰色微分方程：

相应的白化微分方程为：

令

u＝[a,b]^T,

由最小二乘法，求得使

J(u)＝(Y-Bu)^T(Y-Bu)

达到最小值的u的估计值为

根据白化微分方程建立GM(1,1)模型，则可以得到和原始值对应的预测值：

如图5所示，利用步骤3所获取不同条件下的金属样块外观腐蚀形貌特征图像，在对图像处理之后，通过卷积神经网络训练并建立基于腐蚀外观形貌的杂散电流腐蚀速率预测模型；

首先对腐蚀图形进行灰度级处理，将腐蚀特征图像转化成黑白图像，对图像进行对比度增强处理和滤波处理。其次对图像进行二值化处理，将256级灰度的单色图像变成黑白二值图像，使腐蚀点与底色分离。最后将二值化处理过后的图像转化为二值矩阵S，根据矩阵的大小，设置卷积神经网络参数和网络结构。设置改变一次权值所需训练样本的数目N_batchsize，训练次数N_train，打乱原有训练样本的序列，并从训练样本中选出N_sample/N_batchsize个训练样本{S₁,…,S_k…,S_h}进行卷积运算和特征提取，在当前的网络权值和网络输入下计算网络的输出，即三个不同位置下的杂散电流泄漏等级预测值。

输出值计算过程为：

首先判断所在层类型，若为卷积层，则进行卷积运算：

I_c,k＝f[C(S_k)]+b_c

C(·)为卷积过程，I_c,k为二值矩阵S在卷积层下的输出，b_c为该卷积层所对应的偏置系数。

若为下采样层，则进行特征提取：

I_d,k＝f[γ_d·D(I_c,k)+b_d]

D(·)表示特征提取过程，γ_d为下采样层的权重，I_d,k为下采样层的输出，b_d为下采样层的偏置系数。

循环至神经网络最大层数后，进行特征矩阵组合：

I_f,k为特征矩阵的组合结果，α_i为二值矩阵对应的权重。

步骤5：通过杂散电流腐蚀电流密度预测评估埋地管线当前杂散电流腐蚀程度，通过基于灰色理论的杂散电流腐蚀失重量预测和基于腐蚀外观形貌的杂散电流腐蚀速率预测评估埋地管线未来杂散电流腐蚀发展情况，进而以当前杂散电流腐蚀程度和未来杂散电流腐蚀发展趋势综合评估地铁现场埋地管线的杂散电流腐蚀危险性。

Claims (3)

1.一种基于数据挖掘技术的地铁杂散电流腐蚀特征信息提取方法，其特征在于，包括以下步骤：

步骤1：测量供电区间周围土壤电阻率ρ；测量供电区间内轨地过渡电阻R_g和钢轨纵向电阻R_s；通过土壤取样分析土壤中的主要离子成分；获取现场基本参数：供电区间长度L₁、牵引电流I；

步骤2：通过一段时间内杂散电流泄漏电荷量相等的原理进行等效处理，即：

式中，Q₁为杂散电流泄漏电荷量，Q₂为实验室环境下直流电源所提供的电荷量，L₁为供电区间长度，I_s为供电区间内的杂散电流，t₁为杂散电流腐蚀时长，t₂为所设计电化学腐蚀时间，I_e为所设计电化学腐蚀实验中直流电源所提供的电流大小；

根据电阻网络模型，结合现场参数测试结果进行计算，从而可以确定在实验室条件下所设计电化学腐蚀实验中直流电源所提供的电流大小I_e，所设计电化学腐蚀时间t₂；

其中，供电区间内的杂散电流分布使用下式进行计算：

式中，R_s为走行轨纵向电阻，R_R为埋地金属结构纵向电阻，R_g为轨道对埋地金属结构过渡电阻，I为牵引电流，L₁为供电区间长度；

步骤3：根据步骤2所确定的实验参数和埋地管线材质，制作金属样块并调配电解质溶液，在腐蚀电解池环境下进行等效杂散电流电化学腐蚀实验；在所设计电化学腐蚀时间t₂内，利用电化学分析仪分别测定电化学腐蚀过程中t_2,1,t_2,2,t_2,3,…,t_2,i,…,t_2,n时刻的极化曲线并计算对应时刻下的腐蚀电流密度i_corr(2,1),i_corr(2,2),i_corr(2,3),…,i_corr(2,i),…,i_corr(2,n)，测量对应时刻腐蚀前后金属失重量Δm_2,1,Δm_2,2,Δm_2,3,…,Δm_2,i,…,Δm_2,n，根据极化曲线和腐蚀前后金属样块的失重量计算腐蚀速率Corr_rate(2,1),Corr_rate(2,2),Corr_rate(2,3),…,Corr_rate(2,i),…,Corr_rate(2,n)，利用CCD摄像机获取对应时刻t_2,1,t_2,2,t_2,3,…,t_2,i,…,t_2,n下的金属样块外观腐蚀形貌特征图像数据；

步骤4：将步骤3所测定的腐蚀过程中的腐蚀电流密度i_corr作为输出量，选取电介质溶液中Cl^-离子浓度、SO₄ ^2-离子浓度、杂散电流大小I_s、腐蚀时间t、金属样块碳含量C％作为输入量，利用BP神经网络训练并建立杂散电流腐蚀电流密度预测模型；

利用步骤3所测定的腐蚀过程中金属失重量Δm随腐蚀时间t的变化关系，建立基于灰色理论的杂散电流腐蚀失重量预测模型；

利用步骤3所获取不同条件下的金属样块外观腐蚀形貌特征图像，在对图像处理过程之后，通过卷积神经网络训练并建立基于腐蚀外观形貌的杂散电流腐蚀速率预测模型；

步骤5：通过步骤4得到的杂散电流腐蚀电流密度预测评估埋地管线当前杂散电流腐蚀程度，通过步骤4得到的基于灰色理论的杂散电流腐蚀失重量预测和通过步骤4得到的基于腐蚀外观形貌的杂散电流腐蚀速率预测评估埋地管线未来杂散电流腐蚀发展情况，进而以当前杂散电流腐蚀程度和未来杂散电流腐蚀发展趋势综合评估地铁现场埋地管线的杂散电流腐蚀危险性。

2.根据权利要求1所述的一种基于数据挖掘技术的地铁杂散电流腐蚀特征信息提取方法，其特征在于，

步骤3中建立基于灰色理论的杂散电流腐蚀失重量预测模型的方法如下：

已知金属失重量数据列：

1次累加生成序列1-AGO：

其中：

Δm⁽¹⁾的均值生成序列：

其中：

建立灰色微分方程：

相应的白化微分方程为：

令

由最小二乘法，求得使

J(u)＝(Y-Bu)^T(Y-Bu)

达到最小值的u的估计值为

根据白化微分方程建立GM(1,1)模型，则可以得到和原始值对应的预测值：

3.根据权利要求1或2所述的一种基于数据挖掘技术的地铁杂散电流腐蚀特征信息提取方法，其特征在于，步骤3中利用BP神经网络训练建立杂散电流腐蚀电流密度预测模型的函数如下：

设BP神经网络的输入a₁～a₅分别为Cl^-离子浓度、SO₄ ^2-离子浓度、杂散电流大小I、腐蚀时间t、金属样块碳含量，BP神经网络隐含层中的节点输出函数为：

输出层中节点的输出函数为：

其中：f(x)＝(1+e^-x)^-1；W_ir ¹为输入层a_i到隐含层b_r ¹间的连接权；W_rj ²为隐含层b_r ¹到隐含层b_j ²间的连接权；V_r为隐含层b_j ²到输出层c之间的连接权；T_r ¹为隐含层b_r ¹的阈值；T_j ²为隐含层b_j ²的阈值；θ为输出层单元阈值。

Images