CN113094934A - 一种物理模型与数据融合驱动的管道腐蚀深度预测方法 - Google Patents
一种物理模型与数据融合驱动的管道腐蚀深度预测方法 Download PDFInfo
- Publication number
- CN113094934A CN113094934A CN202110506133.6A CN202110506133A CN113094934A CN 113094934 A CN113094934 A CN 113094934A CN 202110506133 A CN202110506133 A CN 202110506133A CN 113094934 A CN113094934 A CN 113094934A
- Authority
- CN
- China
- Prior art keywords
- corrosion
- pipeline
- data
- depth
- corrosion depth
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
一种物理模型与数据融合驱动的管道腐蚀深度预测方法,包括如下步骤:1)利用腐蚀探针或腐蚀挂片获取腐蚀监测数据,对腐蚀监测数据进行优化处理,获取管道腐蚀的累积腐蚀深度数据,构建管道的累计腐蚀深度训练数据集;2)将管道累计腐蚀深度的物理模型融合至高斯过程回归模型的核函数,构建新的核函数,得到先验分布与测试输出的联合高斯分布;3)训练数据集训练高斯过程回归模型,采用共轭梯度迭代法求解负对数似然函数,得到最优超参数集合;4)将最优超参数集合代入高斯过程回归模型的先验分布,得到后验概率分布,并获得预测输出的均值函数与方差函数;5)将测试数据输入训练后的高斯过程回归模型,得到管道累计腐蚀深度的预测值。
Description
技术领域
本发明属于管道腐蚀预测技术领域,具体的为一种物理模型与数据融合驱动的管道腐蚀深度预测方法。
背景技术
管道作为长距离运输与分配气液等能源物质的重要载体,其安全稳定的运行是保障油气设备及作业人员安全的决定性因素。在管道使用过程中,易与管道运行环境或者运输物质产生腐蚀行为,导致管道内外出现腐蚀、裂纹、穿孔及泄露等现象,危及管道平稳运行与环境污染,甚者危害作业人员安全。故而,掌握管道腐蚀规律、建立科学有效的腐蚀预测模型对管道防护工作具有极大的意义。
目前用于管道腐蚀预测的主要方法分为三类,分别为:经验模型、概率统计模型以及机器学习模型。国内外研究人员基于上述三类方法利用实验数据初步实现了对管道腐蚀深度、腐蚀速率方面的预测,但均存在各方面上的不足,如:经验模型泛化能力较弱、预测精度不高;概率统计模型需要大量数据样本;大多机器学习模型需要考虑腐蚀影响因素、对数据依赖性高。因此,上述三类方法在实际应用中均较难开展。
发明内容
有鉴于此,本发明的目的在于提供一种物理模型与数据融合驱动的管道腐蚀深度预测方法,根据腐蚀探针或腐蚀挂片获取的腐蚀监测数据,实现对管道运行状态的评估,以保障其安全稳定运行。
为达到上述目的,本发明提供如下技术方案:
一种物理模型与数据融合驱动的管道腐蚀深度预测方法,包括如下步骤:
1)利用腐蚀探针或腐蚀挂片获取腐蚀监测数据,对腐蚀监测数据进行优化处理,获取管道腐蚀的累积腐蚀深度数据;以腐蚀监测数据和累计腐蚀深度数据构建管道的累计腐蚀深度训练数据集;
2)将管道累计腐蚀深度的物理模型融合至高斯过程回归模型的核函数,构建新的核函数,得到先验分布与测试输出的联合高斯分布;
3)以累计腐蚀深度训练数据集训练高斯过程回归模型,采用共轭梯度迭代法求解负对数似然函数,得到最优超参数集合;
4)将最优超参数集合代入高斯过程回归模型的先验分布,得到后验概率分布,并获得预测输出的均值函数与方差函数;
5)将测试数据输入训练后的高斯过程回归模型,得到管道累计腐蚀深度的预测值。
进一步,所述步骤1)中,对腐蚀监测数据进行优化处理方法为:
11)采用箱型图方法确定正常数据区间,将该正常数据区间之外的腐蚀监测数据视为缺失项;
12)对腐蚀监测数据中的缺失项进行插补,所述插补方法采用最邻近算法、均值插补方法、回归插补方法、多重插补方法或极大似然插补方法。
进一步,采用最邻近算法对腐蚀监测数据中的缺失项进行插补,选择与目标缺失项距离最小的K个数据样本作为最近邻,则缺失项数据的插补方法为:
设一组腐蚀监测数据样本xi,i=1,2,3,…,n,则任意两个样本之间的邻近值计算如下:
式中,d(i,j)表示腐蚀监测数据样本xi与xj之间的距离;k表示腐蚀监测数据样本的指标数,且k=1,2,…,q;p表示阶数,且p=1表示哈曼顿距离、p=2表示欧式距离、p→∞表示切比雪夫距离;
对应缺失项数据的插补数据为:
进一步,所述腐蚀监测数据为腐蚀速率,则管道腐蚀的累积腐蚀深度数据为:
其中,dt表示t时刻管道腐蚀的累积腐蚀深度;xt表示t时刻监测腐蚀速率;ΔT表示两次相邻腐蚀监测的时间间隔;d0表示初始腐蚀深度。
进一步,所述步骤2)中,管道累计腐蚀深度的物理模型为:
d=ptm
其中,p表示管道投运初期的腐蚀损失常数;m为表征管道腐蚀防护性能的常数;d表示累计腐蚀深度;t表示管道腐蚀暴露时间。
由此得到管道腐蚀深度的增量表达式为:
dln+Δdln=A+nT+nΔT
其中,dln=lnd,表示对数累计腐蚀深度;Δdln为对数累计腐蚀深度增量;A=lnp;T=lnt表示对数管道腐蚀暴露时间;ΔT表示对数管道腐蚀暴露时间增量。
对数腐蚀深度增量与对数腐蚀暴露时间增量之间呈线性关系,设管道对数腐蚀深度增量符合高斯分布,融合管道腐蚀深度的增量表达式与线性核函数,得到融合管道腐蚀深度物理模型的核函数:
klinear(dln+Δdln,dln)=klinear(dln,dln)+klinear(dln ,Δdln)
其中,klinear(x,y)表示线性核函数,用以描述样本特征向量x与y之间的关系;表示权值向量分量;xi表示第i维度x样本的输入值;yi表示第i维度y样本的输入值;klinear(dln+Δdln,dln)表示融合管道腐蚀深度物理模型后的线性核函数;klinear(dln,dln)为线性核函数,描述对数累计腐蚀深度样本间的关系;klinear(dln,Δdln)为线性核函数,描述对数累计腐蚀深度与对数累计腐蚀深度增量间的关系;
再次将所述融合管道腐蚀深度物理模型的核函数与径向基核融合,构建得到的高斯过程回归模型的新的核函数为:
k=klinear×krbf+klinear
其中,k表示用于累计腐蚀深度预测的核函数;klinear表示上述融合物理过程的线性核函数;krbf表示径向基核函数,定义为:
其中,x、y表示两个样本特征向量;σ2及l为超参数,分别表示样本方差以及特征长度尺度。
di=g(ti)+ε
给定测试输入t*,建立先验分布d与测试输出g*的联合高斯分布:
进一步,设有超参数集合θ={θi},有负对数似然函数:
对负对数似然函数的超参数求偏导,得到对应超参数的估计值。
进一步,所述步骤4)中,将最优超参数集合代入高斯过程回归模型的先验分布,得到g*的后验概率公式:
预测输出的均值函数为:
预测输出的方差函数为:
令均值函数μ(X)=0,则得到累计腐蚀深度的预测值:
进一步,所述步骤5)中,输入对数化后的测试数据至训练后的高斯过程回归模型,获得对数累计腐蚀深度的预测数据,将对数累计腐蚀深度的预测数据反对数处理后,得到累计腐蚀深度的预测值。
本发明的有益效果在于:
高斯过程回归(Gaussian Process Regression,GPR)是一种基于贝叶斯理论与统计学习理论的方法,与其他方法相比在处理小样本和非线性等复杂回归问题上具有容易实现、超参数自适应以及输出具有概率分布等优点。本发明提出的一种物理模型与数据融合驱动的管道腐蚀深度预测方法,结合腐蚀物理模型的整体泛化能力与高斯过程回归的局部学习能力以提高预测方法的预测精度,在具有较高预测精度以及泛化能力的同时不依赖于其余腐蚀影响因素数据,降低了数据获取成本与工作量,工程可实现性高,可有效提高油气输送管的的稳定运行能力、降低事故发生率。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为本发明的一种物理模型与数据融合驱动的管道腐蚀深度预测方法的流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好的理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
如图1所示,为本发明的一种物理模型与数据融合驱动的管道腐蚀深度预测方法的流程图。本实施例的物理模型与数据融合驱动的管道腐蚀深度预测方法,包括如下步骤:
1)利用腐蚀探针或腐蚀挂片获取腐蚀监测数据,对腐蚀监测数据进行优化处理,获取管道腐蚀的累积腐蚀深度数据;以腐蚀监测数据和累计腐蚀深度数据构建管道的累计腐蚀深度训练数据集。
具体的,由于传感器漂移、停工停产以及采集噪声等因素,导致数据存在奇异点或缺失值,因此需要对数据进行优化处理。本实施例对腐蚀监测数据进行优化处理方法为:
11)采用箱型图方法确定正常数据区间,将该正常数据区间之外的腐蚀监测数据视为缺失项。具体的,箱型图根据数据的最小值、下四分位数(Q1)、中位数、上四分位数(Q3)以及最大值等五个统计量描述数据,根据箱型图方法,数据正常区间为:
其中,Q1-1.5×IQR为最小值;Q3+1.5×IQR为最大值;Q1为下四分位数;Q3为上四分位数;IQR为中位数。
12)对腐蚀监测数据中的缺失项进行插补,所述插补方法采用最邻近算法、均值插补方法、回归插补方法、多重插补方法或极大似然插补方法。
本实施例采用最邻近算法(k-Nearest Neighbors,kNN)对腐蚀监测数据中的缺失项进行插补。具体的,kNN算法先计算出不同数据项之间的相似度,再者由不同数据项间的距离判断缺失数据项的估计值,即选择与目标缺失项距离最小的K个数据样本作为最近邻,用最近邻数据样本的平均值作为缺失数据项的估计值。所述距离的度量方式有:欧氏距离、马氏距离及切比雪夫距离等。
本实施例选择与目标缺失项距离最小的K个数据样本作为最近邻,则缺失项数据的插补方法为:
设一组腐蚀监测数据样本xi,i=1,2,3,…,n,则任意两个样本之间的邻近值计算如下:
式中,d(i,j)表示腐蚀监测数据样本xi与xj之间的距离;k表示腐蚀监测数据样本的指标数,且k=1,2,…,q;p表示阶数,且p=1表示哈曼顿距离、p=2表示欧式距离、p→∞表示切比雪夫距离;
对应缺失项数据的插补数据为:
进一步,所述腐蚀监测数据为腐蚀速率,则管道腐蚀的累积腐蚀深度数据为:
其中,dt表示t时刻管道腐蚀的累积腐蚀深度;xt表示t时刻监测腐蚀速率;ΔT表示两次相邻腐蚀监测的时间间隔,a;d0表示初始腐蚀深度。
通过对腐蚀监测数据进行优化处理,能够排除腐蚀数据采集、传输以及存储过程中由于不可避免的外在因素存在导致的数据异常情况,避免这些因素影响作业人员对管道运行状态的判断。
2)将管道累计腐蚀深度的物理模型融合至高斯过程回归模型的核函数,构建新的核函数,得到先验分布与测试输出的联合高斯分布。
管道累计腐蚀深度的物理模型为:
d=ptm
其中,p表示管道投运初期的腐蚀损失常数;m为表征管道腐蚀防护性能的常数;d表示累计腐蚀深度;t表示管道腐蚀暴露时间,a。
由此得到管道腐蚀深度的增量表达式为:
dln+Δdln=A+nT+nΔT
其中,dln=lnd,表示对数累计腐蚀深度;Δdln为对数累计腐蚀深度增量;A=lnp;T=lnt表示对数管道腐蚀暴露时间;ΔT表示对数管道腐蚀暴露时间增量。
由管道腐蚀深度的增量表达式可知,对数腐蚀深度增量与对数腐蚀暴露时间增量之间呈线性关系,设管道对数腐蚀深度增量符合高斯分布,融合管道腐蚀深度的增量表达式与线性核函数,得到融合管道腐蚀深度物理模型的核函数:
klinear(dln+Δdln,dln)=klinear(dln,dln)+klinear(dln,Δdln)
其中,klinear(x,y)表示线性核函数,用以描述样本特征向量x与y之间的关系;表示权值向量分量;xi表示第i维度x样本的输入值;yi表示第i维度y样本的输入值;klinear(dln+Δdln,dln)表示融合管道腐蚀深度物理模型后的线性核函数;klinear(dln,dln)为线性核函数,描述对数累计腐蚀深度样本间的关系;klinear(dln,Δdln)为线性核函数,描述对数累计腐蚀深度与对数累计腐蚀深度增量间的关系。
考虑到径向基核(Radial Basis Function,RBF kernel)更容易描述数据的局部性变化。在核函数运算封闭性的条件下,融合上述结合腐蚀物理过程的核函数与RBF核,使得融合后的核函数具有融合过物理模型的线性核函数的整体泛化能力与RBF核的局部学习能力。即本实施例再次将所述融合管道腐蚀深度物理模型的核函数与径向基核融合,构建得到的高斯过程回归模型的新的核函数为:
k=klinearXkrbf+klinear
其中,k表示用于累计腐蚀深度预测的核函数;klinear表示上述融合物理过程的线性核函数;krbf表示径向基核函数,定义为:
其中,x、y表示两个样本特征向量;σ2及l为超参数,分别表示样本方差以及特征长度尺度。
di=g(ti)+ε
给定测试输入t*,建立先验分布d与测试输出g*的联合高斯分布:
3)以累计腐蚀深度训练数据集训练高斯过程回归模型,采用共轭梯度迭代法求解负对数似然函数,得到最优超参数集合。
对于不同结构的核函数,需要通过训练获得和函数的超参数。本实施例采用共轭梯度迭代法估计超参数,设有超参数集合θ={θi},有负对数似然函数:
对负对数似然函数的超参数求偏导,得到对应超参数的估计值。
4)将最优超参数集合代入高斯过程回归模型的先验分布,得到后验概率分布,并获得预测输出的均值函数与方差函数;
将最优超参数集合代入高斯过程回归模型的先验分布,得到g*的后验概率公式:
预测输出的均值函数为:
预测输出的方差函数为:
令均值函数μ(X)=0,则得到累计腐蚀深度的预测值:
5)将测试数据输入训练后的高斯过程回归模型,得到管道累计腐蚀深度的预测值。
具体的,本实施例输入对数化后的测试数据至训练后的高斯过程回归模型,获得对数累计腐蚀深度的预测数据,将对数累计腐蚀深度的预测数据反对数处理后,得到累计腐蚀深度的预测值。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例,本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换,均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。
Claims (9)
1.一种物理模型与数据融合驱动的管道腐蚀深度预测方法,其特征在于:包括如下步骤:
1)利用腐蚀探针或腐蚀挂片获取腐蚀监测数据,对腐蚀监测数据进行优化处理,获取管道腐蚀的累积腐蚀深度数据;以腐蚀监测数据和累计腐蚀深度数据构建管道的累计腐蚀深度训练数据集;
2)将管道累计腐蚀深度的物理模型融合至高斯过程回归模型的核函数,构建新的核函数,得到先验分布与测试输出的联合高斯分布;
3)以累计腐蚀深度训练数据集训练高斯过程回归模型,采用共轭梯度迭代法求解负对数似然函数,得到最优超参数集合;
4)将最优超参数集合代入高斯过程回归模型的先验分布,得到后验概率分布,并获得预测输出的均值函数与方差函数;
5)将测试数据输入训练后的高斯过程回归模型,得到管道累计腐蚀深度的预测值。
2.根据权利要求1所述物理模型与数据融合驱动的管道腐蚀深度预测方法,其特征在于:所述步骤1)中,对腐蚀监测数据进行优化处理方法为:
11)采用箱型图方法确定正常数据区间,将该正常数据区间之外的腐蚀监测数据视为缺失项;
12)对腐蚀监测数据中的缺失项进行插补,所述插补方法采用最邻近算法、均值插补方法、回归插补方法、多重插补方法或极大似然插补方法。
3.根据权利要求2所述物理模型与数据融合驱动的管道腐蚀深度预测方法,其特征在于:采用最邻近算法对腐蚀监测数据中的缺失项进行插补,选择与目标缺失项距离最小的K个数据样本作为最近邻,则缺失项数据的插补方法为:
设一组腐蚀监测数据样本xi,i=1,2,3,…,n,则任意两个样本之间的邻近值计算如下:
式中,d(i,j)表示腐蚀监测数据样本xi与xj之间的距离;k表示腐蚀监测数据样本的指标数,且k=1,2,…,q;p表示阶数,且p=1表示哈曼顿距离、p=2表示欧式距离、p→∞表示切比雪夫距离;
对应缺失项数据的插补数据为:
5.根据权利要求1所述物理模型与数据融合驱动的管道腐蚀深度预测方法,其特征在于:所述步骤2)中,管道累计腐蚀深度的物理模型为:
d=ptm
其中,p表示管道投运初期的腐蚀损失常数;m为表征管道腐蚀防护性能的常数;d表示累计腐蚀深度;t表示管道腐蚀暴露时间。
由此得到管道腐蚀深度的增量表达式为:
dln+Δdln=A+mT+mΔT
其中,dln=lnd,表示对数累计腐蚀深度;Δdln为对数累计腐蚀深度增量;A=lnp;T=lnt表示对数管道腐蚀暴露时间;ΔT表示对数管道腐蚀暴露时间增量。
对数腐蚀深度增量与对数腐蚀暴露时间增量之间呈线性关系,设管道对数腐蚀深度增量符合高斯分布,融合管道腐蚀深度的增量表达式与线性核函数,得到融合管道腐蚀深度物理模型的核函数:
klinear(dln+Δdln,dln)=klinear(dln,dln)+klinear(dln,Δdln)
其中,klinear(x,y)表示线性核函数,用以描述样本特征向量x与y之间的关系;表示权值向量分量;xi表示第i维度x样本的输入值;yi表示第i维度y样本的输入值;klinear(dln+Δdln,dln)表示融合管道腐蚀深度物理模型后的线性核函数;klinear(dln,dln)为线性核函数,描述对数累计腐蚀深度样本间的关系;klinear(dln,Δdln)为线性核函数,描述对数累计腐蚀深度与对数累计腐蚀深度增量间的关系;
再次将所述融合管道腐蚀深度物理模型的核函数与径向基核融合,构建得到的高斯过程回归模型的新的核函数为:
k=klinear×krbf+klinear
其中,k表示用于累计腐蚀深度预测的核函数;klinear表示上述融合腐蚀物理过程的线性核函数;krbf表示径向基核函数,定义为:
其中,x、y表示两个样本特征向量;σ2及l为超参数,分别表示样本方差以及特征长度尺度。
9.根据权利要求8所述物理模型与数据融合驱动的管道腐蚀深度预测方法,其特征在于:所述步骤5)中,输入对数化后的测试数据至训练后的高斯过程回归模型,获得对数累计腐蚀深度的预测数据,将对数累计腐蚀深度的预测数据反对数处理后,得到累计腐蚀深度的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110506133.6A CN113094934B (zh) | 2021-05-10 | 2021-05-10 | 一种物理模型与数据融合驱动的管道腐蚀深度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110506133.6A CN113094934B (zh) | 2021-05-10 | 2021-05-10 | 一种物理模型与数据融合驱动的管道腐蚀深度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113094934A true CN113094934A (zh) | 2021-07-09 |
CN113094934B CN113094934B (zh) | 2023-02-17 |
Family
ID=76664822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110506133.6A Active CN113094934B (zh) | 2021-05-10 | 2021-05-10 | 一种物理模型与数据融合驱动的管道腐蚀深度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113094934B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114046456A (zh) * | 2021-11-23 | 2022-02-15 | 重庆大学 | 融合模糊推理和神经网络的腐蚀评估方法及系统 |
CN114060731A (zh) * | 2021-11-23 | 2022-02-18 | 重庆大学 | 腐蚀位移形变融合监测终端及管道腐蚀位移形变监测系统和方法 |
CN115166032A (zh) * | 2022-05-23 | 2022-10-11 | 东南大学 | 一种风机叶片裂纹的检测装置及方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5473643A (en) * | 1994-08-19 | 1995-12-05 | Westinghouse Idaho Nuclear Company | Corrosion testing using isotopes |
CN101187991A (zh) * | 2007-12-18 | 2008-05-28 | 华南理工大学 | 一种腐蚀深度的混沌预测方法 |
CN102855368A (zh) * | 2011-06-30 | 2013-01-02 | 中国石油天然气股份有限公司 | 一种炼油装置高温部位腐蚀剩余寿命预测方法 |
CN103974311A (zh) * | 2014-05-21 | 2014-08-06 | 哈尔滨工业大学 | 基于改进高斯过程回归模型的状态监测数据流异常检测方法 |
JP2014194382A (ja) * | 2013-03-29 | 2014-10-09 | Ttk Corp | 地際腐食損傷部の平均腐食深さの推定による残存平均板厚推定方法 |
CN105760945A (zh) * | 2014-12-19 | 2016-07-13 | 国家电网公司 | 风力发电功率的确定方法及装置 |
CN106372299A (zh) * | 2016-08-29 | 2017-02-01 | 西安建筑科技大学 | 一种基于逆高斯过程和em‑pf的管道剩余寿命预测方法 |
CN109214605A (zh) * | 2018-11-12 | 2019-01-15 | 国网山东省电力公司电力科学研究院 | 电力系统短期负荷概率预测方法、装置及系统 |
CN109255490A (zh) * | 2018-09-28 | 2019-01-22 | 西安建筑科技大学 | 一种基于kpca-bas-grnn的埋地管道外腐蚀速率预测方法 |
CN110083933A (zh) * | 2019-04-26 | 2019-08-02 | 西安建筑科技大学 | 一种考虑随机效应的腐蚀管道贝叶斯退化分析方法 |
CN110236523A (zh) * | 2019-06-17 | 2019-09-17 | 杭州电子科技大学 | 基于高斯回归的步态-心电rr间隔关联方法 |
CN110321917A (zh) * | 2019-04-24 | 2019-10-11 | 武汉大学 | 无参数的农田数据同化方法 |
CN111460379A (zh) * | 2020-03-30 | 2020-07-28 | 上海交通大学 | 基于高斯过程回归的多工况动力系统性能预测方法及系统 |
CN112183568A (zh) * | 2019-07-05 | 2021-01-05 | 天津科技大学 | 一种基于dbn和svm的海底管道腐蚀等级分类方法 |
CN112348158A (zh) * | 2020-11-04 | 2021-02-09 | 重庆大学 | 基于多参数深度分布学习的工业设备状态评估方法 |
CN112697691A (zh) * | 2021-01-15 | 2021-04-23 | 中国人民解放军海军航空大学青岛校区 | 一种航空合金钢服役环境下腐蚀损伤分布规律的研究方法 |
-
2021
- 2021-05-10 CN CN202110506133.6A patent/CN113094934B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5473643A (en) * | 1994-08-19 | 1995-12-05 | Westinghouse Idaho Nuclear Company | Corrosion testing using isotopes |
CN101187991A (zh) * | 2007-12-18 | 2008-05-28 | 华南理工大学 | 一种腐蚀深度的混沌预测方法 |
CN102855368A (zh) * | 2011-06-30 | 2013-01-02 | 中国石油天然气股份有限公司 | 一种炼油装置高温部位腐蚀剩余寿命预测方法 |
JP2014194382A (ja) * | 2013-03-29 | 2014-10-09 | Ttk Corp | 地際腐食損傷部の平均腐食深さの推定による残存平均板厚推定方法 |
CN103974311A (zh) * | 2014-05-21 | 2014-08-06 | 哈尔滨工业大学 | 基于改进高斯过程回归模型的状态监测数据流异常检测方法 |
CN105760945A (zh) * | 2014-12-19 | 2016-07-13 | 国家电网公司 | 风力发电功率的确定方法及装置 |
CN106372299A (zh) * | 2016-08-29 | 2017-02-01 | 西安建筑科技大学 | 一种基于逆高斯过程和em‑pf的管道剩余寿命预测方法 |
CN109255490A (zh) * | 2018-09-28 | 2019-01-22 | 西安建筑科技大学 | 一种基于kpca-bas-grnn的埋地管道外腐蚀速率预测方法 |
CN109214605A (zh) * | 2018-11-12 | 2019-01-15 | 国网山东省电力公司电力科学研究院 | 电力系统短期负荷概率预测方法、装置及系统 |
CN110321917A (zh) * | 2019-04-24 | 2019-10-11 | 武汉大学 | 无参数的农田数据同化方法 |
CN110083933A (zh) * | 2019-04-26 | 2019-08-02 | 西安建筑科技大学 | 一种考虑随机效应的腐蚀管道贝叶斯退化分析方法 |
CN110236523A (zh) * | 2019-06-17 | 2019-09-17 | 杭州电子科技大学 | 基于高斯回归的步态-心电rr间隔关联方法 |
CN112183568A (zh) * | 2019-07-05 | 2021-01-05 | 天津科技大学 | 一种基于dbn和svm的海底管道腐蚀等级分类方法 |
CN111460379A (zh) * | 2020-03-30 | 2020-07-28 | 上海交通大学 | 基于高斯过程回归的多工况动力系统性能预测方法及系统 |
CN112348158A (zh) * | 2020-11-04 | 2021-02-09 | 重庆大学 | 基于多参数深度分布学习的工业设备状态评估方法 |
CN112697691A (zh) * | 2021-01-15 | 2021-04-23 | 中国人民解放军海军航空大学青岛校区 | 一种航空合金钢服役环境下腐蚀损伤分布规律的研究方法 |
Non-Patent Citations (7)
Title |
---|
BYEONG HUN WOO等: "An Experimental and Statistical Study on Rebar Corrosion Considering the Temperature Effect Using Gaussian Process Regression", 《APPLIED SCIENCES》 * |
YIQI LIU等: "Prediction of concrete corrosion in sewers with hybrid Gaussian processes regression model", 《RSC ADVANCES》 * |
卢晓刚: "油气长输腐蚀管道剩余寿命(体积型)评价研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
张平: "不完全维修下海底腐蚀管道剩余寿命预测与维修策略研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
李鑫: "数据驱动的关键设备剩余寿命预测", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
林伟杰: "基于粒子滤波的多部件退化建模与剩余寿命预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
骆正山等: "基于误差补偿的GM-RBF海底管道腐蚀预测模型", 《中国安全科学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114046456A (zh) * | 2021-11-23 | 2022-02-15 | 重庆大学 | 融合模糊推理和神经网络的腐蚀评估方法及系统 |
CN114060731A (zh) * | 2021-11-23 | 2022-02-18 | 重庆大学 | 腐蚀位移形变融合监测终端及管道腐蚀位移形变监测系统和方法 |
CN114060731B (zh) * | 2021-11-23 | 2024-01-26 | 重庆大学 | 腐蚀位移形变融合监测终端及管道腐蚀位移形变监测系统和方法 |
CN114046456B (zh) * | 2021-11-23 | 2024-02-02 | 重庆大学 | 融合模糊推理和神经网络的腐蚀评估方法及系统 |
CN115166032A (zh) * | 2022-05-23 | 2022-10-11 | 东南大学 | 一种风机叶片裂纹的检测装置及方法 |
CN115166032B (zh) * | 2022-05-23 | 2024-04-19 | 东南大学 | 一种风机叶片裂纹的检测装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113094934B (zh) | 2023-02-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113094934B (zh) | 一种物理模型与数据融合驱动的管道腐蚀深度预测方法 | |
Li et al. | Wiener-based remaining useful life prediction of rolling bearings using improved Kalman filtering and adaptive modification | |
Wang et al. | A joint particle filter and expectation maximization approach to machine condition prognosis | |
Zhou et al. | A model for real-time failure prognosis based on hidden Markov model and belief rule base | |
Hu et al. | A particle filtering and kernel smoothing-based approach for new design component prognostics | |
Ahwiadi et al. | An adaptive particle filter technique for system state estimation and prognosis | |
CN112926273A (zh) | 一种多元退化设备剩余寿命预测方法 | |
Bhadriraju et al. | OASIS-P: Operable adaptive sparse identification of systems for fault prognosis of chemical processes | |
Xu et al. | The research progress and prospect of data mining methods on corrosion prediction of oil and gas pipelines | |
Duan et al. | A two-level Bayesian early fault detection for mechanical equipment subject to dependent failure modes | |
Liu et al. | A hybrid multi-stage methodology for remaining useful life prediction of control system: Subsea Christmas tree as a case study | |
Kong et al. | Remaining useful life prediction for degrading systems with random shocks considering measurement uncertainty | |
Shao et al. | Remaining useful life prediction via a hybrid DBN-KF-based method: a case of subsea Christmas tree valves | |
CN105718733B (zh) | 基于模糊贴近度和粒子滤波的故障预报方法 | |
Mohamed et al. | Evaluation of Reliability Indices for Gas Turbines Based on the Johnson SB Distribution: Towards Practical Development | |
Liu et al. | Fault diagnosis for TE process using RBF neural network | |
Xie et al. | Determination of Monitoring Control Value for Concrete Gravity Dam Spatial Deformation Based on POT Model. | |
Khan et al. | Particle filter based prognosis study for predicting remaining useful life of steam generator tubing | |
Pang et al. | RUL prediction for bivariate degradation process considering individual differences | |
Groenewald et al. | Furnace integrity monitoring using principal component analysis: an industrial case study | |
Duan et al. | Multi-attribute Bayesian fault prediction for hidden-state systems under condition monitoring | |
Zhang et al. | Real-time remaining useful life prediction based on adaptive kernel window width density | |
Bezsonov et al. | Intelligent Identification System of the Process Liquid Solutions Composition. | |
Zhang et al. | Assessment of the offshore wind turbine support structure integrity and management of multivariate hybrid probability frameworks | |
Jiao et al. | Improved particle filter using clustering similarity of the state trajectory with application to nonlinear estimation: theory, modeling, and applications |
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 |