CN113112024B - 一种随机多裂纹随机扩展的预测与控制方法及系统 - Google Patents

一种随机多裂纹随机扩展的预测与控制方法及系统 Download PDF

Info

Publication number
CN113112024B
CN113112024B CN202110386444.3A CN202110386444A CN113112024B CN 113112024 B CN113112024 B CN 113112024B CN 202110386444 A CN202110386444 A CN 202110386444A CN 113112024 B CN113112024 B CN 113112024B
Authority
CN
China
Prior art keywords
random
crack
cracks
prediction
predicting
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
Application number
CN202110386444.3A
Other languages
English (en)
Other versions
CN113112024A (zh
Inventor
吴韬略
张鹏
伍颖
侯向秦
陈利琼
刘思铭
黄云飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Petroleum University
Original Assignee
Southwest Petroleum University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Petroleum University filed Critical Southwest Petroleum University
Priority to CN202110386444.3A priority Critical patent/CN113112024B/zh
Publication of CN113112024A publication Critical patent/CN113112024A/zh
Application granted granted Critical
Publication of CN113112024B publication Critical patent/CN113112024B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F17—STORING OR DISTRIBUTING GASES OR LIQUIDS
    • F17D—PIPE-LINE SYSTEMS; PIPE-LINES
    • F17D5/00—Protection or supervision of installations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Mechanical Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开了一种随机多裂纹随机扩展的预测与控制方法及系统。所述方法包括：将裂纹萌生及其扩展过程视为随机过程，将不同位置及方向的裂纹分布视为随机场；建立笛卡尔坐标系下的6N维随机状态系统；利用Paris公式建立随机过程模型；利用MCMC算法确定模型未知参数并优化；结构可靠性评估，利用K‑means聚类将所有裂纹划分为安全、欠安全、危险阶段三类，并用Silhouette函数绘制轮廓图判断聚类是否合理；利用贝叶斯更新方法对欠安全裂纹进行预测；泛函分析，确定最优控制解，保证控制系统具有稳定性与鲁棒性。该方法同时考虑了裂纹分布及其扩展过程中存在的随机不确定性，更加符合工程实际；不受历史数据样本局限，能够经济高效地实现结构中裂纹的实时预测与自动控制。

Description

一种随机多裂纹随机扩展的预测与控制方法及系统
技术领域
本发明涉及主要应用于油气管线的一种随机多裂纹随机扩展的预测与控制方法及系统，属于故障预测与结构安全评估领域。
背景技术
油气管道裂纹缺陷扩展会导致其发生断裂破坏，直接影响管道的安全运营。因此对油气管线上的随机裂纹随机扩展进行预测与及时有效的控制具有重要意义。目前尚没有同时考虑不同位置以及方向的裂纹分布随机场与裂纹萌生以及其扩展过程的随机过程的研究。然而，在实际工程中，表征裂纹形态与其扩展过程的参数通常具有随机不确定性。因此，为了更贴近工程实际，应当全面考虑裂纹分布与其扩展过程中存在的随机不确定性。传统的裂纹损伤预测方法需要收集大量的历史先验数据才能保证裂纹预测的准确性，这在实际工程中相当耗时。在复杂的工程中获取理想的大样本历史数据有时甚至相当困难。对油气管线上的裂纹缺陷进行实时预测与自动控制的一体化智能管理能够有效减少人力成本，提高生产效率。然而，在不影响油气管线正常运营的情况下，对裂纹的实时预测与自动控制的研究目前较少。并且在实际工程中，一个管道上可能同时存在多个裂纹缺陷，在对这些裂纹扩展速率的预测研究中，全部裂纹的依次预测是盲目耗时的，那么，有针对性的对存在潜在危险阶段的裂纹扩展进行实时预测显得很有必要。
发明内容
本发明目的是为了克服传统裂纹扩展预测存在的不足，提供了一种随机多裂纹随机扩展的预测与控制方法及系统，充分考虑了实际工程中存在的随机不确定性，不受历史数据样本大小局限，能够更加高效地实现智能化裂纹管控。
本发明所采用的技术方案是：
本发明一种随机多裂纹随机扩展的预测与控制方法及系统，其特征在于，所述方法包括如下主要步骤：步骤1：将裂纹萌生以及其扩展过程视为随机过程，将不同位置以及方向的裂纹分布视为随机场；步骤2：建立笛卡尔坐标系下的整体结构中所有裂纹的6N维随机状态系统；步骤3：确定历史数据样本的分布类型以及分布参数，利用Paris公式建立随机过程模型；步骤4：利用MCMC算法确定模型未知参数并优化模型；步骤5：利用K-means聚类将所有裂纹划分为安全阶段、欠安全阶段、危险阶段三类，并用Silhouette函数绘制轮廓图判断K-means聚类是否合理；步骤6：利用贝叶斯更新方法对欠安全阶段裂纹进行预测；步骤7：泛函分析，确定最优控制解。
本发明的优点：同时考虑了裂纹分布及其扩展过程中存在的随机不确定性，更加符合工程实际；不受历史数据样本大小局限，能够实现以某条管线为单位结构的所有裂纹的实时预测与自动控制；结合结构可靠性评估，利用K-means聚类能够有针对性地、更加经济高效地对具有潜在危险的裂纹扩展进行预测；通过泛函分析，确定最优控制解，能够保证控制系统具有稳定性与鲁棒性。
附图说明
图1是本发明一种随机多裂纹随机扩展的预测与控制方法流程图。
图2是图1对应的随机多裂纹随机扩展的预测与控制系统示意图。
具体实施方式
下面结合附图对本发明做进一步说明。
如图1所示，本发明一种随机多裂纹随机扩展的预测与控制方法，详细步骤：步骤S1：将裂纹萌生以及其扩展过程视为随机过程，将不同位置以及方向的裂纹分布视为随机场；步骤S2：建立笛卡尔坐标系，将结构中存在的所有裂纹分解到(x,y,z)方向上，同时考虑时空效应，形成6N维随机状态系统；步骤S3：确定所有接收到的历史数据样本的分布类型以及分布参数，所述历史数据样本包括：裂纹位置上的应力分布、裂纹深度及形状系数，利用Paris公式对历史数据进行初步拟合，建立随机过程模型；步骤S4：利用马尔科夫链蒙特卡洛算法确定模型未知参数并优化模型；步骤S5：结构可靠性评估，利用K-means聚类将所有裂纹划分为安全阶段、欠安全阶段、危险阶段三类，并用Silhouette函数绘制轮廓图判断K-means聚类是否合理；步骤S6：对不同类别的裂纹采取不同的措施：对于处在安全阶段的裂纹不用采取措施，对欠安全阶段的裂纹进行实时监测并利用贝叶斯更新方法进行实时预测，对于处在危险阶段的裂纹需要进行及时修复处理；步骤S7：泛函分析，确定最优控制解。
图2中：(a)监测对象：含有多裂纹缺陷的运行管道；(b)无损监测模块；(c)数据分析与预测模块；(d)控制模块。(b)无损监测模块的作用在于不影响管道正常运行的前提下提供实时监测，获取历史样本数据，并将管道中的所有裂纹参数输入(c)数据分析与预测模块；(c)数据分析与预测模块的作用在于对历史样本数据进行处理，建模及其优化，聚类分析以及裂纹扩展预测，并将分析结果传输给(d)控制模块；(d)控制模块作用在于针对输出结果提供决策，并实现系统自动控制，确保系统稳定性。

Claims (3)

1.一种随机多裂纹随机扩展的预测与控制方法，其特征在于，所述方法包括如下步骤：步骤S1：将裂纹萌生以及其扩展过程视为随机过程，将不同位置以及方向的裂纹分布视为随机场；步骤S2：建立笛卡尔坐标系，将结构中存在的所有裂纹分解到(x,y,z)方向上，同时考虑时空效应，形成6N维随机状态系统；步骤S3：确定所有接收到的历史数据样本的分布类型以及分布参数，所述历史数据样本包括：裂纹位置上的应力分布、裂纹深度及形状系数，利用Paris公式对历史数据进行初步拟合，建立随机过程模型；步骤S4：利用马尔科夫链蒙特卡洛算法确定模型未知参数并优化模型；步骤S5：结构可靠性评估，利用K-means聚类将所有裂纹划分为安全阶段、欠安全阶段、危险阶段三类，并用Silhouette函数绘制轮廓图判断K-means聚类是否合理；步骤S6：对不同类别的裂纹采取不同的措施：对于处在安全阶段的裂纹不用采取措施，对欠安全阶段的裂纹进行实时监测并利用贝叶斯更新方法进行实时预测，对于处在危险阶段的裂纹需要进行及时修复处理；步骤S7：泛函分析，确定最优控制解。
2.根据权利要求1所述的一种随机多裂纹随机扩展的预测与控制方法的 系统，其特征在于，所述系统包括如下模块：(a)监测对象：含有多裂纹缺陷的运行管道；(b)无损监测模块；(c)数据分析与预测模块；(d)控制模块。
3.根据权利要求1所述的一种随机多裂纹随机扩展的预测与控制方法的 系统，其特征在于，所述系统所包含的主要模块作用如下：(b)无损监测模块的作用在于不影响管道正常运行的前提下提供实时监测，获取历史样本数据，并将管道中的所有裂纹参数输入(c)数据分析与预测模块；(c)数据分析与预测模块的作用在于对历史样本数据进行处理，建模及其优化，聚类分析以及裂纹扩展预测，并将分析结果传输给(d)控制模块；(d)控制模块作用在于针对输出结果提供决策，并实现系统自动控制，确保系统稳定性。
CN202110386444.3A 2021-04-12 2021-04-12 一种随机多裂纹随机扩展的预测与控制方法及系统 Active CN113112024B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110386444.3A CN113112024B (zh) 2021-04-12 2021-04-12 一种随机多裂纹随机扩展的预测与控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110386444.3A CN113112024B (zh) 2021-04-12 2021-04-12 一种随机多裂纹随机扩展的预测与控制方法及系统

Publications (2)

Publication Number Publication Date
CN113112024A CN113112024A (zh) 2021-07-13
CN113112024B true CN113112024B (zh) 2022-08-09

Family

ID=76715682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110386444.3A Active CN113112024B (zh) 2021-04-12 2021-04-12 一种随机多裂纹随机扩展的预测与控制方法及系统

Country Status (1)

Country Link
CN (1) CN113112024B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116186834B (zh) * 2022-12-15 2024-06-14 哈尔滨工业大学 一种基于层级动态贝叶斯网络的大型钢桥面板疲劳裂纹时空扩展建模方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108334704A (zh) * 2018-02-09 2018-07-27 南京航空航天大学 基于自适应密度峰值-混合概率建模的结构损伤监测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130268214A1 (en) * 2012-04-04 2013-10-10 Siemens Aktiengesellschaft Probabilistic fatigue life prediction using ultrasonic inspection data considering eifs uncertainty
CN105572230B (zh) * 2016-02-22 2018-10-12 北京工业大学 一种用于裂纹类缺陷定量识别的极性加权矢量全聚焦成像方法
CN107657110A (zh) * 2017-09-25 2018-02-02 沈阳工业大学 大型风力机叶片的疲劳损伤评价方法
CN109241609B (zh) * 2018-08-31 2022-11-29 华东交通大学 一种基于马尔可夫链蒙特卡洛的Bayesian动态预测方法
CN112461898A (zh) * 2020-10-23 2021-03-09 上海大学 一种带自供电源的吊车梁结构安全监测装置
CN112254862A (zh) * 2020-10-26 2021-01-22 苏州大学 基于裂纹传感的压电式多维传感器

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108334704A (zh) * 2018-02-09 2018-07-27 南京航空航天大学 基于自适应密度峰值-混合概率建模的结构损伤监测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Piecewise deterministic Markov processes applied to fatigue crack growth modelling;JulienChiquet等;《Journal of Statistical Planning and Inference》;20090501;第139卷(第5期);1657-1667 *

Also Published As

Publication number Publication date
CN113112024A (zh) 2021-07-13

Similar Documents

Publication Publication Date Title
CN109086804B (zh) 一种基于多源状态监测信息和可靠性特征融合的液压设备早期故障预测方法
CN109442221B (zh) 一种基于压力扰动提取的供水管网爆管侦测方法
CN105225979A (zh) 一种半导体器件制程预测系统和方法
CN109308556A (zh) 一种基于内检测数据的管道评价方法及装置
CN106372299B (zh) 一种基于逆高斯过程和em-pf的管道剩余寿命预测方法
CN111581597A (zh) 基于自组织核回归模型的风电机组齿轮箱轴承温度状态监测方法
CN113112024B (zh) 一种随机多裂纹随机扩展的预测与控制方法及系统
CN104633455A (zh) 智慧安全城市管网实时监测系统及方法
CN101994908A (zh) 高温管线系统实现可靠性维修规划的方法
CN114281047A (zh) 一种流程工业生产过程监控管理方法及系统
CN107247198A (zh) 一种配电设备故障预测方法及装置
WO2019203696A1 (ru) Способ и система оценки технического состояния узлов газовой турбины
CN109507992A (zh) 一种机车制动系统部件的故障预测方法、装置及设备
CN102436252B (zh) 一种基于免疫危险理论的流程工业的故障诊断方法和系统
CN113605866B (zh) 一种矿井瓦斯抽采动态调控系统及方法
CN108710946B (zh) 深水立管系统风险维修决策优化的人因可靠性平衡法
CN117570381A (zh) 基于在线预测和数据融合的管网泄漏预警方法
CN116882695A (zh) 自动巡检方法、装置、计算机设备及存储介质
CN116955955A (zh) 一种管道缺陷模型预测方法、系统、终端设备及存储介质
CN109948886B (zh) 一种供水管网关键阀门辨识方法
CN110907135A (zh) 一种制程设备的控制方法及装置
CN116164241A (zh) 一种瓦斯抽采管网泄漏故障智能检测方法
CN114282423B (zh) 一种岸桥结构的疲劳监测方法和寿命预测方法
KR102417769B1 (ko) 적대적 신경망 기반의 파우더 축적으로 인한 유해가스 배출장치 평균고장 시간간격 예측제어 시스템
Wu et al. Remaining useful life prediction method for multi-component system considering maintenance: subsea christmas tree system as a case study

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