CN114046456A - 融合模糊推理和神经网络的腐蚀评估方法及系统 - Google Patents
融合模糊推理和神经网络的腐蚀评估方法及系统 Download PDFInfo
- Publication number
- CN114046456A CN114046456A CN202111393489.XA CN202111393489A CN114046456A CN 114046456 A CN114046456 A CN 114046456A CN 202111393489 A CN202111393489 A CN 202111393489A CN 114046456 A CN114046456 A CN 114046456A
- Authority
- CN
- China
- Prior art keywords
- corrosion
- speed
- neural network
- regression
- theoretical
- 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
- 238000005260 corrosion Methods 0.000 title claims abstract description 187
- 230000007797 corrosion Effects 0.000 title claims abstract description 186
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 35
- 238000001914 filtration Methods 0.000 claims abstract description 28
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000012417 linear regression Methods 0.000 claims abstract description 8
- 238000005530 etching Methods 0.000 claims description 12
- 230000003628 erosive effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 8
- 230000001373 regressive effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- F17D5/02—Preventing, monitoring, or locating loss
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
Abstract
本发明公开了一种融合模糊推理和神经网络的腐蚀评估方法及系统,首先获取理论腐蚀速度;按照间隔时间获取腐蚀数据并计算腐蚀深度;对腐蚀深度进行线性回归处理得到回归腐蚀速度;将回归腐蚀速度和理论腐蚀速度分别通过模糊推理和神经网络模型处理更新下一时刻的腐蚀速度;通过卡尔曼滤波模型得到腐蚀评估状态。本发明提供的融合模糊推理和神经网络的腐蚀评估方法,融合模糊推理和神经网络,在卡尔曼滤波的基础上实际腐蚀状态评估,将物理模型与数学处理相结合,经处理后腐蚀监测状态变化平滑,噪声明显减少,无明显失真和滞后,可以反映腐蚀实际变化情况,并且便于实时监测,补偿理论与实际的不同,较好地反映腐蚀状态的真实变化趋势。
Description
技术领域
本发明涉及管道监测技术领域,特别是一种融合模糊推理和神经网络的腐蚀评估方法及系统。
背景技术
管道输送过程中腐蚀性液体会不断腐蚀管道内壁,一旦腐蚀量过大甚至会引起管道泄漏,所以需要对管道腐蚀状态进行实时监测与评估。由于环境变化与传感器本身的测量数据不稳定,实时管道腐蚀监测结果往往具有较大的噪声。对腐蚀状态进行检测评估时,通常使用滤波的方法实时处理检测结果。又因为工况不同、气候差异等原因,腐蚀速度等会随环境的变化而变化,导致卡尔曼滤波的理论公式与实际相差甚远,预测结果准确率低。
发明内容
有鉴于此,本发明的目的在于提供一种融合模糊推理和神经网络的腐蚀评估方法及系统,该方法能较好地反映腐蚀监测系统实际变化情况。
为达到上述目的,本发明提供如下技术方案:
本发明提供的融合模糊推理和神经网络的腐蚀评估方法,包括以下步骤:
设置间隔时间,构建卡尔曼滤波模型、模糊推理和神经网络模型;
基于腐蚀过程物理模型即幂模型获取理论腐蚀速度;
按照间隔时间获取腐蚀数据并计算腐蚀深度;
对腐蚀深度进行线性回归处理得到回归腐蚀速度;
将回归腐蚀速度和理论腐蚀速度分别通过模糊推理和神经网络模型处理更新下一时刻的腐蚀速度;
根据预测的腐蚀速度与回归方差预测腐蚀状态;
通过卡尔曼滤波模型得到腐蚀评估状态。
进一步,所述模糊推理的具体过程如下:
首先,对回归腐蚀速度、理论腐蚀速度的误差和误差变化率进行模糊化处理,获得模糊输入量;
其次,建立模糊控制规则结合Mamdani推理对模糊输入量进行推理,获得模糊输出量;
最后,基于最大隶属度法,推算实际腐蚀速度;
当回归腐蚀速度与理论腐蚀速度相差超过预设阈值时,更信任回归腐蚀速度。
当回归腐蚀速度与理论腐蚀速度相差为超过预设阈值时,对两者信任程度相近;
当回归腐蚀速度小于0时,更信任理论腐蚀速度;
当这一次回归速度大于上一次回归速度时,证明回归速度更可信。
进一步,所述神经网络模型为BP神经网络,所述BP神经网络对下一时刻的腐蚀速率进行预测。
进一步,所述神经网络模型对下一时刻的腐蚀速率的预测结果与模糊推测结果进行加权计算得到更新后速度。
进一步,所述腐蚀深度按照以下公式计算:
dt=dt-1+v*dt;
其中,dt表示本时刻腐蚀深度;dt-1表示上一时刻腐蚀深度;dt表示腐蚀时间;v表示腐蚀速度。
进一步,所述回归腐蚀速度是按照以下公式计算:
进一步,所述神经网络模型的输入数据为腐蚀速度、腐蚀深度、理论腐蚀速度,输出数据为腐蚀速度。
本发明提供的融合模糊推理和神经网络的腐蚀评估系统,包括存储器和处理器,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现权利要求1-7中任一项的所述的方法.
本发明提供的存储介质,其上存储有计算机程序,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-7中任一项的所述的方法。
本发明的有益效果在于:
本发明提供的融合模糊推理和神经网络的腐蚀评估方法,融合模糊推理和神经网络,在卡尔曼滤波的基础上实际腐蚀状态评估,将物理模型与数学处理相结合,经处理后腐蚀监测状态变化平滑,噪声明显减少,无明显失真和滞后,可以反映腐蚀实际变化情况,最后得到管道腐蚀状态评估。该方法可以较好地处理真实变化情况,减小对理论公式的依赖,处理结果能较好地反映腐蚀监测系统实际变化情况,并且便于实时监测,补偿理论与实际的不同,较好地反映腐蚀状态的真实变化趋势,对系统变化趋势有一定的预测作用。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
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为融合模糊推理和神经网络的腐蚀评估方法流程图。
图2为E隶属度分布图。
图3为EC隶属度分布图。
图4为腐蚀原始数据示意图。
图5为滤波处理后数据示意图。
图6为BP神经网络图。
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。
实施例1
如图所示,本实施例提供的融合模糊推理和神经网络的腐蚀评估方法,采用卡尔曼滤波的方法将监测结果与理论结果相结合,提高监测结果精度;由于腐蚀速度随环境变化而变化,所以每隔一段时间对卡尔曼滤波的理论腐蚀速度进行更新,更新方法为每隔一段时间对前几次的腐蚀情况做线性回归,而又因为线性回归结果可能具有滞后性和不合理性,于是由神经网络训练出模型,对下一时刻的腐蚀速率进行预测,并与模糊推测结果加权得到更新后速度代入卡尔曼滤波,得到腐蚀评估状态,具体过程如下:
根据理论公式得到,管道腐蚀深度dt=dt-1+v*dt;
其中,dt表示本时刻腐蚀速度;dt-1表示上一时刻腐蚀速度;dt表示腐蚀时间;v表示腐蚀速度;
理论腐蚀速度V可以通过以往监测数据得到;
腐蚀物理模型采用幂模型,d(t)=k(T-T0)a;
其中,d(t)-腐蚀深度;T0-发生腐蚀时间;T-腐蚀时间;k/a-待定系数,待定系数由以往监测参数代入可得。
对其求导即得到理论腐蚀速度。
实际应用中将其应用到卡尔曼滤波的预测公式中,可以发现腐蚀速度随环境变化而变化,如管道流量大,腐蚀快,流量小,腐蚀慢;外界温度高,则腐蚀快,温度低,则腐蚀慢;管道内液气体不同也会导致腐蚀速度变化,所以实际往往不等于理论估计值,甚至远大于或小于理论值,导致经典卡尔曼滤波方法无法充分利用预测结果,从而评估效果不理想,且算法不具备通用性。
针对上述情况提出融合模糊推理和神经网络对腐蚀速度进行更新,并将其应用到卡尔曼滤波的理论公式,得到更准确的预测值,达到更好的评估效果,具体过程如下:
首先,每十分钟测一次腐蚀深度,测得n组数据后,将这n次的腐蚀情况通过最小二乘法进行线性回归,得到腐蚀速度这就初步作为后n次卡尔曼滤波使用的腐蚀速度;其中,n表示间隔时间内总监测次数;i表示第i次监测;xi表示观测腐蚀深度;表示平均腐蚀深度;yi表示归一化时间参数;表示平均时间。
然后,由于传感器检测数据本身存在波动,可能存在不合理情况,如回归结果腐蚀速度为负数,针对这样的不合理性,采用模糊推理的方式进行补偿,模糊推理方法考虑回归结果是否过大过小,或与实际物理过程不合,制定对应的模糊规则,结合理论腐蚀速度,得到最符合实际的腐蚀速度值。
模糊规则大致如下:当回归腐蚀速度与理论腐蚀速度相差较大(即超过预设阈值时)时,更信任回归腐蚀速度;当回归腐蚀速度与理论腐蚀速度相差(即未超过预设阈值时)不大时,对两者信任程度相近。当回归腐蚀速度小于零时,更信任理论腐蚀速度;当这一次测试速度大于上一次测试速度时,证明测试速度更可信。
根据多次实验结果,将回归腐蚀速度与理论腐蚀速度的差值E分为5个语言变量NB(-∞,-0.75v),NS(-1.25v,-0.25v),Z(-0.75v,0.75v),PS(0.25v,1.25v),PB(0.75v,∞),E的导数EC分为2个语言变量N(-∞,0)P(0,∞)。采用三角形和梯形分布的隶属度函数。
通过这样的规则,充分考虑了理论腐蚀速度和实际速度关系,得到既符合物理过程,又符合实际情况的理论腐蚀速度。
其次,又因为是将前n次腐蚀数据进行线性回归并代入后n次的滤波运算,所以得到的腐蚀速度具有滞后性,虽然由于腐蚀是一个缓慢变化的过程,这样的滞后不会又太大的影响,但长远来看,可能导致设备故障无法及时发送,于是可以利用BP神经网络对后n次滤波结果进行预测,并融合进卡尔曼滤波的理论公式,以减小结果的滞后性。
本实施例提供的卡尔曼滤波的计算过程如下所述:
γ表示传感误差;Kt表示状态更新矩阵;
Pt表示更新协方差;Qn、R表示预测误差与观测误差的超参量;I表示单位矩阵;
本实施例中,输入层3个神经元,隐含层有2层,每层16个神经元,输出层1个神经元。使用前40次测试结果,输入数据为上8次腐蚀速度、腐蚀深度、理论腐蚀速度,输出数据为后8次腐蚀速度。由此经过训练得到关系模型。后8次腐蚀速度作为中间结果也可对管道腐蚀状态进行一定程度的预测。
最后,将模糊推断处理的结果与BP神经网络的结果结合,同时补偿其不合理性和滞后性,得到更符合实际的腐蚀速度值。将融合的腐蚀速度值用于卡尔曼滤波中,最终可以得到考虑环境变化的结果,实现对管道的腐蚀状态评估。
本方法还可以运用到更多连续非线性缓慢变化的状态评估场景。
实施例2
本实施例具体说明基于融合模糊推理和神经网络对腐蚀进行评估的具体过程。
设置间隔时间,构建卡尔曼滤波模型、模糊推理规则和神经网络模型;
按照间隔时间获取腐蚀数据并计算腐蚀深度;
判断是否接收时间信号,如果否,则进入卡尔曼滤波计算理论腐蚀速度;
本实施例的时间信号按照以下方式生成:处理器每10分钟采集一次数据,每接收8次数据,产生一次时间信号。
如果是,则对腐蚀数据进行线性回归处理并结合理论腐蚀速度分别通过模糊推理和神经网络模型处理更新下一时刻的腐蚀速度;
通过卡尔曼滤波模型得到腐蚀评估状态。
本实施例通过神经网络训练出模型,对下一时刻的腐蚀速率进行预测,并与模糊推测结果加权得到更新后速度代入卡尔曼滤波。
其中,模糊推断的具体过程如下:
首先,对监测系统回归与理论误差和误差变化率进行模糊化处理,获得模糊输入量;
其次建立模糊控制规则结合Mamdani推理对模糊输入量进行推理,获得模糊输出量;
最后基于最大隶属度法,推算实际腐蚀速度。
当回归腐蚀速度与理论腐蚀速度相差较大时,更信任回归腐蚀速度。
当回归腐蚀速度与理论腐蚀速度相差不大时,对两者信任程度相近。
当回归腐蚀速度小于0时,更信任理论腐蚀速度。
当这一次回归速度大于上一次回归速度时,证明回归速度更可信。
E=回归速度-理论腐蚀速度;EC=E的导数;
图2为E隶属度分布图,回归腐蚀速度与理论腐蚀速度的差值E,分为5个语言变量负大NB(-∞,-0.75v),负小NS(-1.25v,-0.25v),Z(-0.75v,0.75),正小PS(0.25v,1.25v),正大PB(0.75v,∞)。
图3为EC隶属度分布图,E的导数EC分为2个语言变量N(-∞,0),P(0,∞)。
模糊规则表:
表中,VC表示对回归速度的信任度;E表示回归腐蚀速度与理论腐蚀速度的差值;EC表示E的导数;P表示正;N表示负;NB、NM、NS、PS、Z、PS、PB、PM对应不同的规则;
如图6所示,图6为BP神经网络图,深度神经网络如下:
输入参数:前8次回归腐蚀速度,理论腐蚀速度,腐蚀深度;
输出参数:后8次回归腐蚀速度;
训练集:测试数据前40%;
测试集:测试数据后60%;
隐藏层:16x2个神经元结点;
滤波效果:经结合模糊推理和神经网络的卡尔曼滤波处理后腐蚀状态变化平滑,未产生明显失真和滞后,可以实现实时腐蚀状态监控。如图4和图5所示,图4为腐蚀原始数据,图5为滤波处理后数据。
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.融合模糊推理和神经网络的腐蚀评估方法,其特征在于:包括以下步骤:
设置间隔时间,构建卡尔曼滤波模型、模糊推理和神经网络模型;
基于腐蚀过程物理模型即幂模型获取理论腐蚀速度;
按照间隔时间获取腐蚀数据并计算腐蚀深度;
对腐蚀深度进行线性回归处理得到回归腐蚀速度;
将回归腐蚀速度和理论腐蚀速度分别通过模糊推理和神经网络模型处理更新下一时刻的腐蚀速度;
根据预测的腐蚀速度与回归方差预测腐蚀状态;
通过卡尔曼滤波模型得到腐蚀评估状态。
2.如权利要求1所述的融合模糊推理和神经网络的腐蚀评估方法,其特征在于:所述模糊推理的具体过程如下:
首先,对回归腐蚀速度、理论腐蚀速度的误差和误差变化率进行模糊化处理,获得模糊输入量;
其次,建立模糊控制规则结合Mamdani推理对模糊输入量进行推理,获得模糊输出量;
最后,基于最大隶属度法,推算实际腐蚀速度;
当回归腐蚀速度与理论腐蚀速度相差超过预设阈值时,更信任回归腐蚀速度;
当回归腐蚀速度与理论腐蚀速度相差为超过预设阈值时,对两者信任程度相近;
当回归腐蚀速度小于0时,更信任理论腐蚀速度;
当这一次回归速度大于上一次回归速度时,证明回归速度更可信。
3.如权利要求1所述的融合模糊推理和神经网络的腐蚀评估方法,其特征在于:所述神经网络模型为BP神经网络,所述BP神经网络对下一时刻的腐蚀速率进行预测。
4.如权利要求1所述的融合模糊推理和神经网络的腐蚀评估方法,其特征在于:所述神经网络模型对下一时刻的腐蚀速率的预测结果与模糊推测结果进行加权计算得到更新后速度。
5.如权利要求1所述的融合模糊推理和神经网络的腐蚀评估方法,其特征在于:所述腐蚀深度按照以下公式计算:
dt=dt-1+v*dt;
其中,dt表示本时刻腐蚀深度;dt-1表示上一时刻腐蚀深度;dt表示腐蚀时间;v表示腐蚀速度。
7.如权利要求1所述的融合模糊推理和神经网络的腐蚀评估方法,其特征在于:所述神经网络模型的输入数据为腐蚀速度、腐蚀深度、理论腐蚀速度,输出数据为腐蚀速度。
8.融合模糊推理和神经网络的腐蚀评估系统,包括存储器和处理器,其特征在于,所述存储器中存储有可执行代码,所述处理器执行所述可执行代码时,实现权利要求1-7中任一项的所述的方法。
9.存储介质,其上存储有计算机程序,其特征在于,当所述计算机程序在计算机中执行时,令计算机执行权利要求1-7中任一项的所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111393489.XA CN114046456B (zh) | 2021-11-23 | 2021-11-23 | 融合模糊推理和神经网络的腐蚀评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111393489.XA CN114046456B (zh) | 2021-11-23 | 2021-11-23 | 融合模糊推理和神经网络的腐蚀评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114046456A true CN114046456A (zh) | 2022-02-15 |
CN114046456B CN114046456B (zh) | 2024-02-02 |
Family
ID=80210552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111393489.XA Active CN114046456B (zh) | 2021-11-23 | 2021-11-23 | 融合模糊推理和神经网络的腐蚀评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114046456B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024069216A1 (en) * | 2022-09-30 | 2024-04-04 | Matrix Jvco Ltd Trading As Aiq | Method for pipeline corrosion prediction and maintenance |
WO2024069217A1 (en) * | 2022-09-30 | 2024-04-04 | Matrix Jvco Ltd Trading As Aiq | Method for determining instruction for a corrosion monitoring location |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1369902A (zh) * | 2001-02-07 | 2002-09-18 | Eni技术公司 | 自适应等离子体表征系统 |
US20120317058A1 (en) * | 2011-06-13 | 2012-12-13 | Abhulimen Kingsley E | Design of computer based risk and safety management system of complex production and multifunctional process facilities-application to fpso's |
CN103530688A (zh) * | 2013-10-10 | 2014-01-22 | 东北大学 | 一种磨削加工工艺检测系统及方法 |
CN105760952A (zh) * | 2016-02-15 | 2016-07-13 | 国网山东省电力公司电力科学研究院 | 一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法 |
CN106875613A (zh) * | 2016-12-23 | 2017-06-20 | 北京富邦智慧物联科技有限公司 | 一种火警态势分析方法 |
CN107067078A (zh) * | 2017-05-31 | 2017-08-18 | 江西制造职业技术学院 | 一种金属腐蚀试验试样和试件自动评级设备及其评级方法 |
US20180365555A1 (en) * | 2016-12-22 | 2018-12-20 | Naveed Aslam | Artificial intelligence based algorithm for predicting pipeline leak and corrosion detection |
CN109102066A (zh) * | 2018-07-12 | 2018-12-28 | 山东师范大学 | 基于模糊推理的在线时序数据预测方法、系统及存储介质 |
WO2021133265A1 (en) * | 2019-12-27 | 2021-07-01 | Ptt Exploration And Production Public Company Limited | A method and system for predicting pipeline corrosion |
CN113094934A (zh) * | 2021-05-10 | 2021-07-09 | 重庆大学 | 一种物理模型与数据融合驱动的管道腐蚀深度预测方法 |
CN113468757A (zh) * | 2021-07-16 | 2021-10-01 | 西南石油大学 | 一种基于模糊随机理论评估腐蚀天然气管道可靠性的方法 |
-
2021
- 2021-11-23 CN CN202111393489.XA patent/CN114046456B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1369902A (zh) * | 2001-02-07 | 2002-09-18 | Eni技术公司 | 自适应等离子体表征系统 |
US20120317058A1 (en) * | 2011-06-13 | 2012-12-13 | Abhulimen Kingsley E | Design of computer based risk and safety management system of complex production and multifunctional process facilities-application to fpso's |
CN103530688A (zh) * | 2013-10-10 | 2014-01-22 | 东北大学 | 一种磨削加工工艺检测系统及方法 |
CN105760952A (zh) * | 2016-02-15 | 2016-07-13 | 国网山东省电力公司电力科学研究院 | 一种基于卡尔曼滤波与自适应模糊神经网络的负荷预测方法 |
US20180365555A1 (en) * | 2016-12-22 | 2018-12-20 | Naveed Aslam | Artificial intelligence based algorithm for predicting pipeline leak and corrosion detection |
CN106875613A (zh) * | 2016-12-23 | 2017-06-20 | 北京富邦智慧物联科技有限公司 | 一种火警态势分析方法 |
CN107067078A (zh) * | 2017-05-31 | 2017-08-18 | 江西制造职业技术学院 | 一种金属腐蚀试验试样和试件自动评级设备及其评级方法 |
CN109102066A (zh) * | 2018-07-12 | 2018-12-28 | 山东师范大学 | 基于模糊推理的在线时序数据预测方法、系统及存储介质 |
WO2021133265A1 (en) * | 2019-12-27 | 2021-07-01 | Ptt Exploration And Production Public Company Limited | A method and system for predicting pipeline corrosion |
CN113094934A (zh) * | 2021-05-10 | 2021-07-09 | 重庆大学 | 一种物理模型与数据融合驱动的管道腐蚀深度预测方法 |
CN113468757A (zh) * | 2021-07-16 | 2021-10-01 | 西南石油大学 | 一种基于模糊随机理论评估腐蚀天然气管道可靠性的方法 |
Non-Patent Citations (5)
Title |
---|
李余斌;黄坤;张琳;苏欣;曾鹏升;: "基于神经网络的管道沿线土壤腐蚀态势评价", 油气储运, no. 08 * |
李秀娟;梅甫定;: "灰色神经网络模型在油气管道腐蚀速度预测中的应用", 安全与环境工程, no. 04 * |
王琬;张俊文;林铭;张跃飞;金小鹏;王荣平;: "基于BP人工神经网络理论对埋地燃气管线腐蚀剩余寿命研究", 现代机械, no. 03 * |
董超;胡艳珍;李晨光;: "基于改进的T-S模糊神经网络循环冷却水腐蚀预测", 化工自动化及仪表, no. 01 * |
邓志安;李姝仪;李晓坤;王珊;王晓军;: "基于模糊神经网络的海洋管线腐蚀速率预测新方法", 中国腐蚀与防护学报, no. 06 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024069216A1 (en) * | 2022-09-30 | 2024-04-04 | Matrix Jvco Ltd Trading As Aiq | Method for pipeline corrosion prediction and maintenance |
WO2024069217A1 (en) * | 2022-09-30 | 2024-04-04 | Matrix Jvco Ltd Trading As Aiq | Method for determining instruction for a corrosion monitoring location |
Also Published As
Publication number | Publication date |
---|---|
CN114046456B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Warne et al. | Statistical and computational intelligence techniques for inferential model development: a comparative evaluation and a novel proposition for fusion | |
CN114046456B (zh) | 融合模糊推理和神经网络的腐蚀评估方法及系统 | |
CN112926273A (zh) | 一种多元退化设备剩余寿命预测方法 | |
EP3025202B1 (en) | Dynamic monitoring, diagnosis, and control of cooling tower systems | |
CN111823273B (zh) | 一种工业机器人在线轨迹预测的运行监测系统及其监测方法 | |
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 | |
Sharma et al. | Modeling system behavior for risk and reliability analysis using KBARM | |
CN115114822A (zh) | 基于数字孪生的水下节流阀剩余使用寿命估计方法及系统 | |
CN116738868A (zh) | 一种滚动轴承剩余寿命预测方法 | |
CN114091268A (zh) | 一种基于节点重要度与层次分析法的无人机健康状况评估方法 | |
CN114239796A (zh) | 一种基于扩展卡尔曼滤波的电力系统状态估计方法 | |
Zhicai et al. | Research on combination of data-driven and probability-based prognostics techniques for equipments | |
Robinson et al. | Model-based prognosis using an explicit degradation model and Inverse FORM for uncertainty propagation | |
US8271421B1 (en) | Nonparametric fuzzy inference system and method | |
Angelov et al. | Evolving inferential sensors in the chemical process industry | |
JPH06110504A (ja) | プロセスの特性推定方法およびその装置ならびにその推定方法を用いたプロセスの監視方法およびプロセスの制御方法 | |
Mali et al. | Deep learning based automatic maintenance of soft sensors used in wastewater treatment plants | |
Polycarpou et al. | Learning approach to fault tolerant control: An overview | |
CN112668794A (zh) | 一种不确定寿命预测信息下航空发动机的维修优化方法 | |
Goebel et al. | Prognostics | |
Wiering et al. | Speeding up Q (λ)-learning | |
Banerjee et al. | Particle Filter Based Prognostic Approach for Automotive Motor | |
Kościelny et al. | Fault detection based on fuzzy neural networks-application to sugar factory evaporator | |
Furch et al. | Trends in Predictive and Proactive Maintenance of Motor Vehicles. | |
CN117574780B (zh) | 一种智能火电厂负荷在线建模方法及系统 |
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 |