CN114065624A - 一种炼化装置管网完整性管理水平智能评估方法 - Google Patents
一种炼化装置管网完整性管理水平智能评估方法 Download PDFInfo
- Publication number
- CN114065624A CN114065624A CN202111348627.2A CN202111348627A CN114065624A CN 114065624 A CN114065624 A CN 114065624A CN 202111348627 A CN202111348627 A CN 202111348627A CN 114065624 A CN114065624 A CN 114065624A
- Authority
- CN
- China
- Prior art keywords
- pipe network
- layer
- integrity management
- evaluation
- integrity
- 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.)
- Withdrawn
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/14—Pipes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种炼化装置管网完整性管理水平智能评估方法;包括如下步骤:步骤1炼化装置管网完整性管理体系的构造,步骤2炼化装置管网完整性管理评估指标体系的确定,步骤3智能算法的设计;利用以上构造的智能算法优化的模糊超小波神经网络能够确定炼化装置管网完整性管理水平,具有较高的评估精度和评估效率。该模型能够提高炼化装置管网完整性管理水平评估的智能性,能够精准地获得炼化装置管网完整性管理水平的实际情况,从而为完善炼化装置管网完整性管理体系提供有利的理论支持。
Description
技术领域
本发明涉及一种管网完整性管理水平评估方法,尤其涉及一种炼化装置管网完整性管理水平的智能算法优化的模糊超小波神经网络评估方法。
背景技术
管网的完整性管理已经得到了广泛关注,完善的完整性管理体系能够有效地减少事故发生率,提高管网的使用寿命,并且能够合理配置管网维护费用。我国管网完整性管理的研究已经有了长足的发展,构建的管网完整性管理体系得到了工业化的应用。炼化装置管网在国家经济发展过程中起到非常重要的作用,管网的安全管理模式的开发得到了普遍关注。而关于炼化装置管网的完整性管理系统还不多见,同时炼化装置管网完整性管理评估的研究并不多,因此,有必要构建一个智能化的炼化装置管网完整性管理的评估模型,从管网完整性数据、检测、风险控制、效能评估等方面进行全面的评估,为炼化装置管网完整性管理安全管控模式的构建提供有效的理论依据,从而能够提高炼化装置管网完整性管理的智能化水平,极大地提升炼化装置管网维修维护的有效性。
石化企业依据炼化装置管网运行的影响因素的变化规律,对炼化装置管网运行过程中的风险因素进行评估,并且制定出行之有效的风险控制措施,通过完善炼化装置管网运行中存在的风险影响因素,将炼化装置管网运营的风险水平控制在可接受的范围内。炼化装置管网完整性管理是保证管网安全可靠运行的重要手段,炼化装置管网完整性管理涉及许多影响因素,呈现较强的非线性特征,应该选择一种行之有效的评估方法对其进行准确的评估。目前,管网完整性管理评估的主要方法是神经网络,常用的是BP神经网络、深度神经网络,BP神经网络具有结构简单和自学习能力强的特点,但是也存在泛化能力差和易于陷入局部最小值的缺陷。深度神经网络是一种由多层隐含层组成的感知器,能够有效地映射复杂的非线性关系,但是深度神经网络隐含层神经元数量的增加将导致模型趋于复杂,从而导致计算量增加,计算效率不高,容易导致梯度消失和收敛效率低的缺陷。小波神经网络是一种前馈神经网络,具有较强的学习能力,但是也存在如下缺陷,多维变量输入将导致神经网络结构的庞大,收敛效率较低。神经网络的自由参数包括权值和超小波参数,网络的训练过程比较复杂,梯度下降算法是常用的网络学习算法,在训练过程中,网络收敛效率较低,为了能够满足预设的评估精度,需要更多的隐层神经单元以及更长的训练时间,梯度下降算法可调参数少,不易控制,容易产生数值振荡。
发明内容
本发明针对上述现有技术中存在的问题,提供一种炼油装置管网完整性管理水平智能评估方法。为了能提高神经网络的评估有效性,依据小波神经网络的基本原理,将超小波理论和神经网络融合起来构造超小波神经网络,由于超小波不仅具备小波网络的尺度和位置,而且具有方向性,因此,超小波神经网络在高维奇异性问题的处理上具有更大的优势,能够提高神经网络的评估性能。由于炼化装置管网完整性管理的影响因素存在一些模糊性,因此,可以将模糊理论与超小波神经网络结合起来构造模糊超小波神经网络,从而使网络模型具备模糊推理能力。在充分了解炼化装置管网完整性管理特点的基础上,构建完善的评估指标体系,并且利用模糊超小波神经网络对管网完整性管理水平进行评估,选择先进的人工智能算法训练模糊超小波神经网络权值和超小波参数,提高网络模型的性能,能够获得较小的误差和较快的收敛速度。
本发明的技术方案包括如下步骤:
步骤1:构建炼化装置管网完整性管理体系:将安全标准化规范和HSE管理体系融合起来,以HSE管理体系为框架,从数据收集、高后果区识别、风险评价、完整性评价、风险消减与维修维护等角度构建炼化装置管网完整性管理体系,所构建的完整性管理体系不仅能够响应监督部门的政策,而且能够遵循油气行业的常规管理模式,构建先进的管网管理模式。通过先进的技术,提高石化企业的技术水平,降低事故的发生率,促进经济发展。
构建炼化装置管网完整性管理体系的具体步骤如下:
步骤1-1:进行信息收集:信息收集处于管网完整性管理的初始阶段,并且贯穿于整个方案的始终,对评估检测信息实时更新。
步骤1-2:制定变更计划:变更计划贯穿于整个管网完整性管理的始终,在执行过程中发生变更时采用相应的应对措施。
步骤1-3:确定应急响应:应急响应主要处于风险减缓和维修过程,并且贯穿于整个管网完整性管理的始终。
步骤1-4:构建支持计划:支持计划贯穿于炼化装置管网完整性管理的全过程,为完整性管理提供技术和资源。
步骤2:构建炼化装置管网完整性管理评估的指标体系
深入地进行现场考察,通过问卷调查和专家访谈等方式,发现影响炼化装置管网完整性管理质量的主要因素,确定炼化装置管网完整性管理过程中数据采集与整合、高后果区识别、风险评价、完整性评价、决策与维护以及效能评价的主要决定因素,利用鱼骨分析法构造科学有效的管网完整性性管理的评价指标体系。
步骤3:构造模糊超小波神经网络模型
将超小波函数取代小波神经网络隐含层中的传递函数,构造出具有收敛效率高、评价精度高的模糊超小波神经网络,模糊超小波神经网络包括五层结构:
第二层:隶属度层:该层将超小波函数作为隶属度函数,表达式如下所示:
第三层:模糊规则层:该层的模糊规则如下:
FRj:当I1为D1,1j并且I2为D1,2j…Ik为D1,kj
式中,ωj表示第二层与第三层之间的权重。
第四层:归一化层,该层的作用是将第四层的输出进行归一化处理,相应的计算模型如下所示:
第五层:超小波函数层:选择超小波母函数,并且将母函数进行平移和伸缩变化作为激励函数,表达式如下所示:
式中,mji表示平移因子,σji表示伸缩因子,ψj(·)表示超小波母函数。
第五层的输出为:
hj=ω‘jψj (5)
式中,ω‘j表示第四层和第五层之间的权重。
第六层:输出层,该层的操作分两步完成,第一步是将第四层的输出乘以第五层的输出,第二步是将以上的输出求和,计算结果为:
步骤4:设计智能算法
通过设计智能算法对步骤3构造的模糊超小波神经网络的权重和模糊超小波函数的基本参数进行优化,提高模糊小波神经网络的收敛效率,避免陷入局部最小,提高全局搜索能力。
智能算法优化步骤如下所示:
步骤4-1:初始化种群规模,设定最大迭代次数,初始化算法的基本参数。
步骤4-2:求出适应度;
步骤4-3:更新种群中个体的位置;
步骤4-4:更新算法中的参数;
步骤4-5:判断是否满足算法终止条件,如果满足,算法结束;否则,执行步骤4-2。
本发明的优点效果如下:
通过本发明构造的智能算法优化的模糊超小波神经网络能够对炼化装置管网完整性管理水平进行有效的评估。利用设计的智能算法对模糊超小波神经网络进行参数优化,从而能够获得非线性逼近能力最佳、收敛速率最高以及训练效率最高的炼化装置管网完整性管理水平评估模型,提高炼化装置管网完整性管理水平评估的智能性,从而能够更加高效准确地掌握管网完整性管理的实际水平,为改进炼化装置管网完整性管理体系提供有力的理论依据,具有较好的经济价值和社会价值。
附图说明
图1为模糊超小波神经网络的结构图。
图2某石化公司聚丙烯装置管网完整性管理水平评估指标的鱼骨分析图
具体实施方式
实施例
本发明的技术方案包括如下步骤:
步骤1:构建炼化装置管网完整性管理体系:将安全标准化规范和HSE管理体系融合起来,以HSE管理体系为框架,从数据收集、高后果区识别、风险评价、完整性评价、风险消减与维修维护等角度构建炼化装置管网完整性管理体系,所构建的完整性管理体系不仅能够响应监督部门的政策,而且能够遵循油气行业的常规管理模式,构建先进的管网管理模式。通过先进的技术,提高石化企业的技术水平,降低事故的发生率,促进经济发展。
构建炼化装置管网完整性管理体系的具体步骤如下:
步骤1-1:进行信息收集:信息收集处于管网完整性管理的初始阶段,并且贯穿于整个方案的始终,对评估检测信息实时更新。
步骤1-2:制定变更计划:变更计划贯穿于整个管网完整性管理的始终,在执行过程中发生变更时采用相应的应对措施。
步骤1-3:确定应急响应:应急响应主要处于风险减缓和维修过程,并且贯穿于整个管网完整性管理的始终。
步骤1-4:构建支持计划:支持计划贯穿于炼化装置管网完整性管理的全过程,为完整性管理提供技术和资源。
步骤2:构建炼化装置管网完整性管理评估的指标体系
深入地进行现场考察,通过问卷调查和专家访谈等方式,发现影响炼化装置管网完整性管理质量的主要因素,确定炼化装置管网完整性管理过程中数据采集与整合、高后果区识别、风险评价、完整性评价、决策与维护以及效能评价的主要决定因素,利用鱼骨分析法构造科学有效的管网完整性性管理的评价指标体系。
步骤3:构造模糊超小波神经网络模型
将超小波函数取代小波神经网络隐含层中的传递函数,构造出具有收敛效率高、评价精度高的模糊超小波神经网络,模糊超小波神经网络包括五层结构:
第二层:隶属度层:该层将超小波函数作为隶属度函数,表达式如下所示:
第三层:模糊规则层:该层的模糊规则如下:
FRj:当I1为D1,1j并且I2为D1,2j…Ik为D1,kj
式中,ωj表示第二层与第三层之间的权重。
第四层:归一化层,该层的作用是将第四层的输出进行归一化处理,相应的计算模型如下所示:
第五层:超小波函数层:选择超小波母函数,并且将母函数进行平移和伸缩变化作为激励函数,表达式如下所示:
式中,mji表示平移因子,σji表示伸缩因子,ψj(·)表示超小波母函数。
第五层的输出为:
hj=ω‘jψj (5)
式中,ω‘j表示第四层和第五层之间的权重。
第六层:输出层,该层的操作分两步完成,第一步是将第四层的输出乘以第五层的输出,第二步是将以上的输出求和,计算结果为:
步骤4:设计智能算法
通过设计智能算法对步骤3构造的模糊超小波神经网络的权重和模糊超小波函数的基本参数进行优化,提高模糊小波神经网络的收敛效率,避免陷入局部最小,提高全局搜索能力。
智能算法优化步骤如下所示:
步骤4-1:初始化种群规模,设定最大迭代次数,初始化算法的基本参数,利用Tent映射初始化种群的位置,表达式如下:
Ii+1=(2Ii)mod 1 (7)
步骤4-2:求出适应度。
步骤4-3:更新种群中个体的位置。
步骤4-4:更新算法中的权值和相应的参数。
步骤4-5:判断是否满足算法终止条件,如果满足,算法结束;否则,执行步骤4-2。
具体实施例如下所示:
在实施例中,超小波采用轮廓波,智能算法选择狼群算法,构造狼群算法优化的模糊轮廓波神经网络对某石化公司聚丙烯装置管网完整性管理水平进行评估。以整月为一个评估周期,选取2018年1月至2021年6月该石化公司聚丙烯装置管网完整性管理的相关数据,共 30组数据,前24组数据作为训练样本,后6组数据作为测试样本。
通过现场调研,采取专家访问和问卷调查的方式发现了聚丙烯装置管网完整性管理水平的主要影响因素,并且利用鱼骨分析法确定了某石化公司聚丙烯装置管网完整性管理水平评估指标的鱼骨分析图,如图2所示。根据图2构建了某石化公司聚丙烯装置管网完整性管理水平评估指标体系,见表1。
表1某石化公司聚丙烯装置管网完整性管理水平评估指标体系
炼化装置管网完整性管理水平确定为五个等级,不同等级的分值见表2。
表2炼化装置管网完整性管理水平等级与分值关系表
等级 | 分值 |
优秀 | (0.85,1] |
良好 | (0.75,0.85] |
一般 | (0.60,0.75] |
差 | (0.50,0.60] |
较差 | [0,0.50] |
狼群算法参数设置:最大迭代次数取为1000,种群规模取为40。利用训练样本对模糊轮廓波小波神经网络进行训练,然后利用训练后的模型对测试样本进行评估,选取均方误差和运行时间作为评估指标,评估结果见表3。
表3测试样本评估结果
样本号 | 均方误差/10<sup>-3</sup> | 运行时间/ms |
1 | 1.43 | 34.65 |
2 | 1.54 | 35.14 |
3 | 1.37 | 33.26 |
4 | 1.52 | 36.38 |
5 | 1.38 | 35.41 |
6 | 1.46 | 33.78 |
从表3的结果可以看出,利用狼群算法优化的模糊轮廓波神经网络进行炼化装置管网完整性管理水平评估的均方误差处于1.37~1.54×10-3之间,运行时间处于33.26~36.38ms之间,具有较好的评估精度和评估效率。
Claims (3)
1.一种炼化装置管网完整性管理水平智能评估方法,其特征在于包括如下步骤:
步骤1:构建炼化装置管网完整性管理体系:将安全标准化规范和HSE管理体系融合起来,以HSE管理体系为框架,从数据收集、高后果区识别、风险评价、完整性评价、风险消减与维修维护等角度构建炼化装置管网完整性管理体系,所构建的完整性管理体系不仅能够响应监督部门的政策,而且能够遵循油气行业的常规管理模式,构建先进的管网管理模式。
步骤2:构建炼化装置管网完整性管理评估的指标体系
深入地进行现场考察,通过问卷调查和专家访谈等方式,发现影响炼化装置管网完整性管理质量的主要因素,确定炼化装置管网完整性管理过程中数据采集与整合、高后果区识别、风险评价、完整性评价、决策与维护以及效能评价的主要决定因素,利用鱼骨分析法构造科学有效的管网完整性性管理的评价指标体系。
步骤3:构造模糊超小波神经网络模型
将超小波函数取代小波神经网络隐含层中的传递函数,构造出具有收敛效率高、评价精度高的模糊超小波神经网络,模糊超小波神经网络包括五层结构:
第二层:隶属度层:该层将超小波函数作为隶属度函数,表达式如下所示:
第三层:模糊规则层:该层的模糊规则如下:
FRj:当I1为D1,1j并且I2为D1,2j…Ik为D1,kj
式中,ωj表示第二层与第三层之间的权重。
第四层:归一化层,该层的作用是将第四层的输出进行归一化处理,相应的计算模型如下所示:
第五层:超小波函数层:选择超小波母函数,并且将母函数进行平移和伸缩变化作为激励函数,表达式如下所示:
式中,mji表示平移因子,σji表示伸缩因子,ψj(·)表示超小波母函数。
第五层的输出为:
hj=ω‘jψj(5)
式中,ω‘j表示第四层和第五层之间的权重。
第六层:输出层,该层的操作分两步完成,第一步是将第四层的输出乘以第五层的输出,第二步是将以上的输出求和,计算结果为:
步骤4:设计智能算法
通过设计智能算法对步骤3构造的模糊超小波神经网络的权重和模糊超小波函数的基本参数进行优化,提高模糊小波神经网络的收敛效率,避免陷入局部最小,提高全局搜索能力。
2.根据权利要求1所述的一种炼化装置管网完整性管理水平智能评估方法,其特征在于构建炼化装置管网完整性管理体系的具体步骤如下:
步骤1-1:进行信息收集:信息收集处于管网完整性管理的初始阶段,并且贯穿于整个方案的始终,对评估检测信息实时更新。
步骤1-2:制定变更计划:变更计划贯穿于整个管网完整性管理的始终,在执行过程中发生变更时采用相应的应对措施。
步骤1-3:确定应急响应:应急响应主要处于风险减缓和维修过程,并且贯穿于整个管网完整性管理的始终。
步骤1-4:构建支持计划:支持计划贯穿于炼化装置管网完整性管理的全过程,为完整性管理提供技术和资源。
3.根据权利要求1所述的一种炼化装置管网完整性管理水平智能评估方法,其特征在于智能算法优化步骤如下所示:
步骤4-1:初始化种群规模,设定最大迭代次数,初始化算法的基本参数。
步骤4-2:求出适应度;
步骤4-3:更新种群中个体的位置;
步骤4-4:更新算法中的参数;
步骤4-5:判断是否满足算法终止条件,如果满足,算法结束;否则,执行步骤4-2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111348627.2A CN114065624A (zh) | 2021-11-15 | 2021-11-15 | 一种炼化装置管网完整性管理水平智能评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111348627.2A CN114065624A (zh) | 2021-11-15 | 2021-11-15 | 一种炼化装置管网完整性管理水平智能评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114065624A true CN114065624A (zh) | 2022-02-18 |
Family
ID=80272030
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111348627.2A Withdrawn CN114065624A (zh) | 2021-11-15 | 2021-11-15 | 一种炼化装置管网完整性管理水平智能评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114065624A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116258418A (zh) * | 2023-04-04 | 2023-06-13 | 西南石油大学 | 一种基于指标体系的油气站场完整性管理综合效能评价方法 |
-
2021
- 2021-11-15 CN CN202111348627.2A patent/CN114065624A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116258418A (zh) * | 2023-04-04 | 2023-06-13 | 西南石油大学 | 一种基于指标体系的油气站场完整性管理综合效能评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023142424A1 (zh) | 基于gru-lstm神经网络的电力金融业务风控方法及系统 | |
CN113807570B (zh) | 基于XGBoost的水库大坝风险等级评估方法及系统 | |
CN103226741B (zh) | 城市供水管网爆管预测方法 | |
CN114971301B (zh) | 一种基于自动调参优化模型的生态干扰风险识别评估方法 | |
CN112529341B (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
CN116777223B (zh) | 一种城市地下管网安全综合风险评估方法及系统 | |
CN106355540A (zh) | 一种基于gra‑bp神经网络的中小型水库大坝安全评价方法 | |
CN106022954A (zh) | 基于灰色关联度的多重bp神经网络负荷预测方法 | |
CN105046389A (zh) | 一种用于电力安全风险评估的智能风险评估方法及其系统 | |
CN114781538A (zh) | 一种ga-bp神经网络耦合决策树的空气质量预测方法和系统 | |
Ning et al. | GA-BP air quality evaluation method based on fuzzy theory. | |
Song et al. | Study on turbidity prediction method of reservoirs based on long short term memory neural network | |
CN103577676A (zh) | 污水处理工艺综合评价的灰色加权法 | |
CN112861436A (zh) | 一种发动机排放实时预测方法 | |
CN115115240A (zh) | 基于二维云模型的城市地铁盾构隧道施工风险评价方法 | |
CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 | |
CN117370766A (zh) | 一种基于深度学习的卫星任务规划方案评估方法 | |
CN114065624A (zh) | 一种炼化装置管网完整性管理水平智能评估方法 | |
CN115206444A (zh) | 基于fcm-anfis模型的最佳投药量预测方法 | |
CN114764682A (zh) | 一种基于多机器学习算法融合的大米安全风险评估方法 | |
CN117371616A (zh) | 优化广义回归神经网络的土体冻胀率预测方法 | |
CN109887290B (zh) | 基于平衡指数平滑法和栈式自编码器的交通流预测方法 | |
CN111353707A (zh) | 基于数据包络分析和bp神经网络的科技投入绩效评价方法 | |
CN115034648B (zh) | 少样本条件下基于bp神经网络的桥梁工程风险评估方法 | |
CN115906669A (zh) | 一种顾及负样本选取策略的密集残差网络滑坡易发性评价方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220218 |
|
WW01 | Invention patent application withdrawn after publication |