CN117762861A - 一种基于神经网络的油轮腐蚀预测系统及介质 - Google Patents
一种基于神经网络的油轮腐蚀预测系统及介质 Download PDFInfo
- Publication number
- CN117762861A CN117762861A CN202311737829.5A CN202311737829A CN117762861A CN 117762861 A CN117762861 A CN 117762861A CN 202311737829 A CN202311737829 A CN 202311737829A CN 117762861 A CN117762861 A CN 117762861A
- Authority
- CN
- China
- Prior art keywords
- corrosion
- data
- neural network
- tanker
- model
- 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.)
- Pending
Links
- 230000007797 corrosion Effects 0.000 title claims abstract description 306
- 238000005260 corrosion Methods 0.000 title claims abstract description 306
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 64
- 238000012544 monitoring process Methods 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 26
- 238000004891 communication Methods 0.000 claims abstract description 24
- 239000010410 layer Substances 0.000 claims description 124
- 230000007613 environmental effect Effects 0.000 claims description 52
- 230000006870 function Effects 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 46
- 230000004913 activation Effects 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 28
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 24
- 229910052751 metal Inorganic materials 0.000 claims description 20
- 239000002184 metal Substances 0.000 claims description 20
- 210000002569 neuron Anatomy 0.000 claims description 15
- 239000011229 interlayer Substances 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 13
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 10
- 229910052760 oxygen Inorganic materials 0.000 claims description 10
- 239000001301 oxygen Substances 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 150000003839 salts Chemical class 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 229910052717 sulfur Inorganic materials 0.000 claims description 4
- 239000011593 sulfur Substances 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 37
- 238000003062 neural network model Methods 0.000 abstract description 22
- 238000011478 gradient descent method Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 24
- 230000005540 biological transmission Effects 0.000 description 14
- 230000002829 reductive effect Effects 0.000 description 13
- 238000012423 maintenance Methods 0.000 description 10
- 239000000463 material Substances 0.000 description 10
- 239000013535 sea water Substances 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 8
- 230000003321 amplification Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 7
- 238000003199 nucleic acid amplification method Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 239000007769 metal material Substances 0.000 description 5
- 230000016273 neuron death Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000002955 isolation Methods 0.000 description 3
- 150000002739 metals Chemical class 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000006056 electrooxidation reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005530 etching Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 208000025274 Lightning injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000011889 copper foil Substances 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 239000008151 electrolyte solution Substances 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 239000003574 free electron Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000009972 noncorrosive effect Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000006479 redox reaction Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
Abstract
本申请提高一种基于神经网络的油轮腐蚀预测系统及介质,涉及腐蚀监测技术领域,包括:数据采集模块,用于采集腐蚀电流数据;所述数据采集模块包含:腐蚀电流检测单元,用于检测油轮不同位置的腐蚀电流数据;环境数据检测单元,设置若干环境传感器,采集油轮不同位置的环境数据;数据处理单元,采用STM32单片机,用于处理采集的腐蚀电流数据;通信单元,通过RS485通信接口,传输处理后的腐蚀电流数据。针对现有技术中存在的油轮腐蚀程度预测精度低的问题,本申请通过采集腐蚀电流数据、环境数据,采用误差反向传播算法和自适应梯度下降法等方法训练神经网络模型,提高了油轮腐蚀深度的实时预测精度。
Description
技术领域
本申请涉及腐蚀监测技术领域,特别涉及一种基于神经网络的油轮腐蚀预测系统及介质。
背景技术
随着全球经济的发展和国际贸易的增长,油轮运输的需求日益增强。然而,油轮作为海洋运输的重要载体,其腐蚀问题一直是影响其运输安全和经济效益的重要因素。长期以来,人们对油轮腐蚀的预测主要依赖于人工经验和定性分析,这种方法不仅准确度不高,而且无法满足实时监测和预测的需求。因此,如何实现对油轮腐蚀的实时、准确预测,成为当前油轮运输领域亟待解决的问题。
在现有的油轮腐蚀预测技术中,现有的预测系统无法实时、全面地采集腐蚀电流数据和环境数据,无法反映出油轮实时的腐蚀状况和环境因素变化。
在相关技术中,比如中国专利文献CN115165725A中提供了一种基于数据驱动的海上装备腐蚀监测与安全预警系统,包括硬件单元、数据存储单元和软件单元;硬件单元包括腐蚀传感器和振动传感器,用于采集海上装备部件与腐蚀相关的传感器信号;数据存储单元用于对采集的传感器信号进行数据储存、数据预处理以及运维安全日志管理;软件单元用于利用神经网络模型算法对输入的预处理后的数据进行训练和预测,输出所监测部件的腐蚀趋势的预测值和腐蚀程度的分类结果,并判断是否发出安全警报。但是该方案中,腐蚀传感器和振动传感器的精度对监测系统的性能有直接影响。如果传感器本身的精度不够高,或者在极端环境下工作不稳定,将直接导致采集的数据准确度下降,影响腐蚀趋势预测的精度。因此该方案的预测精度有待进一步提高。
发明内容
1.要解决的技术问题
针对现有技术中存在的油轮腐蚀程度预测精度低的问题,本申请提供了一种基于神经网络的油轮腐蚀预测系统及介质,通过采集腐蚀电流数据和环境数据等,提高了油轮在不同海域环境下腐蚀情况的实时预测精度。
2.技术方案
本申请的目的通过以下技术方案实现。
本说明书实施例的一个方面提供一种基于神经网络的油轮腐蚀预测系统,包括:数据采集模块,用于采集腐蚀电流数据;数据采集模块包含:腐蚀电流检测单元,用于检测油轮不同位置的腐蚀电流数据;环境数据检测单元,设置若干环境传感器,采集油轮不同位置的环境数据;数据处理单元,采用STM32单片机,用于处理采集的腐蚀电流数据;通信单元,通过RS485通信接口,传输处理后的腐蚀电流数据。
其中,腐蚀电流检测单元实时采集不同位置的腐蚀电流数据。STM32单片机同步采集位置、温度、盐度等环境参数数据。将腐蚀电流数据与环境参数数据一起传输到云服务器。在云服务器上,通过数据处理模块,根据传感的腐蚀电流信号以及环境参数,计算出不同位置的即时腐蚀速率。计算公式遵循法拉第定律,考虑环境对腐蚀的影响,经过预设的模型转换为实时的腐蚀深度结果。腐蚀深度结果将作为训练数据提供给神经网络模型。
具体地,数据采集是该系统的起点,其主要任务是监测并收集油轮不同位置的腐蚀电流数据和环境数据。这一模块主要包括腐蚀电流检测单元和环境数据检测单元:腐蚀电流检测单元:采用电流传感器,通过检测油轮各部位的腐蚀电流,获取腐蚀情况的实时数据。腐蚀电流是由于金属材料在海水环境中发生氧化还原反应,形成的自由电子流动产生的电流,其大小与腐蚀速度成正比。环境数据检测单元:设置若干环境传感器,采集油轮各部位的环境数据,如温度、湿度、pH值、含盐量、含氧量等。这些环境因素会直接影响腐蚀的速度和程度。
具体地,本申请通过STM32单片机对数据即时处理,跳过存储环节,直接传输到云服务器,提升了数据处理流程的效率。本申请通过腐蚀电流检测单元采集腐蚀速率,并辅以位置、温度、盐度等环境数据的采集,扩充了数据种类,提高了数据采集的精度和覆盖面。数据处理单元主要负责对采集的腐蚀电流数据进行处理。该单元采用STM32单片机,该单片机有着强大的处理能力和丰富的接口,能够快速、有效地处理大量数据,将复杂的信号转化为神经网络模型可以接受的格式。处理后的数据需要通过通信单元传输到神经网络模型进行分析和预测。通信单元通过RS485通信接口,实现了数据的高速、安全、准确的传输。RS485接口是一种常用的工业级通信接口,具有抗干扰能力强、传输距离远、可连接多台设备等优点。
进一步地,腐蚀电流检测单元包含夹层电路板和数据采集电路板;夹层电路板,用于对采集的腐蚀电流数据进行预处理;其中,夹层电路板,包含:多个电化学传感器,产生代表腐蚀电流的数据;多个运算放大器,其中每个运算放大器的输入端连接一个电化学传感器,输入端设有不低于100GΩ的超高阻抗电阻,采用低噪声偏置电路使输入偏置电流不大于10fA;运算放大器接收传感器输出的代表腐蚀电流的微弱模拟电流信号,将其放大108倍后输出放大后的模拟电流信号;具体地,运算放大器的输入偏置电流是指在输入端口接入信号源(如电化学传感器)时,放大器自身会产生的微小漏电流。而腐蚀电流是由传感器采集和检测得到的目标信号。为了保证检测精度,运算放大器的输入偏置电流需要远小于传感器采集的腐蚀电流信号,通常需小两个数量级以上。此处设计的放大器输入偏置电流不大于10fA,而传感器采集的腐蚀电流信号在几十纳安至几微安量级,输入偏置电流远小于腐蚀电流信号,满足检测要求。通过微小的输入偏置电流,可以确保运算放大器测量的输出电流基本来自腐蚀电流,从而实现对微弱腐蚀电流的精确放大与检测。
数据采集电路板,用于将预处理后的腐蚀电流数据转换为数字信号;其中,数据采集电路板包含:多个24位模拟数字转换器芯片ADC128S102,与运算放大器连接,将运算放大器输出的放大后的腐蚀电流模拟信号进行模数转换;一基准电源模块,采用低漂移基准电压源芯片REF5025和运算放大器组成基准电压源,输出精度在±0.02%以内、温度系数在2ppm/°C以下的2.5V基准电压,通过基准电压输出端与模数转换器芯片的基准电压输入端连接,为模数转换过程提供稳定的参考基准电压,以保证转换精度。
导电屏蔽层,设置在夹层电路板和数据采集电路板之间,用于隔离夹层电路板和数据采集电路板之间的漏电流。其中,导电屏蔽层,包括:金属箔材质的屏蔽板,设置在夹层电路板与数据采集电路板之间;屏蔽板的厚度不小于0.1mm,材质为导电性能良好的铜箔;屏蔽板完全覆盖夹层电路板与数据采集电路板之间的间隙;屏蔽板两侧分别与夹层电路板及数据采集电路板电气连接;屏蔽板表面与夹层电路板及数据采集电路板机械接触良好;具体地,静电屏蔽指屏蔽层可以防止外部静电对夹层电路板和数据采集电路板中的电子元件产生干扰;“漏电流隔离”是指屏蔽层可以防止夹层电路板和数据采集电路板之间由于电位差产生的漏电流,从而提高腐蚀电流检测的精度。
进一步地,腐蚀电流检测单元还包括:若干位置传感器,用于获取电化学传感器的位置信息,输出位置坐标数据;其中,腐蚀电流检测单元,配置有多组电化学传感器,用于检测不同位置的实时腐蚀电流;其中,腐蚀电流是指在电化学腐蚀过程中,金属表面上发生的电子流动所引起的电流。它是判断金属腐蚀程度的一个重要参数。具体地,在需要监测腐蚀的金属表面设置工作电极;另外设置一个非腐蚀的参比电极;在电解质溶液中闭合两个电极的电路;当工作电极发生腐蚀时,会引起电子流动,在电路中形成可检测的腐蚀电流;通过检测这个腐蚀电流的大小,可以判断金属的腐蚀程度和腐蚀速率。因此,本申请通过电化学腐蚀监测传感器采集金属表面的腐蚀电流,来实时监测和分析金属的腐蚀情况。
若干结构传感器,用于获取电化学传感器对应位置的油轮的结构信息,输出结构参数;其中,结构传感器可以采用以下几种技术方案:激光扫描传感器,利用激光扫描仪获取结构表面形状,生成三维模型,分析出结构形状参数。红外传感器,使用红外热像仪扫描结构,根据材质的不同热特性确定材质类型。X射线传感器,使用X射线进行密度扫描,根据材质密度区分不同金属材料。图像传感器,使用高清摄像头拍摄结构图片,然后利用图像识别算法分析材质和结构形状。声波传感器,发出声波信号探测结构,根据声波在不同材质中的反射模式识别材质。电磁传感器,利用不同材质的导磁率、电导率差异,区分材质类型。
面积计算单元,接收位置坐标数据和结构参数,计算电化学传感器的腐蚀监测面积S。其中,面积计算单元的作用是基于电化学传感器的位置坐标数据和结构参数来计算腐蚀监测面积S。结构参数通常包含传感器的形状和尺寸信息,而位置坐标数据则提供了传感器在油轮上的具体位置信息。这两者结合起来,可以用来计算每个传感器的监测面积。
具体地,获取传感器的结构参数和位置坐标:面积计算单元首先接收传感器的结构参数和位置坐标数据。结构参数包括传感器的形状(如圆形、矩形、柱形等)和尺寸(如直径、长度、宽度、高度等),而位置坐标数据则标识了传感器在油轮上的具体位置。确定计算公式:根据传感器的形状,选择适当的面积计算公式。例如,如果传感器是圆形的,那么面积可以使用公式πr²来计算,其中r是圆的半径;如果传感器是矩形的,那么面积可以使用公式长度×宽度来计算,其中长度和宽度分别是矩形的长度和宽度。插入结构参数:将传感器的尺寸数据插入到选定的计算公式中,得到具体的面积值。考虑位置影响:在有些情况下,传感器的位置可能会影响其有效的监测面积。例如,如果传感器位于油轮的边缘,那么其监测面积可能会小于其物理面积。在这种情况下,可以根据位置坐标数据来调整计算出的面积值。
进一步地,还包括:云服务器,云服务器用于建立腐蚀预测模型,预测油轮的腐蚀深度;其中,云服务器接收并存储从油轮的各种传感器(包括电化学传感器和环境传感器)收集到的大量数据,包括腐蚀电流数据、环境数据、腐蚀监测面积S等。这些数据可以存储在云服务器的数据库中,以便后续处理和分析。
具体地,云服务器还进行数据预处理,包括数据清洗、数据整合和数据标准化等。数据清洗主要是去除噪声和异常值;数据整合是将来自不同传感器的数据整合在一起;数据标准化是将数据转换为神经网络模型可以接受的格式。云服务器负责建立腐蚀预测模型。在这个过程中,可以使用各种机器学习和深度学习算法,如神经网络、支持向量机、随机森林等。这个模型会基于历史数据进行训练,学习如何从腐蚀电流数据、环境数据和腐蚀监测面积S等输入数据中预测油轮的腐蚀深度。一旦模型训练完毕,云服务器就可以使用它来预测未来的腐蚀深度。预测结果可以返回给油轮的操作员,帮助他们做出决策,如何时进行维修或更换部件。此外,预测结果还可以用于模型的进一步优化和改进。云服务器可以收集并处理来自不同海域的数据,因此可以建立一个具有广泛适用性的腐蚀预测模型。例如,它可以考虑各种海域的特定环境因素(如温度、盐度、pH值等),并将这些因素纳入预测模型中。这样,无论油轮在哪个海域航行,都可以获得准确的预测结果。
云服务器包含:接收单元,接收通信单元上传的腐蚀电流数据;计算单元,接收腐蚀电流数据,根据采样时间和Faraday算法计算腐蚀深度;模型单元,根据腐蚀电流数据和计算得到的腐蚀深度,构建并训练神经网络预测模型;其中,接收单元负责接收通信单元上传的腐蚀电流数据。这些数据来自于油轮上的电化学传感器,包括了腐蚀电流的大小,采样时间,以及每个传感器的腐蚀监测面积S等。收到的数据会被存储在云服务器的数据库中,供后续的处理和分析使用。模型单元负责根据腐蚀电流数据和计算得到的腐蚀深度,构建并训练神经网络预测模型。首先,模型单元会从数据库中取出腐蚀电流数据和腐蚀深度数据,作为神经网络模型的输入和输出。然后,它会使用一种合适的神经网络架构(如卷积神经网络、循环神经网络等)来构建模型,并用梯度下降等优化算法来进行训练。训练完成后,模型单元会将训练好的模型保存下来,供后续的腐蚀深度预测使用。同时,它也会定期用新收到的数据来更新和优化模型,以提高预测的准确性。
其中,接收腐蚀电流数据电化学传感器的腐蚀监测面积S,按照如下公式计算腐蚀深度:L=V*T,其中,L表示腐蚀深度,V表示腐蚀速率,T表示腐蚀电流数据的采样时间间隔;V为腐蚀速率,单位为纳米/小时(nm/h),表示在单位时间内金属腐蚀掉的厚度;V的计算通过下述公式获得:V = I / (N × F ×S);I为腐蚀电流,单位为安培(A),由电化学传感器采集得到;N为金属的化学当量数,预存于系统数据库中;F为法拉常数,取值约等于96485 C/mol,系统中设为常数;S为金属腐蚀面的面积,单位为平方厘米(cm2),预存于系统数据库中;T为采样时间间隔,单位为小时(h),系统采集时设置;L为腐蚀深度,单位为微米(μm)。
具体地,实时预测腐蚀深度,可以根据实时的腐蚀电流数据和采样时间间隔计算出当前的腐蚀深度。这为用户提供了即时的、有关油轮腐蚀状况的信息,从而可以更快地采取必要的维护措施,减少可能的设备故障和运营中断。公式L = V × T的预测结果是基于实时测量的腐蚀电流数据和已知的采样时间间隔,因此预测的准确性较高。这可以为用户提供准确的腐蚀深度信息,帮助他们更好地理解油轮的腐蚀状况,并做出更准确的决策。由于可以根据每次的腐蚀电流数据和采样时间间隔实时计算腐蚀深度,因此可以动态监控腐蚀的进展。这使得用户可以了解腐蚀的发展趋势,预测可能的腐蚀热点,从而提前采取预防措施。
接收腐蚀电流数据和环境数据,根据Faraday算法计算腐蚀速率:V=I/(N× F×S),其中,I表示采集的腐蚀电流数据,N表示腐蚀电流数据对应位置的金属的化学当量数,F表示法拉常数,S表示每个电化学传感器对应位置的油轮的腐蚀监测面积。其中,I表示采集的腐蚀电流数据;N表示船舶结构的金属材料在该位置的化学当量数,根据材料类型和位置从数据库中查找;F表示法拉常数,S表示腐蚀面积;通过查找船舶在不同位置使用的金属材料,得到该位置的化学当量数N,进而提高Faraday定律计算腐蚀速率的精确性。
具体地,公式中的I(采集的腐蚀电流数据)是实时变化的,因此计算出的腐蚀速率也是实时的。N(腐蚀电流数据对应位置的金属的化学当量数)和S(每个电化学传感器对应位置的油轮的腐蚀监测面积)考虑了腐蚀因素的多样性。不同的金属和不同的监测面积可能会导致不同的腐蚀速率,这个公式能够考虑到这些因素,从而提供更准确的腐蚀速率。计算出的腐蚀速率是神经网络预测模型的关键输入之一,这对于提高预测模型的准确性至关重要。
进一步地,模型单元,根据腐蚀电流数据和计算得到的腐蚀深度,构建并训练神经网络预测模型,包含:数据预处理子单元,接收环境数据检测单元采集的环境数据和计算得到的腐蚀速率,进行数据预处理,其中环境数据包含X个环境参数变量;模型构建子单元,构建包含输入层、隐藏层和输出层的神经网络预测模型;输入层,包含Y个神经元节点,分别与X个环境参数变量相连接;其中,数据预处理子单元,这个子单元接收环境数据检测单元采集的环境数据和计算得到的腐蚀速率。环境数据包含X个环境参数变量,可能包括海水温度、盐度、pH值、氧气浓度等。数据预处理可能包括归一化、去噪、填充缺失值等步骤,以提高模型的预测精度和稳定性。
第一隐藏层,包含N1个神经元节点,采用Leaky ReLU激活函数;第二隐藏层,包含N2个神经元节点,采用PReLU激活函数;第三隐藏层,包含N3个神经元节点,采用ELU激活函数;模型构建子单元,这个子单元负责构建神经网络预测模型。该模型包括输入层、隐藏层和输出层。输入层:包含Y个神经元节点,分别与X个环境参数变量相连接。这个层面的目的是接收和处理输入数据。第一隐藏层:包含N1个神经元节点,采用Leaky ReLU激活函数。Leaky ReLU相比于传统ReLU激活函数,在处理负输入值时能提供小的负梯度,有助于缓解神经元死亡问题。第二隐藏层:包含N2个神经元节点,采用PReLU激活函数。PReLU是ReLU的一种改进,它允许神经元在接收到负输入时有一小部分激活,这可以提高模型的灵活性,帮助模型学习更复杂的模式。第三隐藏层:包含N3个神经元节点,采用ELU激活函数。ELU(指数线性单元)可以使激活函数在负区间内平滑,解决ReLU函数在负区间导数为0的问题,有助于加速神经网络的收敛。通过这种结构,神经网络模型能够从环境数据和腐蚀电流数据中学习和抽取有用的特征,然后使用这些特征预测未来的腐蚀深度。这个模型可以提高油轮在不同海域的预测精度。
具体地,Leaky ReLU是ReLU(Rectified Linear Unit)激活函数的一种变体。ReLU激活函数在输入大于0时,直接输出该值;在输入小于0时,输出为0。这种设计使ReLU在正向传播时可以加速收敛,但在反向传播时,负值部分的梯度为0,可能会导致所谓的“神经元死亡”问题。Leaky ReLU对ReLU进行了改进,使其在输入小于0时,输出的不再是0,而是输入值乘以一个很小的常数(如0.01)。这样,即使输入是负数,反向传播时也能得到非零梯度,减少了神经元死亡的问题。在本申请中,第一隐藏层采用Leaky ReLU,可以确保即使在负输入值的情况下,神经元也能得到更新,提高模型的稳定性和预测精度。PReLU(ParametricReLU)是ReLU的另一种变体。它允许负输入有一定的输出,但这个输出不再是固定的,而是由模型的参数决定,因此PReLU可以学习到更复杂的数据模式。在本申请中,第二隐藏层采用PReLU,可以让模型根据需要自行决定负输入值的输出值,提高模型的灵活性和适应性。ELU(Exponential Linear Units)是ReLU的另一种改进。与ReLU和其变体不同,ELU在输入小于0时,输出的是一个负的指数函数值,这意味着它的输出在负区间内是平滑的,可以解决ReLU函数在负区间导数为0的问题。在本申请中,第三隐藏层采用ELU,可以使模型在处理负输入值时具有更好的平滑性,有助于加速神经网络的收敛。
更具体地,Leaky ReLU可以缓解神经元死亡问题,保证网络在初期训练阶段能够有效地传递和学习信息,为后续的训练和优化奠定基础。PReLU允许模型自适应地学习负值部分的激活程度,使模型能够捕捉和学习更复杂的数据模式。在经过第一层的初步学习和传递后,第二层的PReLU可以进一步提升模型的表达能力,提高模型复杂度和准确性。ELU在输入为负值时,能够输出一定的负指数值,使得负值输入区域内的激活函数更为平滑,有助于加速神经网络的收敛,并能够缓解梯度消失问题。在经过前两层的信息处理和学习后,第三层的ELU可以进一步提高网络的稳定性和收敛速度。通过这种层级和顺序的设置,三个隐藏层的激活函数可以相互配合,整体上提高模型的学习能力和预测精度,加速训练过程,提高了油轮在不同海域的预测精度。
输出层,包含1个神经元节点,输出预测得到的腐蚀速率,采用线性激活函数;权重矩阵W1,连接输入层与第一隐藏层;权重矩阵W2,连接第一隐藏层与第二隐藏层;权重矩阵W3,连接第二隐藏层与第三隐藏层;权重矩阵W4,连接第三隐藏层与输出层;其中,在本申请的神经网络模型中,输入层、三个隐藏层和输出层之间的连接是通过权重矩阵实现的。每个权重矩阵是由模型在训练过程中学习和优化的参数,可以捕捉和记忆输入数据和输出标签之间的关系。这些权重矩阵的设置和优化,将直接影响模型的预测精度和性能。权重矩阵W1,连接输入层与第一隐藏层:W1负责将输入层的数据(如:海水温度、盐度、pH值、氧气浓度等环境参数)转化为第一隐藏层的激活值。这一步是模型从原始数据中抽取初级特征的过程。权重矩阵W2,连接第一隐藏层与第二隐藏层:W2负责将第一隐藏层的激活值转化为第二隐藏层的激活值。这一步是模型从初级特征中进一步抽取和学习更复杂的中级特征。权重矩阵W3,连接第二隐藏层与第三隐藏层:W3负责将第二隐藏层的激活值转化为第三隐藏层的激活值。这一步是模型从中级特征中进一步抽取和学习更复杂的高级特征。权重矩阵W4,连接第三隐藏层与输出层:W4负责将第三隐藏层的激活值转化为输出层的预测值。这一步是模型基于学习到的高级特征进行最终的预测。此外,输出层包含1个神经元节点,输出预测得到的腐蚀速率,采用线性激活函数。线性激活函数的输出就是其输入,它不会改变数据的原始信息,适合用于回归问题的输出层。在本申请中,使用线性激活函数可以直接输出预测的腐蚀速率,满足了模型的需求。通过本申请,神经网络模型可以从输入的环境数据中抽取有用的特征,并基于这些特征预测未来的腐蚀速率,提高了油轮在不同海域的预测精度
第一隐藏层节点数的大小为第二隐藏层节点数的两倍;第二隐藏层节点数的大小为第三隐藏层节点数的两倍;其中,在神经网络中,隐藏层节点数的设置对模型的性能有着重要影响。节点数太少可能导致模型容量不足,无法捕捉到数据中的所有有用信息;而节点数太多可能导致模型容量过大,过度拟合训练数据,导致泛化性能下降。第一隐藏层节点数的设置:第一隐藏层是网络的入口,负责从原始输入数据中提取初级特征。在这个层级,节点数设置得较多,可以增加网络的宽度,使模型能够捕捉到更多的数据特征和模式,提高模型的表达能力。第二隐藏层节点数的设置:第二隐藏层在第一隐藏层的基础上进一步提取特征,由于已经基于原始数据构建了初级特征,所以这一层的节点数可以适当减少,同时也减少了模型的复杂度和计算量,有助于防止过拟合。第三隐藏层节点数的设置:第三隐藏层在前两层的基础上进一步抽象和提取高级特征。在这个层级,节点数进一步减少,符合模型从“宽”向“深”发展的规律,也帮助模型抓住关键特征,提高了模型的泛化能力。总的来说,这种自上而下逐渐减少的节点数设置,符合模型从“浅”到“深”、从“宽”到“窄”的结构设计原则,可以在保证模型性能的同时,控制模型的复杂度,防止过拟合,提高模型的泛化能力,最终提升了油轮在不同海域的预测精度。
优选地,在本申请中设置三个隐藏层,其中第一隐藏层的节点设置为256个,第二隐藏层的节点设置为128个,第三隐藏层的节点设置为64个;第一隐藏层的256个节点,与输入层的14个节点分别相连接;第二隐藏层的128个节点,与第一隐藏层的256个节点分别相连接;第三隐藏层的64个节点,与第二隐藏层的128个节点分别相连接。在训练初始模型时,只有前13个输入节点起作用;在自适应学习阶段,增加的输入节点x14也起作用,与第一隐藏层相关联。
进一步地,还包括:Y的值大于X的值;X个环境参数变量包含:经度数据X1、纬度数据X2、水深数据X3、含氧量数据X4、含盐量数据X5、pH值数据X6、水温数据X7、水压数据X8、水密度数据X9、航速数据X10、油温数据X11、油压数据X12和油含硫量数据X13;其中,在初始模型训练时,输入层包含前13个节点,对应13个环境参数数据,输出层输出预测的腐蚀速率。在自适应学习阶段,增加节点x14,对应实时监测的腐蚀深度,实现模型的自适应学习。将实时采集的环境参数和实测腐蚀深度作为新的训练数据,重复训练网络模型,实测腐蚀速率纠正环境参数的预测,使模型具有自适应学习能力。
具体地,本申请的神经网络模型,X个环境参数变量用于描述油轮所处的海域环境和船舶自身的运行状态。这些参数的设置是为了从多个维度和角度全方位地描述海域环境和船舶状态,以便模型能够准确地预测腐蚀速率。经度数据X1和纬度数据X2:这两个参数用于描述油轮所处的地理位置,不同的地理位置,其海水成分、温度、含盐量等可能会有所不同,这对腐蚀速率有直接影响。水深数据X3:水深直接影响水压和水温,对油轮的腐蚀速率有影响。含氧量数据X4:氧化是腐蚀的重要原因之一,含氧量的多少直接影响腐蚀速率。含盐量数据X5:盐分可以加速金属的腐蚀过程,因此含盐量数据对预测腐蚀速率很重要。pH值数据X6:pH值反映了海水的酸碱度,不同的酸碱度对金属腐蚀的影响也不同。水温数据X7:水温对金属腐蚀的速度也有影响,通常来说,温度越高,腐蚀速度越快。水压数据X8:水压数据可以反映出油轮所处的水深,对腐蚀速率有影响。水密度数据X9:水密度可能反映出海水的其他物理或化学性质,对腐蚀速率的预测有帮助。航速数据X10:航速可能会影响油轮的水动力环境,从而影响腐蚀速率。油温数据X11、油压数据X12和油含硫量数据X13:这些参数反映了油轮的运行状态,可能会对腐蚀速率产生影响。这些参数的设置使模型能够全面地考虑到影响腐蚀速率的各种因素,从而提高预测的准确性。同时,通过这些参数的输入,模型可以学习到这些参数与腐蚀速率之间的复杂关系,为预测提供了基础数据。
进一步地,模型单元还包括:数据输入子单元,接收预处理后的X个环境参数变量和计算得到的腐蚀深度,作为训练数据;前向计算子单元,根据神经网络预测模型的权重矩阵W1至W4,对输入的训练数据进行前向计算,得到神经网络预测模型的预测腐蚀深度,作为输出值;损失计算子单元,计算预测腐蚀深度和输入的腐蚀深度之间的均方误差,作为损失函数;其中,数据输入子单元:这个子单元的任务是接收预处理后的X个环境参数变量以及计算得到的腐蚀深度,这些数据作为训练数据输入到神经网络中。预处理一般包括规范化(normalization)、标准化(standardization)等操作,以保证不同参数在模型训练中的重要性大体相当,避免因数量级差异产生的影响。前向计算子单元:这个子单元根据神经网络预测模型的权重矩阵W1至W4,对输入的训练数据进行前向计算。前向计算是神经网络的基本操作,包括各层的线性变换和非线性激活。通过前向计算,模型可以根据输入的X个环境参数变量预测腐蚀深度,这个预测值会被输出给损失计算子单元。损失计算子单元:这个子单元计算预测腐蚀深度和输入的真实腐蚀深度之间的均方误差,作为损失函数。损失函数用于衡量模型预测结果与真实结果的差距,是优化的目标。在这个案例中,选择均方误差作为损失函数,是因为均方误差对预测偏差较大的样本有更大的惩罚,能够更好地反映模型的预测性能。本申请通过数据输入子单元接收训练数据,前向计算子单元进行预测,并通过损失计算子单元计算预测误差,形成了一个完整的神经网络训练过程。在训练过程中,模型通过不断迭代,优化权重矩阵W1至W4,使得损失函数的值不断减小,从而提高模型在不同海域预测油轮腐蚀深度的精度。
优选地,损失计算子单元采用可以采用改进的均方误差损失函数,其具体计算如下:定义预测腐蚀深度为y',实际腐蚀深度为y;计算残差项e = y'-y;对残差项施以ReLU激活函数,得到e' = max(0, e),以滤除负误差;计算平方损失(e')²;取均值,得到改进均方误差损失函数Loss = Σ(e')²/n;改进的损失函数进行了残差的ReLU激活处理,可有效抑制负误差对损失函数的影响,使神经网络更加聚焦于正误差,提高预测精度。
误差反向传播子单元,利用误差反向传播算法计算神经网络预测模型的参数梯度;其中,利用误差反向传播算法计算神经网络预测模型的参数梯度。误差反向传播是神经网络中常用的一种参数优化算法,通过计算损失函数关于模型参数的梯度,可以找到减小损失函数的方向,从而不断地调整模型参数以优化模型性能。在本申请中,可以采用,随机梯度下降(SGD)与动量:这种方法在每次更新时只使用一个训练样本的梯度,适合于大规模数据集。如果环境参数变量中有很多是稀疏的,Adagrad适合于处理稀疏数据。RMSProp是一种改进的Adagrad,它解决了Adagrad在训练后期学习率过小的问题,如果发现训练后期模型性能提升缓慢,可以考虑使用RMSProp。Nadam在Adam的基础上引入了Nesterov动量,如果模型在使用Adam时出现了震荡或者不稳定的情况,可以考虑使用Nadam。
优选地,本申请还可以采用改进的误差反向传播算法计算参数梯度,具体步骤为:权重初始化:采用Xavier初始化方法初始化神经网络预测模型中的全部权重;正向传播:对每个训练样本,根据当前权重计算网络预测输出值;损失函数计算:计算网络实际输出与样本标签的均方误差;残差计算:计算每个节点的残差,即导数项与本层权重的乘积;梯度计算:通过节点残差递归计算各层的参数梯度;梯度裁剪:对梯度值进行裁剪处理,控制梯度在[-5,5]的范围内;梯度累加:累加不同样本梯度,获得每个参数的平均梯度;(8)权重更新:应用累加梯度,通过Adam算法优化更新权重。该改进算法利用Xavier初始化、梯度裁剪、Adam优化等技术,使模型训练更稳定高效。
权重更新子单元,根据计算得到的参数梯度,通过自适应调整学习率的梯度下降算法更新权重矩阵W1至W4;其中,根据计算得到的参数梯度,通过自适应调整学习率的梯度下降算法更新权重矩阵W1至W4。权重更新是神经网络学习的关键步骤,通过梯度下降算法,模型会在损失函数降低的方向上调整权重,以达到优化模型预测性能的目的。自适应调整学习率的梯度下降算法包括如Adam、RMSProp等,它们可以在训练过程中自动调整学习率,使模型更快地收敛。
具体地,自适应调整学习率的梯度下降算法,在本申请中具体步骤如下:初始化学习率η为η0,一般取0.01;在每轮迭代中,计算当前 batch 的损失函数 loss;如果loss上升,则让η = γ×η,γ取0.5;如果loss下降,则保持学习率η不变;根据式 w = w - η ×梯度,利用当前η及计算得到的梯度更新权重;重复上述步骤,直到满足终止条件。该算法根据损失函数的变化自动调整学习率η,在训练初期采用较大学习率,快速逼近局部最优;在训练后期采用较小学习率,精调收敛到全局最优。
迭代控制子单元,控制训练数据的多轮输入,重复执行上述步骤直至神经网络预测模型的损失函数的值小于阈值;控制训练数据的多轮输入,重复执行上述步骤,直至神经网络预测模型的损失函数的值小于预设的阈值。迭代控制是训练过程中的一个重要环节,通过设置合适的停止条件,可以防止模型过度拟合,也可以在模型性能达到满意的程度后及时结束训练。通过误差反向传播子单元计算梯度,权重更新子单元进行权重调整,并通过迭代控制子单元控制训练过程,形成了一个完整的神经网络训练流程。在训练过程中,模型通过不断迭代,优化权重矩阵W1至W4,使得损失函数的值不断减小,从而提高模型在不同海域预测油轮腐蚀深度的精度。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于神经网络的油轮腐蚀预测系统。
3.有益效果
相比于现有技术,本申请的优点在于:
(1)采用分布式电化学传感器采集腐蚀电流数据,结合位置传感器、结构传感器计算腐蚀面积,使腐蚀数据的采集更加全面和精确,有利于建立精确的预测模型,系统通过实时采集腐蚀电流数据和环境数据,能够实时反映出油轮的腐蚀状况和环境因素变化,这是提高预测精度的关键,同时,采用STM32单片机处理这些大量的数据,使得数据处理高效且可靠,为后续的腐蚀预测提供了准确的输入;
(2)通过采用误差反向传播算法和自适应梯度下降法,本申请能够有效地训练神经网络模型,误差反向传播算法可以使神经网络通过学习样本,不断调整网络权重,使得预测误差最小化。采用自适应调整学习率的梯度下降算法更新网络权重,实现从粗调整逐步精细调整的过程,有利于模型训练结果收敛到全局最优,提高了预测的稳定性和可靠性;
(3)在考虑海域环境因素的影响时,系统能根据实时的环境参数,如纬度、水深、含氧量、含盐量、pH值等,动态调整预测模型。这种动态调整使得模型能够适应不同的海域环境,实现在不同环境下的高精度预测。
附图说明
图1为本申请一实施例提供的一种基于神经网络的油轮腐蚀预测系统的硬件架构图;
图2为本申请一实施例提供的电流监测模块示意图;
图3为本申请一实施例提供的实现所述基于神经网络的油轮腐蚀预测系统的电子设备的结构示意图。
具体实施方式
图1为本申请一实施例提供的一种基于神经网络的油轮腐蚀预测系统的硬件架构图,如图1所述,在本申请的具体实施例中包含:系统供电板、数据采集板和北斗传输模块三个部分。在本申请的具体实施例中,构建的海洋环境监测系统主要包括:系统供电板、数据采集板和北斗传输模块三个部分。这个系统的目标是实时采集海洋环境的多维度数据,并通过神经网络模型预测在不同海域的油轮腐蚀深度。
系统供电板主要负责为整个系统提供稳定的电源。如图1所示,系统供电板包括:供电充电控制电路通过DC-DC电路与交流开关电源连接,供电充电控制电路还连接预留后备锂电池。当交流开关电源工作时,系统供电板通过DC-DC电路将交流电源转换为直流电源,供给数据采集板和北斗传输模块使用。当交流开关电源出现问题时,预留的后备锂电池可以作为备用电源,确保系统的正常运行。数据采集板负责采集海洋环境的各种数据,包括海水温度、盐度、酸碱度、溶解氧、浑浊度等。这些数据被送入神经网络模型进行训练和预测。北斗传输模块则负责将数据采集板采集到的环境数据和神经网络模型的预测结果传送到地面控制中心。地面控制中心可以根据这些数据和预测结果,实时掌握海洋环境的变化情况,以及油轮在不同海域的腐蚀深度。
如图1所示,数据采集板设计有两个关键监测模块:监测模块(大气腐蚀):用于监测油轮上方结构受大气因素影响的腐蚀数据。监测模块(海水腐蚀):用于监测油轮下部接触海水的部分的腐蚀数据。这两个监测模块与模拟开关信号量电路相连接,负责从腐蚀传感器收集模拟信号,并将其转换为数字信号以便于处理。PA电流监测模块连接至模拟开关信号量电路,用于监测由腐蚀引起的电流变化,该模块通过精确测量腐蚀产生的电流来判断腐蚀速率。模拟开关信号量电路将转换后的数字信号发送给主处理器MCU。主处理器MCU拥有以下外接部件:232/485通讯电路:负责数据通信,确保数据在不同设备间准确传输。存储IC:用于存储采集到的数据和预处理结果。时钟IC:为系统提供时间同步,确保数据时间戳的精确性。抗腐蚀外壳:保护内部电路免受腐蚀和其他环境因素的影响。防干扰、防雷击电路:确保系统在恶劣环境下的稳定运行,防止外界干扰和雷击造成损害。主处理器MCU将预处理后的数据通过北斗传输模块发送给远端的云服务器。云服务器运行预测模型对数据进行分析和训练,产生腐蚀预测结果。
其中,监测模块分别采集大气腐蚀和海水腐蚀的数据,并将其传送至模拟开关信号量电路。模拟开关信号量电路接收模拟信号,并将其转换为数字信号。PA电流监测模块实时监测腐蚀电流,将数据发送至模拟开关信号量电路。主处理器MCU接收所有数字信号,并执行初步数据处理,包括滤波、放大、A/D转换等。处理后的数据通过232/485通讯电路存储于存储IC,并带有时钟IC的时间戳。主处理器MCU将存储的数据通过北斗传输模块发送至云服务器。云服务器接收数据,运行预测模型进行训练,并生成腐蚀预测结果。
数据采集模块是系统中的核心部分,负责将模拟信号转换为数字信号,以供MCU处理。AD7172-2:选用的24位Σ-Δ型模数转换器(ADC)因其高分辨率和低噪声性能而被选用,确保了信号转换的精确度,在Σ-Δ型ADC中,“Σ”代表求和器,而“Δ”代表差分器。这种转换器通过对模拟信号进行过采样和噪声整形,将输入信号转换成一个高速的比特流,然后使用数字滤波器和降采样步骤来产生一个更慢的、但具有更高分辨率的数字输出,油轮腐蚀监测涉及多种环境和操作参数,如水温、盐度、pH值等,这些参数通常由传感器以模拟信号的形式提供。Σ-Δ型ADC用于将这些模拟信号精确地转换为数字信号,以便处理器可以进行进一步的分析和处理;24位的ADC提供了较高的分辨率,这意味着它可以区分非常细微的信号变化。高精度的数据对于神经网络模型预测腐蚀深度是必要的,因为模型的预测准确性直接取决于输入数据的质量,Σ-Δ型ADC在转换过程中进行噪声整形,通过过采样来降低在特定频段的噪声,提高了信号的信噪比。这对于在复杂海洋环境中提取准确的腐蚀相关参数尤为重要,可以减少环境噪声对腐蚀深度预测的干扰。ADR4525:作为基准电源芯片,提供稳定且低噪声的基准电压,保证ADC的精确测量。
MCU部分采用了性能强大的STM32系列单片机。STM32系列单片机以其高性能、低功耗和灵活的通信接口而被广泛使用在工业控制系统中。STM32单片机,负责处理数据采集板收集的数字信号,并执行必要的数据预处理。RS485通信,MCU支持RS485通信协议,确保数据可以在各种工业环境中可靠地传输。
为了提高在不同海域的预测精度,腐蚀传感器(PA电流监测模块),本申请采用PA电流监测模块实时采集油轮不同部位的腐蚀速率数据。该模块设计有低泄漏夹层板,提供物理隔离,以减少环境噪声对传感器测量的影响,从而提高数据采集的精确度。低泄漏夹层板的设计是为了优化信号的传输和条件,减少噪声和干扰。在这个板上,信号调理是通过ADA4530-1放大器来实现的。该放大器以其极低的输入偏置电流而被选用,适合于检测微弱的腐蚀电流信号。ADA4530-1:作为一个静电计级放大器,它的低输入偏置电流特性对于精确测量腐蚀产生的微小电流至关重要。放大器被配置为跨阻模式,并使用了10 GΩ的高阻值玻璃电阻,以及金属屏蔽体来阻止漏电流进入电路板上的任何高阻抗路径。这样的设计确保了信号的纯净度,为数据采集提供了高质量的输入。
综上,低泄漏夹层板上的ADA4530-1放大器接收来自腐蚀监测传感器的微弱信号,并在金属屏蔽的保护下进行放大。放大后的信号由AD7172-2 ADC转换为数字信号,同时ADR4525提供稳定的基准电压。转换后的数字信号由STM32单片机进行处理,并通过RS485接口输出给下一级的数据处理系统或直接传输至云服务器进行进一步的分析和预测处理。通过这种设计,油轮腐蚀监测系统的数据采集和信号处理得到优化,极大地提升了在复杂海域环境下对腐蚀情况预测的精确度和稳定性。
图2为本申请一实施例提供的电流监测模块示意图,如图2所示,本申请的具体实施例中,PA电流监测模块包括:将采集的腐蚀电流数据分成两路输入信号,这种设计可以提高信号处理的灵活性和精度。偏置电流运放,第一路输入信号通过设置有fA级别偏置电流的运放进行处理。这种高灵敏度的运放用于放大微弱的腐蚀电流信号,同时抑制噪声。G欧姆级别玻璃电阻:第二路输入信号通过G欧姆级别的玻璃电阻进行处理,以确保高阻抗下的信号稳定性。两路处理过的信号输入低温漂分压电路。该电路进一步整合信号,并且具有低温度系数,以减少环境温度变化对信号准确性的影响。处理并汇总后的信号输入到24bit的查分ADC进行采样。查分ADC为高精度模数转换提供了理想的解决方案,能够捕捉到微弱的差分信号。24位差分ADC采样外接基准电源,确保了ADC转换过程中的精度和稳定性。ADC处理后的信号通过SPI接口隔离处理输出,确保信号传输到MCU时的安全性和抗干扰性。MCU(微控制器)接收经过隔离处理的数字信号,并进行进一步的数据处理和分析。MCU通过RS485模块与外部设备进行通信,RS485是一种常用的、可靠的串行通信接口,适用于长距离和高速通信。所有组件和模块共同集成在油轮的监测系统中,形成一个完整的腐蚀电流监测网络。其中,本申请的具体实施例中,基准电源提供一个精确的电压基准,以供ADC(模数转换器)和其他电路部分使用,可以采用:精密带隙基准、伯克豪森(Burkert)基准、压控晶体振荡器和低温漂电压基准IC等。
具体地,PA电流指的是腐蚀电流,这是一种由金属腐蚀过程中的电化学反应产生的微小电流。PA即“Picampere”,表示电流的单位,1皮安(pA)等于1e-12安培。在腐蚀监测中,通常会监测皮安级别的电流,这要求监测设备具有极高的灵敏度。在本申请的具体实施例中,PA电流监测模块设计有两个信号输入路径,分别处理两种不同的信号源。这可以提高系统对不同腐蚀状态下的响应能力和测量准确性。
具体地,偏置电流是指运算放大器(Operational Amplifier, Op-Amp)的输入端所需的电流,是为了正常工作而流入或流出输入端的电流。偏置电流运放是一种特殊设计的运放,能够处理极低级别的电流信号(如皮安级别的电流),并且具有极低的偏置电流特性,这意味着它在输入端几乎不引入额外的电流,非常适合于高精度测量和放大微弱信号。更具体地,在本申请的具体实施例中,第一路腐蚀电流信号经过偏置电流运放,该运放有能力放大皮安级别的微小电流信号,同时保持信号的完整性,避免由于运放自身偏置电流过大而对微弱信号造成干扰。由于运放具有极低的偏置电流,它可以有效地抑制噪声,提供更清晰的信号,从而提高整个系统的信号-噪声比(SNR),这对于后续的信号处理和数据分析至关重要。使用fA级别偏置电流运放保证了在信号放大过程中数据的精度,这对于预测油轮在不同海域的腐蚀情况是非常关键的,因为只有高精度的监测数据才能提供可靠的预测结果。在整个PA电流监测模块中,偏置电流运放是实现高灵敏度监测的关键组件,它直接关系到系统是否能够准确捕捉和分析油轮结构腐蚀产生的微弱电流信号。通过将这些信号准确地转换成数字形式,偏置电流运放使得整个监测系统能够更好地服务于油轮在复杂海域环境下的维护与保养决策。
具体地,fA代表飞安(femto ampere),它是电流的一个单位,相当于10至15 安培。fA级别偏置电流是指运算放大器的输入端所需的电流极其微小,达到飞安级别。在高精度电流测量领域中,fA级别偏置电流的运算放大器非常适合放大极微弱的电流信号,因为其自身引入的额外电流几乎可以忽略不计,从而不会影响测量结果的准确性。更具体地,在本申请的具体实施例中,在监测皮安级别的腐蚀电流时,运算放大器需要具备极高的灵敏度,以便于放大这些微弱的信号。fA级别偏置电流的运放可以实现这一点,因为其自身几乎不会对信号造成干扰。由于fA级别偏置电流极低,它可以极大地减少因运放自身电流造成的测量误差,这对于要求高准确度的电流监测系统非常重要。在长时间或者在不同环境条件下的测量中,fA级别偏置电流的运放可以提供稳定的测量性能,因为其引入的误差非常低,这有助于保持数据的稳定性和可靠性。例如在电化学腐蚀监测或其他需要检测微小电流变化的应用中,fA级别偏置电流的运放可以确保这些微弱信号被准确捕获和放大,在整个电流监测方案中,fA级别偏置电流的运放是确保系统能够检测到微小腐蚀电流信号并进行精确分析,是预测和维护油轮腐蚀状态所必需的。
具体地,低温漂(Low Temperature Coefficient)分压电路是一种电子电路,其设计目的是在温度变化时保持其输出电压稳定。“温漂”即温度漂移,是描述电路参数随温度变化而变化的现象。低温漂分压电路通过使用特定的材料和设计,最小化了这种温度对电路性能的影响,确保电路在不同温度下都能提供准确的电压分配。更具体地,在精确的电流监测中,需要一个稳定的参考电压来确保信号的准确放大。低温漂分压电路能够提供一个稳定的参考电压,即使在外部环境温度变化的情况下也能保持其稳定性。温度变化是影响电子电路精度的一个重要因素。使用低温漂分压电路可以减少温度变化对测量结果的影响,从而提高PA电流监测模块的整体精度。在油轮等恶劣的外部环境中工作时,电子设备面临的温度变化挑战更大。低温漂分压电路的使用确保了监测模块可以在这些环境下可靠地工作,提供一致的性能。由于低温漂分压电路能够抵抗温度变化的影响,因此减少了因温度变化导致的设备性能下降和维护需求。在整个电流监测方案中,低温漂分压电路提供了一个稳定的工作基础,确保监测模块即使在温度波动的情况下也能准确地监测和分析腐蚀电流信号。这种稳定性对于确保数据质量、延长设备寿命和减少运营成本都是至关重要的。
具体地,24位ADC提供了极高的分辨率,意味着它可以分辨出非常细微的电压变化。对于PA电流监测来说,这允许系统检测到非常小的电流变动,从而提升监测系统的灵敏度和精确度。更高的位数可以减少量化噪声,这是因为量化噪声与ADC的分辨率成反比。24位ADC相比于较低位数的ADC,量化噪声更小,从而可以得到更加平滑且准确的数据。差分ADC比单端ADC更能抵抗共模噪声,因为它可以只放大两个输入之间的电压差异,从而可以更准确地捕获信号。在监测微弱电流信号时,这种能力尤为重要,因为环境噪声可能会在信号级别上产生显著的影响。
具体地,SPI(Serial Peripheral Interface)是一种常见的同步串行通信接口规范,用于短距离通信,主要用于嵌入式系统。SPI接口通常包括四条线:SCLK(时钟)、MOSI(主设备数据输出,从设备数据输入)、MISO(主设备数据输入,从设备数据输出)和SS(从设备选择)。在电流监测模块与中央控制单元或数据处理单元之间,SPI接口可能被用来传输数据。由于监测模块可能会处在电气嘈杂或有高电压存在的环境中,SPI接口隔离可用来防止潜在的电气干扰影响信号的完整性。
本申请采用基于神经网络模型进行油轮腐蚀深度的预测,包括如下步骤:数据收集:首先,收集以下数据作为神经网络的输入参数:经度(x1)、纬度(x2)、水深(x3)、含氧量(x4)、含盐量(x5)、pH值(x6)、水温(x7)、水压(x8)、水密度(x9)、航速(x10)、油温(x11)、油压(x12)、油含硫量(x13)、油Ph(x14)。神经网络建模:其中包含一个输入层、三个隐藏层,以及一个输出层。输入层有14个节点,对应于13个环境和操作参数以及实时腐蚀深度数据。隐藏层的设计将基于实验数据来确定每层的节点数目和激活函数。输出层将预测腐蚀深度的单个值,以输入参数为特征,腐蚀速率(V)为目标。使用均方误差(Mean Squared Error,MSE)作为损失函数,使用收集的数据来训练神经网络。选择均方误差(MSE)作为损失函数,并使用反向传播算法来调整网络权重。训练过程将包括验证步骤,以防止过拟合并确保模型具有良好的泛化能力。将收集到的数据输入训练好的神经网络,预测油轮在特定海域环境下的腐蚀速率(V)。腐蚀深度计算:使用公式 L = V * T / 1000 计算每小时的腐蚀深度,其中T为时间单位小时。为了得到每天的腐蚀深度,执行24次计算,并将结果累加得到∑Vi * Ti / 1000。自适应自学习:根据实时监测的腐蚀速率数据,进行自学习调整。将实际监测的腐蚀速率值作为新的数据点,输入到神经网络中进行二次迭代训练,以减少预测误差并优化模型。结果应用:将迭代优化后的神经网络模型应用于实际腐蚀速率的预测中,实时更新油轮腐蚀深度的预测值,以提供更准确的维护和修复时间表。
综上所述,本系统工作流程,PA电流监测模块实时检测油轮不同部位的腐蚀电流,将腐蚀速率转换为电流信号,监测到的腐蚀速率会转换为电流信号,为下一步信号处理和分析做准备。ADA4530-1放大器放大微弱的腐蚀电流信号,保证信号在传输过程中的完整性和可靠性。AD7172-2 ADC芯片将放大后的模拟信号转换为数字信号,以便STM32微控制器进行处理。STM32微控制器对ADC芯片采集到的数字信号进行初步处理,包括滤波、增益调整等,以准备数据的后续传输和分析,处理后的数据可以通过北斗传输模块或其他通信接口发送到远端的数据处理中心。北斗系统作为中国的全球卫星导航系统,提供了一个稳定的数据传输通道,尤其适用于海上环境。数据处理中心利用先进的神经网络预测模型对接收到的数据进行分析。该模型经过训练,能够根据海域条件、腐蚀速率数据等因素预测油轮的腐蚀状况。预测结果会及时反馈给船舶管理人员,使他们能够根据预测结果及时采取相应的维护和保养措施。
本申请通过实时监测关键区域的腐蚀电流。利用高精度放大器和ADC将腐蚀速率转换为精确的数字信号。通过STM32微控制器处理信号,并利用北斗系统高效传输数据。在数据中心使用神经网络模型对数据进行深度分析并预测未来的腐蚀状况。使船舶管理人员能够基于模型预测采取及时的维护措施。通过上述硬件架构和数据流程,本系统能够高效地监测和预测油轮在不同海域的腐蚀情况。这不仅帮助船舶管理人员制定科学的维护决策,而且通过及时的保养措施,显著提高油轮的使用寿命和海上运营安全。
图3为本申请一实施例提供的实现所述基于神经网络的油轮腐蚀预测系统的电子设备的结构示意图,本发明还提供一种计算机可读存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现基于神经网络的油轮腐蚀预测系统。该电子设备包括:一个或多个处理器;存储器,存储有计算机程序和数据;输入输出接口,用于收集海洋环境和油轮运行数据。该计算机程序包含指令,当这些指令被电子设备的处理器执行时,可以实现以下步骤:收集海洋环境参数和油轮运行参数;将收集的参数输入神经网络模型;执行预测腐蚀深度的计算;输出腐蚚深度预测结果。该系统的一个实施例中,神经网络模型包括输入层、多个隐藏层和输出层。输入层接收海洋环境和油轮运行参数。隐藏层负责处理输入信息,并将信息传递至输出层。输出层产生腐蚀深度的预测值。该计算机程序还可以实现自适应学习功能,通过不断接收新的数据更新神经网络模型,提高预测准确性。
Claims (10)
1.一种基于神经网络的油轮腐蚀预测系统,其特征在于,包括:
数据采集模块,用于采集腐蚀电流数据;
所述数据采集模块包含:
腐蚀电流检测单元,用于检测油轮不同位置的腐蚀电流数据;
环境数据检测单元,设置若干环境传感器,采集油轮不同位置的环境数据;
数据处理单元,采用STM32单片机,用于处理采集的腐蚀电流数据;
通信单元,通过RS485通信接口,传输处理后的腐蚀电流数据。
2.如权利要求1所述的基于神经网络的油轮腐蚀预测系统,其特征在于:
腐蚀电流检测单元包含夹层电路板和数据采集电路板;
夹层电路板,用于对采集的腐蚀电流数据进行预处理;
数据采集电路板,用于将预处理后的腐蚀电流数据转换为数字信号;
导电屏蔽层,设置在夹层电路板和数据采集电路板之间,用于隔离夹层电路板和数据采集电路板之间的漏电流。
3.如权利要求1所述的基于神经网络的油轮腐蚀预测系统,其特征在于:
腐蚀电流检测单元还包括:
若干位置传感器,用于获取电化学传感器的位置信息,输出位置坐标数据;
若干结构传感器,用于获取电化学传感器对应位置的油轮的结构信息,输出结构参数;
面积计算单元,接收位置坐标数据和结构参数,计算电化学传感器的腐蚀监测面积S。
4.如权利要求3所述的基于神经网络的油轮腐蚀预测系统,其特征在于:
还包括:云服务器;
云服务器用于建立腐蚀预测模型,预测油轮的腐蚀深度;
云服务器包含:
接收单元,接收通信单元上传的腐蚀电流数据;
计算单元,接收腐蚀电流数据,根据采样时间和Faraday算法计算腐蚀深度;
模型单元,根据腐蚀电流数据和计算得到的腐蚀深度,构建并训练神经网络预测模型。
5.如权利要求4所述的基于神经网络的油轮腐蚀预测系统,其特征在于:
还包括:
接收腐蚀电流数据电化学传感器的腐蚀监测面积S,按照如下公式计算腐蚀深度:
L=V*T
其中,L表示腐蚀深度,V表示腐蚀速率,T表示腐蚀电流数据的采样时间间隔。
6.如权利要求5所述的基于神经网络的油轮腐蚀预测系统,其特征在于:
接收腐蚀电流数据和,根据Faraday算法计算腐蚀速率:
V=I/(N*F*S)
其中,I表示采集的腐蚀电流数据,N表示腐蚀电流数据对应位置的金属的化学当量数,F表示法拉常数,S表示每个电化学传感器对应位置的油轮的腐蚀监测面积。
7.如权利要求4所述的基于神经网络的油轮腐蚀预测系统,其特征在于:
模型单元,根据腐蚀电流数据和计算得到的腐蚀深度,构建并训练神经网络预测模型,包含:
数据预处理子单元,接收环境数据检测单元采集的环境数据和计算得到的腐蚀速率,进行数据预处理,其中环境数据包含X个环境参数变量;
模型构建子单元,构建包含输入层、隐藏层和输出层的神经网络预测模型;
输入层,包含Y个神经元节点,分别与X个环境参数变量相连接;
第一隐藏层,包含N1个神经元节点,采用Leaky ReLU激活函数;
第二隐藏层,包含N2个神经元节点,采用PReLU激活函数;
第三隐藏层,包含N3个神经元节点,采用ELU激活函数;
输出层,包含1个神经元节点,输出预测得到的腐蚀速率,采用线性激活函数;
权重矩阵W1,连接输入层与第一隐藏层;
权重矩阵W2,连接第一隐藏层与第二隐藏层;
权重矩阵W3,连接第二隐藏层与第三隐藏层;
权重矩阵W4,连接第三隐藏层与输出层;
第一隐藏层节点数的大小为第二隐藏层节点数的两倍;第二隐藏层节点数的大小为第三隐藏层节点数的两倍。
8.如权利要求7所述的基于神经网络的油轮腐蚀预测系统,其特征在于:
还包括:
Y的值大于X的值;
X个环境参数变量包含:经度数据X1、纬度数据X2、水深数据X3、含氧量数据X4、含盐量数据X5、pH值数据X6、水温数据X7、水压数据X8、水密度数据X9、航速数据X10、油温数据X11、油压数据X12和油含硫量数据X13。
9.如权利要求7所述的基于神经网络的油轮腐蚀预测系统,其特征在于:
模型单元还包括:
数据输入子单元,接收预处理后的X个环境参数变量和计算得到的腐蚀深度,作为训练数据;
前向计算子单元,根据神经网络预测模型的权重矩阵W1至W4,对输入的训练数据进行前向计算,得到神经网络预测模型的预测腐蚀深度,作为输出值;
损失计算子单元,计算预测腐蚀深度和输入的腐蚀深度之间的均方误差,作为损失函数;
误差反向传播子单元,利用误差反向传播算法计算神经网络预测模型的参数梯度;
权重更新子单元,根据计算得到的参数梯度,通过自适应调整学习率的梯度下降算法更新权重矩阵W1至W4;
迭代控制子单元,控制训练数据的多轮输入,重复执行直至神经网络预测模型的损失函数的值小于阈值。
10.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至9中任意一项所述的基于神经网络的油轮腐蚀预测系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311737829.5A CN117762861A (zh) | 2023-12-18 | 2023-12-18 | 一种基于神经网络的油轮腐蚀预测系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311737829.5A CN117762861A (zh) | 2023-12-18 | 2023-12-18 | 一种基于神经网络的油轮腐蚀预测系统及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117762861A true CN117762861A (zh) | 2024-03-26 |
Family
ID=90321238
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311737829.5A Pending CN117762861A (zh) | 2023-12-18 | 2023-12-18 | 一种基于神经网络的油轮腐蚀预测系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117762861A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215395A (zh) * | 2020-09-02 | 2021-01-12 | 中国船舶重工集团公司第七研究院 | 一种基于海洋大数据的水下装备适应性信息保障系统 |
CN113008308A (zh) * | 2021-03-25 | 2021-06-22 | 青岛钢研纳克检测防护技术有限公司 | 海洋水下腐蚀环境监测系统和方法 |
CN114528753A (zh) * | 2022-01-17 | 2022-05-24 | 青岛理工大学 | 一种用于评估钢筋混凝土受损程度的智能监测装置及方法 |
CN114739891A (zh) * | 2022-03-11 | 2022-07-12 | 南京工程学院 | 一种漂浮式海上风电系泊系统腐蚀状态检测评估系统 |
CN115165725A (zh) * | 2022-06-27 | 2022-10-11 | 广州天韵达新材料科技有限公司 | 一种基于数据驱动的海上装备腐蚀监测与安全预警系统 |
-
2023
- 2023-12-18 CN CN202311737829.5A patent/CN117762861A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215395A (zh) * | 2020-09-02 | 2021-01-12 | 中国船舶重工集团公司第七研究院 | 一种基于海洋大数据的水下装备适应性信息保障系统 |
CN113008308A (zh) * | 2021-03-25 | 2021-06-22 | 青岛钢研纳克检测防护技术有限公司 | 海洋水下腐蚀环境监测系统和方法 |
CN114528753A (zh) * | 2022-01-17 | 2022-05-24 | 青岛理工大学 | 一种用于评估钢筋混凝土受损程度的智能监测装置及方法 |
CN114739891A (zh) * | 2022-03-11 | 2022-07-12 | 南京工程学院 | 一种漂浮式海上风电系泊系统腐蚀状态检测评估系统 |
CN115165725A (zh) * | 2022-06-27 | 2022-10-11 | 广州天韵达新材料科技有限公司 | 一种基于数据驱动的海上装备腐蚀监测与安全预警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Fog-based marine environmental information monitoring toward ocean of things | |
Adamo et al. | A smart sensor network for sea water quality monitoring | |
CN110542917A (zh) | 一种海洋环境核辐射监测系统及其监测方法 | |
Tinka et al. | Floating sensor networks for river studies | |
CN115220133B (zh) | 一种多气象要素降雨预测方法、装置、设备及存储介质 | |
CN116720156A (zh) | 基于图神经网络多模态气象数据融合的气象要素预报方法 | |
CN116125386A (zh) | 一种稀疏水声测距增强的水下航行器智能定位方法和系统 | |
Liu et al. | A novel algorithm for quantized particle filtering with multiple degrading sensors: Degradation estimation and target tracking | |
CN117762861A (zh) | 一种基于神经网络的油轮腐蚀预测系统及介质 | |
CN117147974B (zh) | 一体化温度水位电导率地下水采集水质分析装置 | |
CN113780177A (zh) | 一种非接触式实时原位水质监测方法 | |
CN116953707B (zh) | 一种潮位监测雷达装置及监测方法和系统 | |
Zhu et al. | Automatic cruise system for water quality monitoring | |
CN111273671A (zh) | 一种智能船舶的非周期通讯远程观测器 | |
CN114296046B (zh) | 基于人工神经网络的hfswr多海况有效波高提取方法与装置 | |
Upreti et al. | Wave Height Forecasting Over Ocean of Things Based on Machine Learning Techniques: An Application for Ocean Renewable Energy Generation | |
TWM506964U (zh) | 感測裝置與陣列型感測器量測系統 | |
CN114898202A (zh) | 基于多模型融合的水下视频目标尺度空间判别式跟踪系统及方法 | |
CN110636452B (zh) | 无线传感器网络粒子滤波目标跟踪方法 | |
Jia et al. | Design of Quantitative Risk Assessment System for Ship Longitudinal Motion Based on Analytic Hierarchy Process | |
Zhang et al. | Artificial measurements based filter for energy-efficient target tracking in underwater wireless sensor networks | |
JPH06138256A (ja) | 波浪自動観測装置 | |
JP4367140B2 (ja) | 水中生物の移動経路推定方法及び移動経路推定システム | |
CN116306893B (zh) | 一种接触网覆冰预警方法 | |
CN117540342B (zh) | 一种蒸发波导融合短期预测方法及系统 |
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 |