[發明專利]一種基于卷積神經網絡的埋地管道陰極保護系統故障診斷方法

在審

• 申請號: 202011481130.3
• 申請日: 2020-12-16
• 公開（公告）號: CN112508429A
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 董亮;陳金澤;李恩田;周詩崠;呂曉方;姚知林;石超杰
• 申請（專利權）人: 常州大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q10/00;G06N3/04
• 代理公司: 常州市英諾創信專利代理事務所(普通合伙) 32258
• 代理人: 王美華

本發明涉及一種基于卷積神經網絡的埋地管道陰極保護系統故障診斷方法，首先采集陰極保護系統的恒電位儀和測試樁處的歷史運行數據，并進行數據預處理，然后基于卷積神經網絡構建埋地管道陰極保護系統故障診斷模型；將實時運行數據進行數據預處理，最后傳遞至卷積神經網絡故障診斷模型進行故障診斷。此方法提高了故障的識別診斷能力，本發明的這種管道故障診斷模型方法通過卷積神經網絡的學習和識別能力，能夠快速、準確地識別出埋地管道陰極保護系統所處的故障狀態，提高故障診斷識別的準確率，對埋地管道陰極保護系統故障的及時處理并維持正常運行有著重大意義。

技術領域

本發明涉及系統故障診斷技術領域，尤其是一種基于卷積神經網絡的埋地管道陰極保護系統故障診斷方法。

背景技術

現代工業系統正呈現出向大型化、復雜化的方向發展，設施的運行狀態與企業的經濟效益密切相關。企業生產設施復雜化的發展使得針對工業設備的故障診斷與故障的提前預測出現一系列的難題。大型系統一旦發生故障，必定會帶來嚴重后果，威脅人員生命安全和財產損失。而故障診斷技術往往能夠在時間區間內快速的診斷出故障類型，甚至提前預測故障的發生，指導相關工作人員及時處理并修復相關故障。

系統故障的發生和許多的因素有關，首先依賴于系統運行的各個屬性；其次，故障的發生往往是一個漸變的過程，在故障發生之前往往會產生征兆，當前故障的產生是一個征兆累積的結果，即系統的故障具有時延性。

在埋地管道陰極保護系統方面，國標要求陰極保護率達到100％，恒電位儀有效率達到98％。現有的診斷技術對管道運維人員專業水平要求較高，運維人員受限于自身技術水平往往不能滿足要求；而請專業技術人員需要前往現場檢測在時間上通常滯后，不但容易引起嚴重后果，且花費較高。

故障診斷分為定性分析方法和定量分析方法。傳統的故障診斷方法往往針對單一設備、子系統、子單元，難以發現組成單元之間的關聯關系，容易造成誤診，漏診。近年來，基于卷積神經網絡以深度學習為代表的智能故障診斷方法，已廣泛應用與大型風車、滾動軸承、航空航天設備等方面，給故障診斷帶來了許多便利與新思路。

發明內容

本發明要解決的技術問題是：為了克服現有技術中之不足，本發明提供一種基于卷積神經網絡的埋地管道陰極保護系統故障診斷方法，以解決現有故障診斷方法中人為判別結果效率低、準確性較差且不及時的問題。

本發明解決其技術問題所采用的技術方案是：一種基于卷積神經網絡的埋地管道陰極保護系統故障診斷方法，包括以下步驟：

S1、采集陰極保護系統的歷史運行數據并進行數據預處理；

S2、將預處理后的歷史運行數據劃分為訓練數據和測試數據；

S3、基于卷積神經網絡構建故障診斷模型，通過訓練數據對所構建的故障診斷模型進行訓練，得到訓練好的故障診斷模型；

S4、利用測試數據對訓練好的故障診斷模型進行測試評估；

S5、若測試數據測試效果好，模型收斂則得出最終故障診斷模型；若測試效果不佳，模型未收斂則對模型的超參數進行調整直至模型收斂得出最終故障診斷模型；

S6、采集陰極保護系統實時運行數據并進行數據預處理；

S7、將處理后的實時運行數據帶入最終故障診斷模型進行故障診斷，得出診斷結果。

其中步驟S1和步驟S6中的數據預處理方法相同，包含如下三個步驟：

(1)、對所采集的歷史運行數據和實時運行數據進行缺失值處理；

(2)、將缺失值補足后的歷史運行數據和實時運行數據進行歸一化處理；

(3)、將歸一化處理后的歷史運行數據和實時運行數據構造為時頻域特征圖。