[發(fā)明專利]一種特種設(shè)備安全性分析的方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 202110011885.5
• 申請日: 2021-01-06
• 公開（公告）號: CN112668200B
• 公開（公告）日: 2023-08-29
• 發(fā)明（設(shè)計）人: 胡義鋒;張邢;張發(fā)旺;雷陽
• 申請（專利權(quán)）人: 西安理工大學(xué)
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/23;G06F16/245;G06F16/28;G06F16/22;G06N3/08;G06N3/0464;G06F119/14;G06F113/14;G06F119/02;G06F119/08
• 代理公司: 北京方圓嘉禾知識產(chǎn)權(quán)代理有限公司 11385
• 代理人: 程華

本發(fā)明涉及一種特種設(shè)備安全性分析的方法及系統(tǒng)，包括：獲取特種設(shè)備的特征數(shù)據(jù)；對所述特征數(shù)據(jù)進行去量綱化處理，得到無量綱的特征參數(shù)向量；對所述特征參數(shù)向量進行二維化處理，生成二維特征矩陣；對所述二維特征矩陣進行可視化處理，生成灰度圖；基于所述灰度圖，采用神經(jīng)網(wǎng)絡(luò)模型對所述特征設(shè)備的安全性進行分析。本發(fā)明可以提高特種設(shè)備安全性分析的準確度。

技術(shù)領(lǐng)域

本發(fā)明涉及設(shè)備安全性能分析領(lǐng)域，特別是涉及一種特種設(shè)備安全性分析的方法及系統(tǒng)。

背景技術(shù)

特種設(shè)備包括鍋爐、壓力容器、壓力管道、起重器械等設(shè)備。由于其特殊的使用目的，常常處于高溫高壓工況下，為了防止事故的發(fā)生，對設(shè)備進行安全性分析為正常使用需要。但對特種設(shè)備進行安全性分析涉及到很多因素，如設(shè)備幾何尺寸、設(shè)備材料、工作環(huán)境、工作壓力變化、初始缺陷等。這些因素之間又在某些特定情況下相互影響甚至耦合，這使得在系統(tǒng)考慮這些影響因素的情況下給出較為普適的特種設(shè)備的安全性分析方法是非常困難的。傳統(tǒng)的工程計算方法或有限元計算方法大幅度地依賴于專家的知識經(jīng)驗，難以普遍使用。而機器學(xué)習(xí)恰好對處理大量影響因素的問題具有很好的適應(yīng)性，因此以基于機器學(xué)習(xí)的特種容器安全性分析系統(tǒng)有望在較大范圍內(nèi)給出統(tǒng)一的評判方法，具有很好的應(yīng)用前景。

近年來，神經(jīng)網(wǎng)絡(luò)稱為機器學(xué)習(xí)眾多算法中最為熱門的一種，按照人腦的處理模式，希望其可以按照人類大腦的邏輯運行。隨著研究的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)日益復(fù)雜和體量日益增加，神經(jīng)網(wǎng)絡(luò)中的卷積神經(jīng)網(wǎng)絡(luò)，已經(jīng)在計算機視覺、自然語言處理和機械故障診斷中，發(fā)揮出優(yōu)良性能。為了將原始的收集到的數(shù)據(jù)轉(zhuǎn)化為訓(xùn)練神經(jīng)網(wǎng)絡(luò)特別是卷積神經(jīng)網(wǎng)絡(luò)可用的數(shù)據(jù)，需要對數(shù)據(jù)進行必要的預(yù)處理。作為一個十余年來快速發(fā)展的嶄新領(lǐng)域，深度學(xué)習(xí)受到了越來越多研究者的關(guān)注，它在特征提取和模型擬合上都有著相較于淺層模型顯然的優(yōu)勢。深度學(xué)習(xí)善于從原始輸入數(shù)據(jù)中挖掘越來越抽象的分布式特征表示，而這些表示具有良好的泛化能力。它解決了過去人工智能中被認為難以解決的一些問題。且隨著訓(xùn)練數(shù)據(jù)集數(shù)量的顯著增長以及芯片處理能力的劇增，它在目標檢測和計算機視覺、自然語言處理、語音識別和語義分析等領(lǐng)域成效卓然，因此也促進了人工智能的發(fā)展。深度學(xué)習(xí)是包含多級非線性變換的層級機器學(xué)習(xí)方法，深層神經(jīng)網(wǎng)絡(luò)是目前的主要形式，其神經(jīng)元間的連接模式受啟發(fā)于動物視覺皮層組織，而卷積神經(jīng)網(wǎng)絡(luò)則是其中一種經(jīng)典而廣泛應(yīng)用的網(wǎng)絡(luò)結(jié)構(gòu)。卷積神經(jīng)網(wǎng)絡(luò)主要是為了處理二維輸入數(shù)據(jù)而特殊設(shè)計的多層人工神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)中的每層都由多個二維平面組成，而每個平面由多個獨立的神經(jīng)元組成，相鄰兩層的神經(jīng)元之間互相連接，而處于同一層的神經(jīng)元之間沒有連接。

數(shù)據(jù)預(yù)處理在構(gòu)建網(wǎng)絡(luò)模型時是很重要的，往往能夠決定訓(xùn)練結(jié)果。雖然卷積神經(jīng)網(wǎng)絡(luò)可以處理一維數(shù)據(jù)，但是主要是針對時間序列數(shù)據(jù)的處理，像特征參數(shù)這樣一組描述一個對象的數(shù)據(jù)并沒有前后順序，所以是不適用的。已有的一維數(shù)據(jù)二維化方法是把數(shù)據(jù)排列成矩陣形式，然后在此基礎(chǔ)上進行進一步的處理成為輸入數(shù)據(jù)。該方法雖將一維數(shù)據(jù)轉(zhuǎn)換為二維形式，但限定了數(shù)據(jù)的大小必須是n²，適用問題的普適性不足；若一維數(shù)據(jù)長度較短，則二維化生成矩陣尺寸過小，生成的數(shù)據(jù)質(zhì)量很低。使得后續(xù)機器學(xué)習(xí)對數(shù)據(jù)特征提取能力不足，最終影響神經(jīng)網(wǎng)絡(luò)的性能，影響設(shè)備安全性能分析的準確度。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種特種設(shè)備安全性分析的方法及系統(tǒng)，以提高設(shè)備安全性能分析的準確度。

為實現(xiàn)上述目的，本發(fā)明提供了如下方案：

一種特種設(shè)備安全性分析的方法，包括：

獲取特種設(shè)備的特征數(shù)據(jù)；

對所述特征數(shù)據(jù)進行去量綱化處理，得到無量綱的特征參數(shù)向量；

對所述特征參數(shù)向量進行二維化處理，生成二維特征矩陣；

對所述二維特征矩陣進行可視化處理，生成灰度圖；

基于所述灰度圖，采用神經(jīng)網(wǎng)絡(luò)模型對所述特征設(shè)備的安全性進行分析。