[發(fā)明專(zhuān)利]基于偏最小二乘法的地鐵雜散電流下管道腐蝕預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110274856.8
• 申請(qǐng)日: 2021-03-15
• 公開(kāi)（公告）號(hào): CN112989660B
• 公開(kāi)（公告）日: 2021-09-17
• 發(fā)明（設(shè)計(jì)）人: 林珊;農(nóng)興中;袁江;陳霞;王紅燕;崖尚松;陸云;王洪杰;王哲元;黃鳳至;高杰;黃忠興;林志立;阮艷妹;張悅;徐文田;羅旭;趙美君;鄧樹(shù);黃強(qiáng);諶小莉;盧小莉;鄧婕;申俊逸
• 申請(qǐng)（專(zhuān)利權(quán)）人: 廣州地鐵設(shè)計(jì)研究院股份有限公司
• 主分類(lèi)號(hào): G06F30/23
• 分類(lèi)號(hào): G06F30/23;G06F17/18;G06F17/11;G06K9/62;G06Q50/08;G06F113/14
• 代理公司: 廣州新諾專(zhuān)利商標(biāo)事務(wù)所有限公司 44100
• 代理人: 羅毅萍;盧頌昇

1.一種基于偏最小二乘法的地鐵雜散電流下管道腐蝕預(yù)測(cè)方法，其特征在于，所述方法包括以下步驟：

S1、在地鐵運(yùn)行車(chē)間內(nèi)設(shè)置若干個(gè)樣本參數(shù)測(cè)量點(diǎn)，同時(shí)沿軌道等間距鋪設(shè)若干個(gè)傳感器，所述測(cè)量點(diǎn)對(duì)地表電位進(jìn)行測(cè)量采集得P，所述傳感器測(cè)量采集得到管道腐蝕電流密度值Q，并結(jié)合有限元軟件建立仿真等效模型，由此構(gòu)成地表電位矩陣即自變量矩陣X，以及管道腐蝕電流密度矩陣即因變量矩陣Y；

S2、根據(jù)拉依達(dá)準(zhǔn)則對(duì)自變量矩陣X和因變量矩陣Y進(jìn)行預(yù)處理，并取列車(chē)運(yùn)行工況為加速和勻速階段所得的自變量矩陣和因變量矩陣作為訓(xùn)練變量組X_test和Y_test；

S3、對(duì)訓(xùn)練變量組X_test和Y_test進(jìn)行矩陣化處理得到殘差矩陣；

S4、根據(jù)S3得到的殘差矩陣建立偏最小二乘回歸方程式；

S5、優(yōu)化偏最小二乘回歸方程式；

S6、將測(cè)試樣本代入到偏最小二乘回歸方程式，得到預(yù)測(cè)后的管道腐蝕電流密度結(jié)構(gòu)；

所述步驟S5具體包括：

在偏最小二乘法建模過(guò)程中，通過(guò)交叉驗(yàn)證有效性來(lái)獲得最終選取的主成分，其方法是：

將若干個(gè)樣本參數(shù)測(cè)量點(diǎn)分為兩部分，第一部分為去除任意樣本點(diǎn)b的所有樣本集合，使用g個(gè)成分將這些樣本點(diǎn)擬合得到一個(gè)回歸方程；第二部分為把被排除的樣本點(diǎn)b代入得到的擬合方程中，得到在樣本點(diǎn)b上的擬合值遍歷所有樣本點(diǎn)，則定義y_j的預(yù)測(cè)誤差平方和為PRESS(g)，再將所有的樣本點(diǎn)擬合含g個(gè)成分的回歸方程，記第b個(gè)樣本點(diǎn)的預(yù)測(cè)值為定義y_j誤差平方和為SS(g)，通過(guò)設(shè)置偏最小二乘參數(shù)來(lái)判斷增加成分t_g對(duì)精度是否是有益的，若是，則停止抽取成分，確定t_g個(gè)成分對(duì)，若不是，則繼續(xù)抽取成分；

通過(guò)交叉有效性檢驗(yàn)確定的t_g個(gè)成分對(duì)可得自變量提出成分系數(shù)，將相關(guān)性較低的位置變量剔除，進(jìn)一步減少傳感器的數(shù)量，減少傳感器數(shù)量的原則為：根據(jù)列車(chē)運(yùn)行工況，在加速和減速階段泄露電流最大處傳感器密集選取，勻速階段泄露電流較小處稀疏選取傳感器。

2.根據(jù)權(quán)利要求1所述的基于偏最小二乘法的地鐵雜散電流下管道腐蝕預(yù)測(cè)方法，其特征在于，所述步驟S2中根據(jù)拉依達(dá)準(zhǔn)則對(duì)自變量矩陣X和因變量矩陣Y進(jìn)行預(yù)處理具體包括：

根據(jù)拉依達(dá)準(zhǔn)則，使用正態(tài)分布函數(shù)確定區(qū)間，將剩余誤差超過(guò)3σ的位置變量標(biāo)記為異常值，并去除電位為0的位置變量和極端值位置變量，形成縮減后的自變量矩陣X。

3.根據(jù)權(quán)利要求1所述的基于偏最小二乘法的地鐵雜散電流下管道腐蝕預(yù)測(cè)方法，其特征在于，所述步驟S3的矩陣化處理具體包括：

S31、分別提取訓(xùn)練變量組X_test和Y_test的第一對(duì)主成分t₁和u₁，并使之相關(guān)性達(dá)到最大，其中t₁是自變量矩陣X_test的線(xiàn)性組合，u₁是因變量矩陣Y_test的線(xiàn)性組合，所述t₁和u₁分別提取各自所在的訓(xùn)練變量組的變異信息且相關(guān)度達(dá)到最大；

S32、建立Y_test對(duì)t₁的回歸以及X_test對(duì)t₁的回歸，其回歸模型為：

其中，和是通過(guò)訓(xùn)練變量組的標(biāo)準(zhǔn)化觀測(cè)數(shù)據(jù)矩陣E₀和F₀計(jì)算的第一對(duì)主成分的得分向量，E₁，F(xiàn)₁是回歸模型中對(duì)應(yīng)的殘差矩陣，α₁和β₁為回歸系數(shù)向量；

S33、用殘差矩陣E₁，F(xiàn)₁代替E₀和F₀，記為和則殘差矩陣若殘差矩陣F₁中元素的絕對(duì)值近似為0，則停止抽取成分，進(jìn)入所述步驟S4，否則用殘差矩陣E₁，F(xiàn)₁代替E₀和F₀，返回步驟S31。