[發明專利]數據驅動的設備腐蝕預測方法

在審

• 申請號: 202210449558.2
• 申請日: 2022-04-26
• 公開（公告）號: CN114818927A
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 李如;陳良超;楊劍鋒
• 申請（專利權）人: 北京化工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/00;G06N5/00
• 代理公司: 北京鍾維聯合知識產權代理有限公司 11579
• 代理人: 黃利萍

本申請提供一種數據驅動的設備腐蝕預測方法，用于對設備的關鍵部位的腐蝕狀態進行預測。該方法基于數據驅動的思想建立針對設備腐蝕機理、腐蝕類型、腐蝕程度的綜合腐蝕預測過程，共涉及數據獲取、數據劃分、數據處理以及數據建模四個方面。首先，基于大量設備腐蝕檢測歷史數據和GB/T 30579?2014等相關標準信息進行數據收集，其次，根據不同腐蝕狀態結果劃分數據，構建腐蝕機理預測數據集、腐蝕類型預測數據集和腐蝕程度預測數據集，應用過采樣算法解決數據集的樣本不平衡問題，最終，建立RF模型預測并采用PSO智能優化算法調參。該方法能夠對設備的腐蝕機理、腐蝕類型以及腐蝕程度進行有效預測，提高設備腐蝕預測的準確性和效率。

技術領域

本申請涉及腐蝕監測領域，具體涉及一種數據驅動的設備腐蝕預測方法。

背景技術

腐蝕是指金屬等材料在周圍介質的作用下產生的損傷破壞過程。尤其對于石油和天然氣行業而言，設備的腐蝕往往會引發嚴重的負面影響，包括設備結構的失效、有毒物質的泄漏以及相應的火災爆炸事故等，從而產生重大的生命和財產損失。因此，開展煉化設備的腐蝕防護，消除潛在腐蝕威脅對石油和天然氣行業的發展和工藝設備的安全運行具有重要意義。腐蝕診斷是開展腐蝕防護的第一步，通過診斷識別設備腐蝕安全狀態也是評估設備完整性和安全性的重要依據。

目前，工程上的腐蝕診斷通常需要有經驗的人員對設備進行腐蝕機理識別判斷，隨后采用宏觀目測或其他檢測儀器進行腐蝕檢查，從而對設備腐蝕狀態進行診斷。然而，此類依賴于專家經驗的診斷評估方法效率低且受人為因素影響大，無法全面有效的提供設備腐蝕狀態信息。隨著人工神經網絡(ArtificialNeural Network，ANN)、支持向量機(Support Vector Machine，SVM)、隨機森林(Random Forest，RF)等數據預測模型在圖像識別、醫療健康評估、故障診斷等多個領域的成功應用，以及長期積累下來的大量設備檢測狀態數據，為研究設備腐蝕規律和預測方法提供了新思路。其中，RF算法的操作簡單、泛化能力較好、分類精度高、善于處理大樣本數據并且可以在一定程度上抑制類別不平衡數據影響等特點，恰好滿足數據量大且各參數關系復雜的設備腐蝕檢測數據集的應用，也為開展腐蝕診斷研究提供了一定啟發。

發明內容

針對上述技術問題，本申請實施例提供一種數據驅動的設備腐蝕預測方法，能夠至少解決上述技術問題之一。

本申請采用的技術方案為：

本申請提供一種數據驅動的設備腐蝕預測方法，用于對設備的關鍵部位的腐蝕狀態進行預測，所述方法包括以下步驟：

S1，獲取設備基礎數據，所述設備基礎數據包括第一參數信息和第二參數信息，所述第一參數信息包括(A1，A2，…，A9)，所述第二參數信息包括(B1，B2，B3)其中，A1，A2，…，A9分別表示設備名稱、設備關鍵部位、設備材質、設備投用日期、設備檢測日期、設備運行時間、設置工藝介質、設備工作溫度和設備工作壓力，B1、B2和B3分別表示腐蝕機理、腐蝕類型和腐蝕程度；

S2，基于獲取的基礎數據構建腐蝕機理預測數據集、腐蝕類型預測數據集和腐蝕程度預測數據集；所述腐蝕機理預測數據集包括m1組樣本數據，每組樣本數據包括(A1，A2，…，A9，B1)；腐蝕類型預測數據集包括m2組樣本數據，每組樣本數據包括(A2，A6，A8，A9，B2)；腐蝕程度預測數據集包括m3組樣本數據，每組樣本數據包括(A2，A6，A8，A9，B3)；

S3，對構建的每個數據集中的數據進行預處理，使得所有數據轉換為全數值型數據并得到平衡數據集；

S4，將預處理后的每個數據集分別劃分為訓練集和測試集；

S5，構建RF預測模型和優化超參數；

S6，對于每個數據集，執行如下步驟：