本发明涉及油气罐远程运维技术领域,特别是一种基于lstm的油气储罐远程壁板厚度预测方法及系统。
背景技术:
大型油气储罐壁板腐蚀减薄是油气储罐区需要面临的一个非常严峻的问题,因腐蚀造成的油气储罐泄露带来了严重的经济损失和环境污染,对油气储罐的壁板厚度值进行预测,及时发现问题,避免可能发生的事故。然而,目前在油气储罐壁板远程运维中,缺乏对油气储罐壁板厚度的预测方法,只能通过实时检测获取当前时刻的壁板厚度。
技术实现要素:
有鉴于此,本发明的目的是提出一种基于lstm的油气储罐远程壁板厚度预测方法及系统,可有效避免可能发生的事故,实现油气储罐壁板的预测性维护。
本发明采用以下方案实现:一种基于lstm的油气储罐远程壁板厚度预测方法,具体包括以下步骤:
远程采集五组油气储罐运行参数:壁板厚度t、储罐外部环境温度c、储罐内部油气压力p、壁板振动幅值v、空气湿度h,并构建时间序列数据集;
计算各个特征与输出壁板厚度序列的相关性系数;
归一化处理时间序列数据集,将归一化后的数据集分成训练数据集和验证数据集;
以相关性系数初始化lstm模型权重,利用训练数据集对lstm模型进行学习训练;
通过验证数据集对训练好的模型进行验证,若验证不通过,则采集新数据,构建新的时间序列数据集,并重复上述步骤,直到模型验证通过;
采集最新时刻的数据,输入到验证通过的lstm模型,实现下一时刻壁板厚度值预测。
进一步地,所述远程采集五组油气储罐运行参数:壁板厚度t、储罐外部环境温度c、储罐内部油气压力p、壁板振动幅值v、空气湿度h,并构建时间序列数据集具体包括以下步骤:
步骤s11:远程采集壁板厚度检测点的外部温度c、壁板压力p、壁板振动量v、空气湿度h、壁板厚度t;
步骤s12:采用时间t为采样间隔时间,分别获取如下运行参数时间序列:
t=[t0,tt,t2t,...tkt...,t(n-1)t,tnt],
c=[c0,ct,c2t,...ckt...c(n-1)t,cnt],
p=[p0,pt,p2t,...pkt...p(n-1)t,pnt],
v=[v0,vt,v2t,...vkt...v(n-1)t,vnt],
h=[h0,ht,h2t,...hkt...h(n-1)t,hnt];
其中,tkt表示kt时刻采集的壁板厚度数据,ckt表示kt时刻采集的外部温度数据,pkt表示kt时刻采集的壁板压力数据,vkt表示kt时刻采集的壁板振动量数据,hkt表示kt时刻采集的空气湿度数据;其中,k=0,1,...,n,n+1为最大采集数。
进一步地,所述计算各个特征与输出壁板厚度序列的相关性系数具体为:计算运行参数时间序列c、p、v、h的时间序列数据与壁板厚度时间序列的相关性系数[ρct,ρpt,ρvt,ρht]t;
式中,e(*)表示取均值操作,d(*)表示取方差操作。
进一步地,所述以相关性系数初始化lstm模型权重,利用训练数据集对lstm模型进行学习训练具体包括以下步骤:
步骤s21:初始化模型权重,分别为:
遗忘门f的初始权重:
wf=[wfh,wfx];其中,wfh=ρct,wfx=[ρct,ρct,ρct,ρct,ρct];
输入门i的初始权重:
wi=[wih,wix],其中,wih=ρpt,wix=[ρpt,ρpt,ρpt,ρpt,ρpt];
输出门o的初始权重:
wo=[woh,wox],其中,woh=ρvt,wox=[ρvt,ρvt,ρvt,ρvt,ρvt];
记忆单元c的初始权重:
wc=[wch,wcx],其中,wch=ρht,wcx=[ρht,ρht,ρht,ρht,ρht];
步骤s22:使用训练数据集进行模型学习训练,通过误差反向传播进行模型参数更新。
进一步地,所述通过验证数据集对训练好的模型进行验证具体为:将验证数据集输入到训练好的模型中,得到nt时刻的归一化预测值,通过与nt时刻的壁板厚度实际值t的归一化数值比较,如果差值绝对值在设定阈值范围内,则模型验证通过。
进一步地,所述采集最新时刻的数据,输入到验证通过的lstm模型,实现下一时刻壁板厚度值预测中,在模型输出预测值后,将其进行反归一化操作,得到下一时刻的壁板厚度值。
进一步地,还包括步骤:定义油气储罐壁板失效阈值为tinvalid,预测壁厚值tyc小于规定阈值tinvalid,则判定为壁板厚度异常。
本发明还提供了一种基于lstm的油气储罐远程壁板厚度预测系统,包括数据采集与预处理模块、相关性分析模块、模型训练模块、模型验证模块以及厚度预测模块;
所述数据采集与预处理模块远程采集五组油气储罐运行参数:壁板厚度t、储罐外部环境温度c、储罐内部油气压力p、壁板振动幅值v、空气湿度h,并构建时间序列数据集;同时,归一化处理时间序列数据集,将归一化后的数据集分成训练数据集和验证数据集;
所述相关性分析模块以相关性系数初始化lstm模型权重;
所述模型训练模块利用训练数据集对lstm模型进行学习训练;
所述模型验证模块通过验证数据集对训练好的模型进行验证,若验证不通过,则采集新数据,构建新的时间序列数据集,并重复上述步骤,直到模型验证通过;
所述厚度预测模块采集最新时刻的数据,输入到验证通过的lstm模型,实现下一时刻壁板厚度值预测。
上述各模块所进行的处理细节均可与上文方法部分相同。
本发明还提供了一种基于lstm的油气储罐远程壁板厚度预测系统,包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序,当处理器在运行该计算机程序时,能够实现如上文所述的方法步骤。
本发明还提供了一种计算机可读存储介质,其上存储有能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如上文所述的方法步骤。
本发明考虑储油罐外部环境温度、湿度等油气储罐壁板厚度腐蚀因素,还考虑壁板预测位置的振动量和壁板所承受的压力。通过建立lstm网络预测模型,以及对历史数据的分析,对下一时刻的壁板厚度进行预测,并结合规定阈值进行故障预判断,可有效避免可能发生的事故,实现油气储罐壁板的预测性维护。
与现有技术相比,本发明有以下有益效果:
1、本发明提取的特征数据简单、易于提取,并且与壁板厚度具有较强的相关性,可以更加全面评估壁板厚度变化情况,保证其预测精度。
2、本发明基于lstm的油气储罐壁板厚度的预测方法,将实时采集的当前数据放入训练好的lstm网络模型并得出下一时刻壁板厚度预测结果,能够提供有效可靠的预测方法。
附图说明
图1为本发明实施例的本发明的原理流程示意图。
图2为本发明实施例的lstm神经网络原理图。
图3为本发明实施例的预测示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供了一种基于lstm的油气储罐远程壁板厚度预测方法,具体包括以下步骤:
远程采集五组油气储罐运行参数:壁板厚度t、储罐外部环境温度c、储罐内部油气压力p、壁板振动幅值v、空气湿度h,并构建时间序列数据集;
计算各个特征与输出壁板厚度序列的相关性系数;
归一化处理时间序列数据集,将归一化后的数据集分成训练数据集和验证数据集;
以相关性系数初始化lstm模型权重,利用训练数据集对lstm模型进行学习训练;
通过验证数据集对训练好的模型进行验证,若验证不通过,则采集新数据,构建新的时间序列数据集,并重复上述步骤,直到模型验证通过;
采集最新时刻的数据,输入到验证通过的lstm模型,实现下一时刻壁板厚度值预测。
在本实施例中,所述远程采集五组油气储罐运行参数:壁板厚度t、储罐外部环境温度c、储罐内部油气压力p、壁板振动幅值v、空气湿度h,并构建时间序列数据集具体包括以下步骤:
步骤s11:远程采集壁板厚度检测点的外部温度c、壁板压力p、壁板振动量v、空气湿度h、壁板厚度t;
步骤s12:采用时间t为采样间隔时间,分别获取如下运行参数时间序列:
t=[t0,tt,t2t,...tkt...,t(n-1)t,tnt],
c=[c0,ct,c2t,...ckt...c(n-1)t,cnt],
p=[p0,pt,p2t,...pkt...p(n-1)t,pnt],
v=[v0,vt,v2t,...vkt...v(n-1)t,vnt],
h=[h0,ht,h2t,...hkt...h(n-1)t,hnt];
其中,tkt表示kt时刻采集的壁板厚度数据,ckt表示kt时刻采集的外部温度数据,pkt表示kt时刻采集的壁板压力数据,vkt表示kt时刻采集的壁板振动量数据,hkt表示kt时刻采集的空气湿度数据;其中,k=0,1,...,n,n+1为最大采集数。
在本实施例中,所述计算各个特征与输出壁板厚度序列的相关性系数具体为:计算运行参数时间序列c、p、v、h的时间序列数据与壁板厚度时间序列的相关性系数[ρct,ρpt,ρvt,ρht]t;
式中,e(*)表示取均值操作,d(*)表示取方差操作。
较佳的,本实施例归一化处理所采集的数据,对运行参数的时间序列c、p、v、h与壁板厚度t时间序列进行归一化处理,归一化的计算式为:
式中,max(x)、min(x)分别表示t、c、p、v、h时间序列数中的最大值和最小值,xkt是表示kt时刻的时间序列数据。
计算得到归一化的时间序列为:
较佳的,如图3所示,本实施例将将数据集分为训练集和验证集,时序长度分别为n=0~l,n=(l+1)~n-1。训练数据集用于模型的学习训练,验证数据集用来模型验证。
在本实施例中,所述以相关性系数初始化lstm模型权重,利用训练数据集对lstm模型进行学习训练具体包括以下步骤,其中,lstm的模型如图2所示:
步骤s21:初始化模型权重,分别为:
遗忘门f的初始权重:
wf=[wfh,wfx];其中,wfh=ρct,wfx=[ρct,ρct,ρct,ρct,ρct];
输入门i的初始权重:
wi=[wih,wix],其中,wih=ρpt,wix=[ρpt,ρpt,ρpt,ρpt,ρpt];
输出门o的初始权重:
wo=[woh,wox],其中,woh=ρvt,wox=[ρvt,ρvt,ρvt,ρvt,ρvt];
记忆单元c的初始权重:
wc=[wch,wcx],其中,wch=ρht,wcx=[ρht,ρht,ρht,ρht,ρht];
步骤s22:初始化lstm训练模型。通过训练数据集训练获得lstm神经网络油气储罐壁板厚度预测模型,lstm神经网络模型中:
遗忘门f为:
fjt=σ(wf·[h(j-1)t,xjt]t+bf);
输入门i为:
ijt=σ(wi·[h(j-1)t,xjt]t+bi);
输出门o为:
ojt=σ(wo[h(j-1)t,xjt]t+bo);
记忆单元c为:
cjt=fjtc(j-1)t+ijttanh(wc·[h(j-1)t,xjt]t+bc);
lstm的输出为:
hjt=ojttanh(cjt);
其中,j=0,1,2,…,n,bf、bi、bo、bc为偏置项,初始值均为0。
步骤s23:设置训练总步长为n(n<n-1),模型训练过程如下:
第1次训练:
j=0时:以
j=1,2,…,n-1时:以
j=1,2,…,n-1时:以
第k=2,3,…,l-n+1次训练:
j=k-1,k,…,n+k-2时:以
j=n+k-1时:以
以
在本实施例中,所述通过验证数据集对训练好的模型进行验证具体为:将验证数据集输入到训练好的模型中,得到nt时刻的归一化预测值,通过与nt时刻的壁板厚度实际值t的归一化数值比较,如果差值绝对值在设定阈值范围内,则模型验证通过。具体的,以
在本实施例中,所述采集最新时刻的数据,输入到验证通过的lstm模型,实现下一时刻壁板厚度值预测中,在模型输出预测值后,将其进行反归一化操作,得到下一时刻的壁板厚度值。具体的,将最新时刻采集到的t、c、p、v、h输入到已验证通过的lstm模型中,模型输出值反归一化后,即为下一时刻油气储罐壁板厚度预测值。
进一步地,本实施例还包括步骤:定义油气储罐壁板失效阈值为tinvalid,预测壁厚值tyc小于规定阈值tinvalid,则判定为壁板厚度异常。
本实施例还提供了一种基于lstm的油气储罐远程壁板厚度预测系统,包括数据采集与预处理模块、相关性分析模块、模型训练模块、模型验证模块以及厚度预测模块;
所述数据采集与预处理模块远程采集五组油气储罐运行参数:壁板厚度t、储罐外部环境温度c、储罐内部油气压力p、壁板振动幅值v、空气湿度h,并构建时间序列数据集;同时,归一化处理时间序列数据集,将归一化后的数据集分成训练数据集和验证数据集;
所述相关性分析模块以相关性系数初始化lstm模型权重;
所述模型训练模块利用训练数据集对lstm模型进行学习训练;
所述模型验证模块通过验证数据集对训练好的模型进行验证,若验证不通过,则采集新数据,构建新的时间序列数据集,并重复上述步骤,直到模型验证通过;
所述厚度预测模块采集最新时刻的数据,输入到验证通过的lstm模型,实现下一时刻壁板厚度值预测。
上述各模块所进行的处理细节均可与上文方法部分相同。
本实施例还提供了一种基于lstm的油气储罐远程壁板厚度预测系统,包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序,当处理器在运行该计算机程序时,能够实现如上文所述的方法步骤。
本实施例还提供了一种计算机可读存储介质,其上存储有能够被处理器运行的计算机程序指令,当处理器运行该计算机程序指令时,能够实现如上文所述的方法步骤。
本发明考虑储油罐外部环境温度、湿度等油气储罐壁板厚度腐蚀因素,还考虑壁板预测位置的振动量和壁板所承受的压力。通过建立lstm网络预测模型,以及对历史数据的分析,对下一时刻的壁板厚度进行预测,并结合规定阈值进行故障预判断,可有效避免可能发生的事故,实现油气储罐壁板的预测性维护。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。