摘要
腐蚀状态的准确预测对油气储运、化工设备安全可靠运行具有重要意义。因腐蚀过程复杂,影响因素多,导致常规腐蚀预测方法中先验模型对环境依赖性大,中长期预测效果差。本文提出一种融合模糊推理和深度学习的数模融合驱动的卡尔曼滤波腐蚀预测方法。首先结合腐蚀物理模型和实际监测数据,建立腐蚀速度模糊规则,得到基于现场环境的结合物理模型的修正腐蚀速度。同时针对模糊推理结果存在的预测滞后性,考虑腐蚀监测数据的长期规律性,利用深度学习预测腐蚀速度;然后融合模糊策略和深度学习预测结果,实现基于卡尔曼滤波的数模融合腐蚀预测。最后利用天然气管道实际腐蚀监测数据,与高斯过程回归(Gaussian process regression, GPR),粒子群优化灰度模型(particle swarm optimization gray model, PSOGM),模糊推理(fuzzy reasoning, FR),多层感知机(multilayer perceptron, MLP)和卡尔曼滤波预测方法(Kalman filter, KF)进行了对比验证分析。结果表明本文所提方法具有良好的预测效果,对两年内腐蚀状态的相对预测误差在1%范围内,均方根误差为0.000 49 mm,平均绝对百分比误差为0.34%。
-
单位重庆市计量质量检测研究院; 重庆电子工程职业学院; 重庆大学