基于粗糙集與遺傳小波神經網絡的石油管道漏損預測方法
【專利說明】
[0001]
技術領域
[0002] 本發明涉及石油管道漏損預警領域，具體涉及了一種基于粗糙集與遺傳小波神經 網絡的石油管道漏損預測方法。
[0003]
【背景技術】
[0004] 伴隨著能源市場需求的不斷擴大，石油在國家經濟發展中起著十分重要的作用。 管道運輸為石油運輸的主要方式，其運行狀態直接關系到石油資源的安全運輸，因此受到 越來越多的重視。由于石油管道自身的設計、施工質量、所處自然環境以及人為破壞，隨著 使用時間的增加，會導致漏損的發生，從而對石油管道所屬企業的安全生產帶來影響，甚至 引起環境危害，造成巨大的經濟損失。盡管現有儀器可以檢測石油管道的漏損，然而儀器檢 測需要消耗大量的人力與物力，并且只能在被動的在石油管道漏損發生之后才能檢測，存 在著時延性。因此，通過對導致石油管道漏損的因素預測石油管道漏損發生的初始時間， 不僅可以預防可能發生的漏損故障，排除潛在的隱患，還能夠為石油管道的檢測與維 修計劃的制定提供可靠的理論依據，具有重要的現實意義。
[0005] 導致石油管道漏損的因素包括管道材料屬性、管道口徑、管道環境沉降、管道環境 載荷、管道環境腐蝕、管道環境溫度、管道埋深、管道運行壓力，并且存在著一定的非線性與 不確定性。遺傳小波神經網絡結合了遺傳算法與小波神經網絡，能夠通過學習掌握這些因 素與漏損之間的復雜關系，具有很強的非線性擬合功能，并且預測結果唯一，收斂速度快的 優點。
[0006] 本發明提出了一種基于粗糙集與遺傳小波神經網絡的石油管道漏損預測方法，通 過導致石油管道漏損的因素的歷史數據對石油管道漏損發生的初始時間進行預測，具有廣 泛的應用前景以及經濟價值。
[0007]

【發明內容】

[0008] 本發明提出了一種基于粗糙集與遺傳小波神經網絡的石油管道漏損預測方法，為 石油管道漏損的檢測與維修提供有效的理論參考，從而保證石油管道運行的安全穩定。
[0009] 為實現上述目的，本發明采用的技術方案是： 一種基于粗糙集與遺傳小波神經網絡的石油管道漏損預測方法，包括以下步驟： 步驟1 :獲取導致石油管道漏損的因素以及初始發生漏損時間的歷史數據，包括管道 材料屬性、管道口徑、管道環境沉降、管道環境載荷、管道環境腐蝕、管道環境溫度、管道埋 深、管道運行壓力，對獲取的原始數據進行歸一化處理； 步驟2 :利用步驟1獲取的數據基于粗糙集方法進行清洗優化，消除因素之間的冗余信 息； 步驟3 :利用步驟2獲取的優化后的數據建立小波神經網絡預測模型； 步驟4 :利用遺傳算法獲取步驟3構建的預測模型的最優初始參數； 步驟5 :利用步驟4獲取的預測模型的最優初始參數，計算預測模型輸出，通過將模型 的輸出反歸一化獲取石油管道漏損的預計發生時間。
[0010] 所述步驟1中所述的導致石油管道漏損的因素的歷史數據采用線性歸一化處理， 公式為式（1): 對數據》立映線性映射：
[0011] 所述步驟2的具體步驟為： 步驟2. 1 :將獲取的導致石油管道漏損的因素離散化； 步驟2. 2 :將離散化的導致石油管道漏損的肖個因素設置為作為條 件屬性，將發生漏損的時間數據設置為S，作為結論屬性，建立決策規則； 步驟2. 3 :對建立的決策規則進行整理，刪除冗余以及有誤的數據； 步驟2. 4 :在保證決策規則相容的前提下對數據進行屬性及屬性值簡約，獲取最小屬 性約簡的數據。
[0012] 所述步驟3中所述的小波神經網絡預測模型包括神經網絡輸入層神經元s，神經 網絡隱含層神經元及神經網絡輸出層神經元I ;所述隱含層神經元為f個隱含層節點，根據 實際訓練精度進行調整；所述輸出層神經元為石油管道漏損的初始發生時間。
[0013] 所述的隱含層神經元小波基函數為式（2):
式中，《與I為伸縮平移尺度因子，·Morlet小波：
所述輸出層神經元通過選擇Sigmoid函數：
小波神經網絡的輸入輸出可以表示為：
式中，

式中，努為樣本個數，、_:、_為網絡學習速率，為網絡動量因子。
[0014] 所述步驟4具體包括： 步驟4. 1 :初始化遺傳算法參數，包括群體大小嫌、交叉概率&、變異概率_以及最大代 數 If :; 步驟4. 2 :將基于權利要求1所述的步驟3所述的小波神經網絡的預測模型中的隱含 層節點數I、初始權值"^、網絡學習速率_、稱、親伸縮平移尺度因子@以及網 絡動量因子《采用實數編碼方法作為一組染色體； 步驟4. 3 :隨機生成JV組初始染色體，構成初始種群Pa ; 步驟4. 4:定義適應度函數為
式中浐為第個樣本輸出神經元的實際輸出，#為第丨個樣本輸出神經元的理想輸出， 計算種群民各個個體的適應度； 步驟4. 5 :選擇適應度比例選擇法進行遺傳操作； 步驟4. 6 :根據交叉概率_，進行交叉操作； 步驟4. 7 :選擇變異概率蟀，進行變異操作； 步驟4. 8 :得到下一代種群; 步驟4. 9 :判斷是否達到最大次數或中最優個體適應度大于等于預定值，若是則停 止運算，將最優個體解碼為小波神經網絡的參數，若否則重復步驟4. 3-步驟4. 9 ; 所述步驟4中所述的石油管道漏損的初始發生時間由訓練好的小波神經網絡預測模 型輸出反歸一化獲取。
[0015] 本發明的有益效果在于： 本發明的基于粗糙集與遺傳小波神經網絡的石油管道漏損預測方法，不需要精確的 數學模型，通過分析導致石油管道漏損的因素以及初始發生漏損時間的歷史數據，采用粗 糙集方法處理冗余數據，遺傳小波神經網絡對未來石油管道初始發生漏損時間進行準確預 測，預測結果精度高、結果唯一、收斂速度快，從而為石油管道的檢測與維修計劃的制定提 供可靠的理論依據提供參考，保證石油管道運行的安全穩定。
[0016]
【附圖說明】
[0017] 圖1為本發明的基于粗糙集與遺傳小波神經網絡的石油管道漏損預測方法的流 程圖。
[0018] 圖2為本發明的基于粗糙集與遺傳小波神經網絡的石油管道漏損預測方法中小 波神經網絡結構圖。
[0019] 圖3為本發明的基于粗糙集與遺傳小波神經網絡的石油管道漏損預測方法的遺 傳算法優化流程圖。
【具體實施方式】
[0020] 以下結合附圖1-附圖3對本發明的優選實施例進行說明，應當理解，此處所描 述的優選實施例僅用于說明和解釋本發明，并不用于限定本發明。
[0021] -種基于粗糙集與遺傳小波神經網絡的石油管道漏損預測方法，包括以下步驟： 步驟1 :獲取導致石油管道漏損的因素以及初始發生漏損時間的歷史數據，包括管道 材料屬性、管道口徑、管道環境沉降、管道環境載荷、管道環境腐蝕、管道環境溫度、管道埋 深、管道運行壓力，對獲取的原始數據進行歸一化處理； 步驟2 :利用步驟1獲取的數據基于粗糙集方法進行清洗優化，消除因素之間的冗余信 息； 步驟3 :利用步驟2獲取的優化后的數據建立小波神經網絡預測模型； 步驟4 :利用遺傳算法獲取步驟3構建的預測模型的最優初始參數； 步驟5 :利用步驟4獲取的預測模型的最優初始參數，計算預測模型輸出，通過將模型 的輸出反歸一化獲取石油管道漏損的預計發生時間。
[0022] 所述步驟1中所述的導致石油管道漏損的因素的歷史數據采用線性歸一化處理， 公式為式（1): 對數據斯建立映線性映射：
式中，
其中％代表管道