基于神经网络的管道失效模式诊断方法研究

论文摘要

管道运输是石油、天然气最经济合理的运输方式。随着油气管道的大量铺设和管道服役时间的增长,管道失效事故屡有发生。影响管道失效的因素众多,一些因素具有随机性、模糊性和不完整性等特点,传统诊断方法对管道失效模式分析常常存在不适应性。人工神经网络是近几年在模式识别领域得到广泛研究和应用的人工智能模型,由于其具有高度非线性映射能力、大规模并行分布处理和良好的自适应学习机制,很适合求解传统模式识别方法难以建模解决的问题。因此,将人工神经网络方法和技术应用管道失效模式诊断问题的研究具有很好的适应性。论文主要针对管道失效模式诊断中的若干问题,研究适合于问题求解的人工神经网络模型、学习算法和应用技术,并将神经网络与诊断理论、模式识别、模糊逻辑和系统仿真等相结合。在对油气管道已有失效模式分析和故障诊断建模技术研究基础上,归纳出三类管道失效模式诊断问题,分别为数值型模式、含模糊信息模式和动态模式。论文构造了不同的神经网络模型以实现上述不同问题的求解。针对数值型模式,采用自适应确定BP网络结构的方法对含缺陷压力管道的失效模式进行识别;针对含模糊信息模式,考虑已知条件和结果之间无明确关系及各环境条件对结果影响的重要程度不同等问题,在传统模糊神经网络基础上建立了加权模糊推理网络,较好解决了腐蚀数据中的模糊性信息对管道腐蚀程度的影响;针对动态模式,将过程神经网络和径向基函数神经网络相结合,提出了一种径向基过程神经元网络的概念和模型,模型融合了两者优点,对预测管道腐蚀速率随时间非线性变化问题有很好的适应性。同时,针对过程变量趋势预测,将传统支持向量回归机的构造思路和方法推广到时变函数空间,建立了一种过程支持向量回归机,该模型可较好地解决动态系统时间预测问题。论文将神经网络技术应用于管道失效模式诊断研究,对油气管道的安全程度进行评价,可为管线进行风险性评估与经营决策提供科学依据,具有重要的实际意义和应用前景。

论文目录

• 中文摘要
• ABSTRACT
• 创新点摘要
• 第一章 绪论
• 1.1 研究背景和意义
• 1.2 管道失效模式诊断研究综述
• 1.2.1 国内外研究现状
• 1.2.2 管道失效模式诊断常用方法
• 1.2.3 管道失效模式分析
• 1.2.4 现有方法存在的缺点及研究难点
• 1.3 基于神经网络的智能诊断
• 1.3.1 神经网络的基本特征
• 1.3.2 基于神经网络的智能诊断的形成
• 1.3.3 人工神经网络的故障诊断能力
• 1.3.4 人工神经网络用于故障诊断的结构
• 1.3.5 基于神经网络的智能诊断方法
• 1.4 论文主要研究内容
• 第二章 基于多层前馈神经网络的管道失效模式识别
• 2.1 多层前馈神经网络模型
• 2.1.1 网络拓扑结构
• 2.1.2 BP 学习算法
• 2.1.3 BP 学习算法改进
• 2.2 网络结构参数分析
• 2.2.1 隐层数的分析
• 2.2.2 隐层节点数的分析
• 2.2.3 隐层节点数的确定
• 2.3 在管道失效模式识别中的应用
• 2.3.1 网络学习及诊断结果
• 2.3.2 网络适应性分析
• 2.4 本章小结
• 第三章 基于模糊神经网络的管道腐蚀失效模式诊断
• 3.1 模糊逻辑系统
• 3.1.1 模糊规则库
• 3.1.2 模糊推理机
• 3.1.3 模糊产生器和反模糊化器
• 3.2 模糊系统与神经网络的融合
• 3.3 正则化模糊神经网络
• 3.3.1 模糊规则描述
• 3.3.2 网络拓扑结构
• 3.3.3 网络参数确定方法
• 3.4 加权模糊推理网络
• 3.4.1 加权模糊逻辑推理
• 3.4.2 模糊推理元
• 3.4.3 模糊推理网络模型
• 3.4.4 网络训练过程
• 3.5 在管道腐蚀失效模式诊断中的应用
• 3.5.1 学习样本筛选
• 3.5.2 实际资料处理
• 3.6 本章小结
• 第四章 基于过程神经网络的管道腐蚀速率预测方法
• 4.1 径向基函数神经网络
• 4.2 过程神经元网络
• 4.2.1 离散过程神经元
• 4.2.2 离散过程神经元网络
• 4.3 径向基过程神经网络
• 4.3.1 径向基过程神经元
• 4.3.2 径向基过程神经网络模型
• 4.3.3 学习算法
• 4.4 在管道腐蚀速率预测中的应用
• 4.4.1 特征参数选择及处理
• 4.4.2 网络学习及预测结果
• 4.5 本章小结
• 第五章 过程支持向量回归机及其应用
• 5.1 支持向量回归机
• 5.1.1 支持向量机基本思想
• 5.1.2 支持向量回归机
• 5.2 过程支持向量回归机
• 5.2.1 PSVR 模型
• 5.2.2 PSVR 的求解
• 5.2.3 PSVR 参数对预测函数性能的影响
• 5.2.4 PSVR 参数的确定
• 5.3 仿真实验
• 5.4 本章小结
• 结论
• 参考文献
• 发表文章目录
• 致谢
• 详细摘要