基于组合模型的油气管道腐蚀速率预测.pdf

一 1 8 一 石 油机械 C H I N A P E T R O L E U M M A C H I N E R Y 2 0 1 0年 第 3 8卷第 6期 ． ． 设计计算 基 于组合模 型的油气管道腐蚀速 率预测 张甫仁 张 辉 1 ．重庆交通大学机电与汽车工程学院2 ．重庆大学三峡库区生态环境教育部重点实验室 摘要 对预测管道腐蚀速率的2种主要方法 灰色预测方法和神经网络方法 的优缺点进行 分析，在此基础上，提 出一种基于双改进的复合灰色神经 网络预测方法。该算法总体 思路为首 先计算灰色预测样本和真实值之 间的残差，其次将残差作为神经 网络的输入样本进行训练，然后 利用马尔柯夫过程对预测残差进行修正，得到 1组最终修正残差 ，最后根据灰色预测值和最终修 正残差确定下一时刻数据的预测值。通过实例应用 ，并与相关文献结果进行 比较 ，结果表明，基 于双改进的灰色神经网络组合预测模型预测精度更高。 关键词 灰色预测 B P神经网络 组合模 型 油气管道腐蚀速率 0 引 言 在油气管道失效事故中，由于腐蚀导致的事故 占4 0 ％以上 。因此 ，准确可靠地掌握和预测管 道腐蚀速率变化趋势，及时了解管道剩余寿命及剩 余强度变化 ，并采取相应 的防控措施 ，从而保证输 送管道的正常运行并降低事故发生率 ，显得尤为迫 切和必要 。 目前对管道腐蚀速率、剩余寿命及剩余强度 的 研究主要可以分为以材料力学寿命为基础的计算方 法和以预测理论为基础的预测方法。第 1 类方法科 学可靠 ，但所需相关数据复杂 ，针对性强 ，通用性 差 ；第 2类方法 以相关产品和不 同条件下的参数为 基础进行预测 ，虽然可靠性差一点 ，但通用 性极 强 ，所需数据少 ，目前在相关研究领域得到了较广 泛的应用。因此 ，笔者将采用相关预测的方法来分 析管道的腐蚀速率。 预测管道腐蚀速率的方法主要有灰色预测方 法 、概率统计方法 、B P神经网络方法和可靠度 函 数分析等⋯ ，其中灰色预测方法 和 B P神经 网络方 法较为突出。单纯的灰 色理论预测方法虽然简单 ， 但是精度不 高 ，误差无法 控制[ 2 3 ，且灰 色理论预 测公式还存在重大缺陷，必须加以修正 ，否则就会 引入理论误差 ，使预测 变得 繁琐而不可靠 ；B P 神经网络学习算法具有复杂的输入输出关系 ，为解 决非线性问题和模拟未知系统的控制过程提供 了新 思路 ，但 由于该算法是在梯度法的基础上推算出来 的，所以存在收敛速度慢 、易受局部极小点困扰的 缺点。 对一个变量进行预测 ，可以选用多种不同的预 测模型。这是 因为每一种预测模型均包含一定的样 本信息 ，任何单个模型都难以全面地反映变量的变 化规律。如果对多种预测模型进行有机合成 ，就能 利用多种有用信息 ，更加全面地反映系统的变化规 律 ，减少随机性 ，提高预测精度 J 。据文献 [ 5 8 ]可知 ，现有灰色神经网络组合模型存在 的问题 主要有 仅仅是 2种模型最基本的结合；没有针对 灰色理论数据的光滑性进行改进 ；对神经网络涉及 的收敛速度和预测精度没有考虑；没有以残差为灰 色理论预测的输人数据等。因此 ，笔者拟综合这 2 种预测方法的特点 ，提出一种基于双改进的复合灰 色神经网络预测方法 ，对油气管道腐蚀 速率进行 预测 基金项 目国家 自然科学基金项 目 “ 燃气管网泄漏定位理论及危险性评估 系统研究 ” 5 0 7 0 4 0 4 1 ；中国博士后科 学基金特别资助项 目 “ 燃气管 网泄漏传播动力学及多因素耦合作用下多变空间泄漏场研究” 2 0 0 9 0 2 2 9 0 ；中国博士后科学基金“ 燃气管 网泄漏定位及预警 系统关键技术研究 ” 2 0 0 8 0 4 3 0 7 5 2 ；重庆市 自然科学基金项 目 “ 燃气管道泄漏预警关键技术研究 ” C S T C，2 0 0 8 B B 6 3 4 7 ；重庆交通大学 博士启动基金项 目 “ 燃气管网系统泄漏安全性及定位预测 的理论研究” 。 2 0 1 0年 第3 8卷第6期 张甫仁等 基于组合模型的油气管道腐蚀速率预测 一 l 9一 l 基于双改进的灰色神经网络组合预 测模型 1 ． 1 G MB P预测 模 型 的改进 思 路 根据文献 [ 9一l O ] ，时序预测 G M 1 ，1 模 型的建模方法要求原始数列为光滑离散函数 ，其预 测精度和可靠性将取决于其光滑性 ；其次 ，在解微 分方程时有可能出现明显失效 的情况 ；同时针对时 序预测时，存在数据老化 的问题。因此 ，采用改进 的新陈代谢灰色 G M 1 ，1 预测模型就显得十分 必要 。 采用 引入 附加 动量和 自适应 学习速率 的改进 B P神经网络模型 ，既在一定程度上弱化 了原始数 据的随机性 ，容易找出数据变换规律 ，且具有建模 所需样本少的优点 ，又使得数据始终保持更新 ，避 免了数据的老化问题 ，同时还具有 B P神经网络模 型的优点 ，提高了预测精度。 该算法总体思路为首先计算灰色预测样本和 真实值之间的残差 ，其次将残差作为神经网络的输 入样本进行训练 ，然后利用马尔柯夫过程对预测残 差进行修正，得到 1 组最终修正残差 ，最后根据灰 色预测值和最终修正残差确定下一时刻数据 的预测 值 。 1 ． 2改进 的 G MB P预 测 模型 的建 立 步骤 1 对原始数 列进行 光滑处理 。加深数 据列 光滑程度的方法主要有幂函数变换 、对数变化和复 合变换。光滑 函数 的充 分必要 条件是 J V ∈ 0 ， 存在 00 ，当kk 。时，苫 ∑ i 1 处理原始数据列 { ’ k } 1 ， 2 ， 3 ， ⋯ 的 方 法， 即 若{ ’ k } 1 ， 2 ， 3 ， ⋯ 不是 光滑离 散 数据列， 则 对{ ’ k } k 1 ， 2 ， 3 ， ⋯ 进 行变换， 得到{ ” } 。1 ， 1 ， 2 ， 3 ， ⋯ 。 { rz ∞ ‘ ’ n 1 ， k 1 ，2 ,3 ， ⋯ 具 有 较 好的光滑度 ，因而可以对其用 G M方法预测 ，再用 。 g 。{ [ 。 一 o]” c ， ] 。 ， ，2 ，3 ，⋯ ， 还 原 即可 。 2 利用动态等维新信息灰色 G M 1 ，1 预 测模型 对处理后 的数 据列进行预测 ，并利 用式 1 进行反 向还原数据 ，所得结果 即为预测结果 。 3 建立灰色预测样本 和真实值之间的残差 ， 建立改 进 的 G M 1 ，1 残 差 修 正 灰 色 预 测 模 型㈦ 。 设 ‘ 。 ’ k ‘ 。 一 ‘ 。 ’ ， 1 ， 2 ， 3 ，⋯，n ，其中 ‘ 。 和 -九 ‘ 。 分别为 原始序列和预测序列。根据 G M 1 ，1 建模原理 可知 ，以 k 为原始序列 的 G M 1 ，1 预 测模型为 1 一 羞 羞 1 ， 2 ， ⋯ ， n一1 1 累减还原可得 殳 ‘。 1 e 一 Ⅱ 1 [ ‘。 1 ] e n 1 ， 2 ， ⋯ ， n一1 2 以 ‘ 。 ’ k 为原始序列 的 G M 1 ，1 预测 模型为 ’ ⋯ 1 一 百 ／／, ／z 1 ， 2 ， ⋯ ， n一1 3 累减还原可得 1 _1 一 k 1 ， 2 ， ⋯ ， n一1 4 以会 ‘。 ’ 1 作为 ‘ 。 ’ 1 的修正模 型 ，可得 ～ - 1 1 一 姜 _1 1 一 k1 ， 2 ， ⋯ ， n一1 5 其 中 叼 c 一 { 。1 c n n c 6 ， 4 将修正后的残差样本输入改进的 B P网络 讲 行训 练 ，得 1 绢 残 差 的预测值 。并确 定最 终 的预 一2 0一 石 油机械 2 0 1 0年第 3 8卷第 6期 测残差 。由于标准 B P神经 网络在实际应用中存在 收敛速度慢 、易陷人局部极小点和网络不稳定等问 题 ，所以必须对其进行改进 ，常用的改进方法是引 入附加动量和 自适应学习速率 。 附加动量法就是在每次调整权值和阈值时需要 考虑前次权重和阈值变化量 ，并根据误差反向传播 算法来计算新的权重和阈值。以输 出层神经元 的权 值 和阈值 调整为例，其计算公式为 ， k Ⅳ 1 t ， m Ⅳ 1一m c △ t ， Ⅳ m c A v j k Ⅳ 一1 7 N1 Ⅳ 1一m c △ N m c A y N一1 8 式 中 m c 动量因子 ，0 ≤mc 1 ； A v N一1 、△ N一1 上一次权 值和阀值的调整量 。 当 m c 为 1时，权值和阈值 的改变量就等于前 一 时刻的改变量；当 m c为 0时 ，权值和阈值 的改 变量仅 由本次改变量确定 。 白适应学习速率法的具体调整公式为 N1 1 ． 0 5 a N E N1 1 ． 0 4 E N 【 N1 N 其他 9 5 根据灰色预测值和最终修正残差确定下 一 时刻数据的预测值 。 3 应用 实例 以文献 [ 1 4]中的管道腐蚀 原始数据分别进 行实例预测，同时与文献 [ 1 41 5 ]的预测结果 进行对比，其预测结果和误差对 比分别如表 1 和图 1所示 。 表 1 原始数据及预测值 说明 文献模 型 1为标准 G M 1 ，1 l ，文献模型 2为经验关 系式改进背景值[ ，文献模型 3为考虑初始点影 响 ，文献 模型 4 为灰色遗传算法[ ，文献模型 5为灰色神经网络 ，文献模型 6为灰色组合模型[ ，文献模型 7为基于滚动运算的优化无偏差灰色马尔 柯夫模 型[ 1 。 由表 1 和图 1 可见 ，基于滚动运算 的优化无偏 差灰色马尔柯夫模型和文中建立的基于双改进的灰 色神经网络预测模型的预测精度较高，预测误差较 小 ，且预 测 误差 的波 动 值 范 围较 小 ，预测 结 果 可靠 。 为了便于对较高精度 的2种模型进行 比较 ，下 2 0 1 0年 第 3 8卷 第 6期 张 甫仁等 基 于组合模 型的 油气管道 腐蚀 速率预测 一 2 1一 面将对基于滚动运算的优化无偏差灰色马尔柯夫模 型与文巾建立的基于双改进的灰色神经网络预测模 型 的预测 误差 进行 对 比见 图 2 。 50 40 3 0 20 l】1】j 1 0 0 1 0 2O 一 7／ 三 2 一 ／ ＼ 一 文 献 模 型 3 r 文 献 模 型 一 一 ⋯ 一 ⋯ 一 ’ 、 ’／ V O 5 l 0 l 5 预测 时 间序 号 图 1 各 种 模 型 预 测 误 差 [ 2 ] [ 3 ] [ 4 ] [ 5 ] 2 0 [ 6 ] 图 2 基 于滚动运 算的优 化无偏差灰 色马尔柯 夫 模 型 与本 文模 型预 测 误 差 百分 比 绝对 值 由图2可见 ，文中模 型相对于基于滚动运算 的 优化无偏差灰色马尔柯夫模型精度要高 ，预测波动 范围更小。经计算 ，这 2种模 型的绝对误差分别为 0 ． 4 8 7 8 ％ 和 1 ． 0 l 1 8 ％ ；两者 的最 大误差 分别 是 1 ． 2 4 ％和 4 ． 4 2 3 ％。南此可见 ，文中模型 的平均精 度 略 高 。 4 结 论 1 单一的预测模型 ，由于 自身方法 的缺陷 ， 对其做 出改进后预测精度也难以大幅度地提高 ，因 此综合多种预测模型优点的组合模型是预测领域的 发展趋势。 2 基于双改进 的复合灰色神经 网络预测模 型比单一改进的组合预测模型的预测精度高。 3 该组合模型比其他预测方法的预测结果具 有更高的稳定性 ，波动范围小，预测结果更可靠。 参考文献 [ 1 ] 蒋晓斌，高惠临．油气管道腐蚀剩余寿命的预测方 法 [ J ]．石油工业技术监督，2 0 0 5，2 1 4 1 8 2O． [ 7 ] [ 8 ] [ 9 ] [ 1 0 ] [ 1 2 ] [ 1 3 ] [ 1 4 ] [ 1 5 ] 李秀娟，梅甫定 ．灰色神经网络模型在油气管道腐 蚀速 度 预 测 中 的 应 用[ J ] ．安 全 与 环 境 T 程 ， 2 0 0 6，1 3 4 7 78 0 ． 张大海，江世芳 ，史开泉 ．灰色预测公式的理论缺 陷及改 进[ J ]．系统 T 程 理论 与 实 践 ，2 0 0 2，2 2 8 1 4 01 4 2 ． 刘明贵 ，杨永 波 ． 边 坡位 移预测 组合 灰色神 经 网络 方法 [ J ]．巾 国地 质 灾 害 与 防治 学 报 ，2 0 0 6，1 7 2 7 47 8 ． 王秀 ，孙皓 ． 灰 色神 经 网络交通事 故预 测 比较 [ J ]．长春工业大学学报 ，2 0 0 6 ，2 7 1 2 3 2 9 33 2． 王军平，陈全世 ． 灰色一 神经网络综合预测模型[ J ]． 计算机工程与应用 ，2 0 0 4 ，4 0 9 1 31 5 ． 蒋绍阶，江崇国．灰色神经 网络最优权组合模型预 测城市需水量 [ J ]．重庆建筑大学学报，2 0 0 8 ，3 0 21 1 3一l 1 5 ． 朱 瑞祥 ，黄玉祥 ，杨 晓辉 ．用灰 色神经 网络组 合模 型预测农 机 总动力 发 展 [ J ]．农业 工 程学报 ， 2 0 0 6 ，2 2 2 1 0 71 1 0 ． 何 斌 ，蒙 清 ．灰色预测模 型拓广方 法研究 [ J ]． 系统T程理论与实践 ，2 0 0 2，2 2 9 1 3 7 1 40． 王瑞娜，唐德善 ．基于改进的灰色 G M 1 ，1 模 型的人 口预测 [ J ]．统计与决策，2 0 0 7 ，2 0 9 3 95 ． 李伟，韩力 ．组合灰色预测模型在电力负荷 预测 中的应用[ J ]．重庆大 学学报，2 0 0 4，2 7 1 3 63 9 ． 周荣康，徐永 ，李若灵 ．基于灰色残差 G M 1 ， 1 模型的道路交通量预测的研究 [ J ]．交通运输 工程与信息学报 ，2 0 0 8 ，6 3 4 95 3 ． 谭显东 ，胡兆光 ，李 存斌 ．基 于改进 B P神经 网络 的全社会用 电量 预测 模 型研 究 [ J ]．华北 电力大 学学报 ，2 0 0 7 ，3 4 3 8 58 9 ． 喻西崇 ，赵金洲 ，邬 亚玲 ．利用灰 色理论 预测注水 管道腐 蚀速率 的变化趋 势 [ J ]．腐蚀 与 防护 ， 2 0 0 3，2 4 2 5 15 4 ． 刘晓东，李著信 ．基于灰色组合模型的管道腐蚀速 率预测 [ J ]．压力容器，2 0 0 7 ， 2 4 3 1 51 9 ． 第一作者简介张甫仁，副教授，生于 1 9 7 5年 ，2 0 0 5 年毕业于天津大学制冷及低温工程专业，现从事燃气输配、 室内环境与建筑节能等方面的研究工作。地址 4 0 0 0 7 4 重 庆市南岸 区。电话 0 2 3 6 2 6 5 0 9 4 1 。Em a i l z h f e i x u e 1 63． c o rn。 收稿 日期 2 0 0 91 20 2 本文编辑丁莉萍