[发明专利]基于ELM神经网络模型的流动磨损特性预测及寿命评估方法

说明书

本发明公开了基于ELM神经网络模型的流动磨损特性预测及寿命评估方法。包括训练样本数据采集的步骤、测试样本数据采集的步骤、ELM神经网络模型建立的步骤和利用已构建的ELM神经网络模型进行流动磨损特性预测分析及寿命评估的步骤，实现对承压管束系统流动磨损特性的预测及寿命评估。本发明针对石油化工、煤化工等流程型工业承压管束系统的流动磨损问题，基于ELM神经网络模型建立了一种流动磨损特性的快速量化预测和剩余寿命评估方法，能快速定量的预测复杂变工况环境的流动磨损速率，可为承压管束系统系统的在役检验、风险评价、寿命预测、防控优化等安全闭环管理提供科学指导，促进流动磨损高风险设备系统的安全、稳定、长周期运行。

技术领域

本发明涉及一种基于ELM神经网络模型的磨损预测方法，更具体地说，是涉及一种基于ELM神经网络模型的流动磨损特性预测及寿命评估方法。

背景技术

在石油化工、煤化工等流程型工业中，颗粒的流动磨损是承压管束系统冲蚀穿孔、泄漏爆管的主要危害源之一。现有研究表明：变工况环境中颗粒的流动磨损机理非常复杂，失效形式多样，且失效形式具有明显的局部性、突发性和风险性。现有研究表明：承压管束系统材料的流动磨损特性是流体冲刷和颗粒介质磨损共同耦合作用的结果，与设备的材质属性、速度特性、颗粒性质和颗粒浓度有着极为密切的关系。因此，如何量化流动磨损特性与关键影响因素间的关联关系是进行流动磨损特性预测和主动防控的重要途径之一。

现阶段研究复杂变工况条件下的颗粒流动磨损特性的主要手段是实验研究，即通过循环流动式管道回路测试流速、颗粒粒径、颗粒浓度对不同材质的流动磨损特性。受研究方法和测试技术的影响，流速范围、颗粒粒径的大小及颗粒浓度等变化的尺度较小，无法客观反应工程实际中承压管束系统所处的工况，流动磨损预测的精度，以及在此基础上确定的流动磨损表征参数群及防控技术均受到极大的局限性，某种程度上很难预测到承压管束系统流动磨损特性的高风险区域。现阶段，在流动磨损的预测方法上，依托计算机技术是拓展流动磨损特性预测的新途径，目前较为广泛的现代方法是人工神经网络方法、模糊方法、混沌方法、小波分析法、灰色系统方法等。其中较有代表的有刘双印等利用支持向量机对养殖水体中的pH值进行了预测分析，刘明等提出基于小波分解的ARMA预测模型，预测了养殖水体中亚硝酸盐的变化。不足的是，这些方法主要是利用现代智能算法自身优势展开的预测应用，往往不能有效地分析变工况环境特性参数变化过程的影响，未能揭示本质规律，从而影响预测精度。而对于承压管束系统的流动磨损特性问题，当前利用ELM神经网络模型进行预测尚处在初步阶段，模型的预测精度和可靠性尚需进行有效检验。因此，根据承压管束系统的结构材质特性、运行工况，综合考虑各种与流动磨损特性相关的因素，优化选择测试样本和训练样本，建立ELM神经网络流动磨损特性预测模型，是有效解决当前流动磨损特性预测难，精度差，成本高的新的研究方法。

发明内容

本发明的目的在于提出了一种基于ELM神经网络模型的承压管束系统流动磨损特性预测方法，在传统ELM神经网络预测模型的基础上，建立单隐藏层ELM神经网络模型，对与流动磨损特性相关的输入变量进行训练和测试，解决传统流动磨损特性预测难度大、精度差的难题，可准确、快速地预测承压管束系统材质的流动磨损特性，并实现管束类设备系统的剩余寿命评价。

为了达到上述目的，本发明采用的技术方案是：

本发明包括训练样本数据采集的步骤、测试样本数据采集的步骤、ELM神经网络模型建立的步骤和利用已构建的ELM神经网络模型进行流动磨损特性预测分析及寿命评估的步骤，实现对承压管束系统流动磨损特性的预测及寿命评估；所述训练样本数据和测试样本数据的采集均是从承压管束系统的DCS运行工况和LIMS化验分析数据获得，即实时采集承压管束系统不同时刻对应的平均流速V、颗粒粒径D_p和入口颗粒质量浓度φ，将其作为ELM神经网络模型的三个输入变量，将承压管束系统材质的总磨损率y_Total和最大磨损率y_max作为ELM神经网络模型的两个输出变量。