[发明专利]基于极限学习机的石化设备腐蚀预测方法

摘要

基于极限学习机的石化设备腐蚀预测方法，监测炼油厂腐蚀数据，建立腐蚀数据库，将长期积累的腐蚀数据作为样本预处理，选择腐蚀影响因素PH、CL^－、H₂S、NH₃N作为输入，腐蚀产物Fe²⁺和Fe³⁺作为输出，建立三层神经网络对样本数据进行训练，得到极限学习机石化设备腐蚀预测模型，将现场监测的腐蚀数据输入预测模型，可获得Fe²⁺和Fe³⁺的腐蚀预测值，本发明能够较好的表达腐蚀影响因素和腐蚀结果之间的关系，根据预测值可了解石化设备的腐蚀状况，通过调整工艺参数，有效控制和防止石化设备腐蚀。

主权项

1.基于极限学习机的石化设备腐蚀预测方法，其特征在于，包括以下步骤：步骤1：监测腐蚀数据；在炼油厂，根据工艺流程腐蚀机理不同选取石化设备易受腐蚀的敏感部位作为监测点，在选取好腐蚀监测点后，确定腐蚀测量仪安装位置，实时监测腐蚀数据，采集传输腐蚀数据，并将腐蚀数据保存在腐蚀数据库中；步骤2：建立腐蚀数据库；将石化企业长期监测的腐蚀数据按照炼油厂、车间、装置、测点的层级关系存入石化腐蚀数据库中，在腐蚀数据库中，测点监测到的腐蚀数据即为机器学习的样本数据；步骤3：选取腐蚀影响因素；选择腐蚀影响因素PH、CL－、H2S、NH3N作为样本输入，腐蚀产物Fe2+和Fe3+作为样本输出；步骤4：样本数据预处理；在模型训练前先对样本数据进行预处理：对于由噪声信号引起的腐蚀数据的波动及毛刺，平滑去噪声；对于腐蚀数据值为痕迹、未检出的部分，在数据预处理时将该值补为较小值或0，以增加腐蚀样本数量；步骤5：样本数据归一化处理；使用matlab中mapminmax函数对样本数据的输入和输出进行归一化处理，使处理后的数据分布在[–1,1]的范围内，其转换公式为：x为原始样本数据；x_max和x_min分别为x的最大值和最小值；y是标准化后的样本数据；步骤6：确定极限学习机网络结构；极限学习机作为一种单隐层前馈神经网络，有三层，分别为输入层、隐层和输出层；选取腐蚀影响因素作为神经网络的输入，腐蚀影响因素的个数为输入层神经元个数；选取腐蚀产物作为神经网络的输出，腐蚀产物的个数为输出层神经元个数，隐层激励函数为其中x为隐层神经元的输入；步骤7：训练极限学习机石化设备腐蚀预测模型；将样本数据按照5:1比例随机分为训练样本和测试样本，将训练样本输入极限学习机石化设备腐蚀预测模型进行训练学习，求出输出权值矩阵β；步骤8：石化设备腐蚀预测；将测试样本输入训练好的极限学习机石化设备腐蚀预测模型得到输出值，将其反归一化处理后即可得到预测值，将预测值和实际监测值进行比较计算，从而验证评价腐蚀预测模型；所述的步骤7中的极限学习机石化设备腐蚀预测模型学习过程包括以下步骤：步骤7.1：石化设备腐蚀测试样本数据为{(x_it_i)|i＝1,2,…,N}，N为测试样本个数，极限学习机表述为其中j＝1,2,…,N，为隐层节点的个数，β_i＝(β_i1,β_i2,…,β_im)^T为输出神经元与第i个隐层节点的输出权值，w_i＝(w_i1,w_i2,…,w_iN)^T为输入神经元与第i个隐层节点的输入权值，b_i为第i个隐层节点的阀值；随机赋值权值向量w_i和阀值b_i；步骤7.2：计算训练样本数据的隐层输出矩阵Htr，其中步骤7.3：求解H_tr的广义逆Moore‑Penrose矩阵步骤7.4：计算输出权值矩阵其中T_tr＝(t₁,t₂,…,t_N)^T。