基于KPCA-GRNN的煉化廠管道腐蝕速率預(yù)測

段春蓮　羅東浩　楊劍鋒　陳良超　劉曉晨　安延海

摘 要：為了提高煉化廠循環(huán)水對管道腐蝕預(yù)測的精度，選取8種常規(guī)監(jiān)測數(shù)據(jù)作為樣本標(biāo)準(zhǔn)庫，在此基礎(chǔ)上考慮各指標(biāo)之間信息疊加的影響，引入核主成分分析（KPCA）和廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）腐蝕速率預(yù)測模型，通過KPCA對原始數(shù)據(jù)進(jìn)行預(yù)處理，提取影響管道腐蝕的主要因素，應(yīng)用GRNN 建立管道腐蝕速率預(yù)測的數(shù)學(xué)模型，通過分析影響循環(huán)水腐蝕的關(guān)鍵因素，建立了循環(huán)水腐蝕預(yù)測指標(biāo)體系。結(jié)果表明，將樣本監(jiān)測數(shù)據(jù)的維數(shù)由8降至5，可得出各個(gè)影響因素的貢獻(xiàn)率，提取出包含原始信息95.84%的5個(gè)變量，且基于KPCA-GRNN的算法對監(jiān)測管道腐蝕速率的平均相對誤差為0.033，優(yōu)于誤差反向傳播算法（BP）的0.056。因此，基于KPCA-GRNN算法建立的循環(huán)水碳鋼腐蝕速率預(yù)測模型，能夠獲得更準(zhǔn)確的預(yù)測結(jié)果，拓寬了循環(huán)水腐蝕速率預(yù)測方法的研究思路。

關(guān)鍵詞：材料失效與保護(hù);核主成分分析;廣義回歸神經(jīng)網(wǎng)絡(luò);循環(huán)水腐蝕;腐蝕速率預(yù)測

中圖分類號：TG172?? 文獻(xiàn)標(biāo)志碼：A

Abstract：In order to improve the refinery circulating water pipeline corrosion prediction accuracy， eight kinds of routine monitoring data are selected as sample standard library， and on the basis of which， the influence of the superposition of information between the indexes is considered， and kernel principal component analysis （KPCA） and generalized regression neural network （GRNN） corrosion rate prediction model are then introduced. The original data is preprocessed by KPCA to extract the main factors influencing the pipeline external corrosion， and GRNN is applied to establish the mathematical model of pipeline corrosion rate prediction， by analyzing the key factors affecting the corrosion of circulating water， the prediction index system of circulating water corrosion is established. The results show that by reducing the dimension of sample monitoring data from 8 to 5， the contribution rate of each influencing factor can be obtained， and 5 variables containing 95.84% percent of original information can be extracted. Moreover， the average relative error of KPCA-GRNN algorithm for monitoring pipeline corrosion rate is 0.033， which is better than 0.056 of BP. Therefore， the corrosion rate prediction model of circulating water carbon steel based on KPCA-GRNN algorithm can obtain more accurate prediction results and broaden the research idea of corrosion rate prediction method of circulating water.

Keywords：material failure and protection;nuclear principal component analysis; generalized regression neural network; circulating water corrosion; corrosion rate prediction

對循環(huán)水腐蝕速率控制的好與壞，直接影響關(guān)鍵設(shè)備（循環(huán)水管線、涼水塔、換熱器等）在循環(huán)水中的使用壽命。對循環(huán)水腐蝕速率進(jìn)行預(yù)測研究，對做好煉化廠循環(huán)水側(cè)設(shè)備的腐蝕防護(hù)工作具有很重要的意義[1]。目前，國內(nèi)外研究人員對工業(yè)管道腐蝕預(yù)測模型開展了大量研究[2]。董超等[3]利用BP神經(jīng)網(wǎng)絡(luò)，對循環(huán)冷卻水一定周期的腐蝕速率進(jìn)行預(yù)測;陳永紅等[4]運(yùn)用灰色理論及馬爾科夫組合模型，對管道腐蝕速率的預(yù)測進(jìn)行了研究;者娜等[5]采用核主成分分析方法和支持向量機(jī)模型相結(jié)合的方法，預(yù)測了管道的腐蝕速率;俞樹榮等[6]采用灰色理論與馬爾科夫鏈理論相結(jié)合，對油氣管道的腐蝕壽命進(jìn)行了預(yù)測;文獻(xiàn)

[7]采用灰色理論，對油氣管道剩余使用壽命進(jìn)行了預(yù)測，并與實(shí)驗(yàn)生產(chǎn)進(jìn)行對比，得出模型結(jié)果的精度較高;文獻(xiàn)[8]采用馬爾科夫鏈蒙特卡洛法模型，建立了管道腐蝕的可靠性模型，對管道腐蝕進(jìn)行了可靠性評價(jià)，借助MATALB軟件對管道腐蝕進(jìn)行模擬，找出了影響管道失效的關(guān)鍵因素。

但是，影響循環(huán)水腐蝕的因素眾多，各個(gè)因素之間相互關(guān)聯(lián)，屬非線性問題[3]，使得管道腐蝕預(yù)測難以建立影響因素和腐蝕速率之間的直接關(guān)系。KPCA（核主成分分析法）由于提取速度快、特征信息保留充分等特點(diǎn)，被廣泛應(yīng)用到模式識別中[9]，常用來解決樣本數(shù)量少、非線性等問題。GRNN（廣義回歸神經(jīng)網(wǎng)絡(luò)）是基于RBF（徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)）的一種改進(jìn)，其理論基礎(chǔ)是非線性回歸分析。GRNN結(jié)構(gòu)簡單、訓(xùn)練簡潔、學(xué)習(xí)收斂速度快，還具有很強(qiáng)的非線性映射能力，可以克服局部極小值問題，優(yōu)勢更為突出。另外，GRNN最終收斂于樣本集聚較多的優(yōu)化回歸，樣本數(shù)據(jù)的數(shù)量不會影響預(yù)測效果。除此之外，網(wǎng)絡(luò)對不穩(wěn)定數(shù)據(jù)的處理效果良好。

本文主要研究煉化廠循環(huán)水系統(tǒng)對管道腐蝕的影響，利用KPCA與GRNN相結(jié)合的方法預(yù)測管道的腐蝕速率，并與BP算法預(yù)測結(jié)果進(jìn)行對比分析。通過采用KPCA對樣本指標(biāo)數(shù)據(jù)進(jìn)行降維，確定主成分，再將處理后的數(shù)據(jù)送入GRNN網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最終實(shí)現(xiàn)數(shù)據(jù)預(yù)測。結(jié)果顯示，相比于BP算法，本文算法具有學(xué)習(xí)速度快、可調(diào)參數(shù)少、預(yù)測誤差小等優(yōu)點(diǎn)。

1.3 基于KPCA-GRNN的混合算法

管道腐蝕是非線性問題，KPCA-GRNN算法可以解決非線性問題，對輸入數(shù)據(jù)的數(shù)量要求不高，并具有自學(xué)習(xí)能力，能夠?qū)艿赖母g速率進(jìn)行較為準(zhǔn)確的預(yù)測。本文利用這一算法取得了相應(yīng)的預(yù)測結(jié)果。通過以上分析，可以得出算法的運(yùn)行流程如下。

Step1 將循環(huán)水-樣本數(shù)據(jù)整理并保存;

Step2 對數(shù)據(jù)處理并計(jì)算核函數(shù)（本實(shí)驗(yàn)采用的是高斯核函數(shù)）;

Step3 中心化核矩陣;

Step4 計(jì)算特征向量和特征值，并將特征向量單位化;

Step5 重建樣本指標(biāo)數(shù)據(jù)，判斷主成分實(shí)現(xiàn)降維;

Step6 獲取訓(xùn)練數(shù)據(jù)，并采用交叉驗(yàn)證法得到最佳spread值;

Step7 使用最佳參數(shù)建立GRNN網(wǎng)絡(luò);

Step8 加載模型實(shí)現(xiàn)數(shù)據(jù)預(yù)測。

本文提出的基于KPCA-GRNN循環(huán)水腐蝕速率預(yù)測模型主要由2部分組成。先用KPCA對循環(huán)水指標(biāo)數(shù)據(jù)進(jìn)行有效的非線性特征提取，輸出保留原始數(shù)據(jù)絕大部分信息的低維數(shù)據(jù);再使用交叉驗(yàn)證法獲取最佳spread值并建立GRNN網(wǎng)絡(luò)，進(jìn)行數(shù)據(jù)擬合和預(yù)測。

1.4 循環(huán)水腐蝕檢測

煉化廠多采用循環(huán)冷卻水進(jìn)行熱量交換，為檢測循環(huán)水對管道的腐蝕情況，目前最常用的2種手段是腐蝕掛片測試法和通過監(jiān)測換熱器而進(jìn)行日常監(jiān)測。掛片測試法是浸入式監(jiān)測，簡單易行且結(jié)果可靠[13];監(jiān)測換熱器模擬實(shí)際運(yùn)行中的工作條件，兩者配合使用可以在不停工的條件下有效檢測設(shè)備的腐蝕狀態(tài)。但是掛片和檢測都是一個(gè)月進(jìn)行一次，得出本月的腐蝕情況，檢測結(jié)果有滯后性。采用KPCA-GRNN模型可以根據(jù)水質(zhì)的狀態(tài)對循環(huán)水管道進(jìn)行腐蝕預(yù)測，有利于及時(shí)掌握管道的腐蝕情況，制定解決方案，減少設(shè)備管道因腐蝕導(dǎo)致的停工問題以及經(jīng)濟(jì)損失，實(shí)現(xiàn)更科學(xué)、更準(zhǔn)確的水質(zhì)監(jiān)測與管理。

2 數(shù)據(jù)分析及結(jié)果

2.1 數(shù)據(jù)處理

某石化廠1 000萬t/a煉油項(xiàng)目第三循環(huán)水廠主要由空分空壓裝置提供冷卻循環(huán)水，采用監(jiān)測換熱器來計(jì)算循環(huán)水的腐蝕速率。現(xiàn)場監(jiān)測指標(biāo)如表1所示。

現(xiàn)場監(jiān)測分析數(shù)據(jù)包括監(jiān)測換熱器實(shí)驗(yàn)管腐蝕速率、掛片的腐蝕速率。選取第三循環(huán)水廠2017年和2018年的監(jiān)測數(shù)據(jù)作為依據(jù)。由于數(shù)據(jù)量的限制，選取的數(shù)據(jù)以采樣頻率1次/月為基準(zhǔn);采樣頻率為1次/天的則取30天的平均值;采樣頻率為3次/天，取每天的均值后再取30天的均值。得到的部分原始數(shù)據(jù)見表2。

2.2 核主成分分析

利用KPCA對前26組數(shù)據(jù)進(jìn)行處理，維數(shù)由8降為5，得到降維后的部分?jǐn)?shù)據(jù)，見表4。經(jīng)

KPCA處理后，得到主成分的特征值貢獻(xiàn)率，如圖2所示。再經(jīng)運(yùn)算后得到數(shù)據(jù)的特征值、貢獻(xiàn)率及累計(jì)貢獻(xiàn)率，如表5所示。

2.3 基于KPCA-GRNN的預(yù)測模型檢驗(yàn)

BP算法由學(xué)習(xí)過程信號的正向傳播與誤差的反向傳播2個(gè)過程組成。由于多層前饋網(wǎng)絡(luò)的訓(xùn)練經(jīng)常采用誤差反向傳播算法，應(yīng)用較為廣泛[15]，故將2種算法的預(yù)測值進(jìn)行比較。為了驗(yàn)證實(shí)驗(yàn)結(jié)果的優(yōu)劣，將實(shí)驗(yàn)結(jié)果和數(shù)據(jù)模型的后7組進(jìn)行對比，采用平均相對誤差進(jìn)行評價(jià)，其計(jì)算公式如下：

得到的平均相對誤差如表6所示，預(yù)測效果比較符合實(shí)際。分別對數(shù)據(jù)采用BP和KPCA-GRNN算法，得出的結(jié)果是后者優(yōu)于前者，如圖3所示。

3 結(jié) 論

1）采用KPCA算法分析了影響管道腐蝕的關(guān)鍵因素，建立了循環(huán)水腐蝕預(yù)測指標(biāo)體系，運(yùn)用KPCA對指標(biāo)因子進(jìn)行降維，降低了輸入向量的維數(shù)，簡化了分析過程。

2）與BP算法相比，采用KPCA與GRNN結(jié)合算法預(yù)測循環(huán)水的腐蝕速率，得到的預(yù)測值與實(shí)際值吻合度更高，預(yù)測更為準(zhǔn)確。

3）本模型選用KPCA對數(shù)據(jù)進(jìn)行預(yù)處理，結(jié)合GRNN算法，為循環(huán)水腐蝕速率的預(yù)測方法研究拓寬了思路。

4）此研究因受樣本數(shù)量的限制，推廣至化工廠存在一定難度。下一步將針對掛片和監(jiān)測管與實(shí)際管道之間腐蝕速率的關(guān)系進(jìn)行深入研究。

參考文獻(xiàn)/References：

[1] 梁小偉.煉油廠循環(huán)水腐蝕控制與設(shè)備防護(hù)對策研究.科技創(chuàng)新與應(yīng)用，2014（8）：76.

[2] 駱正山，姚夢月，駱濟(jì)豪，等.基于KPCA-BAS-GRNN的埋地管道外腐蝕速率預(yù)測.表面技術(shù)，2018，47（11）：173-180.

LUO Zhengshan，YAO Mengyue，LUO ihao，et al.Prediction of external corrosion rate of buried pipeline based on KPCA-BAS-GRNN. Surface Technology，2018，47（11）：173-180.

[3] 董超，張凌峰，李榮，等.循環(huán)冷卻水系統(tǒng)腐蝕速率的預(yù)測模型.化工自動化及儀表，2011，38（6）：676-678.

DONG Chao，ZANG Lingfeng，LI Rong，et al.Corrosion rate prediction model for circulating cooling water system.Control and Instruments in Chemical Industry，2011，38（6）：676-678.

[4] 陳永紅，張大發(fā)，王悅民，等.基于灰色馬爾科夫組合模型的管道腐蝕速率預(yù)測方法.核動力工程，2009，30（2）：95-98.

CEN Yonghong， ZANG Dafa， WANG Yuemin，et al.Prediction of pipeline corrosion rate based on grey Markov models.Nuclear Power Engineering，2009，30（2）：95-98.

[5] 者娜，楊劍鋒，劉文彬，等.基于KPCA和SVM的工藝管道腐蝕速率預(yù)測.腐蝕與防護(hù)，2019，40（1）：56-60.

ZE Na，YANG ianfeng，LIU Wenbin，et al.Prediction of corrosion rate of process pipeline based on KPCA and SVM.Corrosion & Protection，2019，40（1）：56-60.

[6] 俞樹榮，韓竣羽，李淑欣.利用灰色馬爾可夫模型預(yù)測腐蝕管道壽命.機(jī)械強(qiáng)度，2016，38（4）：850-856.

YU Shurong，AN unyu，LI Shuxin.Predictive grey Markov Chain model for pitting corrosion in piplines.ournal of Mechanical Strength，2016，38（4）：850-856.

[7] LI G D， WANG C ， YAMAGUCI D， et al. A study on the corrosion process of gas pipeline applying grey dynamic model. International ournal of Reliability and Safety， 2010， 4（1）：1-7.

[8] CINEDU I O，BRIAN B，DAVIES I. Markov chain modelling for time evolution of internal pitting corrosion distribution of oil and gas pipelines. Engineering Failure Analysis，2016，60：209-228.

[9] 陽同光. XD1型電力機(jī)車異步牽引電機(jī)故障診斷方法研究[D].長沙：中南大學(xué)，2013.

YANG Tongguang.Fault Diagnosis About Asynchronous Traction Motor of XD1 Electric Locomotive[D].Changsha：Central South University，2013.

[10]肖健華，吳今培.基于核的特征提取技術(shù)及應(yīng)用研究.計(jì)算機(jī)工程，2002，28（10）：36-38.

XIAO ianhua，WU inpei.Theory and application study of feature extraction based on kernel.Computer Engineering，2002，28（10）：36-38.

[11]王曉麗，魏志兵，彭士濤，等.基于主成分分析法的液體管道泄漏后果綜合評價(jià)模型.中國安全生產(chǎn)科學(xué)技術(shù)，2014，10（5）：84-89.

WANG Xiaoli，WEI Zhibing，PENG Shitao，et al.Comprehensive assessment model of liquid pipeline leakage consequences based on principle component analysis.ournal of Safety Science and Technology，2014，10（5）：84-89.

[12]王少福，張金磊，趙仕俊，等.廣義回歸神經(jīng)網(wǎng)絡(luò)的改進(jìn)及在預(yù)測控制中的應(yīng)用.微電子學(xué)與計(jì)算機(jī)，2009，26（6）：32-35.

WANG Shaofu， ZANG inlei， ZAO Shijun，et al.The generalized regression neural network and its application to predictive control.Microelectronics & Computer，2009，26（6）：32-35.

[13]宋積文，張亮，王秀通，等.南海東部海域石油平臺現(xiàn)場腐蝕掛片試驗(yàn)研究.材料保護(hù)，2017，50（8）：32-35.

SONG iwen，ZANG Liang，WANG Xiutong，et al.Corrosion coupon experiments near offshore jacket platforms in easten South China Sea. Materials Protection，2017，50（8）：32-35.

[14]顧愛華.云計(jì)算網(wǎng)絡(luò)中高維數(shù)據(jù)標(biāo)準(zhǔn)化處理優(yōu)化仿真.計(jì)算機(jī)仿真，2017，34（3）：317-320.

GU Aihua.Cloud pomputing standardization of high-dimensional date processing in network optimization simulation. Computer Simulation，2017，34（3）：317-320.

[15]郭璇，馬思遠(yuǎn)，郭一帆，等.基于BP神經(jīng)網(wǎng)絡(luò)的圍巖介質(zhì)爆炸峰值壓力預(yù)測.振動與沖擊，2019，38（3）：199-206.

GUO Xuan，MA Siyuan，GUO Yifan，et al.Blast peak pressure prediction for surrounding rock medium based on BP neural network method.ournal of Vibration and Shock，2019，38（3）：199-206.