模糊推理和深度学习数模融合的卡尔曼滤波腐蚀预测

作     者：尹爱军 朱文浩 戴宗贤 任宏基 Yin Aijun;Zhu Wenhao;Dai Zongxian;Ren Hongji

作者机构：重庆大学机械与运载工程学院重庆400044 重庆市计量质量检测研究院重庆401120 重庆电子工程职业学院重庆401331 

出 版 物：《电子测量与仪器学报》 (Journal of Electronic Measurement and Instrumentation)

年 卷 期：2023年第37卷第4期

页      面：27-34页

核心收录：

学科分类：0820[工学-石油与天然气工程] 12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 082002[工学-油气田开发工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(52275518) 国家重点研发计划(2020YFB1709800)项目资助 

主　　题：模糊推理 深度学习 卡尔曼滤波 数模融合 管道腐蚀 时序预测 

摘      要：腐蚀状态的准确预测对油气储运、化工设备安全可靠运行具有重要意义。因腐蚀过程复杂,影响因素多,导致常规腐蚀预测方法中先验模型对环境依赖性大,中长期预测效果差。本文提出一种融合模糊推理和深度学习的数模融合驱动的卡尔曼滤波腐蚀预测方法。首先结合腐蚀物理模型和实际监测数据,建立腐蚀速度模糊规则,得到基于现场环境的结合物理模型的修正腐蚀速度。同时针对模糊推理结果存在的预测滞后性,考虑腐蚀监测数据的长期规律性,利用深度学习预测腐蚀速度;然后融合模糊策略和深度学习预测结果,实现基于卡尔曼滤波的数模融合腐蚀预测。最后利用天然气管道实际腐蚀监测数据,与高斯过程回归(Gaussian process regression,GPR),粒子群优化灰度模型(particle swarm optimization gray model,PSOGM),模糊推理(fuzzy reasoning,FR),多层感知机(multilayer perceptron,MLP)和卡尔曼滤波预测方法(Kalman filter,KF)进行了对比验证分析。结果表明本文所提方法具有良好的预测效果,对两年内腐蚀状态的相对预测误差在1%范围内,均方根误差为0.00049 mm,平均绝对百分比误差为0.34%。