CN116384732A - 场站管道风险智能评估方法、***、存储介质及计算设备 - Google Patents
场站管道风险智能评估方法、***、存储介质及计算设备 Download PDFInfo
- Publication number
- CN116384732A CN116384732A CN202310203577.1A CN202310203577A CN116384732A CN 116384732 A CN116384732 A CN 116384732A CN 202310203577 A CN202310203577 A CN 202310203577A CN 116384732 A CN116384732 A CN 116384732A
- Authority
- CN
- China
- Prior art keywords
- station pipeline
- failure
- risk
- area
- station
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000012706 support-vector machine Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000013210 evaluation model Methods 0.000 claims abstract description 12
- 238000012502 risk assessment Methods 0.000 claims description 35
- 230000006378 damage Effects 0.000 claims description 29
- 238000011156 evaluation Methods 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 15
- 208000027418 Wounds and injury Diseases 0.000 claims description 14
- 208000014674 injury Diseases 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 229910018503 SF6 Inorganic materials 0.000 claims description 6
- 238000002955 isolation Methods 0.000 claims description 6
- SFZCNBIFKDRMGX-UHFFFAOYSA-N sulfur hexafluoride Chemical compound FS(F)(F)(F)(F)F SFZCNBIFKDRMGX-UHFFFAOYSA-N 0.000 claims description 6
- 229960000909 sulfur hexafluoride Drugs 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000010561 standard procedure Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims description 2
- 230000000704 physical effect Effects 0.000 claims description 2
- 208000033999 Device damage Diseases 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 description 8
- 238000010219 correlation analysis Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 239000010779 crude oil Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000006247 magnetic powder Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种场站管道风险智能评估方法、***、存储介质及计算设备，方法包括：采集场站管道的运行数据并确定场站管道风险等级；识别场站管道风险等级影响参数中的关键影响参数；根据关键影响参数与相应的场站管道风险等级形成样本集，利用训练样本通过支持向量机建立关键影响因素与场站管道的失效可能性和失效后果的关联数据库，用于场站管道风险智能评估模型的模型训练及优化；基于检测得到的场站管道运行参数，通过场站管道风险智能评估模型预测场站管道的失效可能性和失效后果，从而确定所检测的场站管道的风险等级。本发明可直接得到失效可能性和失效后果两项指标，且在计算过程中仅需少量参量即可，计算流程简单，便于工程实践应用。
Description
技术领域
本发明涉及风险评估技术领域，尤其涉及一种场站管道风险智能评估方法、***、存储介质及计算设备。
背景技术
随着国民经济的发展，对管道原油输送的需求量不断提高，同时社会对石油输送管道的安全性尤为关注，保障石油输送管道的安全性对于原油储运行业的发展与社会的稳定具有重要作用。场站管道为原油输送的中转站，管道的结构复杂，工作条件苛刻，保障场站管道的安全性尤为关键。
风险分析与评价是风险工程学的重要组成部分，是针对具体危险源发生的失效可能性和可能造成后果的严重程度、危害的范围等进行定性或定量的评价，在石化行业得到了广泛的应用。
传统的风险分析方法考虑参数众多，计算流程复杂，对工程实践应用造成了困难，因此结合场站管道工程实践的需求，有待开发一种基于智能学习的风险分析方法。
发明内容
本发明所要解决的技术问题是针对现有技术存在的问题，提供一种场站管道风险智能评估方法、***、存储介质及计算设备。
为解决上述技术问题，本发明实施例提供一种场站管道风险智能评估方法，包括：采集场站管道的运行数据，根据运行数据确定场站管道风险等级；采用灰色关联度方法识别出场站管道风险等级影响参数中的关键影响参数；根据关键影响参数与相应的场站管道风险等级形成样本集，通过支持向量机机器学习建立关键影响因素与场站管道的失效可能性和失效后果的关联数据库，用于场站管道风险智能评估模型的模型训练；利用测试样本对场站管道风险智能评估模型进行模型优化；基于检测得到的场站管道运行参数，通过场站管道风险智能评估模型预测场站管道的失效可能性和失效后果，从而确定所检测的场站管道的风险等级。
为解决上述技术问题，本发明还提供一种场站管道风险智能评估***，包括：数据采集模块、关键影响参数识别模块、模型训练、模型优化模块和风险评估模块；
数据采集模块用于采集场站管道的运行数据，根据运行数据确定场站管道风险等级；关键影响参数识别模块用于采用灰色关联度方法识别出场站管道风险等级影响参数中的关键影响参数；模型训练及优化模块用于根据关键影响参数与相应的场站管道风险等级形成样本集，通过支持向量机机器学习建立关键影响因素与场站管道的失效可能性和失效后果的关联数据库，用于场站管道风险智能评估模型的模型训练；利用测试样本对场站管道风险智能评估模型进行模型优化；风险评估模块用于基于检测得到的场站管道运行参数，通过场站管道风险智能评估模型预测场站管道的失效可能性和失效后果，从而确定所检测的场站管道的风险等级。
为解决上述技术问题，本发明还提供一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使所述计算机执行上述技术方案提供的场站管道风险智能评估方法。
为解决上述技术问题，本发明还提供一种计算设备，包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述技术方案提供的场站管道风险智能评估方法。
本发明的有益效果是：通过灰色关联度方法确定场站管道风险评估影响参数中的关键影响参数，根据关键影响参数与相应的场站管道风险等级形成样本集，利用训练样本通过支持向量机机器学习建立所述关键影响因素与场站管道的失效可能性和失效后果的关联数据库，用于场站管道风险智能评估模型的模型训练及优化，通过上述场站管道风险智能诊断模型可以直接评估得到场站管道的失效可能性和失效后果两项指标，失效可能性用于确定失效事件发生的概率，失效后果用于衡量失效事件发生后，其后果的严重程度和损失大小且在，计算过程中仅需少量参量即可，计算流程简单，便于工程实践应用。
本发明附加的方面及其优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。
附图说明
图1为本发明一实施例提供的场站管道风险智能评估方法流程图。
图2为本发明实施例提供的失效可能性计算框图；
图3为本发明实施例提供的失效后果计算流程图；
图4为本发明实施例提供的支持向量机Matlab运行流程。
具体实施方式
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
如图1所示，本发明一实施例提供的场站管道风险智能评估方法，包括以下步骤：
步骤1，采集场站管道的运行数据，根据所述运行数据确定场站管道风险等级。
通过场站管道检测，采集场站管道的运行数据，建立场站管道运行台账，并计算场站管道风险等级，划分场站管道智能分析的训练样本与测试样本。具体地，通过场站管道设计参数与运行参数资料收集，获得场站管道直径与长度尺寸、管道内介质的物性参数与流量、结构复杂状态信息、建造规范情况、运行周期、操作情况、工艺连续性和稳定性情况、安全阀状态等。采用壁厚超声检测、磁粉无损探伤等场站管道无损检测方法，获得场站管道损伤状态以及剩余壁厚。通过场站管道的运行环境调研，获得管道所处场站条件、气候寒冷状态以及地震活动状态；通过场站管理人员的问卷调查，进行企业管理***评价。
本发明实施例中，利用上述场站管道的运行数据分别计算场站管道的失效可能性和失效面积，根据失效可能性和失效面积确定风险等级。
步骤2，采用灰色关联度方法识别出场站管道风险等级影响参数中的关键影响参数。
场站管道风险评估涉及影响参数众多，需要判断各参量对场站管道失效可能性和失效后果的影响程度，来确定场站管道风险智能评估方法中需要考虑的关键影响参量。通过灰色关联度分析可以获得各影响参数与场站管道失效可能性和失效后果的关联程度，关联度大的参数可称为“关键参数”需要在风险评估中予以考虑，关联性很小的参数可称为“非关键参数”可以在风险评估中忽略，从而简化风险评估流程，并且不影响评估结果精度。
本实施例经过对单个场站的场站管道风险影响因素进行了灰色关联度分析，并将单个场站中的不变量予以忽略，可得到场站管道失效可能性关键影响因素为：计划停车因子、检测周期、管理***评价概率、非计划停车因子、剩余寿命、已服役年限、操作压力、设计压力、测得壁厚、原始壁厚、管道长度；场站管道失效后果的关键影响因素为：操作压力。需要注意的是不同的场站关键影响因素存在区别，需要单独分析。
步骤3根据关键影响参数与相应的场站管道风险等级形成样本集，通过支持向量机机器学习建立关键影响因素与场站管道的失效可能性和失效后果的关联数据库，用于场站管道风险智能评估模型的模型训练。
失效可能性用于确定失效事件发生的概率，失效后果用于衡量失效事件发生后，其后果的严重程度和损失大小。
支持向量机是一种机器学习算法，即已知训练点的类别，求训练点与类别之间的对应关系，以便将训练集按照类别分开，或者是预测新的训练点所对应的类别。支持向量机的理论基础是统计学习理论，是结构风险最小化的近似实现。学习机器在测试数据上的误差率以训练误差率和一个依赖于VC维数的项的和为界，在可分模式下支持向量机对于前一项的值为零，并且使第二项最小化。
通过考虑场站管道风险的关键影响参数，采用支持向量机机器学习方法得到关键参量与场站管道失效可能性和失效后果之间的关系，从而实现对场站管道的失效可能性与失效后果的智能诊断。通过Matlab编程调用支持向量机计算，附图4为支持向量机Matlab运行流程。选择检测过程中的数据作为训练集进行支持向量机的学习训练。
步骤4，利用测试样本对所述场站管道风险智能评估模型进行模型优化。
具体地，将测试样本用于场站管道智能诊断程序的验证，若不满足预测精度要求，则增加训练样本，继续进行支持向量机机器学习，若满足预测精度要求，则可用于场站管道风险的智能预测。
步骤5，基于检测得到的场站管道运行参数，通过所述场站管道风险智能评估模型预测场站管道的失效可能性和失效后果，从而确定所检测的场站管道的风险等级。
将场站需要进行风险分析的场站管道数据，依托Matlab软件录入到场站管道风险失效可能性的智能预测程序中，实现对场站管道失效可能性的智能诊断；将场站需要进行风险分析的场站管道数据，依托Matlab软件录入到场站管道风险失效后果的智能预测程序中，实现对场站管道失效后果的智能诊断；基于支持向量机程序预测得到的场站管道的失效可能性和后果面积，确定所检测的场站管道风险等级。
本发明实施例充分研究了场站管道独特的应用场景，提炼出独有的关键影响因子，建立了符合场站管道真实应用场景的失效可能性和失效后果预测模型。通过场站管道失效可能性和后果面积预测模型，结合因场站管道使用单位因为应用场景所决定的特殊可接受风险水平，进一步开发了场站管道应用场景下的场站管道风险智能评估模型。结合以往检验评价数据及场站管道应用场景下的场站管道风险智能评估模型所分析评价的结果，本发明实施例建立了场站管道专用风险数据库，并预留了数据交换端口，为后续的研究和开发奠定基础。本发明实施例基于场站管道专用风险数据库和场站管道风险智能评估模型，提出基于数据库的场站管道风险智能评估模型的算法，以此算法进一步优化数据库数据的有效性以及分析模型的仿真性。
本发明实施例通过灰色关联度方法确定场站管道风险评估影响参数中的关键影响参数；根据关键影响参数与相应的场站管道风险等级形成样本集，通过支持向量机机器学习建立所述关键影响因素与场站管道的失效可能性和失效后果的关联数据库，用于场站管道风险智能评估模型的模型训练及优化，通过上述场站管道风险智能诊断模型可以直接评估得到场站管道的失效可能性和失效后果两项指标，且在计算过程中仅需少量参量即可，计算流程简单，便于工程实践应用。
可选地，根据运行数据确定场站管道风险等级，包括：
步骤11，根据所述运行数据确定场站管道平均失效可能性、场站管道修正系数和管理***评价系数。
具体地，通过建立场站管道的运行台账信息，获得场站管道平均失效可能性FG、场站管道修正系数FE(包含减薄因子、应力腐蚀开裂因子、通用条件因子、机械因子、工艺因子)、管理***评价系数FM、超标缺陷影响系数。
步骤12，根据所述场站管道平均失效可能性、场站管道修正系数和管理***评价系数确定场站管道的失效可能性。
根据附图2失效可能性计算框图计算场站管道的失效可能性。失效可能性计算式为：
F＝FGFEFM (1)
FE＝DF+SF1+SF2+SF3 (2)
其中，DF为损伤次因子；SF1为通用次因子，考虑了工厂状况系数、气候条件系数、地震活动系数；SF2为机械次因子，考虑了设备复杂性系数、规范状况系数、寿命周期系数和安全状况系数；SF3为工艺次因子，考虑了工艺连续系数、工艺稳定性系数和安全保护装置条件系数。
FG是场站管道的平均失效可能性，指同类型管道的平均失效可能性，主要通过国内外同类管道的失效情况和相关领域专家打分法确认。
FM是场站管道使用单位的管理水平的评价，通过多个方面多个问题的打分客观存在的确定系数。本发明实施例可选取14个方面，如如安全生产责任制、操作规程、应急措施、分包管理等，选取100个问题，如是否建立安全生产责任制、操作规程是否科学合理、应急措施是否有针对性且有效、分包商是否做合格供应商评价等。
上述各因子为通过对所有的损伤因子(包括损伤次因子、通用次因子、机械次因子、工艺次因子)结合不同的影响程度进行专家赋值，最后所有赋值的代数和。
步骤13，根据运行数据确定失效事件导致的面积后果和经济后果，根据面积后果和经济后果确定场站管道的失效后果。
图3为计算场站管道失效后果流程图。计算场站管道失效后果详细实现流程如下：
1、选取泄漏代表性介质及其物性参数：对于单一组分介质可以从GB/T26610.5中表2选取最接近被评价承压设备***中实际介质的代表性介质；对于多组分混合物介质应根据混合物中各种介质的摩尔质量(MW)、密度、标准沸点(NBP)及自燃温度等按确定混合物介质对应的代表性介质的相关物性。
2、选取泄漏直径：每种泄漏孔,按下式计算其泄漏面积An：
式中d表示泄漏孔直径。
3、计算理论泄漏速率：每种泄漏孔,按下式计算介质理论泄漏速率Wn：
式中，Cd表示泄漏系数,湍流介质通过边缘尖锐孔的泄漏系数为[0.60,0.65],推荐保守的取值为0.61，ρ代表介质密度。
4、评价探测和隔离***对泄漏量的影响：
1)根据探测***可分为三级：
一级：可依据操作条件的变化检测出介质损失的探测***。
二级：可直接检测出介质泄漏的探测***。
三级：目视检测、照相或检测范围有限的探测***。
2)根据隔离***可分为三级：
一级：直接由工艺仪表或探测器启动,而不需要操作者对此进行干预的隔离或切断***。
二级：由控制室内或其他远离泄漏点的操作者启动的隔离或切断***。
三级：依靠手动阀门的隔离***。
5、确定实际泄漏速率：
实际泄漏速率按公式计算:
rn＝Wn(1-f)
式中f表示泄漏速率减小系数，详细取值见下表：
6、计算面积后果和经济后果：
6.1、最终的面积后果取设备破坏后果面积和人员伤害后果面积两者中的较大值，按公式计算：
CA＝max(CAc，CAi)
式中，CAc表示设备破坏面积后果，CAi表示人员伤害面积后果。
其中，设备破坏后果面积按公式计算：
CAc＝arn b(1-f)；
式中a、b为常数，按照GB/T26610.5中表13取值；
其中，人员伤害后果面积按公式计算：
式中c、d为常数，按照GB/T26610.5中表14取值；
6.2、经济后果为五种经济成本之和，按公式计算：
FC＝FCc+FCa+FCp+FCi+FCe；
式中，FCc表示设备检修或更换成本，FCa表示设备失效影响区域中其他设备的破坏成本，FCp表示介质泄漏和由于设备检修或更换所导致的停工成本，FCi表示设备失效所导致的人员伤害成本，FCe表示环境清理成本；
6.3、总的失效后果，按公式计算：
Cz＝CA+FC。
步骤14，根据所述场站管道的失效可能性和失效后果基于风险等级矩阵确定场站管道风险等级。
具体地，风险等级矩阵将失效可能性根据数值的大小分为M个级别，将失效后果根据严重程度也分为N个级别，将失效可能性与失效后果进行组合，得到的M行N列矩阵；其中，M和N为常数。本发明实施例中，将失效可能性根据数值的大小分为5级，用1、2、3、4、5表示，其中1表示失效可能性最小，5表示失效可能性最大。将失效后果根据严重程度也分为5个级别，分别为A、B、C、D、E，其中A表示失效后果最不严重，E表示失效后果最严重。将失效后果与失效可能性的5个等级进行组合，即可得到5行5列风险矩阵。
本发明实施例确定了场站管道的失效可能性与失效后果，根据风险矩阵图即可评定场站管道的风险等级，风险等级沿左下方到右上方对角线逐渐升高，分为4个等级，依次为：低风险、中风险、中高风险和高风险。结合场站管道的失效可能性和失效后果，并根据风险等级矩阵，确定场站管道风险等级。
本发明实施例将检测得到的管道信息以及相应的风险等级结果，选取一部分作为训练样本，剩余的作为测试样本，训练样本将用于智能诊断学习训练，测试样本用于评判场站管道智能诊断结果的有效性。
可选地，根据灰色关联度方法确定场站管道风险评估影响参数中的关键影响参数，包括：
步骤21，对场站管道风险评估所需要的参数与失效可能性和失效后果进行灰色关联度分析，根据灰色关联度分析得到的各影响参数与场站管道的失效可能性和失效后果的灰色关联系数。
场站管道风险评估涉及影响参数众多，需要判断各参量对场站管道失效可能性和失效后果的影响程度，来确定场站管道风险智能评估方法中需要考虑的关键影响参量。通过灰色关联度分析可以获得各影响参数与场站管道失效可能性和失效后果的关联程度，关联度大的参数可称为“关键参数”需要在风险评估中予以考虑，关联性很小的参数可称为“非关键参数”可以在风险评估中忽略，从而简化风险评估流程，并且不影响评估结果精度。计算灰色关联系数：
式中：i表示第i列数据；k表示某一列中第k个数据；minimink|x0(k)-xi(k)|表示第i列母列上的值与子列上的每个值做差值，并取绝对值的最小值。maximaxk|x0(k)-xi(k)|表示第i列母列上的值与子列上的每个值做差值，并取绝对值的最大值。|x0(k)-xi(k)|表示母列上的值与子列上第k个值做差值，并取绝对值。ρ表示调节系数，是用来调节不同系数之间的差距，它的取值范围为(0,1)，ρ越大，各系数之间的差距越小；反之，各系数之间的差距越大。
步骤22，分别对场站管道的失效可能性和失效后果影响参数的灰色关联系数进行排序，根据排序结果选取失效可能性的关键影响参数以及失效后果的关键影响参数。
本发明实施例经过对单个场站的场站管道风险影响因素进行了灰色关联度分析，并将单个场站中的不变量予以忽略，可得到场站管道失效可能性关键影响因素为：计划停车因子、检测周期、管理***评价概率、非计划停车因子、剩余寿命、已服役年限、操作压力、设计压力、测得壁厚、原始壁厚、管道长度；场站管道失效后果的关键影响因素为：操作压力。需要注意的是不同的场站关键影响因素存在区别，需要单独分析。
可选地，通过支持向量机机器学习建立所述关键影响因素与场站管道的失效可能性和失效后果的关联数据库，包括：
步骤31，根据所述失效可能性的关键影响参数对训练样本进行学习，构建关键参量与场站管道失效可能性之间的关联关系；
步骤32，根据所述失效后果的关键影响参数对训练样本进行学习，构建关键参量与场站管道失效后果之间的关联关系。
可选地，利用测试样本对所述场站管道风险智能评估模型进行模型优化，包括：
步骤41，将测试样本的关键影响参数输入场站管道风险智能评估模型，得到测试样本的失效可能性和失效后果。
步骤42，根据评估得到的所述失效可能性和失效后果与通过标准方法得到的失效可能性和失效后果进行误差分析；其中，标准方法为根据GB/T26610《承压设备***基于风险的检验实施导则》标准所指导的方法。
步骤43，若误差不满足预测精度要求，则增加训练样本，继续进行支持向量机机器学习，直至满足预测精度要求。
将剩余管道的数据作为测试集，验证训练完成的支持向量机场站管道风险智能评估模型的预测精度。从而检测场站管道智能风险评估模型的有效性。
通过考虑场站管道风险的关键影响参数，采用支持向量机机器学习方法得到关键参量与场站管道失效可能性和失效后果面积之间的关系，从而实现对场站管道的失效可能性与失效后果的智能诊断。通过Matlab编程调用支持向量机计算，附图4为支持向量机Matlab运行流程。选择检测过程中的数据作为训练集进行支持向量机的学习训练。
本发明实施例还提供一种场站管道风险智能评估***，包括：数据采集模块、关键影响参数识别模块、模型训练模块、模型优化模块和风险评估模块。
数据采集模块用于采集场站管道的运行数据，根据运行数据确定场站管道风险等级；关键影响参数识别模块用于采用灰色关联度方法识别出场站管道风险等级影响参数中的关键影响参数；模型训练及优化模块用于根据关键影响参数与相应的场站管道风险等级形成样本集，通过支持向量机机器学习建立关键影响因素与场站管道的失效可能性和失效后果的关联数据库，用于场站管道风险智能评估模型的模型训练；利用测试样本对场站管道风险智能评估模型进行模型优化；风险评估模块用于基于检测得到的场站管道运行参数，通过场站管道风险智能评估模型预测场站管道的失效可能性和失效后果，从而确定所检测的场站管道的风险等级。
本发明实施例还提供一种计算机可读存储介质，包括指令，当所述指令在计算机上运行时，使所述计算机执行上述实施例提供的场站管道风险智能评估方法。
本发明实施例还提供一种计算设备，包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例提供的场站管道风险智能评估方法。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (14)
1.一种场站管道风险智能评估方法，其特征在于，包括：
采集场站管道的运行数据，根据所述运行数据确定场站管道风险等级；
采用灰色关联度方法识别出场站管道风险等级影响参数中的关键影响参数；
根据所述关键影响参数与相应的场站管道风险等级形成样本集，利用训练样本通过支持向量机机器学习建立所述关键影响因素与场站管道的失效可能性和失效后果的关联数据库，用于场站管道风险智能评估模型的模型训练；
利用测试样本对所述场站管道风险智能评估模型进行模型优化；
基于检测得到的场站管道运行参数，通过所述场站管道风险智能评估模型预测场站管道的失效可能性和失效后果，从而确定所检测的场站管道的风险等级。
2.根据权利要求1所述的场站管道风险智能评估方法，其特征在于，所述根据所述运行数据确定场站管道风险等级，包括：
根据所述运行数据确定场站管道平均失效可能性、场站管道修正系数和管理***评价系数；
根据所述场站管道平均失效可能性、场站管道修正系数和管理***评价系数确定场站管道的失效可能性；
根据所述运行数据确定失效事件导致的面积后果和经济后果，根据所述面积后果和经济后果确定场站管道的失效后果；
根据所述场站管道的失效可能性和失效后果基于风险等级矩阵确定场站管道风险等级。
3.根据权利要求2所述的场站管道风险智能评估方法，其特征在于，所述根据所述场站管道平均失效可能性、场站管道修正系数和管理***评价系数确定场站管道的失效可能性，计算公式如下：
F＝FGFEFM
FE＝DF+SF1+SF2+SF3
其中，FG为场站管道平均失效可能性、FE为场站管道修正系数、FM为管理***评价系数；DF为损伤次因子；SF1为通用次因子，根据工厂状况系数、气候条件系数和地震活动系数确定；SF2为机械次因子，根据设备复杂性系数、规范状况系数、寿命周期系数和安全状况系数确定；SF3为工艺次因子，根据工艺连续系数、工艺稳定性系数和安全保护装置条件系数确定。
4.根据权利要求2所述的场站管道风险智能评估方法，其特征在于，所述根据所述运行数据确定失效事件导致的面积后果和经济后果，根据所述面积后果和经济后果确定场站管道的失效后果，包括：
选取泄漏代表性介质及其物性参数；
选取泄露直径，计算每种泄露孔的泄露面积；
对于每种泄露孔，根据所选取的泄露代表性介质的物性参数及泄露面积计算介质理论泄露速率；
根据所述介质理论泄露速率和泄漏量减小系数确定实际泄漏速率，其中，所述泄露量减小系数根据探测和隔离***对泄漏量的影响而确定；
根据所述实际泄露速率确定设备破坏后果面积和人员伤害后果面积，根据所述设备破坏后果面积和人员伤害后果面积确定面积后果；
根据所述运行数据中的设备检修或更换成本、设备失效影响区域中其他设备的破坏成本、介质泄漏和由于设备检修或更换所导致的停工成本、设备失效所导致的人员伤害成本和环境清理成本之和确定经济后果；
根据所述面积后果和经济后果的总合确定场站管道的失效后果。
5.根据权利要求4所述的场站管道风险智能评估方法，其特征在于，所述计算每种泄露孔的泄露面积An，计算公式如下：
式中，d表示泄漏孔直径。
6.根据权利要求4所述的场站管道风险智能评估方法，其特征在于，所述根据所选取的泄露代表性介质的物性参数及泄露面积计算介质理论泄露速率Wn，计算公式如下:
式中，Cd表示泄漏系数,湍流介质通过边缘尖锐孔的泄漏系数取值范围为[0.60,0.65]；ρ代表介质密度，An代表泄露面积。
7.根据权利要求4所述的场站管道风险智能评估方法，其特征在于，所述根据介质理论泄露速率和泄漏量减小系数确定实际泄漏速率rn，计算公式如下：
rn＝Wn(1-f)
式中，f表示泄漏速率减小系数，Wn代表介质理论泄露速率。
8.根据权利要求4所述的场站管道风险智能评估方法，其特征在于，所述根据所述实际泄露速率确定设备破坏后果面积和人员伤害后果面积，根据所述设备破坏后果面积和人员伤害后果面积确定面积后果，包括：
计算设备破坏后果面积，公式如下：
CAc＝arn b(1-f)
式中，CAc代表设备破坏后果面积，a和b为常数，按照GB/T26610.5中表13取值；f表示泄漏速率减小系数；
计算人员伤害后果面积，公式如下：
式中，CAi代表人员伤害后果面积，c、d为常数，按照GB/T26610.5中表14取值，f表示泄漏速率减小系数；
取所述设备破坏后果面积和人员伤害后果面积两者中的较大值作为面积后果。
9.根据权利要求2所述的场站管道风险智能评估方法，其特征在于，所述风险等级矩阵为：将失效可能性根据数值的大小分为M个级别，将失效后果根据严重程度分为N个级别，将失效可能性与失效后果进行组合，得到的M行N列矩阵；其中，M和N为常数。
10.根据权利要求1至9任一项所述的场站管道风险智能评估方法，其特征在于，所述通过支持向量机机器学习建立所述关键影响因素与场站管道的失效可能性和失效后果的关联数据库，包括：
根据所述失效可能性的关键影响参数对训练样本进行学习，构建关键参量与场站管道失效可能性之间的关联关系；
根据所述失效后果的关键影响参数对训练样本进行学习，构建关键参量与场站管道失效后果之间的关联关系。
11.根据权利要求1至9任一项所述的场站管道风险智能评估方法，其特征在于，所述利用测试样本对所述场站管道风险智能评估模型进行模型优化，包括：
将测试样本的关键影响参数输入场站管道风险智能评估模型，得到测试样本的失效可能性和失效后果；
根据评估得到的所述失效可能性和失效后果与通过标准方法得到的失效可能性和失效后果进行误差分析；
若误差不满足预测精度要求，则增加训练样本，继续进行支持向量机机器学习，直至满足预测精度要求。
12.一种场站管道风险智能评估***，其特征在于，包括：
数据采集模块，用于采集场站管道的运行数据，根据所述运行数据确定场站管道风险等级；
关键影响参数识别模块，用于采用灰色关联度方法识别出场站管道风险等级影响参数中的关键影响参数；
模型训练模块，用于根据所述关键影响参数与相应的场站管道风险等级形成样本集，通过支持向量机机器学习建立所述关键影响因素与场站管道的失效可能性和失效后果的关联数据库，用于场站管道风险智能评估模型的模型训练；
模型优化模块，用于利用测试样本对所述场站管道风险智能评估模型进行模型优化；
风险评估模块，用于基于检测得到的场站管道运行参数，通过所述场站管道风险智能评估模型预测场站管道的失效可能性和失效后果，从而确定所检测的场站管道的风险等级。
13.一种计算机可读存储介质，包括指令，其特征在于，当所述指令在计算机上运行时，使所述计算机执行根据权利要求1至11任一项所述的场站管道风险智能评估方法。
14.一种计算设备，包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至11任一项所述的场站管道风险智能评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310203577.1A CN116384732A (zh) | 2023-03-06 | 2023-03-06 | 场站管道风险智能评估方法、***、存储介质及计算设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310203577.1A CN116384732A (zh) | 2023-03-06 | 2023-03-06 | 场站管道风险智能评估方法、***、存储介质及计算设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116384732A true CN116384732A (zh) | 2023-07-04 |
Family
ID=86968382
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310203577.1A Pending CN116384732A (zh) | 2023-03-06 | 2023-03-06 | 场站管道风险智能评估方法、***、存储介质及计算设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116384732A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117094565A (zh) * | 2023-10-19 | 2023-11-21 | 赛飞特工程技术集团有限公司 | 一种国有集团企业主体责任落实分级评估*** |
-
2023
- 2023-03-06 CN CN202310203577.1A patent/CN116384732A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117094565A (zh) * | 2023-10-19 | 2023-11-21 | 赛飞特工程技术集团有限公司 | 一种国有集团企业主体责任落实分级评估*** |
| CN117094565B (zh) * | 2023-10-19 | 2024-01-12 | 赛飞特工程技术集团有限公司 | 一种国有集团企业主体责任落实分级评估*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20180046155A1 (en) | Identifying and implementing refinery or petrochemical plant process performance improvements | |
| US20220057367A1 (en) | Method for evaluating pipe condition | |
| CN108508863A (zh) | 一种基于灰色模型的机电设备故障诊断方法 | |
| CN109522962B (zh) | 一种化工厂安全定量评估方法 | |
| CN115994248B (zh) | 阀门故障的数据检测方法及*** | |
| CN111104989A (zh) | 燃气管道腐蚀预测方法和装置 | |
| CN112418682B (zh) | 一种融合多源信息的安全性评估方法 | |
| CN106647650A (zh) | 基于变量加权pca模型的分散式工业过程监测方法 | |
| CN116384732A (zh) | 场站管道风险智能评估方法、***、存储介质及计算设备 | |
| CN116777223A (zh) | 一种城市地下管网安全综合风险评估方法及*** | |
| Song et al. | Multifractional and long-range dependent characteristics for remaining useful life prediction of cracking gas compressor | |
| CN117029968A (zh) | 一种流量数据的诊断方法、***、存储介质和电子设备 | |
| Liu et al. | Statistics of catastrophic hazardous liquid pipeline accidents | |
| CN117312972A (zh) | 一种刮板输送机减速器健康状态识别方法 | |
| Defteraios et al. | Hydrogen explosion incident mitigation in steam reforming units through enhanced inspection and forecasting corrosion tools implementation | |
| Pinciroli et al. | A semi-supervised method for the characterization of degradation of nuclear power plants steam generators | |
| CN117191147A (zh) | 一种泄洪大坝水位监测预警方法及*** | |
| CN106250993A (zh) | 一种基于舰船维修剖面的测量设备计量周期调整方法 | |
| Roh et al. | Steam trap maintenance-prioritizing model based on big data | |
| CN110083933A (zh) | 一种考虑随机效应的腐蚀管道贝叶斯退化分析方法 | |
| CN103406364B (zh) | 一种基于改进型偏鲁棒m回归算法的热轧带钢厚度预测方法 | |
| AU2021101888A4 (en) | System and method for corrosion prediction in oil and gas pipeline | |
| Sharma | Application of support vector machines for damage detection in structures | |
| JP2004302709A (ja) | 弁の保全管理方法及びその支援システム | |
| CN114048592A (zh) | 一种精轧全流程分布式运行性能评估及非优原因追溯方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |