[发明专利]一种基于小波变换去噪和堆叠自编码特征选择的海底管道剩余寿命预测方法

说明书

本发明涉及LSTM预测方法，其主要技术特点是：提出一种管道剩余寿命预测方法，该方法基于小波变换去噪和堆叠自编码特征提取，通过构建LSTM模型对管道剩余寿命进行预测，并通过测试集数据验证模型的准确性本发明设计合理，为了验证方法的准确性，与LSTM和GRU算法进行比较。本发明提出的小波变换‑堆叠自编码‑LSTM预测方法都优于其他对比预测方法。本发明对管道的剩余寿命预测有很好的适用性，根据剩余寿命预测结果分析，可以提高管道可用性和可靠性，同时可以减少维修保障费用，降低失效事件发生的风险，降低或避免故障造成的重大损失。

技术领域

本发明属于海底管道领域的剩余寿命预测，涉及基于小波变换去噪和堆叠自编码的海底管道剩余寿命预测方法。

背景技术

随着对石油天然气等基础资源的开采，可用来开采的陆地石油资源正在日益减少。因此，面向海洋对油气资源进行勘探和开发，已经成为确保能源供给的必由之路。随着油气管道运行时间不断延长，管线逐渐接近、超过设计寿命，进入事故多发期，潜在的危险普遍存在。当海底管道发生破坏时，不仅会对人们的日常生活和生产产生影响，还会对海洋环境造成污染，破坏海洋环境的自然生态平衡，其直接和间接损失巨大。因此，对多种复杂作用下的海底管道进行分析，对保证海底管道安全运行至关重要。

随着信息技术在工业系统中的融合，通过分布式传感器网络获取的性能和环境数据，与其他信息化数据如物联网数据以及跨界数据等，形成了工业大数据，成为新工业革命的核心动力。对于现代工业系统，对关键设备在运行过程中进行监测、预测与控制非常有必要。基于数据的智能分析，评估并预测目标对象的健康状态，以降低设备和系统的运行风险，支持预测性的维护维修，从而优化使用、维护及保障策略，即所谓的故障预测与健康管理。剩余寿命，是指产品被检测的某一时刻到该产品失效时的时间长度。剩余寿命预测是故障预测与健康管理系统的核心技术，但是准确预测剩余寿命面临着很多挑战与困难，包括系统失效机理的复杂性、传感器数据的不确定性、未来运行条件的未知性等，特别是实际的“Run-to-Failure(Rt F)”过程数据非常稀缺，导致评估剩余寿命预测方法优劣性难以开展。剩余寿命预测是视情维修过程中核心问题之一，也是产品再制造过程中一个不可回避的关键问题。根据剩余寿命预测结果分析，可以提高系统或设备可用性和可靠性，同时可以减少维修保障费用，降低失效事件发生的风险，降低或避免故障造成的重大损失，具有重要的研究和实用价值。

对于多变量数据处理系统中，数据来自于相关传感器的记录，传感器采集处理数据时会产生噪音和错误。然而多变量的数据往往存在着大量的冗余变量，这些变量会影响后续对数据挖掘工作的效果。通常情况下，特征越多，包含的信息也就越多，预测效果越好。因此，如何有效地从原数据中进行去噪和特征提取对数据的预处理有着重要的研究意义。

近年来，机器学习能力得到了突飞猛进的发展，一方面归功于计算机硬件技术迅速发展使得存储成本大幅降低、计算速度大幅提升；更重要的是关于机器学习算法的研究获得了突破性进展，尤其是近年深度学习算法的提出，使得机器对世界的认识能力有了质的飞跃。自动编码器是深度学习算法之一，它是一种神经网络，其最大的特点就是通过一种非监督的逐层预训练使得网络有一个较好的初始值，再通过有监督的微调训练调整整个网络的权值，最终能够有效地提取数据中关键信息，形成特征。

发明内容

本发明是对海底管道的剩余寿命数据进行预测，数据主要来自海底管道的内检测报告，而与海底管道剩余寿命相关的数据有KP值，ERF值，管道缺陷的深度、长度、宽度等十几个数据维度。