基于KPCA-GRNN的煉化廠管道腐蝕速率預測

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水對管道腐蝕預測的精度，選取8種常規監測數據作為樣本標準庫，在此基礎上考慮各指標之間信息疊加的影響，引入核主成分分析（KPCA）和廣義回歸神經網絡（GRNN）腐蝕速率預測模型，通過KPCA對原始數據進行預處理，提取影響管道腐蝕的主要因素，應用GRNN 建立管道腐蝕速率預測的數學模型，通過分析影響循環水腐蝕的關鍵因素，建立了循環水腐蝕預測指標體系。結果表明，將樣本監測數據的維數由8降至5，可得出各個影響因素的貢獻率，提取出包含原始信息95.84%的5個變量，且基于KPCA-GRNN的算法對監測管道腐蝕速率的平均相對誤差為0.033，優于誤差反向傳播算法（BP）的0.056。因此，基于KPCA-GRNN算法建立的循環水碳鋼腐蝕速率預測模型，能夠獲得更準確的預測結果，拓寬了循環水腐蝕速率預測方法的研究思路。

關鍵詞：材料失效與保護;核主成分分析;廣義回歸神經網絡;循環水腐蝕;腐蝕速率預測

中圖分類號：TG172?? 文獻標志碼：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

對循環水腐蝕速率控制的好與壞，直接影響關鍵設備（循環水管線、涼水塔、換熱器等）在循環水中的使用壽命。對循環水腐蝕速率進行預測研究，對做好煉化廠循環水側設備的腐蝕防護工作具有很重要的意義[1]。目前，國內外研究人員對工業管道腐蝕預測模型開展了大量研究[2]。董超等[3]利用BP神經網絡，對循環冷卻水一定周期的腐蝕速率進行預測;陳永紅等[4]運用灰色理論及馬爾科夫組合模型，對管道腐蝕速率的預測進行了研究;者娜等[5]采用核主成分分析方法和支持向量機模型相結合的方法，預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合，對油氣管道的腐蝕壽命進行了預測;文獻

[7]采用灰色理論，對油氣管道剩余使用壽命進行了預測，并與實驗生產進行對比，得出模型結果的精度較高;文獻[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，對管道腐蝕進行了可靠性評價，借助MATALB軟件對管道腐蝕進行模擬，找出了影響管道失效的關鍵因素。

但是，影響循環水腐蝕的因素眾多，各個因素之間相互關聯，屬非線性問題[3]，使得管道腐蝕預測難以建立影響因素和腐蝕速率之間的直接關系。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，被廣泛應用到模式識別中[9]，常用來解決樣本數量少、非線性等問題。GRNN（廣義回歸神經網絡）是基于RBF（徑向基函數神經網絡）的一種改進，其理論基礎是非線性回歸分析。GRNN結構簡單、訓練簡潔、學習收斂速度快，還具有很強的非線性映射能力，可以克服局部極小值問題，優勢更為突出。另外，GRNN最終收斂于樣本集聚較多的優化回歸，樣本數據的數量不會影響預測效果。除此之外，網絡對不穩定數據的處理效果良好。

本文主要研究煉化廠循環水系統對管道腐蝕的影響，利用KPCA與GRNN相結合的方法預測管道的腐蝕速率，并與BP算法預測結果進行對比分析。通過采用KPCA對樣本指標數據進行降維，確定主成分，再將處理后的數據送入GRNN網絡進行訓練，最終實現數據預測。結果顯示，相比于BP算法，本文算法具有學習速度快、可調參數少、預測誤差小等優點。

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，對輸入數據的數量要求不高，并具有自學習能力，能夠對管道的腐蝕速率進行較為準確的預測。本文利用這一算法取得了相應的預測結果。通過以上分析，可以得出算法的運行流程如下。

Step1 將循環水-樣本數據整理并保存;

Step2 對數據處理并計算核函數（本實驗采用的是高斯核函數）;

Step3 中心化核矩陣;

Step4 計算特征向量和特征值，并將特征向量單位化;

Step5 重建樣本指標數據，判斷主成分實現降維;

Step6 獲取訓練數據，并采用交叉驗證法得到最佳spread值;

Step7 使用最佳參數建立GRNN網絡;

Step8 加載模型實現數據預測。

本文提出的基于KPCA-GRNN循環水腐蝕速率預測模型主要由2部分組成。先用KPCA對循環水指標數據進行有效的非線性特征提取，輸出保留原始數據絕大部分信息的低維數據;再使用交叉驗證法獲取最佳spread值并建立GRNN網絡，進行數據擬合和預測。

1.4 循環水腐蝕檢測

煉化廠多采用循環冷卻水進行熱量交換，為檢測循環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測換熱器而進行日常監測。掛片測試法是浸入式監測，簡單易行且結果可靠[13];監測換熱器模擬實際運行中的工作條件，兩者配合使用可以在不停工的條件下有效檢測設備的腐蝕狀態。但是掛片和檢測都是一個月進行一次，得出本月的腐蝕情況，檢測結果有滯后性。采用KPCA-GRNN模型可以根據水質的狀態對循環水管道進行腐蝕預測，有利于及時掌握管道的腐蝕情況，制定解決方案，減少設備管道因腐蝕導致的停工問題以及經濟損失，實現更科學、更準確的水質監測與管理。

2 數據分析及結果

2.1 數據處理

某石化廠1 000萬t/a煉油項目第三循環水廠主要由空分空壓裝置提供冷卻循環水，采用監測換熱器來計算循環水的腐蝕速率。現場監測指標如表1所示。

現場監測分析數據包括監測換熱器實驗管腐蝕速率、掛片的腐蝕速率。選取第三循環水廠2017年和2018年的監測數據作為依據。由于數據量的限制，選取的數據以采樣頻率1次/月為基準;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。得到的部分原始數據見表2。

2.2 核主成分分析

利用KPCA對前26組數據進行處理，維數由8降為5，得到降維后的部分數據，見表4。經

KPCA處理后，得到主成分的特征值貢獻率，如圖2所示。再經運算后得到數據的特征值、貢獻率及累計貢獻率，如表5所示。

2.3 基于KPCA-GRNN的預測模型檢驗

BP算法由學習過程信號的正向傳播與誤差的反向傳播2個過程組成。由于多層前饋網絡的訓練經常采用誤差反向傳播算法，應用較為廣泛[15]，故將2種算法的預測值進行比較。為了驗證實驗結果的優劣，將實驗結果和數據模型的后7組進行對比，采用平均相對誤差進行評價，其計算公式如下：

得到的平均相對誤差如表6所示，預測效果比較符合實際。分別對數據采用BP和KPCA-GRNN算法，得出的結果是后者優于前者，如圖3所示。

3 結 論

1）采用KPCA算法分析了影響管道腐蝕的關鍵因素，建立了循環水腐蝕預測指標體系，運用KPCA對指標因子進行降維，降低了輸入向量的維數，簡化了分析過程。

2）與BP算法相比，采用KPCA與GRNN結合算法預測循環水的腐蝕速率，得到的預測值與實際值吻合度更高，預測更為準確。

3）本模型選用KPCA對數據進行預處理，結合GRNN算法，為循環水腐蝕速率的預測方法研究拓寬了思路。

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

參考文獻/References：

[1] 梁小偉.煉油廠循環水腐蝕控制與設備防護對策研究.科技創新與應用，2014（8）：76.

[2] 駱正山，姚夢月，駱濟豪，等.基于KPCA-BAS-GRNN的埋地管道外腐蝕速率預測.表面技術，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.循環冷卻水系統腐蝕速率的預測模型.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，王悅民，等.基于灰色馬爾科夫組合模型的管道腐蝕速率預測方法.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測.腐蝕與防護，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測腐蝕管道壽命.機械強度，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型電力機車異步牽引電機故障診斷方法研究[D].長沙：中南大學，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及應用研究.計算機工程，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模型.中國安全生產科學技術，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.廣義回歸神經網絡的改進及在預測控制中的應用.微電子學與計算機，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場腐蝕掛片試驗研究.材料保護，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.云計算網絡中高維數據標準化處理優化仿真.計算機仿真，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，郭一帆，等.基于BP神經網絡的圍巖介質爆炸峰值壓力預測.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.