储罐底板腐蚀状况的贝叶斯网络智能评价方法.pdf

《储罐底板腐蚀状况的贝叶斯网络智能评价方法.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第39卷第3期化工机械335储罐底板腐蚀状况的贝叶斯网络智能评价方法’张颖”1’2陈荣刚3韩丽艳2张永功2(1．哈尔滨工业大学能源科学与工程学院；2．东北石油大学机碱科学与工程学院；3．南通华盛港口有限公司)擅要以贝叶斯网络为基础，利用与储罐底板腐蚀相关的外部表征因素。结合领域专家经验，采用随机重启爬山算法等5种启发式算法。构建储罐底板腐蚀状况贝叶斯网络智能评价模型。对比样本预洲结果可知：随机重启爬山算法构建的网络模型预测能力优于其他4种算法学习的网络结构，平均准确率为92％。预测蛄果表明。谊预测模型可解决储罐底扳腐蚀状况的预测问题，具有一定的工程应用价值。关键词储罐底板腐蚀贝叶斯网

2、络外部表征因素声发射在线检测中围分类号rQ053．2文献标识码^文章编号0254-6094(2012)03-0335·-04石油是国家战略储备资源，常压储罐是油品的主要储存设备。其安全性和经济性深得关注。储罐底板是最易发生腐蚀的部位，其腐蚀机理复杂，腐蚀速率等数据难获取，而许多与储罐底板腐蚀状况相关的外部表征因素尚未得到有效利用。这些外部表征因素具有复杂性和不确定性，无法直接与储罐底板腐蚀状况建立关系。作为一种基于概率的不确定性推理方法，贝叶斯网络在处理不确定信息的智能化系统中已得到广泛应用¨工1。笔者以贝叶斯网络理论为基础，利用与储罐底板腐蚀相关的外部表征数据，结合领域专家经验，建

3、立储罐底板腐蚀状况的贝叶斯网络智能评价模型。将预测结果与声发射在线检测评价结果进行对比，证明了该方法的准确性和可行性，为储罐底板腐蚀状况的智能评价提供了新思路。1贝叶斯网络基本理论1．1贝叶斯网络贝叶斯网络¨-的形式化定义中讲到其是一个二元组c=(s，8)，其中s=

4、x。，邑，⋯，t)=np(X，IPa(x．))(1)式中Pa(Xi)——节点工。的父节点集合。1．2贝叶斯网络的结构学习贝叶斯网络结构学习首先需要定义一种衡量拓扑结构与样本集吻合程度的测度，笔者采用贝叶斯测度作为搜索测度，该测度算法的核心思想是在给定训练样本集D时寻求具有最大后验概率的拓扑结构S，即：p(sIO)=P(s，D)勿(D)；P(s)P(DiS)／p(D)(2)式中P(s)——先验概率分布；P(SID)——基于某种拓扑结构下的后验概率；P(D)——与结构无关的正规化常数；P(DIS卜边界似然。在无约束多项分布、参数独立、采用Dirichlet先验和数据完整的前提下，数据的边

5、界似然正好·黑龙江省教育厅科学技术研究项目(12511008)。··张颖，男，1972年12月生，副教授。黑龙江省大庆市，163318。336化工机械2012正等于每一个(i，，)对边界似然的乘积，即：Pc㈣=觚黝％半㈥其中，n是样本容量，ri、g；分别是节点i及其父节点的状态空间数目，口蜩，口啦，⋯，口鲕，为各个(茹；，凡(髫；))在先验样本中出现的频数，口。=∑口．m；JI、r棚，N啦，⋯，N驴是对应的样本在D中的出现频数，NⅡ=∑

6、j＼r油；r是伽玛函数。式(3)即为贝叶斯测度，该测度为爬山搜索算法的基础。对于式(2)的求解，即搜索具有最大后验概率的贝叶斯网络是一个NP-har

7、d问题H]，一般情况下，不能保证得到最优的贝叶斯网络。因此通常都采用启发式搜索来寻求最优的贝叶斯网络结构。1．3贝叶斯网络参数学习同结构学习中的贝叶斯测度一致，笔者采用贝叶斯算法进行参数学习。对于已确定的拓扑结构S，样本D无缺失的条件下，OPT参数服从Dirichlet分布：离散化样本数据贝叶斯RRHC工H(：]=K2工TS工SAP(％ID．f)=肼如抛(％la辨+^r*，％+％，⋯，％+咋)；≠垃丛上血嘭“C43．Ⅱ，(口赫+‰)⋯其中，口。f=(0讥，0啦，⋯，％)，是节点i在父节点为第J状态下，描述各个条件概率参数的矢量；亭是先验知识，即为口汛，口鳙，⋯，％。2储罐底板腐蚀状况

8、贝叶斯网络智能评价模型的建立2．1网络构建的基本流程以储罐底板腐蚀状况影响因素为样本，储罐底板腐蚀状况等级为评价目标，根据贝叶斯网络基本理论构建储罐底板腐蚀状况贝叶斯网络智能评价模型，其流程如图1所示。分别采用随机重启爬山算法(RRHC)、爬山算法(HC)、K2算法(K2)、Tabu搜索算法(TS)和模拟退火算法(SA)对贝叶斯网络进行学习，构建5种贝叶斯网络模型。通过比较5种网络模型的预测能力，确定最终的储罐底板腐蚀贝叶斯网络智能评价模型。若模型预测准确