算法的预测器中的多个组成。
[0031]步骤2)中对获取的油管的状态信息进行预处理的具体过程为:对获取的油管的状态信息依次进行净化、数据格式转换及变量整合。
[0032]步骤3)之后还包括:油管失效预报器将预测的油管柱腐蚀失效时间转发至用户端。
[0033]本发明具有以下有益效果:
[0034]本发明所述的基于数据挖掘的在役油管柱腐蚀失效预测方法在进行预测过程中，基于数据挖掘的原理，先获取油管的状态信息，再存储油管的状态信息，训练数据源获取油管的状态信息，再对油管的状态信息进行预处理，形成训练数据集，油管失效预报器根据所述训练数据集进行油管柱腐蚀失效时间的预测，预测的准确性较高，操作较为简单；另外，需要说明的是，本发明能够实现从大量历史数据中揭示出隐含的、先前未知的并有潜在价值的信息，可用于检修人员预测油管柱腐蚀失效时间，具有较大的推广空间及市场价值。
【附图说明】
[0035]图1为本发明的原理图。
【具体实施方式】
[0036]下面结合附图对本发明做进一步详细描述:
[0037]参考图1，本发明所述的基于数据挖掘的在役油管柱腐蚀失效预测方法包括以下步骤:
[0038]I)获取油管的状态信息，再将油管的状态信息存储到数据库中或将油管的状态信息以arff文件形式存储，其中，所述油管的状态信息包括油管的钢材材质信息、油管所处环境信息及受力信息；
[0039]2)训练数据源从数据库及arff文件获取油管的状态信息，然后对获取的油管的状态信息进行预处理，形成训练数据集；
[0040]3)油管失效预报器根据步骤2)得到的训练数据集预测油管柱腐蚀失效时间。
[0041]所述油管的钢材材质信息为油管的组分、以及油管的热处理状态。
[0042]所述油管所处环境信息包括油管所处环境的温度、气体分压、腐蚀产物膜、以及流管内液体的PH值、流速、流型、饱和度及细菌数量。
[0043]所述油管的受力信息包括油管所承受的载荷量、载荷的受力方向及分布信息。
[0044]油管失效预报器为基于随机树算法的预测器、基于可更新朴素贝叶斯算法的预测器、基于LWL算法的预测器、基于IBk算法的预测器、基于SMO回归算法的预测器、基于上瘾回归算法的预测器或基于神经网络算法的预测器。
[0045]油管失效预报器为基于随机树算法的预测器、基于可更新朴素贝叶斯算法的预测器、基于LWL算法的预测器、基于IBk算法的预测器、基于SMO回归算法的预测器、基于上瘾回归算法的预测器及基于神经网络算法的预测器中的多个组成。
[0046]步骤2)中对获取的油管的状态信息进行预处理的具体过程为:对获取的油管的状态信息依次进行净化、数据格式转换及变量整合。
[0047]步骤3)之后还包括:油管失效预报器将预测的油管柱腐蚀失效时间转发至用户端。
[0048]当油管失效预报器为基于随机树算法的预测器、基于可更新朴素贝叶斯算法的预测器、基于LWL算法的预测器、基于IBk算法的预测器、基于SMO回归算法的预测器、基于上瘾回归算法的预测器及基于神经网络算法的预测器中的多个时，油管失效预报器预测的结果为多个预测器中可信度较高的一个预测器预测的时间，具体预测结果计算过程如下:采用组合方法从训练数据源中随机抽取若干条数据作为验证数据集使用，将剩下的训练数据源作为训练数据集对各个预测器进行训练，生成模型，并对各个预测器输入验证数据集的条件进行预测，组合方法将预测结果和验证数据集的结果进行比较，计算出各个预测器的误差，组合方法忽略误差最大的预测器，调用其他的预测器输入需要预测的条件计算出其他各个预测器的预测结果，并对其他各个预测器的预测结果取平均数，作为组合方法的预测结果。
[0049]本发明能准确预测当前环境对油管腐蚀速率的影响程度，并对其实用寿命进行预测，大大提高油管柱使用的安全性和降低油气泄漏事故的发生，节省企业用户成本。
【主权项】
1.一种基于数据挖掘的在役油管柱腐蚀失效预测方法，其特征在于，包括以下步骤: 1)获取油管的状态信息，再将油管的状态信息存储到数据库中或将油管的状态信息以arff文件形式存储，其中，所述油管的状态信息包括油管的钢材材质信息、油管所处环境信息及受力信息； 2)训练数据源从数据库及arff文件获取油管的状态信息，然后对获取的油管的状态信息进行预处理，形成训练数据集； 3)油管失效预报器根据步骤2)得到的训练数据集预测油管柱腐蚀失效时间。2.根据权利要求1所述的基于数据挖掘的在役油管柱腐蚀失效预测方法，其特征在于，所述油管的钢材材质信息为油管的组分、以及油管的热处理状态。3.根据权利要求1所述的基于数据挖掘的在役油管柱腐蚀失效预测方法，其特征在于，所述油管所处环境信息包括油管所处环境的温度、气体分压、腐蚀产物膜、以及流管内液体的PH值、流速、流型、饱和度及细菌数量。4.根据权利要求1所述的基于数据挖掘的在役油管柱腐蚀失效预测方法，其特征在于，所述油管的受力信息包括油管所承受的载荷量、载荷的受力方向及分布信息。5.根据权利要求1所述的基于数据挖掘的在役油管柱腐蚀失效预测方法，其特征在于，油管失效预报器为基于随机树算法的预测器、基于可更新朴素贝叶斯算法的预测器、基于LWL算法的预测器、基于IBk算法的预测器、基于SMO回归算法的预测器、基于上瘾回归算法的预测器或基于神经网络算法的预测器。6.根据权利要求1所述的基于数据挖掘的在役油管柱腐蚀失效预测方法，其特征在于，油管失效预报器为基于随机树算法的预测器、基于可更新朴素贝叶斯算法的预测器、基于LWL算法的预测器、基于IBk算法的预测器、基于SMO回归算法的预测器、基于上瘾回归算法的预测器及基于神经网络算法的预测器中的多个组成。7.根据权利要求1所述的基于数据挖掘的在役油管柱腐蚀失效预测方法，其特征在于，步骤2)中对获取的油管的状态信息进行预处理的具体过程为:对获取的油管的状态信息依次进行净化、数据格式转换及变量整合。8.根据权利要求1所述的基于数据挖掘的在役油管柱腐蚀失效预测方法，其特征在于，步骤3)之后还包括:油管失效预报器将预测的油管柱腐蚀失效时间转发至用户端。
【专利摘要】本发明公开了一种基于数据挖掘的在役油管柱腐蚀失效预测方法，包括以下步骤：1)获取油管的状态信息，再将油管的状态信息存储到数据库中或将油管的状态信息以arff文件形式存储，其中，所述油管的状态信息包括油管的钢材材质信息、油管所处环境信息及受力信息；2)训练数据源从数据库及arff文件获取油管的状态信息，然后对获取的油管的状态信息进行预处理，形成训练数据集；3)油管失效预报器根据步骤2)得到的训练数据集预测油管柱腐蚀失效时间。本发明能够准确的预测油管柱腐蚀失效时间。
【IPC分类】G06F19/00, G06F17/30
【公开号】CN105678053
【申请号】CN201511017522
【发明人】王鹏, 李向宁, 胡美娟, 韩礼红, 冯耀荣, 朱丽娟
【申请人】中国石油天然气集团公司, 中国石油天然气集团公司管材研究所
【公开日】2016年6月15日
【申请日】2015年12月29日