一种基于人工神经网络用硬度预测寿命的方法与流程

本发明涉及一种快速、无损进行寿命评估的方法，尤其涉及一种基于人工神经网络，利用硬度进行快速寿命预测的方法。

背景技术：

火电厂一些关键部件长期在高温高压下运行，故快速无损的评价服役过程中材料的蠕变损伤状态，精确估算其剩余寿命，并预先提出合理的维护策略以避免事故的发生，已成为学术界及工程界极其关注的课题。目前工业界对高温材料的寿命评估，主要是采用实际设备的现场取样，然后在实验室测量其损伤和剩余寿命方法。这一方法不仅会对实际运行设备产生较大损害，而且试验周期长，费用高，导致工业生产长时间中断,经济损失大。

现已有利用硬度进行快速无损预测持久寿命的方法，这种方法无需割管取样，直接将现场硬度结果代入已有数据建立的寿命评估模型，即可得到当前材料状态的持久性能数据，实现快速的无损化评估。当现场测得的硬度值落入已掌握对应持久性能数据的硬度区间时，这些数据可以很好地发挥作用进行剩余寿命评估，而不在这些区间时，就显得无能为力了。然而，通常情况下，由于材料壁厚不均、制造安装操作不规范、随意性较大，其组织硬度往往呈现出极不均匀的情况，各种低硬度值都有，区间很大。如果要等到有完全覆盖这些硬度区间的足够数据时再去处理这样的问题，时间和空间上均来不及，需要采用其它方法快速实现这一过程。

技术实现要素：

本发明要解决的技术问题是：当现场测得的硬度不在已有数据的硬度范围内时，现有的利用硬度进行快速无损预测持久寿命的方法无法起作用。

为了解决上述技术问题，本发明的技术方案是提供了一种基于人工神经网络用硬度预测寿命的方法，其特征在于，用已有硬度区间的持久数据对人工神经网络进行训练，使训练后的人工神经网络能够输出更宽泛硬度区间的持久寿命预测结果，包括以下步骤：

步骤1、建立人工神经网络数学模型：选择能够影响材料剩余寿命的参数作为神经元的一组输入信号，以材料的剩余寿命数据作为输出，建立材料硬度和剩余寿命之间的人工神经网络数学模型；

步骤2、以既有的硬度值及该硬度值材料在一定温度、应力下的剩余寿命作为一组训练样本，利用多组训练样本对步骤1得到的人工神经网络数学模型进行学习训练，对人工神经网络数学模型的模型参数不断进行调试和修正，以达到既有输入和输出的一致性；

步骤3、利用学习训练后的人工神经网络数学模型，输入实时获得的硬度值，以及需要评估材料的运行温度和应力，由人工神经网络数学模型输出所对应的剩余寿命预测值；

步骤4、开展相应的试验，对预测结果进行验证，并将试验结果作为样本数据，重复步骤2对人工神经网络数学模型进行重新训练，不断增加人工神经网络数学模型的学习能力和预测可靠度。

优选地，所述能够影响材料剩余寿命的参数包括温度、应力、硬度。

优选地，所述人工神经网络数学模型为bp神经网络。

本发明利用人工神经网络来建立硬度与剩余寿命之间的模型。相比于一般的数学模型，人工神经网络模型的优点在于它不需要对输入变量做非常复杂的假设，而是尽可能多利用影响事物结果的各个因素信息，实现综合性的定量化预判。本发明就是考虑硬度对材料剩余寿命的影响，通过神经网络技术对已有的样本数据的学习训练，继而实现寿命预测的功能。另外，人工神经网络模型还有着强大的自组织、自学习、自适应能力，以及对数据有独到的挖掘和处理能力，非常适合在当今大数据时代进行多维化的数据建模和分析工作。

本发明利用人工神经网络技术建立硬度与剩余寿命之间的模型。与现有技术相比，本发明通过简单便捷、无损的硬度测试即可快速、准确的预测材料在特定蒸汽参数下的剩余持久寿命，可直接免去因停机或管道切割等带来的经济损失，因其方便快捷的特点可以及时的评估材料剩余寿命可有效预防因材料老化失效导致的事故发生。

附图说明

图1为实施例中的基于人工神经网络用硬度预测寿命的方法所使用的对人工神经网络数学模型进行训练的方法；

图2为主管道持久断裂数据的l-m参数法处理。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

表征材料状态的参量数据非常之多，而表征材料剩余寿命的参量：温度、应力、时间、硬度等，都有庞大的数据，且它们之间几乎无规律可循，所以本发明采用人工神经网络技术来研究它们之间的关联性，利用ann高度的非线性全局作用、良好的容错性与联想记忆功能、强大的自适应和自学习功能，以期能建立比较合适的神经网络模型，用已有硬度区间的持久数据进行训练，使其能够输出更宽泛硬度区间的持久寿命预测结果。

具体而言，本发明提供的一种基于人工神经网络用硬度预测寿命的方法包括以下步骤：

步骤1、建立人工神经网络数学模型：选择能够影响材料剩余寿命的参数作为神经元的一组输入信号，以材料的剩余寿命数据作为输出，建立材料硬度和剩余寿命之间的人工神经网络数学模型；

步骤2、以既有的硬度值及该硬度值材料在一定温度、应力下的剩余寿命作为一组训练样本，利用多组训练样本对步骤1得到的人工神经网络数学模型进行学习训练，对人工神经网络数学模型的模型参数不断进行调试和修正，以达到既有输入和输出的一致性；

步骤3、利用学习训练后的人工神经网络数学模型，输入实时获得的硬度值，以及需要评估材料的运行温度和应力，由人工神经网络数学模型输出所对应的剩余寿命预测值；

步骤4、开展相应的试验，对预测结果进行验证，并将试验结果作为样本数据，重复步骤2对人工神经网络数学模型进行重新训练，不断增加人工神经网络数学模型的学习能力和预测可靠度。

利用本发明方法对某电厂服役过的p91钢管进行剩余寿命评估，具体实现方式如下：

步骤1、采用便携式硬度计对电厂需要寿命评估的p91管道进行硬度检测，并将便携式硬度计测得的硬度值转换为标准布氏硬度计测得的布氏硬度，测得结果的平均值为160.7hb。

步骤2、计算p91钢管的服役应力及金属壁温。经过计算得到：此p91钢管的最大服役应力σmax＝53.8mpa，取1.5倍的安全系数，得到计算应力σ＝80.7mpa，最高金属壁温为605℃。

步骤3、人工神经网络寿命评估模型对样本数据进行学习训练后，形成较成熟的模型，然后输入三个神经元，分别为硬度：160.7hb、应力：80.7mpa、温度：605℃，通过模型输出此p91钢管的剩余寿命tr＝4204.7h。

为了验证此方法预测寿命的可靠性，对已有的、硬度范围在155hb～165hb之间p91钢管持久强度数据进行l-m参数法处理，并进行多项式拟合，结果如图2所示。

图2中图中主曲线公式为：

pl-m＝10^-3·t(k)(16.9607+logtr)

＝-25.5616+69.8643·logσ-34.2284·log²σ+5.0253·log³σ

将计算应力及金属壁温代入主曲线公式，即可得到此电厂p91钢管的剩余寿命tr＝3899h。式中，t(k)表示最高金属壁温(单位为k)，，pl-m表示热强参数。

将本发明方法的剩余寿命预测值与成熟方法寿命评估的预测值进行比较，误差为7.84％。说明此方法较可靠。