一种基于机器学习的液化气体罐箱故障预测方法及系统与流程

本发明属于液化气体罐箱故障预测，更具体地，涉及一种基于机器学习的液化气体罐箱故障预测方法及系统。

背景技术：

1、lng罐箱水陆(水路、铁路、公路)多式联运是与管道运输、lng散装运输船并行的第三种新型的lng物流方式。

2、液化天然气(lng)罐箱是用于储存和运输液化天然气的重要设备，但它们可能会出现一些常见的故障。以下是一些可能的问题：

3、1.泄漏：lng罐箱的泄漏是一种严重的故障，可能由于密封不良、损坏的阀门、管道或设备引起。泄漏可能导致火灾、爆炸和环境污染等严重后果。

4、2.内部腐蚀：由于lng罐箱中的液化天然气具有极低的温度和高度腐蚀性，可能会导致罐箱内部金属部件的腐蚀。这可能会减少罐箱的强度和结构完整性，增加泄漏的风险。

5、3.渗漏：渗漏是指罐箱外部从罐壁、接缝或连接部分渗漏液体。渗漏可能由于焊接缺陷、材料疲劳、冷却剂蒸发或外部物理损伤引起。

6、4.阀门故障：lng罐箱内的阀门是控制流动和压力的关键组件。阀门故障可能导致无法正常关闭或打开，影响安全性和操作性。

7、5.压力问题：lng罐箱中的压力必须保持在安全范围内。压力过高或过低可能会导致设备损坏或操作异常。

8、6.环境影响：lng罐箱在储存和运输过程中可能受到环境条件的影响，如极端温度变化、自然灾害或船舶碰撞。这些因素可能会引起罐箱的破裂、损坏或泄漏。

9、现有技术中只有发生故障才会进行报警，但是报警时可能产生重大事故，因此亟需一种技术能够预测故障的发生，从而提前避免安全事故。

技术实现思路

1、为解决以上技术问题，本发明提出一种基于机器学习的液化气体罐箱故障预测方法，包括：

2、获取所述液化气体罐箱的历史罐箱数据和历史所处环境数据，其中所述历史罐箱数据包括：所述液化气体罐箱所处环境的材料强度、所述液化气体罐箱的气力压力和所述液化气体罐箱的气体温度，所述历史所处环境数据包括：所述液化气体罐箱所处环境的温度和所述液化气体罐箱所处环境的湿度；

3、根据支持向量机模型，设置所述液化气体罐箱的故障预测模型，并通过所述历史罐箱数据和所述历史所处环境数据，对所述液化气体罐箱的故障预测模型进行训练，并计算所述液化气体罐箱发生故障的预测值；

4、设置所述液化气体罐箱的故障核函数，并获取所述液化气体罐箱发生故障的真实值，通过所述故障核函数，将所述液化气体罐箱发生故障的真实值和所述液化气体罐箱发生故障的预测值进行拟合，从而调整所述故障预测模型；

5、获取实时罐箱数据和实时所处环境数据，并输入到所述故障预测模型中，从而完成所述液化气体罐箱的故障预测。

6、进一步的，所述液化气体罐箱的故障预测模型为：

7、

8、其中，pfailure为所述液化气体罐箱发生故障的预测值，tenv为所述液化气体罐箱所处环境的温度，henv为所述液化气体罐箱所处环境的湿度，smaterial为所述液化气体罐箱所处环境的材料强度，pgas为所述液化气体罐箱的气力压力，tgas为所述液化气体罐箱的气体温度。

9、进一步的，所述液化气体罐箱的故障核函数为：

10、

11、其中，ptrue为所述液化气体罐箱发生故障的真实值，k(pfailure，ptrue)为所述液化气体罐箱的故障核函数，表示所述液化气体罐箱发生故障的预测值pfailure和所述液化气体罐箱发生故障的真实值ptrue之间的相似度，α为控制距离衰减速度的参数，β为控制周期性变化的参数。

12、进一步的，还包括：

13、||pfailure-ptrue||为所述液化气体罐箱发生故障的预测值pfailure和所述液化气体罐箱发生故障的真实值ptrue之间的欧氏距离。

14、进一步的，还包括：

15、通过调整控制距离衰减速度的参数α和控制周期性变化的参数β的值，调节所述液化气体罐箱的故障核函数的形状和相似度。

16、本发明还提出一种基于机器学习的液化气体罐箱故障预测系统，包括：

17、获取数据模块，用于获取所述液化气体罐箱的历史罐箱数据和历史所处环境数据，其中所述历史罐箱数据包括：所述液化气体罐箱所处环境的材料强度、所述液化气体罐箱的气力压力和所述液化气体罐箱的气体温度，所述历史所处环境数据包括：所述液化气体罐箱所处环境的温度和所述液化气体罐箱所处环境的湿度；

18、设置故障模型模块，用于根据支持向量机模型，设置所述液化气体罐箱的故障预测模型，并通过所述历史罐箱数据和所述历史所处环境数据，对所述液化气体罐箱的故障预测模型进行训练，并计算所述液化气体罐箱发生故障的预测值；

19、设置故障核函数模块，用于设置所述液化气体罐箱的故障核函数，并获取所述液化气体罐箱发生故障的真实值，通过所述故障核函数，将所述液化气体罐箱发生故障的真实值和所述液化气体罐箱发生故障的预测值进行拟合，从而调整所述故障预测模型；

20、预测模块，用于获取实时罐箱数据和实时所处环境数据，并输入到所述故障预测模型中，从而完成所述液化气体罐箱的故障预测。

21、进一步的，所述液化气体罐箱的故障预测模型为：

22、

23、其中，pfailure为所述液化气体罐箱发生故障的预测值，tenv为所述液化气体罐箱所处环境的温度，henv为所述液化气体罐箱所处环境的湿度，smaterial为所述液化气体罐箱所处环境的材料强度，pgas为所述液化气体罐箱的气力压力，pgas为所述液化气体罐箱的气体温度。

24、进一步的，所述液化气体罐箱的故障核函数为：

25、

26、其中，ptrue为所述液化气体罐箱发生故障的真实值，k(pfailure，ptrue)为所述液化气体罐箱的故障核函数，表示所述液化气体罐箱发生故障的预测值pfailure和所述液化气体罐箱发生故障的真实值ptrue之间的相似度，α为控制距离衰减速度的参数，β为控制周期性变化的参数。

27、进一步的，还包括：

28、||pfailure-ptrue||为所述液化气体罐箱发生故障的预测值pfailure和所述液化气体罐箱发生故障的真实值ptrue之间的欧氏距离。

29、进一步的，还包括：

30、通过调整控制距离衰减速度的参数α和控制周期性变化的参数β的值，调节所述液化气体罐箱的故障核函数的形状和相似度。

31、总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：

32、本发明通过获取所述液化气体罐箱的历史罐箱数据和历史所处环境数据；根据支持向量机模型，设置所述液化气体罐箱的故障预测模型，并通过所述历史罐箱数据和所述历史所处环境数据，对所述液化气体罐箱的故障预测模型进行训练，并计算所述液化气体罐箱发生故障的预测值；设置所述液化气体罐箱的故障核函数，并获取所述液化气体罐箱发生故障的真实值，通过所述故障核函数，将所述液化气体罐箱发生故障的真实值和所述液化气体罐箱发生故障的预测值进行拟合，从而调整所述故障预测模型；获取实时罐箱数据和实时所处环境数据，并输入到所述故障预测模型中，从而完成所述液化气体罐箱的故障预测。本发明通过以上技术方案，能够极大提升故障的准确率，从而保障液化气体罐箱更加安全。