大数据方法在压力管道风险分析中的应用

摘要

本文为解决定量RBI方法在风险分析中所需数据种类繁多和分析周期过长的问题，通过对某石化常减压装置的压力管道进行研究，提出了用大数据方法分析压力管道风险，介绍了基于风险的检验技术并计算出了全部压力管道的风险，构建了压力管道腐蚀速率、失效可能性和失效后果预测模型并确定了影响模型重要性的变量数据，并将模型预测结果与定量RBI技术计算出的风险结果进行了验证。本文主要工作如下:
　　1、提出压力管道大数据分析架构模型，包括数据生成、数据理解、数据处理、数据分析、模型评估和发布模型六个部分。对数据处理和数据分析方法进行了介绍，通过研究分析发现可以使用神经网络算法、C5.0算法和CHAID算法去构建压力管道腐蚀速率、失效可能性和失效后果模型。
　　2、对使用定量RBI方法计算压力管道风险的过程进行了说明，详细阐述了构成风险的失效可能性和失效后果的各因子，并对计算风险分析结果十分重要的腐蚀速率进行了介绍。用PCMS软件的RBI模块对某石化常减压装置的全部压力管道进行了风险分析，得到了风险矩阵图，生成了用大数据方法分析压力管道风险的数据。
　　3、针对在压力管道的风险分析过程中腐蚀速率的重要性，区别于专家建议和实测腐蚀速率，提出通过大数据去预测腐蚀速率来确定较高风险压力管道的新方法。使用主成分分析方法提取影响压力管道腐蚀速率的4个因子，对各因子重要性和代表变量进行了分析，给出了4个因子的方程。使用BP神经网络算法构建了预测压力管道腐蚀速率的大数据模型，对模型中各因子重要性进行了探讨，并对比了验证集中高腐蚀速率管道，得到了不错的预测效果。
　　4、对常减压装置压力管道定量RBI分析后产生的数据进行数据理解，确定输入变量数据和目标变量。对压力管道数据进行标准变换，再使用相关性分析的方法进行数据精简，分别筛选出与压力管道失效可能性和失效后果关系最大的变量数据。分别使用C5.0算法和CHAID算法构建了压力管道失效可能性和失效后果模型，得到了参与模型构建的变量和其重要性。并将大数据方法得到的风险和定量RBI方法计算出的风险进行了比对验证，结果表明模型取得了不错的准确性和很高的可信度。

目录

声明

摘要

第一章 绪论

1．1 课题研究背景及意义

1．2 国内外研究现状

1．2．1 压力管道风险分析

1．2．2 大数据方法概述及应用

1．3 课题研究的主要内容

第二章 压力管道数据化与大数据分析方法

2．1 压力管道大数据分析架构

2．2 压力管道数据化

2．2．1 压力管道数据生成及理解

2．2．2 压力管道数据处理

2．3 大数据分析方法

2．3．1 大数据分析方法概论

2．3．2 C5．0算法

2．3．3 CHAID算法

2．3．4 神经网络算法

2．4 本章小结

第三章 定量RBI方法在压力管道风险分析中的应用

3．1 压力管道风险分析概论

3．2 失效可能性与失效后果简析

3．2．1 失效可能性简析

3．2．2 失效后果简析

3．3 腐蚀速率计算

3．4 定量RBI方法风险分析结果

3．4．1 压力管道定量RBI方法风险分析示例

3．4．2 压力管道总体风险分析结果

3．5 检验策略的制定

3．6 本章小结

第四章 压力管道腐蚀速率预测

4．1 概述

4．2 基于测试案例的计算方法

4．3 大数据方法在压力管道腐蚀速率中的应用

4．3．1 主成分分析方法

4．3．2 BP神经网络方法

4．4 本章小结

第五章 大数据方法定性分析风险的研究

5．1 大数据风险分析问题描述

5．2 大数据方法在分析失效可能性中的应用

5．3 大数据方法在分析失效后果中的应用

5．4 大数据方法的结果可靠性评估

5．5 本章小结

第六章 总结与展望

6．1 总结

6．2 展望

参考文献

致谢

作者及导师简介