一种基于机器学习的液化气体罐箱故障预测方法及系统

技术领域

本发明属于液化气体罐箱故障预测技术领域，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

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。

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：

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。

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。

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。

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。

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。

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。

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。

发明内容

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：

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；

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。

进一步的，所述液化气体罐箱的故障预测模型为：

其中，P

进一步的，所述液化气体罐箱的故障核函数为：

其中，P

进一步的，还包括：

||P

进一步的，还包括：

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。

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：

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；

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；

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；

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。

进一步的，所述液化气体罐箱的故障预测模型为：

其中，P

进一步的，所述液化气体罐箱的故障核函数为：

其中，P

进一步的，还包括：

||P

进一步的，还包括：

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。

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：

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。

附图说明

图1是本发明实施例1的方法的流程图；

图2是本发明实施例2的系统的结构图。

具体实施方式

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。

本发明提供的方法可以在如下的终端环境中实施，所述终端可以包括一个或多个如下部件：处理器、存储介质和显示屏。其中，存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现下述实施例所述的方法。

处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个终端内的各个部分，通过运行或执行存储在存储介质内的指令、程序、代码集或指令集，以及调用存储在存储介质内的数据，执行终端的各种功能和处理数据。

存储介质可以包括随机存储介质(Random Access Memory，RAM)，也可以包括只读存储介质(Read-Only Memory，ROM)。存储介质可用于存储指令、程序、代码、代码集或指令。

显示屏用于显示各个应用程序的用户界面。

除此之外，本领域技术人员可以理解，上述终端的结构并不构成对终端的限定，终端可以包括更多或更少的部件，或者组合某些部件，或者不同的部件布置。比如，终端中还包括射频电路、输入单元、传感器、音频电路、电源等部件，在此不再赘述。

本发明中所有公式的下角标仅用作区分参数的目的，并没有具体含义。

实施例1

如图1所示，本发明实施例提供一种基于机器学习的液化气体罐箱故障预测方法，包括：

步骤101，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；

步骤102，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；

具体的，所述液化气体罐箱的故障预测模型为：

其中，P

具体的，设置

1.捕捉非线性关系：通过引入平方项，可以更好地捕捉输入变量与输出变量之间的非线性关系。某些情况下，输入变量与故障发生概率之间的关系可能不是简单的线性关系，而是呈现出二次、非线性的趋势。平方项可以提供一种简单而有效的方式来捕捉这种非线性关系。

2.增加模型表达能力：添加平方项可以增加模型的灵活性和表达能力。

线性模型通常只能表示线性关系，而引入平方项可以在一定程度上模拟更复杂的关系。这使得模型能够更准确地适应复杂的数据模式和非线性关联。

3.改进预测性能：通过引入平方项，可以改善模型的预测性能。如果输入变量之间存在非线性关系，而模型只考虑线性关系，则模型可能无法准确地捕捉到这些关系。添加平方项可以提供更准确的拟合，从而提高模型的预测能力。

4.考虑交互作用：平方项还可以用于考虑输入变量之间的交互作用。例如，

步骤103，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；

具体的，所述液化气体罐箱的故障核函数为：

其中，P

具体的，还包括：

||P

具体的，还包括：

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。

步骤104，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。

实施例2

如图2所示，本发明实施例还提供一种基于机器学习的液化气体罐箱故障预测方法，包括：

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；

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；

具体的，所述液化气体罐箱的故障预测模型为：

其中，P

具体的，设置

1.捕捉非线性关系：通过引入平方项，可以更好地捕捉输入变量与输出变量之间的非线性关系。某些情况下，输入变量与故障发生概率之间的关系可能不是简单的线性关系，而是呈现出二次、非线性的趋势。平方项可以提供一种简单而有效的方式来捕捉这种非线性关系。

2.增加模型表达能力：添加平方项可以增加模型的灵活性和表达能力。线性模型通常只能表示线性关系，而引入平方项可以在一定程度上模拟更复杂的关系。这使得模型能够更准确地适应复杂的数据模式和非线性关联。

3.改进预测性能：通过引入平方项，可以改善模型的预测性能。如果输入变量之间存在非线性关系，而模型只考虑线性关系，则模型可能无法准确地捕捉到这些关系。添加平方项可以提供更准确的拟合，从而提高模型的预测能力。

4.考虑交互作用：平方项还可以用于考虑输入变量之间的交互作用。例如，

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；

具体的，所述液化气体罐箱的故障核函数为：

其中，P

具体的，还包括：

||P

具体的，还包括：

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。

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。

实施例3

本发明实施例还提出一种存储介质，存储有多条指令，所述指令用于实现所述的一种基于机器学习的液化气体罐箱故障预测方法。

可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。

可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：步骤101，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；

步骤102，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；

具体的，所述液化气体罐箱的故障预测模型为：

其中，P

具体的，设置

1.捕捉非线性关系：通过引入平方项，可以更好地捕捉输入变量与输出变量之间的非线性关系。某些情况下，输入变量与故障发生概率之间的关系可能不是简单的线性关系，而是呈现出二次、非线性的趋势。平方项可以提供一种简单而有效的方式来捕捉这种非线性关系。

2.增加模型表达能力：添加平方项可以增加模型的灵活性和表达能力。

线性模型通常只能表示线性关系，而引入平方项可以在一定程度上模拟更复杂的关系。这使得模型能够更准确地适应复杂的数据模式和非线性关联。

3.改进预测性能：通过引入平方项，可以改善模型的预测性能。如果输入变量之间存在非线性关系，而模型只考虑线性关系，则模型可能无法准确地捕捉到这些关系。添加平方项可以提供更准确的拟合，从而提高模型的预测能力。

4.考虑交互作用：平方项还可以用于考虑输入变量之间的交互作用。例如，

步骤103，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；

具体的，所述液化气体罐箱的故障核函数为：

其中，P

具体的，还包括：

||P

具体的，还包括：

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。

步骤104，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。

实施例4

本发明实施例还提出一种电子设备，包括处理器和与所述处理器连接的存储介质，所述存储介质存储有多条指令，所述指令可被所述处理器加载并执行，以使所述处理器能够执行所述的一种基于机器学习的液化气体罐箱故障预测方法。

具体的，本实施例的电子设备可以是计算机终端，所述计算机终端可以包括：一个或多个处理器、以及存储介质。

其中，存储介质可用于存储软件程序以及模块，如本发明实施例中的一种基于机器学习的液化气体罐箱故障预测方法，对应的程序指令/模块，处理器通过运行存储在存储介质内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的一种基于机器学习的液化气体罐箱故障预测方法。存储介质可包括高速随机存储介质，还可以包括非易失性存储介质，如一个或者多个磁性存储系统、闪存、或者其他非易失性固态存储介质。在一些实例中，存储介质可进一步包括相对于处理器远程设置的存储介质，这些远程存储介质可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

处理器可以通过传输系统调用存储介质存储的信息及应用程序，以执行下述步骤：步骤101，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；

步骤102，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；

具体的，所述液化气体罐箱的故障预测模型为：

其中，P

具体的，设置

1.捕捉非线性关系：通过引入平方项，可以更好地捕捉输入变量与输出变量之间的非线性关系。某些情况下，输入变量与故障发生概率之间的关系可能不是简单的线性关系，而是呈现出二次、非线性的趋势。平方项可以提供一种简单而有效的方式来捕捉这种非线性关系。

2.增加模型表达能力：添加平方项可以增加模型的灵活性和表达能力。线性模型通常只能表示线性关系，而引入平方项可以在一定程度上模拟更复杂的关系。这使得模型能够更准确地适应复杂的数据模式和非线性关联。

3.改进预测性能：通过引入平方项，可以改善模型的预测性能。如果输入变量之间存在非线性关系，而模型只考虑线性关系，则模型可能无法准确地捕捉到这些关系。添加平方项可以提供更准确的拟合，从而提高模型的预测能力。

4.考虑交互作用：平方项还可以用于考虑输入变量之间的交互作用。例如，

步骤103，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；

具体的，所述液化气体罐箱的故障核函数为：

其中，P

具体的，还包括：

||P

具体的，还包括：

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。

步骤104，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。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本发明所提供的几个实施例中，应所述理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者所述技术方案的全部或部分可以以软件产品的形式体现出来，所述计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储介质(ROM，Read-Only Memory)、随机存取存储介质(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。