一种基于FAHP-SVM的交流干扰腐蚀风险评价方法及系统

摘要

本发明公开了一种基于FAHP‑SVM的交流干扰腐蚀风险评价方法及系统，包括：收集埋地管道的初始数据，并对所述初始数据进行预处理，得到初始参数；对所述初始参数使用灰色关联‑三角模糊层次方法进行灰色关联分析，得到影响埋地管道的交流干扰腐蚀的各个特征参数；将所述特征参数作为训练好的SVM的输入，输出埋地管道的风险等级；其中，所述训练好的SVM为根据预设的数据集对初始SVM进行训练和交叉验证，输出最优参数组合，且所述最优参数组合包括至少一个评估指标，所述评估指标包括：准确率、召回率或者F1值。本发明能够提供更加科学、精准的风险评估方法，以使管道运营维护人员及时发现和解决交流干扰腐蚀问题。

说明书

技术领域

本发明涉及埋地管道交流干扰腐蚀风险评价领域，特别涉及一种基于FAHP-SVM的交流干扰腐蚀风险评价方法及系统。

背景技术

目前，由于城市化进程的不断加快，地下管道网络已经越来越复杂，而埋地管道交流干扰腐蚀问题是一个普遍存在的难题。传统的风险评估方法通常只能得出基于经验规则的简单评估结果，这种方法存在着精度低、可靠性差等问题。因此，需要一种更加科学、精准的风险评估方法来帮助管道运营维护人员及时发现和解决交流干扰腐蚀问题。

发明内容

本发明的目的是针对上述现有技术的不足，提出一种基于FAHP-SVM的交流干扰腐蚀风险评价方法及系统，能够提供更加科学、精准的风险评估方法，以使管道运营维护人员及时发现和解决交流干扰腐蚀问题。

第一方面，本发明提供了一种基于FAHP-SVM的交流干扰腐蚀风险评价方法，包括：

收集埋地管道的初始数据，并对所述初始数据进行预处理，得到初始参数；

对所述初始参数使用灰色关联-三角模糊层次方法进行灰色关联分析，得到影响埋地管道的交流干扰腐蚀的各个特征参数；

将所述特征参数作为训练好的SVM的输入，输出埋地管道的风险等级；其中，所述训练好的SVM为根据预设的数据集对初始SVM进行训练和交叉验证，输出最优参数组合，且所述最优参数组合包括至少一个评估指标，所述评估指标包括：准确率、召回率或者F1值。

本发明采用灰色关联分析法，可以量化初始参数中各个影响因素之间的关联性，并且对于多影响因素下的整体因素对交流干扰的整体影响可能与单影响因素变量的结果产生差别，包括不同影响因素之间的互相促进与抑制，因此，通过FAHP获取交流干扰腐蚀的多个关键的特征参数，根据多个关键的特征参数进行风险评估，能够综合考虑影响埋地管道的交流干扰腐蚀的影响因素，具有更高的可信度和科学性，从而能够提高对埋地管道的风险评估的精度；并且，采用了三角模糊数在构造判断矩阵，摒弃了传统的1-9标度法，降低了判断矩阵的主观性，对埋地管道的交流干扰腐蚀的风险评价更具有科学性和可信度；此外，交叉验证可以避免过拟合和欠拟合现象，提高模型的泛化能力，进一步提高对埋地管道的风险评估的精度和可信度。

进一步，所述对所述初始参数使用灰色关联-三角模糊层次方法进行灰色关联分析，得到影响埋地管道的交流干扰腐蚀的各个特征参数，其中，所述初始数据包括：管道电位、电流、土壤电阻率、土壤腐蚀性离子含量、腐蚀速率、阴保水平和交流电流密度，得到所述各个特征参数具体为：

将所述腐蚀速率作为目标层，将所述初始参数的其余参数作为因素层，将所述目标层和所述因素层进行灰色关联分析，并采用三角模糊数在构造判断矩阵，得到各初始参数对交流干扰腐蚀的贡献权重；

对各初始参数的贡献权重按照从大到小的顺序进行累加，直至累加的权重和大于权重阈值为止，将参与权重累加的各初始参数作为特征参数。

本发明采用将腐蚀速率作为目标层，其余参数作为因素层，可以量化交流干扰腐蚀速率与其各个影响因素之间的关联性，包括在腐蚀速率作为目标层的情况下，不同因素之间的互相促进与抑制的程度，选择关键的因素作为SVM的特征参数进行训练，能够提高交流干扰腐蚀风险评价的科学性和可信度。

进一步，所述对所述初始数据进行预处理，得到初始参数，包括：

对所述初始数据中检测出的重复值进行删除；

并对所述初始数据中检测出的缺失值使用统计值、插值或者回归预测缺失值进行填补；其中，所述统计值包括：均值、中位数或者众数。

进一步，所述对所述初始数据进行预处理，得到初始参数，还包括：

根据箱线图检测所述初始数据中的异常值，对所述异常值进行修正或者进行删除；或者，

根据Z-score值检测所述初始数据的异常值，对所述异常值进行修正或者进行删除。

本发明采用箱线图或者Z-score检测异常值，能够精确得到初始数据中与其他数据值明显不同或偏离正常情况的极端值，以便对异常值进行修正，提高在交流干扰腐蚀风险评价中的准确性和可靠性。

进一步，所述对所述异常值进行修正或者进行删除，具体为：

根据统计方法或者插值对所述异常值进行修正；或者，

删除异常值的行或者列。

进一步，所述对所述初始数据进行预处理，得到初始参数，还包括：并对所述初始数据进行格式转换，以得到初始参数，所述格式转换包括：物理单位的统一转换。

进一步，所述训练好的SVM为根据预设的数据集对初始SVM进行训练和交叉验证，输出最优参数组合，且所述最优参数组合包括至少一个评估指标，包括：

将所述数据集按照比例分为训练集和验证集，在所述训练集上使用不同的SVM参数，并采用K折交叉验证对指标进行评估，选择评估指标得分最高的SVM参数的组合作为最优参数组合；其中，所述SVM参数包括：核函数类型、惩罚参数和控制核函数宽度的gamma。

本发明采用K折交叉验证对SVM进行指标评估，能够避免过拟合和欠拟合现象，提高模型的泛化能力，进一步提高对埋地管道的风险评估的精度和可信度。

优选地，所述惩罚参数从0.01到100进行网格搜索，取得最佳的惩罚参数。

本发明中使用网格搜索最优的SVM参数，并通过交叉验证来评估每个SVM参数的组合的性能，选择具有最佳性能的参数组合，能够进一步提高对埋地管道的风险评估的精度和可信度。

第二方面，本发明还提供了一种基于FAHP-SVM的交流干扰腐蚀风险评价系统，包括：

数据处理模块，用于收集埋地管道的初始数据，并对所述初始数据进行预处理，得到初始参数；

特征参数获取模块，用于对所述初始参数使用灰色关联-三角模糊层次方法进行灰色关联分析，得到影响埋地管道的交流干扰腐蚀的各个特征参数；

风险等级评价模块，用于将所述特征参数作为训练好的SVM的输入，输出埋地管道的风险等级；其中，所述训练好的SVM为根据预设的数据集对初始SVM进行训练和交叉验证，输出最优参数组合，且所述最优参数组合包括至少一个评估指标，所述评估指标包括：准确率、召回率或者F1值。

附图说明

图1是本发明实施例提供的基于FAHP-SVM的交流干扰腐蚀风险评价方法的步骤流程图；

图2是本发明实施例还提供了基于FAHP-SVM的交流干扰腐蚀风险评价系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供了一种结合机器学习算法对埋地管道交流干扰腐蚀风险进行评价的方法及系统，通过收集初始数据，并经过初始数据预处理、特征工程、模型训练和模型评估的过程，能够提供一种更加科学、准确的风险评估方法。

参见图1，是本发明实施例提供的基于FAHP-SVM的交流干扰腐蚀风险评价方法的步骤流程图，包括步骤S11～S13，具体为：

步骤S11、收集埋地管道的初始数据，并对所述初始数据进行预处理，得到初始参数。

具体地，收集埋地管道的初始数据，包括：收集埋地管道的交流干扰腐蚀的风险数据，并从所述风险数据中筛选影响交流干扰腐蚀的数据作为初始数据；其中，所述收集埋地管道的交流干扰腐蚀的风险数据的方法包括：人工巡检或者通过传感器或者腐蚀探头自动收集数据；所述风险数据包括：所述埋地管道的电位、电流、土壤电阻率和周围设备的电气参数。

值得说明的是，本发明收集的初始数据是与埋地管道交流干扰腐蚀风险相关的风险数据，包括：管道的电位、电流、土壤电阻率和周围设备的电气参数，为了分析交流干扰腐蚀风险，需要从风险数据中筛选出影响交流干扰腐蚀的数据作为初始数据，将交流干扰腐蚀风险无关的数据或者影响较小的数据除去。并对初始数据进行数据评估，这是由于收集到的初始数据存在一定的缺陷，以致于质量低的初始数据无法直接使用，数据缺陷包括：数据缺失、数据异常、重复、错误和格式的问题，其中，可以根据统计分析、可视化或者人工审查进行数据评估，对初始数据中的缺陷数据进行数据清洗的预处理，包括：缺失值处理、数据平滑处理、异常值处理和格式转换，以获得无噪声的初始数据，能够确保数据的完整性和准确性。

具体地，对所述初始数据进行预处理，得到初始参数，包括：对所述初始数据中检测出的重复值进行删除。

优选地，所述初始数据中检测出的缺失值使用统计值、插值或者回归预测缺失值进行填补。

优选地，统计值包括：均值、中位数或者众数。

优选地，根据箱线图检测所述初始数据中的异常值，对所述异常值进行修正或者进行删除；或者，根据Z-score值检测所述初始数据的异常值，对所述异常值进行修正或者进行删除。

值得说明的是，异常值是指在数据集中与其他数据值明显不同或偏离正常情况的极端值，检测到异常值可以帮助找出数据中可能存在的问题和错误，以便在数据分析和建模中更加准确和可靠；其中，箱线图可以直观地检查初始数据中是否存在异常值，并显示出对应初的始数据的数值统计信息，包括：中位数、四分位数、最大值和最小值，通过观察箱线图中的异常值点可以快速发现初始数据中的异常值，以便对异常值进行修正，提高在交流干扰腐蚀风险评价中的准确性和可靠性；Z-score值可以计算数据值与平均值之间的标准差，然后根据阈值来识别异常值，当Z-score值大于或小于预设的阈值时，即可将初始数据中的数据识别为异常值；通过比较Z-score值与阈值，能够快速发现初始数据中的异常值，以便对异常值进行修正，提高在交流干扰腐蚀风险评价中的准确性和可靠性。

优选地，当初始数据中有较好的统计规律近似正态分布，则对Z-score的阈值取为2或3；或者，根据IQR计算Z-score的阈值。

优选地，对所述异常值进行修正或者进行删除，具体为：根据统计方法或者插值对所述异常值进行修正；或者，删除异常值的行或者列；

此外，对所述初始数据进行格式转换，以得到初始参数。

优选地，格式转换包括：物理单位的统一转换。

步骤S12、对所述初始参数使用灰色关联-三角模糊层次方法进行灰色关联分析，得到影响埋地管道的交流干扰腐蚀的各个特征参数。

值得注意的是，在步骤S12中进行特征工程以获得特征参数的过程中，将整个交流干扰腐蚀的体系，看作一个外延结果明确且内涵模糊的灰色系统，即各个因素下交流干扰腐蚀的程度是明确的(单因素变量)，但是各个影响因素之间的影响关系还不明确，并且对于多因素变量下的整体因素对交流干扰的整体影响可能与单因素变量的结果产生差别，包括不同因素之间的互相促进与抑制。因此，采用灰色关联分析法的思路可以量化交流干扰腐蚀速率与其各个影响因素之间的关联性。

具体地，对所述初始参数使用灰色关联-三角模糊层次方法进行灰色关联分析，得到影响埋地管道的交流干扰腐蚀的各个特征参数，其中，所述初始数据包括：管道电位、电流、土壤电阻率、土壤腐蚀性离子含量、腐蚀速率、阴保水平和交流电流密度，得到所述各个特征参数具体为：将所述腐蚀速率作为目标层，将所述初始参数的其余参数作为因素层，将所述目标层和所述因素层进行灰色关联分析，并采用三角模糊数在构造判断矩阵，得到各初始参数对交流干扰腐蚀的贡献权重；对各初始参数的贡献权重按照从大到小的顺序进行累加，直至累加的权重和大于权重阈值为止，将参与权重累加的各初始参数作为特征参数。

值得说明的是，依据计算FAHP方法进行计算得到各个影响因素对交流干扰腐蚀的贡献权重，以此确定影响交流干扰腐蚀的关键特征，并将参与权重累加的各初始参数作为特征参数筛选出来作为后续风险评估的输入参数，可以量化交流干扰腐蚀速率与其各个影响因素之间的关联性，包括在腐蚀速率作为目标层的情况下，不同因素之间的互相促进与抑制的程度，选择关键的因素作为SVM的特征参数进行训练，能够提高交流干扰腐蚀风险评价的科学性和可信度。

优选地，权重阈值为权重总和的85％。

步骤S13、将所述特征参数作为训练好的SVM的输入，输出埋地管道的风险等级；其中，所述训练好的SVM为根据预设的数据集对初始SVM进行训练和交叉验证，输出最优参数组合，且所述最优参数组合包括至少一个评估指标，所述评估指标包括：准确率、召回率或者F1值。

其中，训练好的SVM为根据预设的数据集对初始SVM进行训练和交叉验证，输出最优参数组合，且所述最优参数组合包括至少一个评估指标，包括：将所述数据集按照比例分为训练集和验证集，在所述训练集上使用不同的SVM参数，并采用K折交叉验证对指标进行评估，选择评估指标得分最高的SVM参数的组合作为最优参数组合；其中，所述SVM参数包括：核函数类型、惩罚参数和控制核函数宽度的gamma。

具体地，采用交叉验证的方法对SVM模型进行评估，交叉验证可以避免过拟合和欠拟合现象，提高模型的泛化能力，其中，采用K折交叉验证方法，将数据集分为K个子集，每个子集轮流作为测试集，其余K-1个子集作为训练集。

值得说明的是，根据初始数据的特征和目标，明确目标是分类或者回归，选择适当的机器学习模型，包括：支持向量机、决策树或者随机森林，在评价方法发展后期可以采用集成学习的方法提高方法的学习效率和精度。本发明根据初始数据的特征参数和以交流干扰腐蚀风险评价为目标，确定以支持向量机作为交流干扰腐蚀风险评价的机器学习模型。在训练过程中，将数据集按照7:3的比例分为训练集和验证集，对训练集进行特征参数归一化处理后，使用不同的SVM参数组合以训练支持向量机模型，并用测试集评估模型的准确度，选取以某一性能指标最优的SVM参数组合为训练好的SVM；其中，在训练集上训练好的SVM模型会用来对验证集进行验证，得到预测的管道的风险等级，对于每个SVM参数组合，都会计算出相应选取的某一性能指标的结果，并选择具有最高某一性能指标的结果的SVM参数组合作为支持向量机模型的最优参数组合。

本发明采用K折交叉验证对SVM进行指标评估，能够避免过拟合和欠拟合现象，提高模型的泛化能力，能够提高对埋地管道的风险评估的精度和可信度；采用使用网格搜索最优的SVM参数，通过交叉验证来评估每个SVM参数的组合的性能，选择具有最佳性能的参数组合，能够进一步提高对埋地管道的风险评估的精度和可信度。

优选地，惩罚参数从0.01到100进行网格搜索，取得最优的惩罚参数。

优选地，gamma值从0.01到10进行网格搜索，取得最优的gamma值。

优选地，核函数类型为RBF径向基核函数。

优选地，选择具有最高预测准确率的SVM参数组合作为支持向量机模型的最优参数组合。

其中，RBF径向基核函数能够将数据从原始空间映射到高维空间，以便于更好地进行交流干扰腐蚀风险的分类，并且，通过惩罚参数控制埋地管道的干扰腐蚀风险评估的SVM模型的复杂度，即在分类错误和模型复杂度之间进行权衡，gamma值控制RBF径向基核函数的宽度，从而影响支持向量的选择，并通过网格搜索进行调节，能够通过将各种参数组合成网格状，遍历整个参数空间以找到干扰腐蚀风险评估的最优的SVM参数组合。在本发明中，通过使用网格搜索方法和交叉验证来评估每个参数组合的性能，并选择具有最佳性能的参数组合，能够进一步提高交流干扰腐蚀风险评价的准确性。

参见图2，是本发明实施例还提供了基于FAHP-SVM的交流干扰腐蚀风险评价系统的结构示意图，包括：数据处理模块21、特征参数获取模块22和风险等级评价模块23。

数据处理模块21，用于收集埋地管道的初始数据，并对所述初始数据进行预处理，得到初始参数；其中，对所述初始数据进行预处理，得到初始参数，包括：对所述初始数据中检测出的重复值进行删除；并对所述初始数据中检测出的缺失值使用统计值、插值或者回归预测缺失值进行填补；其中，所述统计值包括：均值、中位数或者众数；根据箱线图检测所述初始数据中的异常值，对所述异常值进行修正或者进行删除；或者，根据Z-score值检测所述初始数据的异常值，对所述异常值进行修正或者进行删除；对所述异常值进行修正或者进行删除，具体为：根据统计方法或者插值对所述异常值进行修正；或者，删除异常值的行或者列；并对所述初始数据进行格式转换，以得到初始参数，所述格式转换包括：物理单位的统一转换。

此外，收集埋地管道的初始数据，包括：收集埋地管道的交流干扰腐蚀的风险数据，并从所述风险数据中筛选影响交流干扰腐蚀的数据作为初始数据；其中，所述收集埋地管道的交流干扰腐蚀的风险数据的方法包括：人工巡检或者通过传感器或者腐蚀探头自动收集数据；所述风险数据包括：所述埋地管道的电位、电流、土壤电阻率和周围设备的电气参数。

值得说明的是，数据处理模块21包括对数据的收集和清洗；其中，数据的收集包括：收集埋地管道的相关的风险数据，并从风险数据中选出影响交流干扰腐蚀的数据作为初始数据；数据的清洗包括：对初始数据进行数据评估，筛选出缺失值、异常值、重复值和格式未统一的数据，并分别筛选出的数据分别进行处理，以保证数据的质量。

特征参数获取模块22、对所述初始参数使用灰色关联-三角模糊层次方法进行灰色关联分析，得到影响埋地管道的交流干扰腐蚀的各个特征参数。

其中，对所述初始参数使用灰色关联-三角模糊层次方法进行灰色关联分析，得到影响埋地管道的交流干扰腐蚀的各个特征参数，其中，所述初始数据包括：管道电位、电流、土壤电阻率、土壤腐蚀性离子含量、腐蚀速率、阴保水平和交流电流密度，得到所述各个特征参数具体为：将所述腐蚀速率作为目标层，将所述初始参数的其余参数作为因素层，将所述目标层和所述因素层进行灰色关联分析，并采用三角模糊数在构造判断矩阵，得到各初始参数对交流干扰腐蚀的贡献权重；对各初始参数的贡献权重按照从大到小的顺序进行累加，直至累加的权重和大于权重阈值为止，将参与权重累加的各初始参数作为特征参数。

值得说明的是，特征参数获取模块22接收数据处理模块21清洗过的初始数据，并根据灰色关联-三角模糊层次方法，筛选出初始数据中对交流干扰腐蚀风险影响较大的初始数据，将筛选出的初始数据作为特征参数，以使风险等级评价模块23对特征参数进行风险评估。

风险等级评价模块23、将所述特征参数作为训练好的SVM的输入，输出埋地管道的风险等级；其中，所述训练好的SVM为根据预设的数据集对初始SVM进行训练和交叉验证，输出最优参数组合，且所述最优参数组合包括至少一个评估指标，所述评估指标包括：准确率、召回率或者F1值。

其中，训练好的SVM为根据预设的数据集对初始SVM进行训练和交叉验证，输出最优参数组合，且所述最优参数组合包括至少一个评估指标，包括：将所述数据集按照比例分为训练集和验证集，在所述训练集上使用不同的SVM参数，并采用K折交叉验证对指标进行评估，选择评估指标得分最高的SVM参数的组合作为最优参数组合；其中，所述SVM参数包括：核函数类型、惩罚参数和控制核函数宽度的gamma。

优选地，惩罚参数从0.01到100进行网格搜索，取得最优的惩罚参数。

值得说明的是，风险等级评价模块23接收特征参数获取模块22的特征参数，将特征参数作为风险等级评价模块23的输入，输入对应的风险等级；其中，是根据SVM模型进行交流干扰腐蚀风险评估，包括对SVM模型的训练和测试，通过选择最优的某一性能指标下的SVM参数组合作为最优参数组合，得到训练好的SVM模型，对于待评估的干扰腐蚀风险的数据，经过数据处理模块21和特征参数获取模块22处理之后，可作为训练好的SVM模型的输入，以快速高效地输出干扰腐蚀风险评估的等级，能够更加科学、精准的风险评估方法来帮助管道运营维护人员及时发现和解决交流干扰腐蚀问题。

本发明采用灰色关联分析法，可以量化初始参数中各个影响因素之间的关联性，并且对于多影响因素下的整体因素对交流干扰的整体影响可能与单影响因素变量的结果产生差别，包括不同影响因素之间的互相促进与抑制，因此，通过FAHP获取交流干扰腐蚀的多个关键的特征参数，根据多个关键的特征参数进行风险评估，能够综合考虑影响埋地管道的交流干扰腐蚀的影响因素，具有更高的可信度和科学性，从而能够提高对埋地管道的风险评估的精度；并且，采用了三角模糊数在构造判断矩阵，摒弃了传统的1-9标度法，降低了判断矩阵的主观性，对埋地管道的交流干扰腐蚀的风险评价更具有科学性和可信度；此外，交叉验证可以避免过拟合和欠拟合现象，提高模型的泛化能力，进一步提高对埋地管道的风险评估的精度和可信度。

本领域内的技术人员应明白，本申请的实施例还可提供包括计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。