类型a
作者与机构及发表信息
本研究的主要作者为Estelle Rossouw和Wesley Doorsamy，分别来自约翰内斯堡大学工程管理研究生院和智能系统研究所。该研究于2021年9月14日发表在《Energies》期刊上。
学术背景
本研究属于腐蚀控制与管道维护领域，旨在通过数据驱动的方法实现阴极保护（Cathodic Protection, CP）系统的预测性维护框架。地下管道的外部腐蚀是一个自然现象，由于金属与其环境之间的相互作用会导致金属损失。为了防止腐蚀，通常采用涂层或强制电流阴极保护（Impressed Current Cathodic Protection, ICCP）技术。然而，在大规模管道网络中，传统的基于时间间隔的预防性维护可能导致ICCP系统在维护间隔期间出现失效，例如失去阴极保护（导致强制腐蚀）或过度供应阴极保护（导致管道涂层剥离）。因此，本研究的目标是开发一种基于ICCP核心功能的预测性维护框架，以确保管道电位符合NACE SP0169-2013标准，并优化维护策略。
研究流程
本研究包含以下主要步骤：
数据收集
数据来源于三种渠道：SCADA系统、远程数据记录仪数据库以及手动记录的CP数据。这些数据包括整流器输出电压（Vout）、输出电流（Iout）、排水电流（Idrain）以及管道对土壤电位（VCSE）。数据的时间间隔为5分钟或根据死区策略动态调整。此外，还收集了相关的操作和维护文档，以提供额外的背景信息。
数据探索与预处理
使用R语言进行数据探索，分析变量之间的关系、分布特征以及异常值检测。数据预处理阶段包括删除不完整的行和列、调整数据类型、创建新特征列等。例如，根据管道电位是否符合NACE标准，将状态分为“受保护”（P）、“欠保护”（UP）和“过保护”（OP），并分配风险等级。
数据集创建
将原始数据分为训练集和测试集，比例为70:30。训练集用于模型训练，测试集用于验证模型性能。数据采样率和时间间隔经过优化，例如将采样率从30秒调整为2分钟，显著降低了噪声干扰。
建模与预测
研究采用了多种机器学习算法，包括线性回归、随机森林（Random Forest, RF）、支持向量机（Support Vector Machine, SVM）和神经网络（Neural Network, NN）。线性回归用于预测管道电位，分类模型用于预测管道电位状态（P、UP、OP）。特别地，针对存在杂散电流的情况，研究提出了改进的KNN调优参数方法，显著提高了预测精度。
下游测试点电位估计
通过多元线性回归系数，估计下游测试点（Test Post, TP）的管道电位。研究发现，整流器输出电流对管道电位的影响最大，且可以通过调整每个TP的独特输出电流系数来估算其电位。
维护矩阵设计与时间建议
研究提出了一种简化的维护矩阵，根据管道电位状态、风险等级和允许的最大时间制定维护建议。时间建议方法包括Kaplan-Meier生存分析、周期时间分析和时间序列趋势分析。
主要结果
1. 线性回归预测结果
在稳态条件下，TRU（变压器-整流器单元）的管道电位预测最佳RMSE为0.153 VCSE。对于存在杂散电流的FDU（强制排水单元），当采样率从30秒调整为2分钟时，RMSE从2.06降低至0.68。
分类模型预测结果
随机森林分类模型在预测FDU的管道电位状态时表现最佳，准确率达到93.66%（存在杂散电流）和99%（稳态条件）。
下游测试点电位估计
研究提出的多元线性回归方法能够以0.0014 VCSE的平均误差估算下游TP的管道电位，表明该方法具有较高的准确性。
维护矩阵与时间建议
维护矩阵结合了风险等级、时间限制和补救措施，为不同状态下的ICCP单元提供了具体的维护建议。Kaplan-Meier生存分析表明，中位生存时间为75,000秒，可用于估算维护时间。
结论与意义
本研究开发了一种基于数据驱动的预测性维护框架，用于优化ICCP系统的运行和维护。该框架不仅能够预测管道电位及其状态，还能根据风险和事件持续时间提出维护建议。研究结果表明，机器学习算法在预测管道电位和状态方面具有显著优势，特别是在存在杂散电流的情况下。此外，研究提出的维护矩阵和时间建议方法为实际应用提供了科学依据。
研究亮点
1. 提出了基于多元线性回归的下游测试点电位估算方法，显著提高了预测精度。
2. 结合分类模型和时间序列分析，实现了对ICCP单元状态的全面预测。
3. 设计了一种简化的维护矩阵，为实际维护操作提供了明确指导。
其他有价值内容
研究强调了数据质量和采样率的重要性，并建议在未来工作中纳入更多类型的CP设备（如交流缓解站、跨接键等）以及考虑IR降的影响。此外，研究还指出，模型的持续训练和优化是提高预测精度的关键。