具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关申请，而非对该申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与申请相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

实施例一

本申请实施例提供了一种实车服役工况的碳钢动态大气腐蚀影响因素挖掘及腐蚀速率预测方法(参见图1)，所述方法包含：

步骤1：采集试验车辆行驶特征数据、试验城市气象站信息、试验城市气象数据以及试验城市污染物数据；所述试验城市气象站信息、试验城市气象数据以及试验城市污染物数据构成静态大气环境因素；

步骤1中，所述试验车辆行驶特征数据至少包括：经纬度信息、行驶速度信息、车辆运行状态信息、行驶里程信息以及采集时间信息；所述试验城市气象站信息至少包括地址及坐标信息；所述试验城市气象数据至少包括温度和相对湿度数据；试验城市污染物数据至少包括二氧化硫和氯离子沉积量数据。

步骤2：基于试验车辆行驶特征数据挖掘计算车辆行驶特征关键因素；

步骤2中，所述车辆行驶特征关键因素至少包括，动静比γ；车辆平均速度V，单位为m/s；试验时间t_t，单位为天；车辆静止时间t_s，单位为天；车辆运行时间t_r，单位为天；车辆行驶里程L，单位为m；所述动静比γ＝t_r/t_s，所述车辆平均速度V＝L/86400t_r。

步骤3：利用维度优化算法对试验车辆行驶特征关键因素进行降维处理；

所述维度优化算法包括但不限于：动态模糊聚类算法、主成分分析方法、 K-means动态聚类算法。

步骤4：步骤1所采集的试验车辆行驶特征数据，利用MATLAB计算试验城市气象站信息在某一试验段内的时间权值；

步骤4中，计算试验城市气象站信息的时间权值具体为：

步骤41：计算试验时间q天车辆行驶过程中采集的经纬数据与各个气象站的空间欧氏距离D_ij，其中i＝1,2,3,4....n表示该试验段内采集经纬度坐标个数，j＝1,2,3,4....m表示气象站序号；

步骤42：确定mm_i表示某个采集的车辆行驶经纬度数据与各个气象站距离中的最短距离，统计mm_i对应的各个气象站出现频次 f_j＝num(j)；

步骤43：计算各个气象站的时间权值

步骤5：计算试验城市气象数据以及试验城市污染物数据的时间加权值；

步骤5中，计算试验城市气象数据以及试验城市污染物数据的时间加权值，根据公式计算各个静态大气因素的时间加权数值C；C为某试验段内加权后的影响因素数值，C_j为气象站j静态大气影响因素在该试验段内的均值。

步骤6：确定车辆行驶特征关键参数以及静态大气环境关键参数；

步骤6中，车辆行驶特征关键参数为：平均速度、动静比；静态大气环境关键参数包括：加权后的平均温度、加权后的平均湿度以及加权后的二氧化硫沉积率和氯离子沉积率。

步骤7：采用机器学习算法构建腐蚀速率预测模型；

步骤7中，机器学习算法包括但不限于：遗传算法模型、神经网络模型、随机森林算模型法、支持向量回归算法模型。

步骤8：预测碳钢动态大气腐蚀速率。

在本申请实施例中，以已经在天津市开展的基于实车工况的金属材料大气腐蚀试验为例，结合附图1所示的逻辑流程步骤及具体实施例对本申请作进一步的说明。

具体试验时间是2018年8月29日-2020年8月29日，共计2年。第一年的取样间隔是3个月，第二年的取样间隔是6个月，2年试验共计得到31 组有效的腐蚀速率(μm/year)数据。数据如下：腐蚀速率＝(24.8；19.79；18.94； 18.85；18.36；18.04；16.83；16.4；16.39；15.28；15.16；15.02；14.29；14.12； 13.57；13.54；13.23；13.18；12.11；11.89；11.78；11.62；10.76；9.93；9.85； 9.85；9.35；9.33；7.11；5.7；5.5)

车辆行驶特征数据通过在每个特约试验车辆上安装车载定位数据采集传输系统采集，设定每5秒时间间隔采集一次试验车辆的行驶特征数据，包括：经纬度信息、行驶速度信息、车辆状态信息、行驶里程信息及采集时间信息等。

基于采集的车辆行驶特征数据，对应各个有效的腐蚀速率数据试验时间，分别统计出：动静比γ、车辆平均速度V(m/s)、试验时间t_t(天)、车辆静止时间t_s(天)、车辆运行时间t_r(天)、车辆行驶里程L(m)，其中动静比γ＝t_r/t_s，所述的车辆平均速度V＝L/86400t_r。数据如表1所示。

表1车辆行驶特征关键数据

利用动态模糊聚类算法对车辆行驶特征关键因素进行聚类分析，实现多元数据维度的优化，降低数据维度。具体的计算按照以下步骤进行：

步骤一，建立数据矩阵。设论域A＝{x₁,x₂,···,x_k}，为所需要分类的对象，每个对象由r个指标表示，即得到特性指标矩阵A＝(x_uv)_k×r。其中k＝6，分别表示动静比γ、车辆平均速度V(m/s)、试验时间t_t(天)、车辆静止时间t_s(天)、车辆运行时间t_r(天)、车辆行驶里程L(m)。r对应有效的腐蚀速率试验数据个数为31。

步骤二，数据无量纲化。不同的数列具有不同性质，数量级上差别很大，故通常需要对数据进行无量纲化处理。本实施例采用极差正规化进行无量纲化，即：其中，

步骤三，本实施例用夹角余弦法构建模糊相似矩阵H，

则H＝(h_uv)_k×r；

步骤四，使用平方法合成传递闭包矩阵G(H)＝H^l，本实施例中l＝16。

步骤五，构建动态聚类层次图谱。

根据动态模糊聚类算法，构建的聚类层次图谱如图2所示。

聚类结果显示：静止时间、行驶时间、行驶里程、试验时间以及车辆平均速度的关联度均大于0.87，综合考虑车辆平均速度与腐蚀速率一样非累积量，故选定作为车辆行驶特征的关键因素。最终通过聚类分析，优化出车辆平均速度和动静比作为最终建模所用的车辆行驶特征的关键指标因素。

对于与静态大气因素相关的大气数据采集，首先确定天津市所有气象站的地址及具体坐标。总共有23个，涉及到天津市各个城区。如表2所示。

表2本实施例试验城市天津各个气象站信息

本实施例中采集表格2中所有气象站在2018年8月29日-2020年8月 29日期间的数据，具体包括试验城市气象数据(温度和相对湿度数据)和试验城市污染物数据(二氧化硫和氯离子沉积量数据)。对应各个有效的腐蚀速率数据试验时间，根据公式计算温湿度、二氧化硫和氯离子沉积率在各个气象站的平均值。本实施例中d＝1。

本实施例中最短的试验间隔是3个月，所采集的车辆行驶特征数据维度也有百万数据组，故利用MATLAB依照如下步骤计算各个气象站在某一试验段内的时间权值r_j。

步骤A：计算试验时间q天车辆行驶过程中采集的经纬数据与各个气象站的空间欧式距离D_ij，其中i＝1,2,3,4....n表示该试验段内采集经纬度坐标个数，j＝1,2,3,4....m表示气象站序号。

步骤B：确定统计mm_i对应的各个气象站出现频次 f_j＝num(j)。

步骤C：计算各个气象站某一试验段内的时间权值

最后根据公式计算各个静态大气因素的时间加权数值C。C为某试验段内加权后的影响因素数值，C_j为气象站j某个静态影响因素在该试验段内的均值。

根据如上步骤对应各有效的腐蚀速率数据计算得到加权后的静态大气环境关键参数数据如表3所示：

表3加权后的静态大气环境关键参数数据

最终，本实施例确定的车辆行驶特征关键参数为：平均速度、动静比；静态大气环境关键参数包括：加权后的平均温度、加权后的平均湿度以及加权后的二氧化硫沉积率和氯离子沉积率。

本实施例采用遗传算法耦合的神经网络模型(GA-BP)构建腐蚀速率预测模型，GA-BP逻辑流程如图3所示。遗传算法初始化需要确定的运行参数主要包括：种群大小N，遗传次数G，交叉概率P_C和变异概率P_M，如表4 所示。

表4遗传算法主要运行参数

随机选取5组预处理后的试验数据作为GA-BP模型的验证样本，剩余 26组试验数据作为训练样本。以RMSE和R²作为评判指标，参见公式1和公式2。训练数据结果如图4所示，所有的数据都位于y＝x附近，表明预测数据与实测数据接近。

验证样本和神经网络模型预测的腐蚀速率对比如表5所示。由表5可以看出，综合考虑静态大气环境关键因素和车辆行驶特征关键参数条件下建立的模型较好地预测了天津市碳钢的动态腐蚀。

表5测试数据试验结果

实施例二

本申请实施例二提供一种电子设备，参见图5，电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于：一个或者多个处理器或者处理单元，用于存储能够在处理器上运行的计算机程序的存储器，连接不同系统组件(包括存储器、一个或者多个处理器或者处理单元)的总线。

其中，所述一个或者多个处理器或者处理单元用于运行所述计算机程序时，执行实施例一或二所述方法的步骤。所述处理器所用类型包括中央处理器、通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。

其中，总线表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。

实施例三

本申请实施例三提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现实施例一所述方法的步骤。

需要说明的是，本申请所示的存储介质可以是计算机可读信号介质或者存储介质或者是上述两者的任意组合。存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。存储介质还可以是存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

以上所述的实施例，对本申请的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本申请的实施例而已，并不用于限定本申请的保护范围，凡在本申请的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本申请的保护范围之内。