基于SVM 單閘板防噴器殼體聲發(fā)射源定位方法研究

趙俊茹，徐慶龍，苗婷婷，張佩剡

（1.東北石油大學(xué)機(jī)械科學(xué)與工程學(xué)院，黑龍江大慶 163318；2.大慶油田有限責(zé)任公司勘探開(kāi)發(fā)研究院，黑龍江大慶 163712；3.甘肅藍(lán)科石化高新裝備股份有限公司，蘭州 730070）①

防噴器是井控系統(tǒng)的重要部件，對(duì)鉆井安全，特別是高壓井控系統(tǒng)的工作性能具有重要作用。采用超聲波和射線方法對(duì)其定期檢驗(yàn)很難發(fā)現(xiàn)超標(biāo)缺陷，如果選擇全部返修，費(fèi)用較高［1］。利用聲發(fā)射檢測(cè)技術(shù)對(duì)其進(jìn)行檢測(cè)時(shí)，存在于超標(biāo)缺陷中的活性缺陷可以快速被發(fā)現(xiàn)。如果只對(duì)檢測(cè)出來(lái)的活性缺陷進(jìn)行返修，能節(jié)省大筆費(fèi)用。

由于單閘板防噴器殼體的結(jié)構(gòu)存在多拐角，即形狀突變處較多，在上下表面還有多處螺栓孔，即結(jié)構(gòu)不連續(xù)，在聲發(fā)射信號(hào)經(jīng)過(guò)界面時(shí)會(huì)發(fā)生折射、反射、疊加及模式轉(zhuǎn)換的現(xiàn)象，又由于其不同的衰減率及傳播模式，導(dǎo)致傳感器接收的聲發(fā)射信號(hào)與原始聲發(fā)射信號(hào)出現(xiàn)了較大的差別。因此，在利用聲發(fā)射技術(shù)對(duì)防噴器殼體進(jìn)行缺陷定位時(shí)，傳統(tǒng)的時(shí)差－能量定位方法，或模態(tài)聲發(fā)射定位方法均會(huì)導(dǎo)致獲得的聲發(fā)射信號(hào)有所偏差，使定位精度下降。在傳統(tǒng)定位方法日漸顯現(xiàn)出其局限性時(shí)，智能定位方法以其方便快捷且適應(yīng)性廣而得到發(fā)展，神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)即為目前較為常用的智能定位方法。但是，神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)難以確定，同時(shí)易陷入局部極值，需要較大的學(xué)習(xí)樣本。基于統(tǒng)計(jì)學(xué)方法研究運(yùn)用的支持向量機(jī)（SVM），是專門針對(duì)有限樣本，有著全局優(yōu)化，適應(yīng)性強(qiáng)，推廣能力好等優(yōu)點(diǎn)［2］，在目前的實(shí)際工程應(yīng)用中都有著較好的效果。

本文研究了聲發(fā)射定位中的支持向量機(jī)在單閘板防噴器殼體缺陷檢測(cè)中的應(yīng)用，通過(guò)其分類的功能判別出缺陷所在面，利用回歸的功能確定出缺陷所在的具體位置；采用試驗(yàn)方法驗(yàn)證其可行性與準(zhǔn)確性。

1 SVM的基本原理

SVM的主要思想是建立一個(gè)分類超平面作為決策曲面，并使得樣本集到分類超平面的距離最大，得到分類器的判別函數(shù)盡可能的實(shí)現(xiàn)正確分類［3］。

假設(shè)大小為l的訓(xùn)練樣本集｛（xi，yi），i＝1，2，…，l｝由2個(gè)類別組成，若xi屬于第1類，則記yi＝1；若xi屬于第2類，則記yi＝－1。構(gòu)造最優(yōu)分類超平面，即一種可以無(wú)誤差的劃分訓(xùn)練數(shù)據(jù)，并使得超平面或超平面最近的向量離每一類數(shù)據(jù)的距離均是最大的超平面，其方程可描述為［4］：

式中：w為權(quán)值向量；φ（x）為輸入空間到特征空間的變換幾何；b為偏置；x為輸入向量。

求解最優(yōu)：

式中：C為懲罰參數(shù)；ξi為松弛變量。

得到最終的判別函數(shù)為：

式中，sgn為符號(hào)函數(shù)；a＊，b＊分別為支持向量xi對(duì)應(yīng)的拉格朗日乘子及偏置；K為核函數(shù)。

本文在位置識(shí)別器建立好之后，采用了一對(duì)一的多值分類算法［5］進(jìn)行缺陷區(qū)域的識(shí)別。支持向量回歸方法不同于分類方法是尋找一個(gè)使兩類樣本分開(kāi)的最優(yōu)分類面，它尋找的是一個(gè)使得所有訓(xùn)練樣本離其誤差最小的最優(yōu)分類面［6］。通常情況下，支持向量回歸方法是在定義了線性不敏感損失函數(shù)ε之后，引入松弛變量ξi，ξ＊i ，并在滿足式（4）［7］。

式中：ε為損失函數(shù)參數(shù)。

最優(yōu)求解得回歸函數(shù)為

式中：αi為拉格朗日乘子。

式（3）和（5）是在高維特征空間中，計(jì)算很困難。引用核函數(shù)K（xi，xj）＝φ（xi）T·φ（xj）則可避免高維特征空間“維數(shù)災(zāi)”的出現(xiàn)，且沒(méi)有增加計(jì)算的復(fù)雜度。因此，在求解時(shí)只需引用適應(yīng)的核函數(shù)即可。本文選用的核函數(shù)為徑向基核函數(shù)，其表達(dá)式為：

式中：γ為核參數(shù)。

2 防噴器殼體的缺陷定位過(guò)程

2.1 傳感器布置

針對(duì)單閘板防噴器殼體的特殊結(jié)構(gòu)，采用8個(gè)聲發(fā)射傳感器，分別粘貼在殼體的上下表面的4個(gè)角上，如圖1所示。

圖1 傳感器位置序號(hào)分布

根據(jù)傳感器的布置，可以從8個(gè)傳感器選擇相近的4個(gè)組成6個(gè)定位面，利用SVM 首先將其劃分為6類，對(duì)6個(gè)類型進(jìn)行識(shí)別，每一類所代表的平面如表1所示，進(jìn)而利用SVM的回歸功能確定缺陷所在面的具體位置。

表1 輸出類型

2.2 輸入?yún)?shù)的選取

經(jīng)過(guò)對(duì)試驗(yàn)數(shù)據(jù)的分析與研究，獲得了上升時(shí)間、振鈴計(jì)數(shù)、持續(xù)時(shí)間、能量、幅值這5個(gè)定位精度最好的輸入?yún)?shù)，由于每個(gè)面的定位有8個(gè)傳感器，因此在每次的定位中通過(guò)這8個(gè)傳感器可得到40個(gè)特征參數(shù)，即輸入數(shù)據(jù)維數(shù)為40。利用MATLAB 中mapminmax 函數(shù)，［y，ps］＝mapminmax（x，ymin，ymax）；歸一化處理各個(gè)參數(shù)。

2.3 參數(shù)選擇

懲罰參數(shù)C 和核參數(shù)γ是在采用核函數(shù)為徑向基核函數(shù)的SVM 進(jìn)行建模時(shí)直接影響模型的預(yù)測(cè)準(zhǔn)確程度的2個(gè)參數(shù)，在建模時(shí)需要認(rèn)真考慮。目前，交叉驗(yàn)證法、基于粒子群算法的參數(shù)選擇以及網(wǎng)格搜索法是較為常用的參數(shù)選擇方法。

基于粒子群算法在幾種參數(shù)選擇方法中精確率較高，但經(jīng)研究發(fā)現(xiàn)PSO 算法會(huì)出現(xiàn)早熟收斂現(xiàn)象，導(dǎo)致參數(shù)選擇的精確率有所降低，為此，本文采用了一種基于適應(yīng)度定標(biāo)［8］及交叉因子的粒子群算法的參數(shù)選擇法，其主要實(shí)現(xiàn)過(guò)程為：首先計(jì)算每個(gè)粒子適應(yīng)值，采用指數(shù)定標(biāo)的方法（f′＝e－kf，取k＝0.5）對(duì)粒子進(jìn)行定標(biāo)，并對(duì)定標(biāo)后的粒子的適應(yīng)值進(jìn)行重新計(jì)算，并對(duì)其排序，對(duì)于適應(yīng)度好的粒子，將其分為兩部分，一部分直接進(jìn)入下一代，另一部分放在一起進(jìn)行配對(duì)。選擇前一部分進(jìn)入下一代，后一部分兩兩配對(duì)，并利用配對(duì)的過(guò)程中隨機(jī)產(chǎn)生一個(gè)交叉位置，進(jìn)行選擇和交叉操作，由此獲得子代的數(shù)目就與其與父代的數(shù)目相同，增加了粒子多樣性，同時(shí)也避免了局部最優(yōu)，并使得收斂的速度變快，從而確定出定位精度較高的參數(shù)。

將歸一化的試驗(yàn)數(shù)據(jù)代入這種新的種群算法中進(jìn)行運(yùn)算，經(jīng)測(cè)試后設(shè)定粒子群算法中的社會(huì)學(xué)系數(shù)c1＝1.5，認(rèn)知系數(shù)c2＝1.7。設(shè)計(jì)最大進(jìn)化數(shù)量為100，最大種群數(shù)量為20，k＝0.2。通過(guò)運(yùn)算后可得懲罰參數(shù)C＝2.3481，核函數(shù)參數(shù)γ＝2.6848，其分類準(zhǔn)確率為98.8764%。選擇結(jié)果如圖2所示。

圖2 參數(shù)選擇結(jié)果

對(duì)于支持向量機(jī)回歸的不敏感損失函數(shù)參數(shù)ε同樣應(yīng)用此種方法進(jìn)行選取，得到ε＝0.01。

3 試驗(yàn)驗(yàn)證

試驗(yàn)選用殼體長(zhǎng)寬均為50cm，高為37cm的單閘板防噴器進(jìn)行試驗(yàn)，其形狀如圖3所示。主要的試驗(yàn)裝置是美國(guó)PAC 公司生產(chǎn)的SAMOS－Ⅱ聲發(fā)射檢測(cè)儀，R15傳感器、2／4／6前置放大器組成。

圖3 單閘板防噴器

試驗(yàn)時(shí)，將所測(cè)殼體的6個(gè)面展開(kāi)成二維平面圖并確定x，y 坐標(biāo)方向，即圖4所示，按照此坐標(biāo)方向及單閘板防噴器殼體結(jié)構(gòu)尺寸，重新標(biāo)定各面測(cè)試點(diǎn)的坐標(biāo)獲得各模擬測(cè)點(diǎn)的新坐標(biāo)值。

圖4 殼體展開(kāi)圖

用斷鉛信號(hào)模擬聲發(fā)射源，分別在殼體的6個(gè)面上斷鉛，每個(gè)面分別采集11組有效信號(hào)。對(duì)提取的樣本進(jìn)行歸一化處理，同時(shí)每個(gè)面選擇10組作為訓(xùn)練數(shù)據(jù)，剩余一組作為測(cè)試數(shù)據(jù)，設(shè)定好SVM的各參數(shù)值，進(jìn)行定位，得到如表2所示結(jié)果。

表2 定位數(shù)據(jù)

由表2可以看出，利用支持向量機(jī)對(duì)防噴器殼體進(jìn)行定位是可行的，且其定位精度較時(shí)差定位有所提高。由此可見(jiàn)，對(duì)于這種結(jié)構(gòu)復(fù)雜，樣本量較小的情況，支持向量機(jī)是一種較為實(shí)用且精度較高的定位方法。

4 結(jié)論

1）防噴器殼體的結(jié)構(gòu)復(fù)雜，在進(jìn)行缺陷檢測(cè)時(shí)常規(guī)方法的定位精度低。

2）依據(jù)SVM 理論建立了單閘板防噴器殼體聲發(fā)射定位的分類、回歸的模型，并對(duì)其參數(shù)的選擇進(jìn)行了研究。

3）建立了單閘板防噴器殼體聲發(fā)射檢測(cè)的試驗(yàn)臺(tái)，用斷鉛模擬缺陷源進(jìn)行定位試驗(yàn)。結(jié)果表明：支持向量機(jī)可以在單閘板防噴器殼體的缺陷定位中應(yīng)用，且準(zhǔn)確度較高。

［1］朱詳軍.單閘板防噴器的聲發(fā)射檢測(cè)初步實(shí)踐［J］.鉆采工藝，2006，29（4）：86－87.

［2］鄒慶龍，陳桂娟，付海龍，等.基于柔度矩陣和支持向量機(jī)的井架損傷識(shí)別技術(shù)［J］.石油礦場(chǎng)機(jī)械，2008，37（2）：2－3.

［3］孫學(xué)斌.AR 模型和SVM 在機(jī)床滾動(dòng)軸承故障診斷中的應(yīng)用［J］.機(jī)械工程與自動(dòng)化，2010（2）：132－133.

［4］毛漢穎，黃振峰，王向紅.裂紋源的支持向量機(jī)與神經(jīng)網(wǎng)絡(luò)定位對(duì)比研究［J］.廣西大學(xué)學(xué)報(bào)，2009，34（3）：358－359.

［5］PLATT J C，CRISTIANINI N，SHAWE－TAYLOR J.Large margin DAGs for multiclass classification［C］／／Advances in Neural Information Processing Systems 12.Massachusetts：MIT Press，2000（12）：547－553.

［6］鐘波，劉兆科.基于偏最小二乘的支持向量機(jī)多分類方法［J］.計(jì)算機(jī)工程與應(yīng)用，2007，43（17）：174－175.

［7］VAPNIC V.Statistical Learning Theory［M］.New，York：Wiley Press，1998.11：342－344.

［8］陳永剛，楊鳳杰，孫吉貴.新的粒子群優(yōu)化算法［J］.吉林大學(xué)學(xué)報(bào)：信息科學(xué)版，2006，24（2）：182－183.