基于BP神經網絡訓練的儲罐底板聲發射檢測評價方法

張延兵，宋高峰

(江蘇省特種設備安全監督檢驗研究院南通分院，南通 226011)

聲發射技術是儲罐在線檢測常用的無損檢測方法，其主要解決的問題是如何合理改進“一刀切式”的開罐檢修管理模式，能在保證安全的基礎上篩檢出那些極有可能失效的儲罐，以最大程度地優化開罐策略，有效降低企業停產和大修產生的成本。但由于聲發射檢測評價標準體系不完善，以及技術本身發展水平的限制，儲罐聲發射檢測工程應用的可靠性還有待提高[1-3]。因此，筆者對多年來積累的儲罐開罐檢測數據和在線聲發射檢測數據進行歸納、整理，通過建立適用于儲罐底板聲發射檢測評價的神經網絡，并利用可靠驗證的樣本對其進行訓練測試，從而得到具有較高工程檢測應用可靠度的聲發射評價專家系統，最終實現有效提高聲發射檢測評價準確度和科學性的目的。

1 傳統聲發射評價的參數及方法

根據我國儲罐聲發射檢測標準JB/T 10764-2007 《無損檢測 常壓金屬儲罐聲發射檢測及評價方法》，對儲罐底板進行聲發射檢測的結果，可以根據定位方式的不同，采用基于時差定位的分級(計算每小時的定位事件數E)以及基于區域定位的分級(計算每小時的撞擊數H)，按照標準JB/T 10764-2007中表4.1和4.2進行分級。正是由于標準中只規定了兩種評價參數，所以在實際的檢測評價中，不同的儲罐、環境、使用條件和儀器等所依據的分級標準完全不同，最終放大了檢測人員評價的隨意性，評價結果說服力較低，這也是多年來聲發射檢測被人詬病的重要因素[4]。因此，有必要在實際的結果評價中引入更多的相關影響特征參數[5]，并結合開罐檢測數據來優化評價模型，從而不斷提高評價結果的準確度。

2 基于BP神經網絡的儲罐底板狀態評價模型

2.1 輸入輸出參數的設計

對于儲罐底板的腐蝕狀態評級，一般情況下事件數、撞擊數、幅值、能量、持續時間、上升時間等參數的累積量、計數率、統計規律等都能反映腐蝕和泄漏的狀態，但實際情況下，儲罐的檢測環境和使用條件、檢測門檻的選取、信號傳播路徑、儲罐的幾何參數等也會影響聲發射評價的結果。因此將輸入參數分為以下幾類。

(1) 累積參數。指一次聲發射過程中某一特征參數的累加值，可以從整體上反映聲發射源的總強度，這類參數包括總事件數、總撞擊數、總能量、總振鈴計數等。

(2) 變化率參數。指聲發射參數在單位時間內的變化情況，描述了聲發射信號的瞬間特征，跟材料的變形速率有直接關系，主要包括：事件計數率、撞擊計數率、能量釋放率等。

(3) 統計參數。指材料在變形過程中聲發射參數的統計規律，這是由于聲發射過程具有一定的隨機性，可以通過統計的方法獲得聲發射源的特征，包括幅度分布、頻率分布等。

(4) 本體參數。指不同設計條件下，儲罐在相同腐蝕條件下的聲發射參數影響程度，主要包括：儲罐高度、直徑、陰極保護、是否保溫、材料、涂層、基礎類型等。

(5) 使用參數。指儲罐的工作條件對于聲發射檢測結果的影響，如工作溫度、壓力、介質類型、所處地區、土壤電阻率等。

2.2 樣本的選擇

由于BP神經網絡是通過對樣本的學習完成特征空間到故障空間的非線性映射的[6]，所以神經網絡的性能很大程度上取決于訓練樣本的質量和規模。在網絡的結構以及學習算法確定的情況下，樣本的數量和代表性成為網絡精度和泛化能力的決定因素。因此，選擇合適的訓練樣本，既能減少網絡的訓練時間，也能降低網絡的誤差。在實際樣本輸入時，在不同類型的儲罐(活性從Ⅰ級～Ⅴ級)當中，分別選取足量且經開罐驗證的數據進行處理利用[7]。

2.3 數據預處理

對儲罐現場的檢測樣本數據進行分析，根據輸入輸出參數的數據類型和取值范圍，采用不同的數據數理方法。

2.3.1 無量綱化處理

無量綱化是通過一定的數學變換將性質、量綱不同的指標轉化為可以綜合的相對數，從而消除指標量綱的影響[8]。各個變量的指標和單位不同，會導致變量之間有數量級的差異。為了提高訓練時的收斂速度和網絡預測精度，需要使各變量的重要性在訓練過程中處于同等地位，避免神經元過早進入飽和區。歸一化處理是神經網絡參數預處理中最常用的無量綱化方法，處理后數據范圍在01或-11之間。常用的歸一化方法包括極差化、中心化和對數化，其數學公式有如下兩種表達方式。

(1)

(2)

(3)

(4)

2.3.2 特征模糊化處理

模糊化處理是將某種特征通過一組隸屬度，將原特征空間映射到新的特征空間，即模糊特征空間。每個原始特征一般會定義多個隸屬度函數，因此這種映射方式是從低維到高維的映射[9]。由于原來的一個特征變成了多個模糊特征量，每個變量是原特征的一個局部特征。特征模糊化是基于模糊理論的數據處理方法，模糊集合是模糊理論的基礎。設論域X，集合A，對于一個任意元素x∈A，用函數μA(x)=[0,1]表示x屬于A的程度，則稱集合A為模糊集合，μA(x)稱為模糊集合A的隸屬度函數，μA(xi)為元素xi的隸屬度。模糊集合有多種表示方法，當論域X中的元素是有限個數時，即X={x1,x2,…,xn}，則X的模糊集A可表示為：

(5)

或表示為

(6)

當論域X中的元素是無限個時，上述表示法可以推廣為

(7)

此時，可用隸屬度函數來表示模糊集A，所選用的隸屬函數應盡量符合模糊集合的本質特征，隸屬函數的選擇以及函數中待定參數的確定都依賴問題的實際情況以及一定的經驗基礎。

2.4 網絡結構的確定

2.4.1 輸入輸出層

由于對輸入參數分別用歸一化和模糊化兩種方法進行處理，不同的數據處理方式對神經網絡的輸入輸出層節點數有所影響[10]。其中，參數模糊化處理的神經網絡結構示意如圖1所示。

圖1 參數模糊化處理的神經網絡結構示意

根據不同的數據預處理方式，建立不同的神經網絡模型，分別為A類模型(A1A4)和B類模型(B1B4)，其中：A類模型的輸入參數A1A4和A7采用簡單的歸一化方法，B類模型用模糊化的方法；輸出參數分別使用離散數值、1/N碼、二進制碼和溫度計碼表示。分別對這8種模型進行訓練，探討不同的數據處理方法對分類結果的影響。由于輸出節點的數值均在01之間，因此輸出層的傳遞函數采用logsig函數。

2.4.2 隱層的設置

在此次訓練神經網絡的實際應用中，隱層的層數和節點數的設計一般是神經網絡模型設計的關鍵。增加隱層層數雖然可以降低誤差，但同時會使網絡復雜化，增加訓練時間。通過增加隱層節點數也可以提高網絡精度，并且更加容易觀察和調整。

以模型A1為例，研究隱層節點數對網絡性能的影響。隱層函數為tansig函數，學習算法為有動量的梯度下降法，學習速率為0.9，動量因子取0.9，迭代次數取2 000，網絡訓練目標誤差為10-3。設置隱層數為1，按照Kolmogorov定理，隱層節點數為514較為合適。為了確定最佳的隱層節點數，在550之間，每隔3取一個數作為隱層節點數，不同隱層節點數與神經網絡誤差的關系如圖2所示。可以看出，兩種誤差隨隱層節點數增加的變化趨勢相同，訓練誤差均大于測試誤差；當隱層節點數小于13時，兩種誤差均隨著隱層節點數的增加而顯著下降，說明此時增加隱層的節點數可以提高網絡的精度，但是當隱層節點數超過13時，隨著隱層節點數的增加，兩種誤差只在小范圍內波動。考慮到隱層節點數越多，模型越復雜，因此隱層節點數取13～15較合適。

圖2 不同隱層節點數與神經網絡誤差的關系

3 評價模型的現場檢測應用

對某廠編號為G200#，G203#，802#，912#的4臺立式金屬儲罐進行了聲發射在線檢測，并將開罐檢測的評定結果與神經網絡評價模型結果進行比較，4臺儲罐的基本情況如表1所示.

按照標準JB/T 10764—2007規定的流程分別對4臺儲罐進行聲發射檢測，對降噪處理后的撞擊數進行統計，4個儲罐的單位時間最大通道撞擊數分別為3 544，2 968，6 904，2 521，平均每通道撞擊數分別為2 871，1 213，3 640，1 623。4個儲罐的罐底定位結果如圖3所示，其中：G200#儲罐和912#儲罐的事件數較少，局部有聚集事件，但聚集的事件數不多；G203#儲罐和802#儲罐的事件比較密集，G203#儲罐的罐底中心部位有事件集中，可能存在較活躍的聲發射源，802#儲罐底板邊緣存在較多的定位事件聚集，特別是S1處密集程度較高。綜合各聲發射參數特征，802#儲罐的腐蝕活性較高，在儲罐維修計劃中需要優先考慮，其余3個儲罐有輕微的腐蝕。

對檢測數據提取特征參數并輸入神經網絡模型，得出4個儲罐底板狀態的評價結果。表2分別列出了4個儲罐的神經網絡輸出等級和專家判定的等級，其中神經網絡評定結果是根據網絡輸出結果與各等級的1/N碼的距離，取距離最小的作為最終等級的。可以看出，4個儲罐的神經網絡模型輸出結果與專家給出的結果一致，表明該模型具有一定的可靠性。

表1 4臺儲罐的基本情況

表2 4臺儲罐的評價結果

圖3 4個儲罐的罐底定位結果

4 結語

(1) 從對某廠4個儲罐的實際聲發射檢測進行的基于神經網絡的評價與現場開罐檢測評價的對比數據來看，在有限的測試樣本訓練下，該方法的評價結果與開罐檢測結果基本吻合，證明了此種方法在技術上的可行性。

(2) 相較于傳統的聲發射檢測人工經驗評價，基于大數據訓練的神經網絡評價方法具有更強的科學性，且隨著復驗訓練樣本數量的增多和樣本準確性的提高，其評價結果的準確性也必然會得到較大的提升。預計該方法在儲罐的安全狀態預警系統中將發揮重要的基礎作用。

(3) 由于儲罐的聲發射檢測標準JB/T 10764—2007投入使用12 a來，已出現了諸多與實際檢測技

術發展或現場檢測環境不太適應的地方，尤其在結構評價上，給眾多檢測人員帶來了許多的困惑。研究成果對于解決這一困境有啟發意義，至少可以作為該標準在最終結果判定上的一種新方法的補充嘗試。