基于人工神經(jīng)網(wǎng)絡(luò)的長周期儲(chǔ)存式壓力容器安全評(píng)價(jià)研究

尤毅聰

(福建省鍋爐壓力容器檢驗(yàn)研究院泉州分院 泉州 362001)

基于人工神經(jīng)網(wǎng)絡(luò)的長周期儲(chǔ)存式壓力容器安全評(píng)價(jià)研究

尤毅聰

(福建省鍋爐壓力容器檢驗(yàn)研究院泉州分院 泉州 362001)

本文基于人工神經(jīng)網(wǎng)絡(luò)，設(shè)計(jì)了一個(gè)長周期儲(chǔ)存式壓力容器安全分析評(píng)價(jià)系統(tǒng)。按壓力容器自身的特點(diǎn)進(jìn)行建模，選擇三種類型缺陷為模擬對(duì)象，利用有限元應(yīng)力分析進(jìn)行應(yīng)力計(jì)算，獲取各種狀態(tài)的應(yīng)力數(shù)據(jù)作為訓(xùn)練的樣本數(shù)據(jù)，并選用帶二次動(dòng)量項(xiàng)的BP算法對(duì)樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)，進(jìn)而建立長周期壓力容器安全評(píng)價(jià)智能系統(tǒng)軟件。最后將該評(píng)價(jià)智能系統(tǒng)軟件計(jì)算的結(jié)果與GB／T 19624—2004《在用含缺陷壓力容器安全評(píng)定》計(jì)算結(jié)果進(jìn)行比對(duì)，系統(tǒng)準(zhǔn)確性高。利用該軟件使壓力容器安全評(píng)價(jià)變得方便、快捷、簡單。

神經(jīng)網(wǎng)絡(luò) 長周期壓力容器 安全評(píng)價(jià)

1 背景

隨著壓力容器的高工況、大型化、復(fù)雜化，在用壓力容器的安全使用受到人們高度關(guān)注，企業(yè)強(qiáng)烈訴求提高生產(chǎn)效率、增加經(jīng)濟(jì)效益，極力呼吁延長壓力容器的檢驗(yàn)周期，特別是石油化工行業(yè)。長周期壓力容器就是使用壽命長，檢驗(yàn)周期長的壓力容器，采用先進(jìn)的檢驗(yàn)方法將壓力容器的檢驗(yàn)周期從正常的3～6年進(jìn)行適當(dāng)?shù)难娱L，如延長到6～10年。為了保證壓力容器在較長的周期內(nèi)安全穩(wěn)定運(yùn)行，必須對(duì)缺陷加以區(qū)別，進(jìn)行必要的安全評(píng)價(jià)，消除那些帶有潛在危險(xiǎn)的缺陷，而對(duì)沒有安全威脅的缺陷予以保留。人工神經(jīng)網(wǎng)絡(luò)是一種智能學(xué)習(xí)判斷的算法，可以避開傳統(tǒng)方法計(jì)算相當(dāng)復(fù)雜的局限性，因此筆者采用帶二次動(dòng)量項(xiàng)的BP算法，開發(fā)一套方便、快捷、有效、可靠的智能評(píng)價(jià)系統(tǒng)。

2 系統(tǒng)結(jié)構(gòu)

本文創(chuàng)建一套基于人工神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)，對(duì)各種實(shí)際檢測(cè)的缺陷數(shù)據(jù)和長周期壓力容器的技術(shù)參數(shù)、服役條件等參數(shù)進(jìn)行分析處理，進(jìn)而建立長周期壓力容器安全評(píng)價(jià)智能系統(tǒng)。在技術(shù)上本次研究采用了人工神經(jīng)網(wǎng)絡(luò)模型，該模型可以有效地對(duì)三種類型壓力容器缺陷檢測(cè)的參數(shù)（包括定量或定性的信息）等進(jìn)行數(shù)據(jù)分析，利用人工神經(jīng)網(wǎng)絡(luò)的并行分布處理特性使該系統(tǒng)具備高速求解的能力，這對(duì)于進(jìn)行壓力容器缺陷評(píng)定也是有著特別重要的意義，也是本文與傳統(tǒng)評(píng)估方法相比的先進(jìn)之處。

本文采用三層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)，包括一個(gè)輸入層，一個(gè)隱含層和一個(gè)輸出層，網(wǎng)絡(luò)中只存在不同層神經(jīng)元之間的權(quán)值連接，而不存在同一層神經(jīng)元之間的連接，并且中間層采用S型激活函數(shù)，輸出層采用線性激活函數(shù)。對(duì)長周期壓力容器，設(shè)計(jì)的輸入層節(jié)點(diǎn)個(gè)數(shù)等于檢測(cè)到容器的特征參數(shù)個(gè)數(shù)。選擇體積型缺陷、縱環(huán)焊縫裂紋缺陷、接管拐角裂紋缺陷三種常見缺陷。三種缺陷分別有7、11、8個(gè)特征參數(shù)（具體參數(shù)詳見下文軟件截圖中圖1、圖2、圖3的輸入?yún)?shù)，對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)模型的輸入層分別有7、11、8個(gè)輸入?yún)?shù)，經(jīng)過不斷的調(diào)試和經(jīng)驗(yàn)所得，三種缺陷在神經(jīng)網(wǎng)絡(luò)處理層中分別有8、14、10個(gè)隱含層，用來進(jìn)行各個(gè)特征的非線性轉(zhuǎn)換。神經(jīng)網(wǎng)絡(luò)的輸出層都是為兩個(gè)節(jié)點(diǎn)，計(jì)算結(jié)果值在[0，1]區(qū)間，兩個(gè)節(jié)點(diǎn)分別對(duì)應(yīng)“安全”和“不安全”。

如圖1所示，評(píng)價(jià)軟件先對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理、學(xué)習(xí)得到安全評(píng)價(jià)知識(shí)庫，然后用戶將實(shí)際檢測(cè)到的數(shù)據(jù)與知識(shí)庫進(jìn)行推理比較，得出安全評(píng)價(jià)結(jié)果，幫助用戶決策，同時(shí)本次實(shí)際數(shù)據(jù)也作為樣本數(shù)據(jù)重復(fù)第一步進(jìn)入知識(shí)庫。

圖1 評(píng)價(jià)軟件對(duì)樣本數(shù)據(jù)預(yù)處理示意圖

3 學(xué)習(xí)樣本的獲取

選擇液化石油氣儲(chǔ)罐、氨罐兩種設(shè)備作為長周期儲(chǔ)存式壓力容器的代表進(jìn)行研究，研究過程以容器未發(fā)生材質(zhì)劣化作為前提。氨罐的材質(zhì)選取Q235B和Q245R；液化石油氣罐則采用Q245R和Q345R兩種材料。以不同材料的屈服強(qiáng)度、抗拉強(qiáng)度、彈性模量、泊松比、斷裂韌性為參數(shù)，建立材料性能參數(shù)數(shù)據(jù)庫模塊。本次研究分別考慮了不同容積、特征尺寸、內(nèi)壓以及材料對(duì)壓力容器應(yīng)力結(jié)果的影響，對(duì)液化石油氣臥式儲(chǔ)罐選取12種典型尺寸模型容積從3～150m3進(jìn)行建模；氨罐選取常見的4種尺寸模型容積從3～20m3進(jìn)行建模。壓力容器的焊縫是產(chǎn)生缺陷的常見部位，受位置分布、載荷條件、邊界條件等多因素耦合影響，建立在理想假設(shè)基礎(chǔ)上的理論公式計(jì)算必然會(huì)產(chǎn)生一定的誤差，不能準(zhǔn)確的表達(dá)焊縫區(qū)的受力情況，然而通過有限元模型計(jì)算的求解方法，避開了復(fù)雜的公式的推導(dǎo)，可以得到焊縫位置定量應(yīng)力值及壓力容器各部位的應(yīng)力參量，以此為基礎(chǔ)建立分類應(yīng)力數(shù)據(jù)庫模塊。通過GB／T 19624-2004《在用含缺陷壓力容器安全評(píng)定》，得出缺陷復(fù)合規(guī)則，建立缺陷復(fù)合模塊。對(duì)平面型缺陷及體積型缺陷的安全評(píng)定程序進(jìn)行設(shè)置，建立斷裂評(píng)定模塊。

從數(shù)據(jù)庫中讀取樣本數(shù)據(jù)集，進(jìn)行數(shù)據(jù)預(yù)處理。數(shù)據(jù)預(yù)處理過程包括：

1）去重，即去除具有重復(fù)變量值的樣本，使得每個(gè)樣本在建模過程中都是單一的，不會(huì)在神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程中多次學(xué)習(xí)。

2）去除含有缺失值屬性的樣本。

3）數(shù)據(jù)類型的轉(zhuǎn)換。觀察并分析變量數(shù)據(jù)的類型，哪些變量是字符型的離散取值，哪些是數(shù)值型的連續(xù)取值。在神經(jīng)網(wǎng)絡(luò)模型建立中，需要將字符型的值一一對(duì)應(yīng)地轉(zhuǎn)換為數(shù)值型（R語言中也稱編碼），便于在R語言平臺(tái)進(jìn)行數(shù)據(jù)處理和神經(jīng)網(wǎng)絡(luò)的建模，后續(xù)可通過相反的過程一一對(duì)應(yīng)地還原（R語言中也稱解碼）。

4 神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)

神經(jīng)網(wǎng)絡(luò)是一個(gè)非線性動(dòng)力學(xué)系統(tǒng)，其特色在于信息的分布存儲(chǔ)和并行協(xié)同處理。它類似于人類大腦重復(fù)學(xué)習(xí)的方法，先給出一系列的樣本，進(jìn)行學(xué)習(xí)和訓(xùn)練，從而產(chǎn)生區(qū)別各種樣品之間的不同特征和模式。它具備集體運(yùn)算和自適應(yīng)的能力，還具有很強(qiáng)的容錯(cuò)性和存儲(chǔ)能力。

而傳統(tǒng)BP算法收斂速度慢，本文引入二次動(dòng)量項(xiàng)。一次動(dòng)量因子

式中：

W——連接權(quán)值；

△W——連接權(quán)值的修正；

E——網(wǎng)絡(luò)全局誤差；

β——學(xué)習(xí)速率，0＜β＜1；

i——輸入層第i個(gè)節(jié)點(diǎn)；

j——隱含層第j個(gè)節(jié)點(diǎn)；

η·Wij（n）——一次動(dòng)量項(xiàng)；

n——學(xué)習(xí)次數(shù)；

η——一次動(dòng)量因子，0＜｜η｜＜1。

二次動(dòng)量因子

式中：

ξ·Wij（n-1） ——二次動(dòng)量項(xiàng)，

ξ——二次動(dòng)量因子，0＜｜ξ｜＜1。

這樣就形成了以一次動(dòng)量項(xiàng)為主、二次動(dòng)量項(xiàng)為輔的調(diào)整因子。二次動(dòng)量項(xiàng)的主要作用是輔助調(diào)整連接權(quán)變化的幅度。因此，為保證一次動(dòng)量項(xiàng)為主，在整個(gè)訓(xùn)練過程中始終保持｜ξ｜≤｜η｜（一般0＜｜η｜＜1）。如果｜ξ｜偏大，則收斂速度過慢；反之，二次動(dòng)量項(xiàng)不起作用。本次研究通過實(shí)驗(yàn)，發(fā)現(xiàn)下式確定的二次動(dòng)量因子效果最好。

5 基于R語言和.net平臺(tái)的系統(tǒng)開發(fā)

R作為一種高級(jí)語言，具有極高的編程效率，然而它也存在一些缺陷：界面開發(fā)能力較差，不像大多數(shù)應(yīng)用軟件那樣具有友好的操作界面，對(duì)于一些企業(yè)級(jí)的用戶來說，由于缺乏編程和統(tǒng)計(jì)學(xué)方面的知識(shí)，在使用過程中會(huì)遇到很大的困難。R使用的是解釋性語言，大大限制了它的執(zhí)行速度；源代碼的公開不利于算法和數(shù)據(jù)的保密；局限于R運(yùn)行環(huán)境而不能用于開發(fā)商用軟件。此外，R在數(shù)據(jù)庫操作方面缺乏靈活性，不能高效地管理和利用數(shù)據(jù)庫。

在另一方面，C#.NET是針對(duì).NET平臺(tái)而設(shè)計(jì)的，是微軟.NET計(jì)劃中的主要開發(fā)語言。利用C#.NET開發(fā)的系統(tǒng)具有界面友好、執(zhí)行速度快、易維護(hù)和升級(jí)等優(yōu)點(diǎn)，能夠生成可執(zhí)行文件能有效地保護(hù)算法和數(shù)據(jù)，并可脫離編程環(huán)境運(yùn)行。但是.NET平臺(tái)缺少統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)（尤其是人工神經(jīng)網(wǎng)絡(luò)）方面的類庫，如果獨(dú)立開發(fā)，致使軟件開發(fā)周期加長，并且.NET在作圖功能上表現(xiàn)并不突出，無法滿足數(shù)據(jù)挖掘方面的應(yīng)用。

本文將R語言和.NET強(qiáng)大的功能結(jié)合起來，實(shí)現(xiàn)優(yōu)勢(shì)互補(bǔ)，即既有友好界面又能應(yīng)用統(tǒng)計(jì)學(xué)分析工具。

6 基于人工神經(jīng)網(wǎng)絡(luò)的長周期壓力容器安全評(píng)價(jià)系統(tǒng)軟件

體積型缺陷評(píng)估見圖2，縱環(huán)焊縫的裂紋評(píng)估見圖3，容器接管拐角裂紋評(píng)估見圖4，綜合評(píng)估見圖4。若檢驗(yàn)時(shí)，僅有一種缺陷，就單獨(dú)進(jìn)行評(píng)估，評(píng)估結(jié)果安全，則容器安全評(píng)價(jià)結(jié)論為安全；若發(fā)現(xiàn)有這三種缺陷中的兩種或三種，就對(duì)其分別進(jìn)行評(píng)估，只要有一項(xiàng)缺陷的評(píng)估是不安全，容器的整體評(píng)價(jià)為不安全。也就是對(duì)三種缺陷分別進(jìn)行評(píng)估時(shí)，均應(yīng)為安全。

圖2 體積型缺陷評(píng)估界面

圖3 縱環(huán)焊縫裂紋評(píng)估界面

圖4 容器接管拐角裂紋評(píng)估界面

7 與國標(biāo)計(jì)算的數(shù)據(jù)比對(duì)（見表1）

表1 人工神經(jīng)網(wǎng)絡(luò)智能評(píng)估軟件評(píng)定結(jié)果與GB/T 19624評(píng)定結(jié)果對(duì)比

8 結(jié)論

基于人工神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)，按壓力容器自身的特點(diǎn)進(jìn)行建模，選擇三種類型缺陷為模擬，利用有限元應(yīng)力分析進(jìn)行應(yīng)力計(jì)算，獲取各種狀態(tài)的應(yīng)力數(shù)據(jù)作為訓(xùn)練的樣本數(shù)據(jù)，并選用帶二次動(dòng)量項(xiàng)的BP算法對(duì)樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)，進(jìn)而建立長周期壓力容器安全評(píng)價(jià)系統(tǒng)軟件。

將各種實(shí)際檢測(cè)的缺陷數(shù)據(jù)和長周期壓力容器的技術(shù)參數(shù)、服役條件等參數(shù)放入長周期壓力容器安全評(píng)價(jià)系統(tǒng)軟件進(jìn)行分析處理，其結(jié)果與按GB/T 19624標(biāo)準(zhǔn)計(jì)算結(jié)果相符，說明該軟件對(duì)儲(chǔ)罐類的長周期壓力容器的缺陷評(píng)價(jià)提供了一種可靠、準(zhǔn)確的評(píng)價(jià)方法，同時(shí)也使得壓力容器的安全評(píng)價(jià)變得方便、快捷。

1.王道文,等.MATLAB 軟件在液氨儲(chǔ)罐事故危害定量分析中的應(yīng)用[J].中國特種設(shè)備安全,2011,27(10):9～11.

2.陳珊珊,等.大型常壓儲(chǔ)罐的完整性管理[J].中國特種設(shè)備安全,2011,27(12):34～36.

3.劉萬朋,等.基于風(fēng)險(xiǎn)和AHP的壓力容器維護(hù)策略[J].中國特種設(shè)備安全,2014,29(4):65～67.

4.馬新旭,等.CAE在壓力容器檢驗(yàn)中的應(yīng)用[J].中國特種設(shè)備安全,2011,27(6):21～24.

5. 江村,等.壓力容器全面檢驗(yàn)周期的確定[J].中國特種設(shè)備安全,2010,26(9):59～60.

6. 任國棟,等.在用含凹坑缺陷壓力容器的安全評(píng)定[J].中國特種設(shè)備安全,2012,28(4):11～13.

Study of Storage Pressure Vessel Safety Evaluation for Long Period Based on Artifcial Neural Network

You Yicong
(Fujian Boiler and Pressure Vessel Inspection and Research Institute Quanzhou Branch Quanzhou 362001)

Based on artifcial neural network,a pressure vessel safety analysis and evaluation systemsfor long period is designed. In this paper, based on the tank modeling with characteristics of the container, stress of pressure vessel with three kinds of defects is calculated by fnite element stress analysis. The stress data in different condition is obtained as a training sample data, and the BP algorithm with momentum for the second sample data is chosen to learn the sample data, the intelligent pressure vessel safety assessment system software for long period is built. The fnal results are certifed with high accuracy comparing to the national standard GB/T 19624. In this paper, The software makes the pressure vessel safety assessment become more convenient, faster and easier.

Neural networks Long period of pressure vessels Safety assessment

X933.4

B

1673－257X(2014)11－38－06

10.3969/j.issn.1673-257X.2014.11.012

尤毅聰(1964～),男,高級(jí)工程師,從事鍋爐壓力容器檢驗(yàn)及安全評(píng)價(jià)。

2014-05-20）