基于極限學(xué)習(xí)機(jī)和b值法的罐底聲發(fā)射檢測(cè)腐蝕信號(hào)識(shí)別方法

李一博，?；塾?，張玉祥，周純瑤，劉雙賽，王偉魁，靳世久

(天津大學(xué)精密測(cè)試技術(shù)與儀器國(guó)家重點(diǎn)實(shí)驗(yàn)室，天津　300072)

第一作者李一博男，博士，副教授，1973年生

基于極限學(xué)習(xí)機(jī)和b值法的罐底聲發(fā)射檢測(cè)腐蝕信號(hào)識(shí)別方法

李一博，?；塾?，張玉祥，周純瑤，劉雙賽，王偉魁，靳世久

(天津大學(xué)精密測(cè)試技術(shù)與儀器國(guó)家重點(diǎn)實(shí)驗(yàn)室，天津300072)

摘要：聲發(fā)射儲(chǔ)罐罐底腐蝕檢測(cè)過程中，采集到的腐蝕信號(hào)里不可避免地混有干擾。針對(duì)該問題，提出了基于極限學(xué)習(xí)機(jī)(ELM)的石油儲(chǔ)罐罐底腐蝕信號(hào)識(shí)別方法。為驗(yàn)證該方法的有效性，在秦皇島輸油站的消防水罐里，進(jìn)行模擬罐底腐蝕檢測(cè)實(shí)驗(yàn)，并應(yīng)用ELM對(duì)采集到的聲發(fā)射信號(hào)進(jìn)行分類識(shí)別，用b值法對(duì)ELM的分類效果進(jìn)行評(píng)估。實(shí)驗(yàn)結(jié)果表明：ELM識(shí)別正確率高于90%。ELM識(shí)別出的腐蝕信號(hào)的b值變化規(guī)律與實(shí)驗(yàn)室條件下腐蝕信號(hào)的b值變化規(guī)律一致，并能夠反映磷酸腐蝕碳鋼板的過程。

關(guān)鍵詞：罐底檢測(cè)；極限學(xué)習(xí)機(jī)；b值法；聲發(fā)射；腐蝕信號(hào)識(shí)別

基金項(xiàng)目：國(guó)家自然科學(xué)基金(61240038);天津市應(yīng)用基礎(chǔ)及前沿技術(shù)研究計(jì)劃項(xiàng)目(13JCYBJC18000)

收稿日期：2014-03-10修改稿收到日期：2014-06-19

中圖分類號(hào):TB52+9

文獻(xiàn)標(biāo)志碼：A

DOI:10.13465/j.cnki.jvs.2015.11.007

Abstract:Collected corrosion signals are mixed with interference inevitably in acoustic emission (AE) detection process. To solve this problem，a novel extreme learning machine (ELM) -based method for corrosion signals recognition in AE testing of storage tank bottom was proposed. In order to test the validity of the method, the simulated tests of storage tank bottom corrosion were performed in the fire protection water tank of the oil transportation station in Qinhuangdao. ELM was applied in the classification of the collected corrosion signals, and b-value method was used to evaluate the classification effect of ELM. The experimental results indicated that the classification accuracy of ELM is above 90%; the b-value distribution of corrosion signals identified with ELM agrees well with that of corrosion signals in a laboratory; furthermore, the statistical distribution of b-value reflects the process of carbon steel sheet corroded by phosphoric acid.

Tank bottom corrosion signals recognition with acoustic emission testing based on ELM and b-value method

LIYi-bo,ZHUHui-yu,ZHANGYu-xiang,ZHOUChun-yao,LIUShuang-sai,WANGWei-kui,JINShi-jiu(State Key Laboratory of Precision Measurement Technology and Instrument, Tianjin University, Tianjin 300072, China)

Key words:tank bottom testing; extreme learning machine (ELM); b-value method; acoustic emission; corrosion signals recognition

隨著石油工業(yè)的迅猛發(fā)展以及能源需求的快速增長(zhǎng)，能源安全問題受到世界各國(guó)的普遍關(guān)注。石油儲(chǔ)罐是石油石化行業(yè)中儲(chǔ)存油品的主要設(shè)施。儲(chǔ)油罐的安全事故，不僅會(huì)造成環(huán)境污染和經(jīng)濟(jì)損失，甚至還會(huì)危害人民的生命安全。研究發(fā)現(xiàn)，大型儲(chǔ)油罐底板腐蝕是誘發(fā)泄漏的主要原因[1]。近年來，基于聲發(fā)射技術(shù)的罐底腐蝕及泄漏在線檢測(cè)方法得到了廣泛的應(yīng)用[2-7]。在進(jìn)行聲發(fā)射罐底腐蝕檢測(cè)時(shí)，不可避免地會(huì)受到來自空間中的各種干擾，而如何從各種干擾中提取有用的腐蝕信號(hào)是評(píng)價(jià)整個(gè)罐底完整性的重要一步。

模式識(shí)別，如BP、支持向量機(jī)(SVM)，在無損檢測(cè)領(lǐng)域有廣泛應(yīng)用[8-9]。Riahi[10]在罐底聲發(fā)射檢測(cè)中，利用BP神經(jīng)網(wǎng)絡(luò)有效區(qū)分不同腐蝕階段的信號(hào)，但實(shí)驗(yàn)數(shù)據(jù)是在理想的實(shí)驗(yàn)室條件下獲得，并不存在大量噪聲干擾。李健等[11]利用BP和SVM區(qū)分不同類型的腐蝕信號(hào)，結(jié)果發(fā)現(xiàn)BP能夠有效區(qū)分腐蝕類型，并且SVM的識(shí)別率優(yōu)于BP。

然而，BP網(wǎng)絡(luò)在應(yīng)用的過程當(dāng)中，需要人為設(shè)置大量參數(shù)，并且網(wǎng)絡(luò)容易陷入局部最優(yōu)。SVM需要消耗大量時(shí)間來進(jìn)行參數(shù)調(diào)整，存在參數(shù)確定困難的缺點(diǎn)。而極限學(xué)習(xí)機(jī)(ELM)在訓(xùn)練前只需要設(shè)置網(wǎng)絡(luò)隱含層節(jié)點(diǎn)個(gè)數(shù)，算法執(zhí)行時(shí)無需調(diào)整網(wǎng)絡(luò)的輸入權(quán)值以及隱含層節(jié)點(diǎn)的偏置，并且產(chǎn)生唯一的最優(yōu)解，參數(shù)選擇容易，學(xué)習(xí)速度快且泛化性能好[12-15]。

回滴信號(hào)是石油儲(chǔ)罐檢測(cè)中常見的一種聲發(fā)射信號(hào)。模擬罐底腐蝕檢測(cè)過程中，采集到的信號(hào)里混有大量回滴信號(hào)。為區(qū)分腐蝕信號(hào)和回滴信號(hào)，本文提出了基于極限學(xué)習(xí)機(jī)的石油儲(chǔ)罐罐底腐蝕信號(hào)識(shí)別方法，并利用b值法對(duì)ELM的分類效果進(jìn)行評(píng)估。

1基本原理

1.1極限學(xué)習(xí)機(jī)

極限學(xué)習(xí)機(jī)(ELM)是一種新穎的簡(jiǎn)單有效的單隱層前饋神經(jīng)網(wǎng)絡(luò)(SLFNs)學(xué)習(xí)算法[16]。 典型的單隱層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)見圖1。

圖1　典型的單隱層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Typical structure of a SLFN

一個(gè)含有N個(gè)訓(xùn)練樣本，L個(gè)隱層節(jié)點(diǎn)，且激勵(lì)函數(shù)為g(x)的標(biāo)準(zhǔn)單隱層前饋神經(jīng)網(wǎng)絡(luò)可以表示成：

j=1,2,…,N

(1)

式中：wi為輸入神經(jīng)元與第i個(gè)隱含層節(jié)點(diǎn)的輸入權(quán)值，bi)是第i個(gè)隱含層節(jié)點(diǎn)與輸出神經(jīng)元的輸出權(quán)值，bi為第i個(gè)隱含層節(jié)點(diǎn)的偏置，tj為第j個(gè)輸入樣本的輸出值。

式(1)等價(jià)于

Hβ=T

(2)

式中：

(3)

(4)

H稱為神經(jīng)網(wǎng)絡(luò)的隱含層輸出矩陣。

ELM的算法：

一個(gè)含有N個(gè)訓(xùn)練樣本，L個(gè)隱層節(jié)點(diǎn)，且激勵(lì)函數(shù)為g(x)的標(biāo)準(zhǔn)單隱層前饋神經(jīng)網(wǎng)絡(luò)算法分為3步：

(1)隨機(jī)設(shè)置輸入權(quán)值wi和偏置bi, 1≤i≤N;

(2)計(jì)算隱含層輸出矩陣H;

(3)計(jì)算輸出權(quán)值b= H+T. 其中：H+為H 的Moor-Penrose (MP) 廣義逆。

可見，ELM 完全不同于傳統(tǒng)迭代學(xué)習(xí)算法，該算法隨機(jī)產(chǎn)生輸入層與隱含層的連接權(quán)值及隱含層神經(jīng)元的閾值，并且訓(xùn)練過程中無需調(diào)整，只需選定激勵(lì)函數(shù)，設(shè)定隱含層節(jié)點(diǎn)個(gè)數(shù)，便可獲得唯一的最優(yōu)解。該算法具有學(xué)習(xí)速度快，泛化性能好等優(yōu)點(diǎn)。本文利用ELM對(duì)現(xiàn)場(chǎng)罐底檢測(cè)中采集到的聲發(fā)射信號(hào)進(jìn)行模式識(shí)別，將腐蝕信號(hào)和干擾信號(hào)區(qū)分開。

1.2b值法

Gutenberg等[17]在研究世界地震活動(dòng)時(shí)，提出了描述地震震級(jí)與頻度之間統(tǒng)計(jì)關(guān)系的著名Gutenberg-Richter關(guān)系式:

LgN(≥m)=a-bm或N(≥m)=10a-bm

(5)

式中:m為震級(jí)，N為特定區(qū)域和時(shí)間范圍內(nèi)，震級(jí)不小于m的地震次數(shù)。a,b為常數(shù)，b值的大小通常稱為地震活動(dòng)的“b值”，是衡量某一區(qū)域地震活動(dòng)水平的重要參數(shù)之一。

Mogi等[18-19]將該關(guān)系式應(yīng)用到聲發(fā)射領(lǐng)域，發(fā)現(xiàn)聲發(fā)射現(xiàn)象與地震活動(dòng)規(guī)律有著相似之處。Carpinteri等[20]提出利用b值法描述聲發(fā)射檢測(cè)過程中失穩(wěn)破壞的統(tǒng)計(jì)規(guī)律。

類比地震領(lǐng)域，聲發(fā)射檢測(cè)過程中的m定義為：

m=LgAmax+f(r)

(6)

式中:Amax為聲發(fā)射信號(hào)幅值(電壓值)，f(r)為隨著聲發(fā)射源和傳感器間距離r不同，產(chǎn)生的修正值。

聲發(fā)射檢測(cè)過程中，Gutenberg-Richter關(guān)系式的b值隨著失穩(wěn)破壞的程度而變化。因此，可以根據(jù)b值估計(jì)失穩(wěn)破壞的程度[21-22]。

腐蝕是指材料與環(huán)境間發(fā)生的化學(xué)或電化學(xué)相互作用而導(dǎo)致材料功能受到損傷的現(xiàn)象。在腐蝕的不同階段，材料損傷的程度不同。各個(gè)階段采集到的聲發(fā)射信號(hào)的統(tǒng)計(jì)特征也不同。b值法可以反映樣本失穩(wěn)破壞的前兆特征。本文利用b值法，分析磷酸腐蝕碳鋼板過程中b值變化。

2實(shí)驗(yàn)及相關(guān)裝置

2.1聲發(fā)射內(nèi)檢測(cè)系統(tǒng)

聲發(fā)射內(nèi)檢測(cè)系統(tǒng)是一種搭載聲發(fā)射檢測(cè)系統(tǒng)的內(nèi)檢測(cè)器，能夠在儲(chǔ)罐油品內(nèi)部近距離地對(duì)腐蝕區(qū)域進(jìn)行聲發(fā)射檢測(cè)，完成罐底一個(gè)區(qū)域的檢測(cè)后運(yùn)動(dòng)到下一個(gè)區(qū)域進(jìn)行檢測(cè)。通過這種方法，可以消除傳統(tǒng)儲(chǔ)罐聲發(fā)射檢測(cè)中多途效應(yīng)的影響。付銅玲等[23-25]對(duì)聲發(fā)射內(nèi)檢測(cè)系統(tǒng)做了詳細(xì)介紹。

本實(shí)驗(yàn)采用聲發(fā)射內(nèi)檢測(cè)系統(tǒng)采集模擬罐底腐蝕的聲發(fā)射信號(hào)。

2.2模擬罐底腐蝕裝置

我國(guó)大型石油儲(chǔ)罐罐底的材料是Q235碳素結(jié)構(gòu)鋼，因此，實(shí)驗(yàn)選用18 cm×18 cm的Q235碳鋼板來模擬大型石油儲(chǔ)罐的罐底，選用5 mol/L的磷酸(H3PO4)溶液進(jìn)行模擬腐蝕。實(shí)驗(yàn)用的模擬儲(chǔ)罐罐底腐蝕裝置見圖2，碳鋼板與碳鋼內(nèi)絲接頭焊接在一起。實(shí)驗(yàn)前，先將20 mlH3PO4溶液倒入內(nèi)絲接頭內(nèi)，再把鑄鐵材料的外絲堵頭與內(nèi)絲接頭擰在一起。

圖2　模擬儲(chǔ)罐罐底腐蝕裝置實(shí)物圖Fig.2 The simulated device of storage tank bottom corrosion

2.3實(shí)驗(yàn)設(shè)置

根據(jù)聲發(fā)射內(nèi)檢測(cè)的基本原理，搭建罐底腐蝕檢測(cè)實(shí)驗(yàn)平臺(tái)(見圖3)。

圖3　罐底腐蝕聲發(fā)射內(nèi)檢測(cè)實(shí)驗(yàn)示意圖Fig.3 The schematic diagram of tank bottom corrosion acoustic emission internal detection experiment

在實(shí)驗(yàn)室，用尺寸為1.4 m×1.4 m×1.5 m的水缸模擬實(shí)際儲(chǔ)罐。傳感器選用美國(guó)聲學(xué)物理公司(PAC)的R15a型壓電式聲發(fā)射傳感器，用于接收腐蝕產(chǎn)生的聲發(fā)射信號(hào)。實(shí)驗(yàn)系統(tǒng)的采樣率為4 MSPS，采樣精度為12位。硬件濾波帶寬為72～400 kHz。考慮到閾值去噪，實(shí)驗(yàn)中閾值設(shè)定高于背景噪聲。未放置腐蝕裝置時(shí)，測(cè)量實(shí)驗(yàn)環(huán)境的背景噪聲。放置模擬腐蝕裝置后，設(shè)定閾值高于背景噪聲，此時(shí)可以認(rèn)為采集到的信號(hào)為腐蝕聲發(fā)射信號(hào)。

現(xiàn)場(chǎng)實(shí)驗(yàn)是在秦皇島輸油站的直徑6 m，高度10 m的消防水罐中完成的。實(shí)驗(yàn)參數(shù)設(shè)置與實(shí)驗(yàn)室完全一致。實(shí)驗(yàn)中，由于水罐內(nèi)外存在溫差，回滴現(xiàn)象明顯，未放模擬腐蝕裝置時(shí)，內(nèi)檢測(cè)器采集到大量回滴干擾。放置模擬腐蝕裝置后，采集到的信號(hào)中既有腐蝕信號(hào)又有回滴信號(hào)。

能否正確區(qū)分腐蝕信號(hào)和回滴信號(hào)對(duì)檢測(cè)精度來說是至關(guān)重要的。本文將實(shí)驗(yàn)室采集到的腐蝕信號(hào)和現(xiàn)場(chǎng)采集到的回滴信號(hào)混合后進(jìn)行訓(xùn)練，建立ELM分類模型，并利用b值法評(píng)估分類效果。

3結(jié)果與討論

3.1建立ELM分類模型

為建立模型，選用實(shí)驗(yàn)得到的288組腐蝕信號(hào)和288組回滴信號(hào)作為樣本。從中隨機(jī)選取28組腐蝕信號(hào)和28組回滴信號(hào)作為測(cè)試集。將余下的腐蝕信號(hào)數(shù)據(jù)和回滴信號(hào)數(shù)據(jù)混合，打亂樣本的順序，前400組數(shù)據(jù)作為訓(xùn)練集，401～520組數(shù)據(jù)作為驗(yàn)證集，用于確定模型的最優(yōu)參數(shù)。根據(jù)已有的聲發(fā)射信號(hào)，選取7個(gè)特征參數(shù)：幅值、振鈴、持續(xù)時(shí)間、峰值頻率、上升時(shí)間、絕對(duì)能量及平均頻率，作為信號(hào)識(shí)別的特征向量。由于特征值在量值上有較大的差異，為避免小值特征的分類貢獻(xiàn)被大值淹沒，將所有樣本歸一化至[-1,1]。

ELM參數(shù)的選取：極限學(xué)習(xí)機(jī)只需在確定激勵(lì)函數(shù)的情況下選擇隱含層節(jié)點(diǎn)的個(gè)數(shù)，參數(shù)確定的過程相對(duì)簡(jiǎn)單。因此，分別選取不同的激勵(lì)函數(shù)(Sine函數(shù)、Sigmoidal函數(shù)、Hardlim函數(shù))，將每個(gè)激勵(lì)函數(shù)的隱含層節(jié)點(diǎn)個(gè)數(shù)初始化為10，以10為周期增加隱含層節(jié)點(diǎn)數(shù)，分析激勵(lì)函數(shù)及隱含層個(gè)數(shù)不同時(shí)，ELM對(duì)腐蝕信號(hào)分類精度的影響。參數(shù)選擇的分析結(jié)果參見圖4，整個(gè)識(shí)別的過程耗時(shí)6.4584s。由圖4可知，當(dāng)隱含層節(jié)點(diǎn)數(shù)較少時(shí)，Sigmoidal激勵(lì)函數(shù)的分類效果優(yōu)于其余兩種激勵(lì)函數(shù)。當(dāng)隱含層節(jié)點(diǎn)數(shù)超過120時(shí)，hardlim激勵(lì)函數(shù)的分類效果優(yōu)于另外兩種激勵(lì)函數(shù)。隱含層節(jié)點(diǎn)數(shù)目越少，網(wǎng)絡(luò)越簡(jiǎn)單，因此選用Sigmoidal函數(shù)。從圖5可以看出，當(dāng)隱含層節(jié)點(diǎn)數(shù)位于20～50之間的時(shí)候，網(wǎng)絡(luò)訓(xùn)練時(shí)間較短。綜上考慮，選用Sigmoidal激勵(lì)函數(shù)，隱含層節(jié)點(diǎn)數(shù)為40，此時(shí)驗(yàn)證集的分類正確率為 93.3333%。

圖4　三種激勵(lì)函數(shù)對(duì)應(yīng)的隱含層節(jié)點(diǎn)數(shù)與識(shí)別正確率的關(guān)系Fig.4 The relationship between the number of hidden layer nodes and the classification accuracy in the case of three different activation functions

圖5　三種激勵(lì)函數(shù)對(duì)應(yīng)的隱含層節(jié)點(diǎn)數(shù)與識(shí)別正確率的關(guān)系Fig.5 The relationship between the number of hidden layer nodes and the training time in the case of three different activation functions

3.2ELM分類效果分析

根據(jù)選擇出的最優(yōu)參數(shù)，采用ELM對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，訓(xùn)練的過程中，記錄該算法的訓(xùn)練時(shí)間和識(shí)別正確率。訓(xùn)練完成后，使用測(cè)試樣本數(shù)據(jù)進(jìn)行測(cè)試。

從圖6可知，ELM可以將聲發(fā)射腐蝕信號(hào)與干擾信號(hào)區(qū)分開。并且，ELM方法的識(shí)別正確率為90%以上，表明ELM在聲發(fā)射罐底腐蝕信號(hào)識(shí)別中效果良好。

船舶靠離泊過程中的碰撞事故，可能是由于多種因素而導(dǎo)致的，這些因素類型多樣，并且涵蓋多方面內(nèi)容，應(yīng)當(dāng)充分總結(jié)船舶靠離泊航行過程中的實(shí)踐經(jīng)驗(yàn)。船舶靠離泊航行過程中的安全事故的產(chǎn)生，很少是由單一因素所導(dǎo)致的，通常是由于多種因素的影響，多種過失鏈的積累，會(huì)對(duì)船舶靠離泊安全帶來影響。船舶靠離泊航行安全事故的發(fā)生，基本上都與人為因素息息相關(guān)，而這些人為因素的產(chǎn)生，主要是由于相關(guān)人員責(zé)任意識(shí)的缺乏，專業(yè)技能較差，人員決策能力與指揮能力不足，以及航行經(jīng)驗(yàn)與專業(yè)的不足等因素，這些因素都會(huì)對(duì)船舶靠離泊航行安全帶來影響。

圖6　ELM方法對(duì)罐底腐蝕信號(hào)識(shí)別結(jié)果(正確率92.8571%)Fig.6 The classification results of ELM(Accuracy is 92.8571%)

由此可知，在識(shí)別正確率方面，ELM對(duì)聲發(fā)射罐底腐蝕信號(hào)的識(shí)別正確率較高，達(dá)到90%以上，識(shí)別效果較好；在參數(shù)選擇方面，建立ELM分類模型時(shí)，只需要確定隱含層節(jié)點(diǎn)的個(gè)數(shù)，在激勵(lì)函數(shù)選擇“Sigmoidal”的情況下，確定最優(yōu)的隱含層節(jié)點(diǎn)數(shù)僅需2.0240s，而且通常情況下，可以很容易通過經(jīng)驗(yàn)法和試湊法得到隱含層節(jié)點(diǎn)個(gè)數(shù)；從訓(xùn)練時(shí)間上看，相同樣本的情況下，因?yàn)镋LM輸入層和隱含層間的權(quán)值和隱含層的閾值是隨機(jī)選取的，所以ELM訓(xùn)練樣本需要的時(shí)間較少，加快了訓(xùn)練速率。

利用ELM對(duì)現(xiàn)場(chǎng)實(shí)驗(yàn)中采集到混有回滴信號(hào)的數(shù)據(jù)進(jìn)行識(shí)別。60 min內(nèi)，聲發(fā)射內(nèi)檢測(cè)器采集到聲發(fā)射信號(hào)7 475組，識(shí)別結(jié)果為：1 102組為腐蝕信號(hào)，6 373組為回滴信號(hào)。識(shí)別出的腐蝕信號(hào)數(shù)量與實(shí)驗(yàn)室條件下相同時(shí)間內(nèi)采集到的腐蝕信號(hào)的數(shù)目相當(dāng)。識(shí)別出的回滴信號(hào)數(shù)量與現(xiàn)場(chǎng)未放腐蝕裝置條件下相同時(shí)間內(nèi)采集到的回滴信號(hào)的數(shù)目接近。

3.3統(tǒng)計(jì)規(guī)律：b值

b值法是聲發(fā)射領(lǐng)域常用的統(tǒng)計(jì)方法之一。它可以反映樣本失穩(wěn)破壞的前兆特征。實(shí)驗(yàn)中，分別計(jì)算腐蝕信號(hào)、回滴、未經(jīng)過ELM分類識(shí)別的聲發(fā)射信號(hào)、ELM識(shí)別出的腐蝕信號(hào)和回滴的b值，并對(duì)計(jì)算結(jié)果進(jìn)行對(duì)比分析，來評(píng)估ELM的分類效果。

3.3.1腐蝕信號(hào)的b值

實(shí)驗(yàn)室條件下，將模擬腐蝕裝置放入玻璃水缸，設(shè)定閾值高于背景噪聲，采集到的聲發(fā)射信號(hào)只有腐蝕信號(hào)。每隔10min計(jì)算一次該10min內(nèi)腐蝕信號(hào)的b值。歸一化后腐蝕信號(hào)的b值變化曲線見圖7。

圖7　歸一化后腐蝕信號(hào)的b值變化曲線Fig.7 The normalized b-value distribution of corrosion signals

由圖7可知，在5mol/LH3PO4腐蝕碳鋼板的過程中，b值先變大后變小。開始時(shí)，H3PO4和碳鋼板反應(yīng)，產(chǎn)生氫氣。氫氣積聚，形成小氣泡，從而使H3PO4和碳鋼板的接觸面積變小，因此，剛開始b值變化不大。隨著生成氫氣的增多，小氣泡膨脹形成大氣泡，大氣泡破裂過程中會(huì)產(chǎn)生很強(qiáng)的聲發(fā)射信號(hào)，因此，該時(shí)間內(nèi)b值增長(zhǎng)很快。之后，隨著氫離子濃度越來越低，H3PO4的碳鋼板的反應(yīng)變慢，b值降低。

消防水罐中未放模擬腐蝕裝置時(shí)，采集到的聲發(fā)射信號(hào)只有回滴信號(hào)。每隔10min計(jì)算一次該10min內(nèi)回滴信號(hào)的b值?；氐涡盘?hào)的b值變化曲線見圖8。

圖8　歸一化后回滴信號(hào)的b值變化曲線Fig.8 The normalized b-value distribution of back titration signals

可以看出，回滴信號(hào)的b值變化比較平緩，基本在一個(gè)水平位置上下波動(dòng)，且波動(dòng)范圍較小，不像腐蝕信號(hào)的b值有明顯的變化。結(jié)果表明，在一定的溫度條件下，回滴信號(hào)的b值基本維持在一個(gè)水平。

3.3.3現(xiàn)場(chǎng)數(shù)據(jù)b值

將模擬腐蝕裝置放置于消防水罐中，此時(shí)，采集到的聲發(fā)射信號(hào)既有腐蝕信號(hào)，又有干擾。利用ELM對(duì)其進(jìn)行識(shí)別。每隔10min，計(jì)算該10min內(nèi)識(shí)別出的腐蝕信號(hào)的b值(見圖9)。

圖9　歸一化的未經(jīng)過ELM分類識(shí)別的聲發(fā)射信號(hào)的b值變化曲線Fig.9 The normalized b-value distribution of AE signals unidentified by ELM

由圖9可知，在現(xiàn)場(chǎng)消防水罐實(shí)驗(yàn)中，由于采集到的聲發(fā)射信號(hào)里混有大量的回滴信號(hào)，b值未出現(xiàn)先變大后變小的現(xiàn)象，已經(jīng)不能反映出磷酸腐蝕碳鋼板的整個(gè)過程。

采用ELM對(duì)該聲發(fā)射信號(hào)進(jìn)行分類，識(shí)別出腐蝕信號(hào)和回滴信號(hào)。計(jì)算識(shí)別出的腐蝕信號(hào)的b值，b值變化曲線見圖10(a)?？梢钥吹?，在整個(gè)過程中，ELM識(shí)別出的腐蝕信號(hào)的b值先變大后變小，基本吻合實(shí)驗(yàn)室條件下測(cè)得腐蝕信號(hào)b值的變化規(guī)律。結(jié)果表明，ELM識(shí)別出的腐蝕信號(hào)能基本反映磷酸腐蝕碳鋼板的過程，識(shí)別效果良好。

圖10(b)反映的是ELM識(shí)別出的回滴信號(hào)的b值變化曲線。b值的變化與圖8顯示的回滴信號(hào)的變化規(guī)律相似，b值基本維持在一個(gè)水平，波動(dòng)較小。

多次重復(fù)實(shí)驗(yàn)，得到的腐蝕信號(hào)和回滴信號(hào)的b值變化規(guī)律與上述規(guī)律趨于一致。

圖10　歸一化的經(jīng)過ELM分類識(shí)別的聲發(fā)射信號(hào)的b值變化曲線Fig.10 The normalized b-value distribution of AE signals identified by ELM

4結(jié)論

實(shí)驗(yàn)表明，ELM識(shí)別出的腐蝕信號(hào)的b值變化規(guī)律與實(shí)驗(yàn)室條件下得到的腐蝕信號(hào)的b值變化規(guī)律基本一致，ELM識(shí)別出的回滴信號(hào)的b值變化規(guī)律與現(xiàn)場(chǎng)條件下得到的回滴信號(hào)的b值變化規(guī)律一致。并且，腐蝕信號(hào)b值變化能夠反映H3PO4腐蝕碳鋼板的過程。結(jié)果表明，ELM能夠正確識(shí)別出罐底腐蝕檢測(cè)時(shí)的腐蝕信號(hào)和回滴信號(hào)，識(shí)別率高于90%，識(shí)別效果良好。

參考文獻(xiàn)

[1]過夢(mèng)飛. 儲(chǔ)油罐罐底板全面腐蝕控制[J]. 油氣儲(chǔ)運(yùn)，2001,20(7):40-43.

GUO Meng-fei. Total corrosion control of storage tank bottom [J]. Oil & Gas Storage and Transportation, 2001, 20 (7): 40-43.

[2]Sakamoto H, Sekine K, Maeda M, et al. Development of improved AE evaluation technique for corrosion damage in bottom plates of above-ground oil tanks in service [J]. Journal of the Japan Petroleum Institute, 2013, 56(5): 298-303.

[3]Sanchez M, Cardenas N, Dominguez V A. Acoustic emission testing of aboveground petroleum storage tanks: Riskassessment and lessons learned [J]. Process Safety Progress, 2012, 31(2): 159-164.

[4]Yuyama S, Yamada M, Sekine K,et al. Verification of acoustic emission testing of floor conditions in aboveground tanks by comparison of acoustic emission data and floor scan testing [J]. Materials Evaluation, 2007, 65(9): 929-934.

[5]Jomdecha C, Prateepasen A, Kaewtrakulpong P. Study on source location using an acoustic emission system for various corrosion types [J]. NDT & E International, 2007, 40(8):584-593.

[6]王偉魁，曾周末，孫立瑛，等. 基于相關(guān)分析的聲發(fā)射儲(chǔ)罐罐底檢測(cè)降噪方法[J]. 振動(dòng)與沖擊，2010,29(8):178-180.

WANG Wei-kui, ZENG Zhou-mo, SUN Li-ying, et al. Denoising method for acoustic emission testing of tank bottom based on cross-correlation analysis [J]. Journal of Vibration and Shock, 2010, 29(8):178-180.

[7]王偉魁，李一博，杜剛，等. 基于聚類分析的罐底聲發(fā)射檢測(cè)信號(hào)融合方法[J]. 振動(dòng)與沖擊，2012,31(17):181-185.

WANG Wei-kui, LI Yi-bo, DU Gang, et al. Signal fusion method for acoustic emission testing of tank bottom based on clustering analysis [J].Journal of Vibration and Shock, 2012,31(17):181-185.

[8]Zeng Z, Zhou J, Tao N,et al. Support vector machines based defect recognition in SonicIR using 2D heat diffusion features [J]. NDT & E International, 2012, 47: 116-123.

[9]Xiang Y, Tso S K. Detection and classification of flaws in concrete structure using bispectra and neural networks [J]. NDT & E International, 2002, 35 (1):19-27.

[10]Riahi M, Shamekh H, Khosrowzadeh B. Differentiation of leakage and corrosion signals in acoustic emission testing of aboveground storage tank floors with artificial neural networks [J]. Russian Journal of Nondestructive Testing, 2008, 44(6): 436-441.

[11]Li J, Kong W K, Shi J B, et al. Determination of corrosion types from electrochemical noise by artificial neural networks [J]. International Journal of Electrochemical Science, 2013, 8(2): 2365-2377.

[12]Huang G B, Zhu Q Y, Siew C K. Extreme learning machine: A new learning scheme of feedforward neural networks [C]. // Ieee eds. 2004 Ieee International Joint Conference on Neural Networks, Vols 1-4, Proceedings. Budapest, Hungary: IEEE Neural Networks Society, 2004:985-990.

[13]Huang G B, Zhou H M, Ding X J, et al. Extreme learning machine for regression and multiclass classification [J]. Ieee Transactions on Systems Man and Cybernetics Part B-Cybernetics, 2012, 42 (2):513-529.

[14]Lan Y, Hu Z J, Soh Y C,et al. An extreme learning machine approach for speaker recognition [J]. Neural Computing & Applications, 2013, 22 (3/4):417-425.

[15]Xu Y, Dai Y Y, Dong Z Y,et al. Extreme learning machine-based predictor for real-time frequency stability assessment of electric power systems [J]. Neural Computing & Applications, 2013, 22 (3/4):501-508.

[16]Huang G B, Zhu Q Y, Siew C K. Extreme learning machine: Theory and applications[J]. Neurocomputing,2006,70(1/3):489-501.

[17]Richter CF. Elementary seismology [M]. San Francisco, London: W. H. Freeman and Company, 1958.

[18]Mogi K. Magnitude-frequency relation for elastic shocks accompanying fractures of various materials and some related problems in earthquakes [J]. Bull Earthq Res Inst Univ Tokyo, 1963, 40: 831-853.

[19]Scholz C H. The frequency-magnitude relation of microfracturing in rock and its relation to earthquakes [J]. Bull Seismol Soc Am, 1968, 58: 399-415.

[20]Carpinteri A, Lacidogna G. Damage evaluation of three masonry towers by acoustic emission [J]. Eng. Struct, 2007, 29:1569-1579.

[21]Invernizzi S, Lacidogna G, Carpinteri A. Particle-based numerical modeling of AE statistics in disordered materials [J]. Meccanica, 2012, 48(1): 211-220.

[22]Carpinteri A, Corrado M, Lacidogna G. Three different approaches for damage domain characterization in disordered materials: Fractal energy density, b-value statistics, renormalization group theory [J]. Mechanics of Materials, 2012, 53: 15-28.

[23]付銅玲，李一博，靳世久. 基于PC104的儲(chǔ)罐罐底腐蝕聲發(fā)射采集系統(tǒng)[J].傳感器與微系統(tǒng)，2012, 31(6): 134-136.

FU Tong-ling, LI Yi-bo, JIN Shi-jiu. Acquisition system of storage tank bottom corrosion acoustic emission based on PC104 [J]. Transducer and Microsystem Technologies, 2012, 31(6): 134-136.

[24]付銅玲. 儲(chǔ)罐罐底腐蝕內(nèi)檢測(cè)系統(tǒng)關(guān)鍵技術(shù)研究[D]. 天津：天津大學(xué)，2012.

[25]李建，孫立瑛，李一博，等. 基于游弋式傳感節(jié)點(diǎn)技術(shù)的儲(chǔ)罐罐內(nèi)腐蝕檢測(cè)方法: 中國(guó)，ZL201010031352. 5[P]. 2011-11-09.