基于BP神經(jīng)網(wǎng)絡訓練的儲罐底板聲發(fā)射檢測評價方法

張延兵，宋高峰

(江蘇省特種設備安全監(jiān)督檢驗研究院南通分院，南通 226011)

聲發(fā)射技術(shù)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(yōu)化開罐策略，有效降低企業(yè)停產(chǎn)和大修產(chǎn)生的成本。但由于聲發(fā)射檢測評價標準體系不完善，以及技術(shù)本身發(fā)展水平的限制，儲罐聲發(fā)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(shù)據(jù)和在線聲發(fā)射檢測數(shù)據(jù)進行歸納、整理，通過建立適用于儲罐底板聲發(fā)射檢測評價的神經(jīng)網(wǎng)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(fā)射評價專家系統(tǒng)，最終實現(xiàn)有效提高聲發(fā)射檢測評價準確度和科學性的目的。

1 傳統(tǒng)聲發(fā)射評價的參數(shù)及方法

根據(jù)我國儲罐聲發(fā)射檢測標準JB/T 10764-2007 《無損檢測 常壓金屬儲罐聲發(fā)射檢測及評價方法》，對儲罐底板進行聲發(fā)射檢測的結(jié)果，可以根據(jù)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(shù)E)以及基于區(qū)域定位的分級(計算每小時的撞擊數(shù)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(guī)定了兩種評價參數(shù)，所以在實際的檢測評價中，不同的儲罐、環(huán)境、使用條件和儀器等所依據(jù)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(jié)果說服力較低，這也是多年來聲發(fā)射檢測被人詬病的重要因素[4]。因此，有必要在實際的結(jié)果評價中引入更多的相關(guān)影響特征參數(shù)[5]，并結(jié)合開罐檢測數(shù)據(jù)來優(yōu)化評價模型，從而不斷提高評價結(jié)果的準確度。

2 基于BP神經(jīng)網(wǎng)絡的儲罐底板狀態(tài)評價模型

2.1 輸入輸出參數(shù)的設計

對于儲罐底板的腐蝕狀態(tài)評級，一般情況下事件數(shù)、撞擊數(shù)、幅值、能量、持續(xù)時間、上升時間等參數(shù)的累積量、計數(shù)率、統(tǒng)計規(guī)律等都能反映腐蝕和泄漏的狀態(tài)，但實際情況下，儲罐的檢測環(huán)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(shù)等也會影響聲發(fā)射評價的結(jié)果。因此將輸入?yún)?shù)分為以下幾類。

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

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

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

(4) 本體參數(shù)。指不同設計條件下，儲罐在相同腐蝕條件下的聲發(fā)射參數(shù)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(shù)。指儲罐的工作條件對于聲發(fā)射檢測結(jié)果的影響，如工作溫度、壓力、介質(zhì)類型、所處地區(qū)、土壤電阻率等。

2.2 樣本的選擇

由于BP神經(jīng)網(wǎng)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(jīng)網(wǎng)絡的性能很大程度上取決于訓練樣本的質(zhì)量和規(guī)模。在網(wǎng)絡的結(jié)構(gòu)以及學習算法確定的情況下，樣本的數(shù)量和代表性成為網(wǎng)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(wǎng)絡的訓練時間，也能降低網(wǎng)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(jīng)開罐驗證的數(shù)據(jù)進行處理利用[7]。

2.3 數(shù)據(jù)預處理

對儲罐現(xiàn)場的檢測樣本數(shù)據(jù)進行分析，根據(jù)輸入輸出參數(shù)的數(shù)據(jù)類型和取值范圍，采用不同的數(shù)據(jù)數(shù)理方法。

2.3.1 無量綱化處理

無量綱化是通過一定的數(shù)學變換將性質(zhì)、量綱不同的指標轉(zhuǎn)化為可以綜合的相對數(shù)，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(shù)量級的差異。為了提高訓練時的收斂速度和網(wǎng)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(jīng)元過早進入飽和區(qū)。歸一化處理是神經(jīng)網(wǎng)絡參數(shù)預處理中最常用的無量綱化方法，處理后數(shù)據(jù)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(shù)化，其數(shù)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(shù)，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(shù)據(jù)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(shù)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(shù)，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(shù)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(shù)來表示模糊集A，所選用的隸屬函數(shù)應盡量符合模糊集合的本質(zhì)特征，隸屬函數(shù)的選擇以及函數(shù)中待定參數(shù)的確定都依賴問題的實際情況以及一定的經(jīng)驗基礎。

2.4 網(wǎng)絡結(jié)構(gòu)的確定

2.4.1 輸入輸出層

由于對輸入?yún)?shù)分別用歸一化和模糊化兩種方法進行處理，不同的數(shù)據(jù)處理方式對神經(jīng)網(wǎng)絡的輸入輸出層節(jié)點數(shù)有所影響[10]。其中，參數(shù)模糊化處理的神經(jīng)網(wǎng)絡結(jié)構(gòu)示意如圖1所示。

圖1 參數(shù)模糊化處理的神經(jīng)網(wǎng)絡結(jié)構(gòu)示意

根據(jù)不同的數(shù)據(jù)預處理方式，建立不同的神經(jīng)網(wǎng)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?yún)?shù)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(shù)分別使用離散數(shù)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(shù)據(jù)處理方法對分類結(jié)果的影響。由于輸出節(jié)點的數(shù)值均在01之間，因此輸出層的傳遞函數(shù)采用logsig函數(shù)。

2.4.2 隱層的設置

在此次訓練神經(jīng)網(wǎng)絡的實際應用中，隱層的層數(shù)和節(jié)點數(shù)的設計一般是神經(jīng)網(wǎng)絡模型設計的關(guān)鍵。增加隱層層數(shù)雖然可以降低誤差，但同時會使網(wǎng)絡復雜化，增加訓練時間。通過增加隱層節(jié)點數(shù)也可以提高網(wǎng)絡精度，并且更加容易觀察和調(diào)整。

以模型A1為例，研究隱層節(jié)點數(shù)對網(wǎng)絡性能的影響。隱層函數(shù)為tansig函數(shù)，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(shù)取2 000，網(wǎng)絡訓練目標誤差為10-3。設置隱層數(shù)為1，按照Kolmogorov定理，隱層節(jié)點數(shù)為514較為合適。為了確定最佳的隱層節(jié)點數(shù)，在550之間，每隔3取一個數(shù)作為隱層節(jié)點數(shù)，不同隱層節(jié)點數(shù)與神經(jīng)網(wǎng)絡誤差的關(guān)系如圖2所示。可以看出，兩種誤差隨隱層節(jié)點數(shù)增加的變化趨勢相同，訓練誤差均大于測試誤差；當隱層節(jié)點數(shù)小于13時，兩種誤差均隨著隱層節(jié)點數(shù)的增加而顯著下降，說明此時增加隱層的節(jié)點數(shù)可以提高網(wǎng)絡的精度，但是當隱層節(jié)點數(shù)超過13時，隨著隱層節(jié)點數(shù)的增加，兩種誤差只在小范圍內(nèi)波動?？紤]到隱層節(jié)點數(shù)越多，模型越復雜，因此隱層節(jié)點數(shù)取13～15較合適。

圖2 不同隱層節(jié)點數(shù)與神經(jīng)網(wǎng)絡誤差的關(guān)系

3 評價模型的現(xiàn)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(fā)射在線檢測，并將開罐檢測的評定結(jié)果與神經(jīng)網(wǎng)絡評價模型結(jié)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(guī)定的流程分別對4臺儲罐進行聲發(fā)射檢測，對降噪處理后的撞擊數(shù)進行統(tǒng)計，4個儲罐的單位時間最大通道撞擊數(shù)分別為3 544，2 968，6 904，2 521，平均每通道撞擊數(shù)分別為2 871，1 213，3 640，1 623。4個儲罐的罐底定位結(jié)果如圖3所示，其中：G200#儲罐和912#儲罐的事件數(shù)較少，局部有聚集事件，但聚集的事件數(shù)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(fā)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(fā)射參數(shù)特征，802#儲罐的腐蝕活性較高，在儲罐維修計劃中需要優(yōu)先考慮，其余3個儲罐有輕微的腐蝕。

對檢測數(shù)據(jù)提取特征參數(shù)并輸入神經(jīng)網(wǎng)絡模型，得出4個儲罐底板狀態(tài)的評價結(jié)果。表2分別列出了4個儲罐的神經(jīng)網(wǎng)絡輸出等級和專家判定的等級，其中神經(jīng)網(wǎng)絡評定結(jié)果是根據(jù)網(wǎng)絡輸出結(jié)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?？梢钥闯觯?個儲罐的神經(jīng)網(wǎng)絡模型輸出結(jié)果與專家給出的結(jié)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(jié)果

圖3 4個儲罐的罐底定位結(jié)果

4 結(jié)語

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

(2) 相較于傳統(tǒng)的聲發(fā)射檢測人工經(jīng)驗評價，基于大數(shù)據(jù)訓練的神經(jīng)網(wǎng)絡評價方法具有更強的科學性，且隨著復驗訓練樣本數(shù)量的增多和樣本準確性的提高，其評價結(jié)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(tài)預警系統(tǒng)中將發(fā)揮重要的基礎作用。

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

術(shù)發(fā)展或現(xiàn)場檢測環(huán)境不太適應的地方，尤其在結(jié)構(gòu)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(fā)意義，至少可以作為該標準在最終結(jié)果判定上的一種新方法的補充嘗試。