基于EMD的神經網絡空耦超聲儲油罐液位檢測

陳志恒，羅文斌,，?？〗?3,4，鐘海鷹，吳中權，鄭 陽

(1.南昌航空大學 無損檢測技術教育部重點實驗室，江西 南昌 330063; 2.中國特種設備檢測研究院，北京 100029;3.日本探頭株式會社，日本 橫濱 232-0033; 4.浙江清華長三角研究院，浙江 嘉興 314000)

0 引 言

社會能源的轉換是一項長期的工程，論能量密度、使用便捷性、儲量和成本等，石油仍處于不可撼動的地位，所以在將來相當長的一段時間內石油仍會是最重要的能源之一，加之目前世界石油價格戰(zhàn)拉低了油價，相應油品的存儲及其參數的測量顯得十分必要。想要知道儲油罐的油量就必須知道油品的液位或者體積，所以儲油罐油位的測量便成為了一個很基本卻很重要的工作。

目前國內對于油位測量的方法有多種，比如人工投尺測量法，該方法原理簡單，但勞動強度高，效率低且不能實時監(jiān)測，受人員因素影響大，且無法保證精度。此外大多是采用傳感器測量油位[1-5]，如浮子法利用浮子隨著油位的升降帶動滑動變阻器等相關元器件而改變輸出電壓或電流來測量油位。

蘭姆波作為非接觸超聲檢測的一種，具有損耗低、安全、便捷等優(yōu)勢而被廣泛用于超聲檢測中。用該原理設計的裝置不需占用儲油罐內部空間，在外部便可進行非接觸測量，所以抗干擾性強；另外無需接觸油品，產生污染較低；測量速度快，達到毫秒級別。其最大的優(yōu)勢就是可同時測油層和水層位置。此外，受溫度氣壓等外界因素影響較小，在高原或氣候惡劣的場地都適應。

目前，對儲油罐內不同介質液位進行識別的分析還沒有獲得滿意的研究成果。如何準確提取儲油罐中不同介質信號的特征量決定了儲油罐介質類型識別的結果[6]。根據接收信號在時域的幅值大小信息雖然能夠判斷儲油罐中不同介質的液位，但是獲得的特征信息非常有限，為了獲得更多儲油罐中不同介質信號的特征信息來提高液面識別率，對信號進行頻域分析也是非常有必要的[7]。

對于特征值的提取，國內外學者做了大量的研究。戴波等[8]將A掃描信號作為特征量，并結合向量機對管道的缺陷進行有效識別；鄭善樸等[9]將缺陷信號的波峰時刻和幅值當做提取特征量的來源，識別出了各種類型的脫粘缺陷；李娟等[10]將信號進行EMD處理，并提取了各IMF分量信號的最大幅值、中心頻率和信號能量作為特征量進行缺陷的識別。將信號進行小波包變換，以近似系數及細節(jié)系數作為提取樣本的特征量并對復合材料進行缺陷識別，證明了該方法能有效識別不同缺陷。

經驗模態(tài)分解(EMD)是以局部時間尺度為基礎，可根據信號自身的特點生成適合的基函數，對于非線性、非平穩(wěn)信號的分析具有良好的適應性[11-13]。因此，本文利用經驗模態(tài)分解（EMD）對采集儲油罐中的不同介質信號進行EMD處理，求得各階本征模函數（IMF）。通過分析各階IMF分量的時域、頻域信號與原始信號的相關性，以各IMF分量的時域、頻域信號為特征值輸入到BP神經網絡進行決策，實現(xiàn)了對儲油罐不同介質液面的識別與分類。

1 EMD經驗模態(tài)分解

經驗模式分解最早是由黃鱷教授提出的，是一種自適應信號分解方法[14]。信號x（t）經過EMD處理后可獲得若干個本征模函數（IMF）。理論上，它可以實現(xiàn)任意高的時間分辨率與頻率分辨率，并為非平穩(wěn)和非線性信號提供了一種新的分析和指導方法。每個IMF必須滿足以下兩個條件：1)在整個數據段中，零交叉點和極限點的數量小于或等于一個差值；2)局部最小值與局部最大值組成的包絡線在任何點的平均值都為零。

EMD分解過程的步驟：首先找到原始信號的所有最大值和最小值，通過三次樣條函數擬合最大包絡和最小包絡，并使用上下包絡的平均值作為原始信號減去原始信號的平均包絡，以獲得去除了低頻的第一個新信號，并將該新信號用作原始信號。滿足固有模態(tài)函數的條件為止后，將該條件記錄為IMF。然后從原始信號中減去IMF以獲取剩余信號，該信號將被作為新信號。按照上述步驟獲得以下序列并重復循環(huán)，進而獲得滿足IMF的原始信號分量。為了便于理解，整理出EMD算法的流程圖[15]，如圖1所示。

圖1 EMD算法流程圖

經過EMD分解，原始信號可表示為

2 實驗部分

2.1 檢測實驗裝置

本文采用空氣耦合超聲蘭姆波同側相向法，即探頭布置方式為一發(fā)一收式相向擺置在儲油罐表面上方，采用的蘭姆波模態(tài)為A0模態(tài)，5 mm鋼板的群速度頻散曲線如圖2所示，由群速度頻散曲線可知，S0模態(tài)的群速度隨頻率的變化比較劇烈，頻散較嚴重，而且相比兩種模態(tài)的傳播過程，A0模態(tài)的離面位移分量整體大于S0模態(tài)，因此A0模態(tài)的Lamb波從介質到空氣中的振動更明顯，更適合作為本次研究所使用的模態(tài)。但是當探頭中心頻率大于400 kHz時，會在鋼板中激勵出更多的模態(tài)，且頻散嚴重。由于空氣耦合超聲信號衰減比較大，在鋼板表面的反射較多，因此空氣耦合超聲在檢測薄板時，應選擇低頻探頭，綜合以上因素考慮，本實驗使用A0模態(tài)，選擇頻率400 kHz的空氣耦合超聲換能器進行分析。

圖2 5 mm鋼板群速度頻散曲線

因此將發(fā)射、接收空氣耦合超聲換能器以傾斜7.2°，探頭中心距罐壁12 mm，兩換能器中心相距為135 mm對稱安裝在固定板上。實驗使用探頭頻率為400 kHz，施加電壓為200 V，晶片大小為14 mm×20 mm，實驗裝置為日本探頭株式會社提供的高靈敏度非接觸空氣耦合檢測系統(tǒng)。該系統(tǒng)由NAUT21控制軟件、高功率超聲信號發(fā)射接收器（JPR-600C）、以及前置放大器組成。在5 mm鋼制罐壁上設置刻度條，距罐底33 mm處開始標記第一個刻度，往上每隔10 mm做一個刻度標記。設置好軟件參數后按步驟進行實驗。實際檢測示意圖如圖3所示。

圖3 實驗系統(tǒng)圖

改變水、油層的高度分別測得當油罐里單獨是水層、油層、空氣層3種不同介質時泄露蘭姆波幅值，經過多次測量取平均值，可得空氣耦合超聲接收換能器在同一介質中接收到的直達波信號幅值大小基本一致，其3種不同介質的波形圖如圖4所示。

為了便于比較，對所得不同介質的回波幅值進行歸一化處理，由圖4可知，油罐里為空氣時探頭接收到的直達波信號歸一化后幅值為0.507；油罐里為油時探頭接收到的直達波信號歸一化后幅值為0.292；當油罐里是水時探頭接收到的直達波信號歸一化后幅值為0.2。從每個介質信號的幅值可以大致區(qū)分出儲油罐中3種不同介質的信號。

圖4 不同介質超聲回波時域信號

2.2 儲油罐中不同介質信號的識別與分類

為進一步精準的區(qū)分出3類介質的回波信號，分別采取水介質、油介質、空氣介質各8個直達波信號共24個樣本數據；以本實驗中采集介質為水的波形為例，首先對直達波信號進行EMD分解得到各階IMF分量與原始信號的相關性如圖5所示。

從圖5可以看出，前4個IMF分量與原始信號的相關性很高，而后4個IMF分量與原始信號的相關性很小，基本上可以忽略不計。因此，當儲油罐介質為水信號進行EMD處理，并對前4個IMF分量進行分析。信號的前4個IMF分量如圖6所示。

圖5 各階IMF分量與原信號相關性圖

由于頻域信息相對時域更加穩(wěn)定，更易分析，因此對圖6中的信號進行快速傅里葉變換得到對應頻譜圖如圖7所示。

圖6 水介質超聲回波及其EMD分解結果

圖7 水介質直達波EMD分解各階IMF分量的頻譜圖

將各IMF分量時域信號的過零點數、頻域信號的最大幅值能量和中心頻率來表征各時域和頻域特征信息的參數，再分別對介質為水時的直達波信號各IMF分量計算出這3個特征向量結果如表1所示。

表1 介質為水時的時域、頻域特征值計算結果

根據前面對儲油罐不同介質中超聲直達波信號特征信息的提取，選取了水、油、空氣8組樣本，共24個樣本集。24組樣本由兩部分組成：一部分為15組數據組成的訓練樣本集；另一部分為9組數據組成測試樣本集。儲油罐中介質為水時的訓練樣本、介質為油時的訓練樣本、介質為空氣時的訓練樣本的輸出如表2所示。

表2 不同介質編碼

BP神經網絡中輸入層的節(jié)點數和輸出層的節(jié)點數由輸入和輸出特征向量的個數決定。本文在儲油罐中預設了3種直達波信號診斷神經網絡，即水、油和空氣。也就是說，神經網絡輸出層的節(jié)點數可以設為3。這3種介質的預期輸出的編碼為水100、油010和空氣001。

分別對3種標準的直達波信號進行采樣，每種信號采集5次，每次采樣點為2 000個。實驗中，每個樣本取3組特征向量，得到15個信號樣本，這些數據作為訓練樣本輸入網絡進行訓練。因此，BP神經網絡的具體結構為：輸入層神經元為24個，隱含層神經元為20個，輸出層神經元為3個。將雙曲正切s型傳遞函數tansig作為BP神經網絡隱含層的傳遞函數，同時采用s型對數函數logsig作為輸出層的傳遞函數，使輸出范圍在1～10之間；BP神經網絡函數的訓練函數為BPMarquardt-Levenberg，網絡訓練函數的性能指標為MSE，訓練目標設置為0.01。網絡的訓練誤差曲線如圖8所示。

從圖8可以看出，在該網絡訓練之后，梯度已經達到最小值，并且此時的訓練誤差非常小。為了驗證該網絡的準確性，對網絡模型進行了測試，測試數據為之前選用的9組測試樣本數據，測試結果（特征值）如表3所示。從表3中可以看出，網絡的實際輸出與預期輸出基本是一致的，進一步證明了此類型BP神經網絡模型是可靠的，能夠準確地對儲油罐中不同介質超聲信號進行識別與分類。

圖8 網絡的訓練誤差曲線

表3 歸一化后樣本輸入向量測試結果

檢查網絡的輸入樣本，輸入到經過訓練的BP神經網絡，BP神經網絡模型的實際輸出本結果如表4所示。

表4 實際輸出樣本結果

從實際輸出值和期望輸出值的結果中對比分析可以得出以下結論：經過訓練以后的BP神經網絡模型的輸出樣本結果接近實際樣本狀態(tài)，誤差小，識別精度高，可以實現(xiàn)對儲油罐中不同介質液位的分類需求。

3 結束語

通過理論與實驗研究探討了一種基于空氣耦合超聲蘭姆波檢測技術對油箱內不同介質及不同界面的檢測的可行性，對于確定油箱內不同介質的液位有較好的效果，主要體現(xiàn)在以下3個方面：

1）該實驗驗證了用空氣耦合超聲蘭姆波檢測油位液位的可行性。

2）經多次測量取平均值，單純的水層、油層、空氣層的直達波信號歸一化后幅值為0.2、0.3、0.5，可通過其幅值的大小來大致的區(qū)分儲油罐中的不同介質。

3）訓練后的BP神經網絡模型的輸出樣本結果和實際樣本狀態(tài)基本吻合，其誤差很小且識別準確率高，可以實現(xiàn)對儲油罐不同介質超聲直達波信號的分類需求。