基于人工神经网络的长周期压力容器安全评价评估系统

郑金标

摘  要：为保障长周期压力容器的连续不间断生产，研究设计了一套基于人工神经网络（ANNs）的长周期压力容器安全分析评价系统，该系统整合各种在线检测技术数据并通过人工神经网络系统的分析处理，做出可靠的安全评价，实现在线安全管理。

关键词：长周期压力容器;人工神经网络;压力容器安全评价系统

近年来，随着工业不断发展，安全管理水平的提高，企业对提高生产效率、降低生产成本、增加经济效益的诉求越来越强烈，对延长压力容器检验周期的呼声越来越多，特别是石油化工行业，各类长周期压力容器的数量逐渐增多。

1.长周期压力容器的特点

长周期压力容器是指那些因生产装置连续运行，停产困难或开罐成本大，致使其检验检测成本高，而需要延长检修周期的压力容器。长周期压力容器是一种可以提供长周期稳定运行的承压设备，它以设备管理、技术管理和安全管理为依托，满足企业生产装置的长周期运行，以达到降本增效。例如：石化装置长周期安全稳定运行是企业提高生产效率、降低生产成本、增加经济效益的有效途径。尤其是在今天，石化产业已经跨越了粗放发展的阶段，降本增效是企业提升竞争力的重要手段。

如何保证生产装置的长周期安全稳定运行，已经成为世界跨国石油公司必须高度重视，并加以研究、解决的技术和管理问题。从总体上讲，我们目前设备管理许多方面还是传统经验型和规定型的，我们生产装置的长周期运行水平与世界跨国石油公司相比仍有较大差距。因此，为了保证压力容器在较长的周期内安全稳定运行，对这类压力容器进行安全性分析是十分必要的。

2.人工神经网络的原理

在人工神经网络中，BP模型是应用最为广泛的。BP模型是一种多层感知器网络，它是具有三层或三层以上的阶层型神经网络，其中较典型的是三层前馈神经网络。相邻层之间的各神经元实现全连接，即下一层每个神经元与上一层每个神经元都实现全连接，而每层中各神经元之间无连接。最早的感知器模型即单层感知器仅由输入层和输出层构成，只能解决线性可分的分类问题，因此引入了能够解决一些非线性分类问题的多层感知器模型。但由于感知器学习算法的限制，其模式分类能力仍然有限。BP算法采用非线性连续变换函数，使隐含层神经元具有了学习能力，于是多层感知器采用了BP学习算法。人们通常将采用BP学习算法的多层感知器模型称为BP神经网络。

BP网络根据误差梯度下降原则进行权值调整，具有很强的非线性映射、自组织、泛化和容错能力。然而，基本BP网络的固有缺陷也严重影响着它的实用效果。这些缺陷可归结为：（1）收敛速度较慢（2）全局优化性不高（3）缺乏理论指导（4）包容能力差。

针对基于BP算法的多层感知器模型具有的缺陷，我们通过基于二次动量项的改进BP算法进行建立基于改进BP算法的多层感知器神经网络模型来提高神经网络模型分类的准确性。

基于二次动量项的改进BP神经网络的长周期压力容器智能评估系统具有自学习能力，其数值计算能力使其具有较高的预测能力。我们使用改进BP神经网络模型进行长周期压力容器安全评估预测大致分为两个阶段：首先通过对大量的已知类别的有标签样本进行脱机训练，使其具有对无标签样本进行检测的分类能力;然后在训练完成后即可将该模型用于实际的样本预测环境中。

3.基于人工神经网络的安全评定系统

基于人工神经网络模型可以建立一套长周期压力容器安全分析评价系统。该系统在对长周期压力容器的腐蚀机理、应力分析及主要失效模式理论研究的基础上，以标准GB/T 19624—2004《在用含缺陷压力容器安全评定》为依据，整合声发射、导波检测、相控阵技术、TOFD技术、漏磁检测、低频涡流检测等长周期压力容器在线检测技术，对长周期压力容器的器壁、焊缝、支撑结构进行在线运行监测，得到相关数据，并进一步运用有限元进行应力分析，创建应力数据库，结合压力容器的性能数据，所受到的载荷大小，所处的工作环境等条件，对在役压力容器进行安全评定，进而得出评定结果数据库，利用人工神经网络系统进行学习和训练，建立反馈型人工神经网络，进而创建一套基于人工神经网络的安全评价系统，对各种在线检测的结果和长周期压力容器的技术参数、服役条件等参数进行分析处理。安全评价评估系统主要包括材料性能参数数据库模块、分类应力数据库模块、缺陷复合模块、断裂评定模块、安全性与经济性平衡模块。系统结构如下图所示

4.结论

长周期压力容器的安全评定是一个很复杂的过程，具有高度非线性，评定结果是多种因素如材料性能、缺陷几何尺寸、缺陷所在部位及应力分布与外加载荷等综合影响的结果。通过引入人工神经网络技术，很好的解决了长周期压力容器安全评定中的难题，而且通过对比验证，与GB/T19624-2004《在用含缺陷压力容器安全评定》的评定结果完全一致，说明基于人工神经网络的长周期压力容器安全评定系统是可行的。

参考文献：

[1]严苏星.在役压力容器安全评价及工程应用[J].西北电力技术，2004，（3）：1-5.

[2]尹作文，张化光.基于人工神经网络的压力容器故障的诊断.仪器仪表学报，2005，26（8），173-174

[3]俞树荣，李尔国，梁瑞. 基于人工神经网络的压力容器安全评定可靠度的模糊分析.化工机械，2000，27（6），333-335

[4]中华人民共和国国家质量监督检验检疫总局.GB/T19624-2004在用含缺陷压力容器安全评定[Z]，2004-12-29.