基于超声波检测的BP神经网络缺陷识别方法设计

(中国石油大学(北京)，北京 102200)

0 引言

随着经济的发展，大型常压储罐数量剧增，其安全性成为一个十分迫切需要解决的问题。部分石油储罐和管道已达服役期限，出现了很多由于储罐损伤而导致的介质泄漏问题，不仅仅会对环境造成污染，甚至会给人们的生命财产安全带来巨大威胁[1-2]。由于石油储罐的罐底是储罐最易受到侵害的部位，因此，对罐底的损伤检测是储罐安全保障的基础[3-6]。

超声波检测是在不损坏检测对象的前提下，利用检测件与缺陷的声学性能差异，根据传播过程中的反射情况和传播时间与能量变化，对检测对象内部及表面结构、性质或状态进行检查和测试，并对结果进行分析和评价的一种无损检测方法[7-9]。该方法具有方向性好、能力高、穿透力强等特点，由于其检测精度能够满足工业要求，并且不会对身体和周围环境造成影响，非常适合于石油储罐底板的损伤检测[10]。

人工神经网络是一种仿生模型。人们希望通过这一数学模型，可以让程序网络像人的大脑一样进行思考和处理解决问题。它由很多具有非线性映射能力的神经元组成，属于大型的非线性复杂系统[11]。BP神经网络的本质是一种多层前馈网络，也叫做拓扑神经网络，是由国外学者Mcclelland等[12-17]在1986年提出的。BP神经网络的基本思想是利用网络输出层的误差来逐层估计上一层的误差，并根据用户需要来修正神经元之间的联接权值。本文针对石油储罐底板的缺陷损伤研究，应用BP神经网络进行超声波缺陷识别方法的设计。

1 超声波缺陷识别的有限元仿真

1.1 缺陷定位原理

缺陷定位采用椭圆定位技术[18-20]，如图1所示，在结构表面S0处放置超声波激励装置，即在S0处产生超声波；在结构Si和Sj处放置超声波接收装置，即接收携带缺陷信号的回波信号。

图1 椭圆定位原理图

在没有缺陷的情况下，回波信号到达Si处的时间为ta；在缺陷存在的情况下，回波信号到达Si处的时间为tb。两者的时间差Δt=tb-ta。设声波在板中的速度为c，则可以得到如下方程式：

∣S0F∣+∣SiF∣=Δtc

(1)

速度c的大小只与结构的物理特性和超声波的激发频率有关。因此，式中，∣S0F∣+∣SiF∣的值为一个定值。缺陷点F在以S0和Si为焦点的椭圆轨迹上；同理，可以得到，缺陷点F在以S0和Sj为焦点的椭圆轨迹上，因此，缺陷点F的位置便可以唯一确定了。

1.2 有限元建模计算与分析

应用有限元仿真软件ABAQUS进行超声波A扫法的缺陷定位研究，仿真步骤如图2所示，仿真检测模型如图3所示。

图2 ABAQUS仿真流程

图3 三角形缺陷模型示意

传感器的固定形式如图4所示，分别在1，2，3，4号位置加载超声波激励信号。图5～8为在1号位置加载超声波激励，其他3个位置接收回波信号。

图4 传感器位置布置

图5 1号传感器激励信号图

图6 2号传感器接收信号图

图7 3号传感器接收信号图

图8 4号传感器接收信号图

根据图5～8中的回波信息，与无缺陷时的接收数据进行对比，可以确定出1号位置作为发射位置时的3组时间差值。同理，用上述方法进行2，3，4号位置分别为发射位置时的模拟仿真，求出时间差值，得到了如表1所示的12组仿真数据。

表1 超声回波的延迟时间 s

再根据椭圆定位原理，利用MATLAB软件得到图形的交点，绘制出结构缺陷的位置图，如图9所示。

图9 缺陷区域示意

从图9可以看出，当缺陷为三角形缺陷时，利用数值计算出来的缺陷也近似为一个三角形，识别率较好。选取多组三角形缺陷、矩形缺陷、凸起缺陷等缺陷，利用同种方法采集以上几种缺陷回波数据形成训练集，应用于以下BP神经网络的设计。

2 BP神经网络的设计

为了对底板缺陷进行定性分析，选取隐藏层为1的拓扑神经网络。特征量的选取为波形信号中时域特征量过零点数、峰值以及峰峰间距为输入参数。拓扑神经输出层设计为3个节点，分别代表3种不同类别的缺陷。(1，0，0)表示矩形缺陷，(0，1，0)表示三角形缺陷，(0，0，1)表示凸起缺陷。隐藏层神经元的个数会对训练结果造成一定的影响。本文隐藏层节点个数的选取参照以下经验公式。

(2)

式中l——隐含层节点数；

n——输入层的节点数；

m——输出层节点数；

a——[1，10]之间的常数。

这里，选取隐含层的单元数为10，即用于超声波缺陷识别的拓扑神经网络的结构为N(3，10，3)，结构如图10所示。在该拓扑神经网络中，输入层节点数为3，隐含层节点数为10，输出层节点数为3。

图10 BP神经网络的拓扑结构示意

在网络训练过程中，选取矩形缺陷、三角形缺陷、凸起缺陷各12组、共36组数据作为拓扑神经网络的训练数据。应用MATLAB软件进行编程，设置训练参数。经过训练，得到拓扑神经网络，如图11所示。

图11 训练后的神经网络

从图11可以看出，得到的拓扑神经网络有3层，input层的节点数为3，layer层的节点数为10，output层的节点数为3。该神经网络的各个性能指标如图12所示。

从图12中可以看出，当迭代数为268时，该神经网络达到最好的性能，符合定义的误差要求0.01，网络停止训练。

(a)最优均方差

(b)预设量变化

(c)精确率

此时，代入神经网络的检测数据，检验网络的识别率。矩形缺陷、三角形缺陷、凸起缺陷3种缺陷的检测数据各5组，共计15组。在输出向量的数据中，实数a作如表2所示约定。输出结果如表3所示。

表2 实数a的处理办法

表3 检测结果数据

从表3中可以看出，在15组检测数据中，只有第6组数据是错误的，检测结果的正确率93.33%。该神经网络对底板缺陷的的识别率较高，神经网络达到训练要求。

3 结论

本方法的设计将超声波缺陷检测与BP神经网络识别结合到一起，通过ABAQUS建立超声波检测有限元分析模型进行仿真分析，应用椭圆定位原理进行缺陷识别，利用MATLAB设计、训练BP神经网络，进行了三角形、矩形和凸起3种缺陷数据的验证，该神经网络对底板缺陷的识别率较高，神经网络达到训练要求。基于超声波检测的BP神经网络缺陷识别方法在损伤检测工程中有重要的参考价值。