基于BP神经网络训练的储罐底板声发射检测评价方法

2020-06-01张延兵宋高峰

无损检测 2020年5期

张延兵，宋高峰

(江苏省特种设备安全监督检验研究院南通分院，南通 226011)

声发射技术是储罐在线检测常用的无损检测方法，其主要解决的问题是如何合理改进“一刀切式”的开罐检修管理模式，能在保证安全的基础上筛检出那些极有可能失效的储罐，以最大程度地优化开罐策略，有效降低企业停产和大修产生的成本。但由于声发射检测评价标准体系不完善，以及技术本身发展水平的限制，储罐声发射检测工程应用的可靠性还有待提高[1-3]。因此，笔者对多年来积累的储罐开罐检测数据和在线声发射检测数据进行归纳、整理，通过建立适用于储罐底板声发射检测评价的神经网络，并利用可靠验证的样本对其进行训练测试，从而得到具有较高工程检测应用可靠度的声发射评价专家系统，最终实现有效提高声发射检测评价准确度和科学性的目的。

1 传统声发射评价的参数及方法

根据我国储罐声发射检测标准JB/T 10764-2007 《无损检测常压金属储罐声发射检测及评价方法》，对储罐底板进行声发射检测的结果，可以根据定位方式的不同，采用基于时差定位的分级(计算每小时的定位事件数E)以及基于区域定位的分级(计算每小时的撞击数H)，按照标准JB/T 10764-2007中表4.1和4.2进行分级。正是由于标准中只规定了两种评价参数，所以在实际的检测评价中，不同的储罐、环境、使用条件和仪器等所依据的分级标准完全不同，最终放大了检测人员评价的随意性，评价结果说服力较低，这也是多年来声发射检测被人诟病的重要因素[4]。因此，有必要在实际的结果评价中引入更多的相关影响特征参数[5]，并结合开罐检测数据来优化评价模型，从而不断提高评价结果的准确度。

2 基于BP神经网络的储罐底板状态评价模型

2.1 输入输出参数的设计

对于储罐底板的腐蚀状态评级，一般情况下事件数、撞击数、幅值、能量、持续时间、上升时间等参数的累积量、计数率、统计规律等都能反映腐蚀和泄漏的状态，但实际情况下，储罐的检测环境和使用条件、检测门槛的选取、信号传播路径、储罐的几何参数等也会影响声发射评价的结果。因此将输入参数分为以下几类。

(1) 累积参数。指一次声发射过程中某一特征参数的累加值，可以从整体上反映声发射源的总强度，这类参数包括总事件数、总撞击数、总能量、总振铃计数等。

(2) 变化率参数。指声发射参数在单位时间内的变化情况，描述了声发射信号的瞬间特征，跟材料的变形速率有直接关系，主要包括：事件计数率、撞击计数率、能量释放率等。

(3) 统计参数。指材料在变形过程中声发射参数的统计规律，这是由于声发射过程具有一定的随机性，可以通过统计的方法获得声发射源的特征，包括幅度分布、频率分布等。

(4) 本体参数。指不同设计条件下，储罐在相同腐蚀条件下的声发射参数影响程度，主要包括：储罐高度、直径、阴极保护、是否保温、材料、涂层、基础类型等。

(5) 使用参数。指储罐的工作条件对于声发射检测结果的影响，如工作温度、压力、介质类型、所处地区、土壤电阻率等。

2.2 样本的选择

由于BP神经网络是通过对样本的学习完成特征空间到故障空间的非线性映射的[6]，所以神经网络的性能很大程度上取决于训练样本的质量和规模。在网络的结构以及学习算法确定的情况下，样本的数量和代表性成为网络精度和泛化能力的决定因素。因此，选择合适的训练样本，既能减少网络的训练时间，也能降低网络的误差。在实际样本输入时，在不同类型的储罐(活性从Ⅰ级～Ⅴ级)当中，分别选取足量且经开罐验证的数据进行处理利用[7]。

2.3 数据预处理

对储罐现场的检测样本数据进行分析，根据输入输出参数的数据类型和取值范围，采用不同的数据数理方法。

2.3.1 无量纲化处理

无量纲化是通过一定的数学变换将性质、量纲不同的指标转化为可以综合的相对数，从而消除指标量纲的影响[8]。各个变量的指标和单位不同，会导致变量之间有数量级的差异。为了提高训练时的收敛速度和网络预测精度，需要使各变量的重要性在训练过程中处于同等地位，避免神经元过早进入饱和区。归一化处理是神经网络参数预处理中最常用的无量纲化方法，处理后数据范围在01或-11之间。常用的归一化方法包括极差化、中心化和对数化，其数学公式有如下两种表达方式。

(1)

(2)

(3)

(4)

2.3.2 特征模糊化处理

模糊化处理是将某种特征通过一组隶属度，将原特征空间映射到新的特征空间，即模糊特征空间。每个原始特征一般会定义多个隶属度函数，因此这种映射方式是从低维到高维的映射[9]。由于原来的一个特征变成了多个模糊特征量，每个变量是原特征的一个局部特征。特征模糊化是基于模糊理论的数据处理方法，模糊集合是模糊理论的基础。设论域X，集合A，对于一个任意元素x∈A，用函数μA(x)=[0,1]表示x属于A的程度，则称集合A为模糊集合，μA(x)称为模糊集合A的隶属度函数，μA(xi)为元素xi的隶属度。模糊集合有多种表示方法，当论域X中的元素是有限个数时，即X={x1,x2,…,xn}，则X的模糊集A可表示为：

(5)

或表示为

(6)

当论域X中的元素是无限个时，上述表示法可以推广为

(7)

此时，可用隶属度函数来表示模糊集A，所选用的隶属函数应尽量符合模糊集合的本质特征，隶属函数的选择以及函数中待定参数的确定都依赖问题的实际情况以及一定的经验基础。

2.4 网络结构的确定

2.4.1 输入输出层

由于对输入参数分别用归一化和模糊化两种方法进行处理，不同的数据处理方式对神经网络的输入输出层节点数有所影响[10]。其中，参数模糊化处理的神经网络结构示意如图1所示。

图1 参数模糊化处理的神经网络结构示意

根据不同的数据预处理方式，建立不同的神经网络模型，分别为A类模型(A1A4)和B类模型(B1B4)，其中：A类模型的输入参数A1A4和A7采用简单的归一化方法，B类模型用模糊化的方法；输出参数分别使用离散数值、1/N码、二进制码和温度计码表示。分别对这8种模型进行训练，探讨不同的数据处理方法对分类结果的影响。由于输出节点的数值均在01之间，因此输出层的传递函数采用logsig函数。

2.4.2 隐层的设置

在此次训练神经网络的实际应用中，隐层的层数和节点数的设计一般是神经网络模型设计的关键。增加隐层层数虽然可以降低误差，但同时会使网络复杂化，增加训练时间。通过增加隐层节点数也可以提高网络精度，并且更加容易观察和调整。

以模型A1为例，研究隐层节点数对网络性能的影响。隐层函数为tansig函数，学习算法为有动量的梯度下降法，学习速率为0.9，动量因子取0.9，迭代次数取2 000，网络训练目标误差为10-3。设置隐层数为1，按照Kolmogorov定理，隐层节点数为514较为合适。为了确定最佳的隐层节点数，在550之间，每隔3取一个数作为隐层节点数，不同隐层节点数与神经网络误差的关系如图2所示。可以看出，两种误差随隐层节点数增加的变化趋势相同，训练误差均大于测试误差；当隐层节点数小于13时，两种误差均随着隐层节点数的增加而显著下降，说明此时增加隐层的节点数可以提高网络的精度，但是当隐层节点数超过13时，随着隐层节点数的增加，两种误差只在小范围内波动。考虑到隐层节点数越多，模型越复杂，因此隐层节点数取13～15较合适。

图2 不同隐层节点数与神经网络误差的关系

3 评价模型的现场检测应用

对某厂编号为G200#，G203#，802#，912#的4台立式金属储罐进行了声发射在线检测，并将开罐检测的评定结果与神经网络评价模型结果进行比较，4台储罐的基本情况如表1所示.

按照标准JB/T 10764—2007规定的流程分别对4台储罐进行声发射检测，对降噪处理后的撞击数进行统计，4个储罐的单位时间最大通道撞击数分别为3 544，2 968，6 904，2 521，平均每通道撞击数分别为2 871，1 213，3 640，1 623。4个储罐的罐底定位结果如图3所示，其中：G200#储罐和912#储罐的事件数较少，局部有聚集事件，但聚集的事件数不多；G203#储罐和802#储罐的事件比较密集，G203#储罐的罐底中心部位有事件集中，可能存在较活跃的声发射源，802#储罐底板边缘存在较多的定位事件聚集，特别是S1处密集程度较高。综合各声发射参数特征，802#储罐的腐蚀活性较高，在储罐维修计划中需要优先考虑，其余3个储罐有轻微的腐蚀。

对检测数据提取特征参数并输入神经网络模型，得出4个储罐底板状态的评价结果。表2分别列出了4个储罐的神经网络输出等级和专家判定的等级，其中神经网络评定结果是根据网络输出结果与各等级的1/N码的距离，取距离最小的作为最终等级的。可以看出，4个储罐的神经网络模型输出结果与专家给出的结果一致，表明该模型具有一定的可靠性。