罐式车辆金属常压罐体检测神经网络算法探析

周子星

（湖北省机电研究设计院， 湖北 武汉 430200）

引言

随着经济的发展，运送液体危险货物的罐式车辆使用越来越多，其安全性能也越来越受到监管部门、从业企业以及社会各界的广泛关注，加强对罐车的检测和监管，是安全生产的必然要求[1-2]。运送液体危险货物的罐式车辆的关键设备是与定型汽车底盘或半挂车车架永久性连接的常压罐体（以下简称罐体）。在运输生产的过程中，罐体长期受震动、冲刷、压力、应力、腐蚀以及人为因素、环境温度等众多因素的影响，常常会造成罐体、隔仓板和防波板存在大面积腐蚀、壁厚明显减薄等现象，甚至发生穿透性开裂[3]，出现安全隐患。当前罐体检测仍多采用人工检测方式，受技术人员工作水平和工作环境的影响较大[4]，随着计算机图像处理技术的发展，可以使用超声导波检测对罐体设施进行测定与成像，辅助凹纹、裂纹的检定。

1 金属常压罐体的检测

GB 18564.1—2019 规定：金属常压罐体的定期检查应根据罐体的使用、损伤模式及失效模式制定检验方案，必须包括罐体壁厚测定等项目。壁厚测定一般采用超声测厚方法。测定位置应当有代表性，且有足够的测点数。厚度测点一般选择以下位置：液位经常波动的部位，介质进口、流动转向、截面突变等易受腐蚀、冲蚀的部位，制造成型时壁厚减薄部位和使用中易产生变形及磨损的部位，接管部位，宏观检查时发现问题的部位。在壁厚测定时，如果发现母材存在分层缺陷，应当增加测点或者采用超声检测，查明分层分布情况以及母材表面的倾斜度，同时作图记录[2]。超声波的频率越高，功率越大，指向性越好。多采用分辩率高、频带宽、抗干扰能力强的窄波，频率应为0.4～25 MHz，实际工作中我们建议使用1～5 MHz 的超声波，以便能够快速便捷、无损伤、精确地检测、定位罐体的缺陷。

超声导波检测技术利用超声波的物理反射现象，由超声波换能器发射超声波并在罐体中传播。在不同质界面上超声波具有反射特性，若超声波在罐体中遇到尺寸等于或大于超声波波长的缺陷时，超声波能在缺陷处形成反射波。例如超声波测厚仪就是根据超生比脉冲反射原理来进行厚度测量的。当探头发射的超生比脉冲通过被测物体到达材料分界面时，脉冲被反射回探头，通过精确测量超声波在材料中传播的时间来确定被测材料的厚度。

超声波测厚常用脉冲回波法，如图1 所示。

图1 脉冲回波法示意图

超声波探头置于被测罐体表面，主控制器将一定频率的脉冲信号送往发射电路，经电流放大后激励压电式探头产生重复的超声波脉冲作为输入信号，该脉冲波传至罐壁内侧反射产生回波作为输出信号被探头接收。此时，测量脉冲波从发射到接收的时间间隔为t，即可测出罐壁厚度d[5]：

式中：c 为超声波声速。可用稳频晶振产生的时间标准信号来测量时间间隔t。

使用超声波探伤具有探测深度大，检测速度快，仪器装置体积小、重量轻、便于现场携带，而且检测时只需消耗耦合剂和磨损探头，检测费用较低等特点。利用超声波对罐体钢壁进行探伤检测就可采用缺陷回波法，根据缺陷反射波在荧光屏上的位置和幅度（与参考试块中人工缺陷的反射波幅度作比较），即可测定缺陷的位置和大致尺寸。透出的超声波携带了被照罐体结构的信息（如对超声波的反射、吸收和散射等），由声透镜汇聚在压电接收器上，并将所得电信号通过放大器利用扫描系统把罐体结构的形象显示成像。当被测罐体部位完好时，超声波将在金属罐壁内顺利传播到达底面，检测图像中只有表示发射脉冲和底面回波的两个信号。若罐壁中存在缺陷，则在检测图像中出现位于底面回波前的缺陷回波。罐体经超声波扫描后的成像质量，是罐体无损检测准确度的关键。笔者建议利用具有自调节、自适应学习功能的BP 神经网络算法来实现。

2 罐体扫描成像神经网络算法及其自适流程

人工神经网络具有非线性适应性信息处理能力，克服了传统人工智能在行为模式、语音识别、非结构化信息处理方面的缺陷，使之在人工神经网络专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用[6-7]。该方法在工业检测领域的应用前景广阔。在利用人工神经网络实现罐体扫描图像识别时，需要先把过往的扫描图像样本和相对应的检测识别结果输入人工神经网络，神经网络就会通过其自适应功能进行学习，逐渐记忆图像特征，建立识别罐体扫描图像的能力。这里选用四种人工神经网络算法中的BP 神经网络算法。

Rumelhart 和 McCelland 等人于 1986 年提出的BP 神经网络算法（Back Propagation），又称为误差反向传播算法，是人工神经网络中的一种监督式的学习算法，其组织形式是按误差逆传播算法训练的多层前馈网络。BP 神经网络算法可以实现对任意函数的逼近，它由非线性变化神经元组成，其非线性映射能力极强。而且网络的中间层数量、各层的神经元数量以及神经网络学习率系数等均可依具体情况设定，具有很强的灵活性。

BP 神经网络学习过程，包括正向传递和反向传播误差。在对常压罐体利用超声扫描检测成像时，所用BP 神经网络算法的学习过程也必须包含两个方面：一是正向传递信息。即输入层（Input layer）输入的样本数据通过一个或多个隐匿层（Hidden layer）按加权公式计算后逐层向后传递，直至输出层（Out layer），如图2 所示。二是反向传播误差，即反馈学习。如果此时的输出层输出达不到精度要求，则计算输出数据的误差值反向回传至隐匿层，逐层传递直至输入层。而后比照误差，修改加权权值，这即是神经网络的学习、训练。

图2 神经网络结构图

使用超声导波对金属罐体设施进行检测时，本文选取超声波声时、波幅、频率作为输入层导入参数。输出为反射波幅与距离-波幅曲线比对提取的敏感特征参数损伤标识量，故输出层仅使用一个神经元。在检测和缺陷定量时，需要对扫查灵敏度进行耦合补偿、衰减补偿和曲面补偿[8]。

罐体扫描成像BP 算法学习训练自适应流程包括如下几个方面：首先，建立样本数据，实现BP 神经网络的初始化。此时输入模式由输入层经中间层向输出层实现输入模式顺传播计算。其次是神经元的反馈过程，即误差逆传播过程。由希望得到的罐体信息与神经网络实际输出之间差距得出的误差信号，由输出层经中间层向输入层逐层修正其加权累积的权重。再次是BP 神经网络的反复记忆训练。它是一个模式顺传播计算和误差逆传播计算反复交替进行的网络记忆训练的循环过程。最后得出达到精度后的神经元，即通过不断修改权值，使神经网络的学习收敛于全局误差的极小值。这样的工作流程符合经典的Delta 学习训练规则。

将罐体超声波扫描的实时特征数据输入已训练成功的神经网络中，进行顺传播计算，将此正向传播的结果与训练得到的所有目标值进行比较匹配，输出罐体结构图形和分析数据，辅助罐体的检测。因此，算法中对神经网络的训练是其关键。

3 BP 神经网络模型训练的具体过程

在罐体检测问题中，BP 神经网络模型的训练是对罐体扫描的样本数据向量（y1，y2，y3，…，yn）进行的一系列处理。其中，在正向传递中，神经元积累的刺激是由其他神经元传递过来的刺激量和对应的权重之和，用xj表示这种积累，yi表示某个神经元传递过来的刺激量，wi表示链接某个神经元刺激的权重，得到公式：

当xj完成积累后，完成积累的神经元本身对周围的一些神经元传播刺激，将其表示为yj并得到：

神经元积累后的结果xj，对外传递刺激yj的处理过程，可用f 函数映射来表示，称为激活函数（Activation function）。对此映射一般要求有抑止偏离、对关键特征的微小变化敏感度高的特质，以提升识别度。习惯对此作出符合Logistic 差分方程的假设，它符合弱假设条件，因此几乎所有的测试都能满足其条件，故常选用S 形生长曲线（Sigmoid）：

该函数具有严格的单调递增连续性。

其导数可以用自身表示：

以神经网络模型的上述两个公式为依据，可以推导出BP 神经网络输出结果的计算式。即每个神经元收到刺激yi后进行加权积累产生xj（其中权重记为wji），然后再次通过激活函数产生刺激yj，向下一层与它相连的神经元传递，依次类推最终输出结果。

在误差反馈学习的反向传播中，将运用神经网络的这一输出值yj和正确值dj对前一层隐匿层的wji进行逐层修正。在这一反馈学习机制中，设dj表示真实正确的结果，并假设误差为E，则yj-dj就是E对于yj的微分增量，即yj减去yj-dj后就能得到正确值：

运用神经网络的输出值yj和正确值dj对最后一层隐匿层wji的修正，该反馈机制的目标是校准权重wji的误差量，也就是的值。由式（1）可清晰看出wji与xj相关，按多元微分理论可得出：

此时，计算wji的误差量问题就转换成为求值的问题了：

由式（2）可得出：

故，可用最小二乘法求得权重wji的误差量为：

最后，设置一个0 到1 之间的学习速率L。学习速率（Learning rate）是调节神经网络的重要参数，选择好合适的学习速率。学习速率不能太快，太快将大概率导致越过最优解，建议在实践中将学习速率取为0.7～0.8，其迭代效率和效果均较好。此时，减去下面结果来修正wji，就可以进入下一轮循环了：

这种神经网络学习训练实际上就是反复重复上面的输入模式，直至达到目标。

BP 神经网络循环往复训练的总体算法路线图如下：

罐体扫描初始样本读入;

权值读入;

for

加权公式计算;//隐匿层for i:1->n

误差计算;

if 满足迭代终止条件

停止;

end

反馈回传;

根据公式修正权值和阈值;

end

其中，设定的迭代终止条件，可以是误差达到一定的进度要求时终止递归，也可以是设定的迭代次数。本算法的实质是对样本数据的输入和输出进行非线性优化，通过负梯度下降算法进行迭代，达到计算求解最优权值的目的[9]。

随着学习精度的不断加强，罐体扫描信息的检测梯度逐渐清晰，其边缘信息噪声逐渐排除，提供给检测人员的数据信息更加精确，使罐体正常区域和缺陷区域的定位更加准确。

4 结论

实验使用A 型脉冲反射式超声检测仪针对碳钢罐体使用Φ14 mm 双晶直探头检测，频率选用5 MHz，检测速度限制在200 mm/s 之内，选用NB/T 47013.3-2015 规定试块。当缺陷反射波波高达到或超过标定评定线时在周围执行检测以确定缺陷的延伸。

声束纵波近于垂直入射时，反射体回波动态波形较为典型，如下页图3 所示。显示均呈单一且参差不齐回波波形，波幅变化超过6 dB。

人工神经网络算法在常压罐体扫描成像检测工作中的应用，具有并行、容错纠错、分布式存储、自适应、自组织等人工智能特性，使之在复杂的罐体图像扫描数据处理上拥有强大的优越性，必将成为常压罐体扫描成像检测的最重要手段之一。该算法的训练过程和最终应用于罐体扫描的图像仿真，对训练样本和测试样本有着很大的依赖性。随着计算机硬件速度的不断发展，随着罐体扫描检测数据样本的不断积累，以及罐体检测人员技术素质特别是信息识别能力的不断提高，将更有效地为常压罐体的安全质量检测提供保障。

图3 反射体的回波波形图