BP神经网络辅助的氢气泄漏检测方法研究

姚璐峤，张小军，王 凯，张 蒙，张筱璐，李跃娟，苗 扬,b

(北京工业大学 a.材料与制造学部; b.先进制造技术北京市重点实验室， 北京 100124)

氢气作为一种能量载体，以其资源丰富、来源多样、清洁环保、高热值、可存储、可再生等优点备受世界各国青睐[1]。但是高压存储的氢气容易与金属发生氢脆反应，诱发容器壁裂纹生长，造成氢气泄漏。因此对于氢气的利用、运输与存储等都需要保证安全性，有必要对氢气进行泄漏检测。在氢气泄漏方面，邹强等[2]提出了一种支持向量机的氢气泄漏检测方法。苗扬等[3]提出了一种光面式高压氢气泄漏快速可视化检测方法，并进行仿真实验证明其方法的可行性。余亚波等[4]建立了三维高压舱氢气泄漏扩散模型，利用数值模拟方法进行研究，揭示了高压舱内氢气的泄漏扩散过程。Kodoth等[5]提出了利用HRS事故信息估计氢气泄漏率的方法。Malakhov等[6]采用计算流体力学(CFD)方法对半封闭式通风设备的氢气泄漏进行了分析。Won等[7]通过控制压力和开孔面积进行实验探究抑制高压氢气泄漏自燃的方法。 Kim等[8]利用计算流体力学工具FLACS，在给定压力和氢喷射孔尺寸的条件下，对加氢站氢泄漏情况进行了三维模拟，验证了泄漏氢射流的扩散行为。Falsafi等[9]找到一种新型电导式氢泄漏传感材料，并测试了掺钐钴铁氧体的传感器在氢泄漏中的适用性。在激光应用方面，李雪芳[10]搭建了平面激光瑞利散射(PLRS)实验系统，可视化地测量氢气泄漏射流的浓度场，研究了不同流量下的亚声速射流和不同实验条件下的高压欠膨胀射流。在机器学习方面，张瑞程等[11]利用VGG-16模型提出基于一维卷积神经网络的燃气管道故障诊断模型，用以诊断燃气管道故障。张忆等[12]提出了一种基于BP神经网络的气体管道泄漏检测方法。Syed等[13]研究了具有时滞和泄漏项的分数阶记忆模糊细胞神经网络(MFFCNNs)的有限时间稳定性分析。 Minhhuy等[14]提出了一种基于深度神经网络的仿真方法。Suntonsinsoungvon等[15]研究了同时具有多重泄漏时变时滞和离散时变时滞的不确定离散神经网络的一个新的指数稳定性判据。Beaudelaire等[16]提出了一种基于经典的边缘检测滤波器和人工神经网络的新的视网膜图像血管分割方法。Erik等[17]提出了一种基于卷积神经网络的选择性激光烧结缺陷检测与可视化的机器学习方法。Meha等[18]比较了人工神经网络、多层感知器神经网络(MLP)和卷积神经网络(CNN)在乳腺癌诊断中的应用，确定更适合于乳腺癌的诊断方法。然而这些技术存在着仪器价格昂贵、研究计算量大等缺陷，不能满足低成本、高响应、本质安全的要求，因此寻找一种新型的检测方法对于及时检测出氢气泄漏是十分必要的。

射流场很多状态会对光斑产生叠加效应，影响光斑特征，所以，激光高斯光斑特征反映射流状态问题非常复杂。一般来说，这一过程需要推算射流的压力、出口大小等条件对高斯光斑大小、偏移和光强等的影响并进行叠加。这些参数的求解通常需要复杂的数学计算。考虑低成本、安全的需求，本团队寻找一种更为便捷的方法检测泄漏气体的状况。

文中提出了一种实验的方法，利用机器学习实现反推泄漏气体状态参数。通过训练BP神经网络得到射流状态和光斑图像的关系，省去人为计算过程，最终产生一个完善的对应模型，实现以图像反推泄漏状态参数的目的，完成对氢气的泄漏检测。

1 检测装置及原理

在激光光束中，激光穿过氢气射流发生微弱分子散射后产生的高斯光斑的大小、光强等变化，可以灵敏地反映出光斑特征与泄漏状态之间的映射关系。实验装置的原理图如图1所示。实验选用532 nm绿光激光器，激光功率保持在10 mW以下，这样对射流气体的辐射压力和加热效应可以忽略不计。使用2.6 MPa的氦气瓶做替代实验，产生实验气流，使用黑纸板作为激光的接收板，可大幅减少干扰光斑测量下、激光照射物体时产生的漫反射效应。光斑产生的位置可以通过调节ZX平台上下和左右旋钮进行校准。

图1 实验装置的示意图

本装置中的黑纸板可以替换为CCD相机或其他接收装置。进一步地，在距离激光器长度为D1处会呈现半径为R1的圆形高斯光斑，在距离激光器长度为D2(D2

A=F(S，P)

A1=πr2，A2=πab

式中：S表示泄漏口面积；P表示泄漏口压力；F为A和S、P存在的函数关系。

研究发现，随着泄漏口面积和压力变化，高斯光斑的面积也随之变化，并且这2种变化存在一定的函数关系，即可通过激光器产生的高斯光斑的大小变化反映出泄漏口大小，通过压力等参数的变化反映出泄漏特征。

2 机器学习方法

机器学习方法是提出一种能够基于图像的特征推测流场状态的方法。在激光穿过流场时，光斑特征会发生变化，机器学习识别光斑特征并将这些信息转化为相应的流场状态参数，如图2所示。激光穿过射流时，会产生从光斑各参数指标到射流场状态参数的映射关系。在这里，光斑各参数指标对应于CCD相机所接收识别的影像信息(如光斑的大小、强度等)。射流场状态参数是泄漏口情况的表示，如泄漏口处压强、泄漏口大小等。

图2 光斑各参数指标到射流场状态参数的映射关系

使用机器学习方法后，可以将图像数据提交计算机，计算机通过获取图像信息参数，通过训练神经网络预测泄漏位置的情况，得到泄漏参数。实现氢气泄漏检测目的，如图3所示。

图3 机器学习的使用方法示意图

3 BP神经网络

在进行氢气泄漏检测时，由于泄漏参数(泄漏口大小、压强等)组合不同，激光通过氢气折射出的光斑大小与泄漏参数之间的对应关系十分复杂，理论上，通过复杂的数学计算，可以推导出光斑的形状信息，但费时耗力。有阈值的神经元构成的网络具有很好的性能[19]，发挥计算机的高速运算能力，能够很快找到优化解而达到反推光斑信息与泄漏参数之间存在的耦合关系，此外，其自学习功能能够慢慢学会识别类似的图像，对不同条件下泄漏情况进行推测，因此，BP神经网络可以作为处理图像的手段，实现氢气泄漏检测。

3.1 神经元模型

人工神经网络由多个神经元广泛连接而成，是一种非线性、自适应系统，其模型如图4所示。

图4 神经元模型示意图

最后可以得出神经元的输出为

y=f(wx+b)

(3)

3.2 BP神经网络分析

BP网络即基于 BP 算法的多层感知器，因此它的拓扑结构和多层感知器的拓扑结构相同，相邻2层是全连接，而层内是没有连接的，跨层之间也没有连接，其结构如图5所示。

图5 3层BP神经网络结构

在给定训练数据集的情况下，可以构建一个神经网络来对这些数据进行拟合，构建过程主要分为前向传播和反向传播2部分。

1) 信号的前向传播过程

传递函数：

(4)

隐藏层的第j个节点的输入为：

(5)

输出层的第k个节点的输入为：

(6)

隐藏层的第j个节点的输出为：

(7)

输出层的第k个节点的输出为：

(8)

2) 误差的反向传播过程

由于前向传播阶段的权值和阈值是随机初始化的，因此需要根据网络输出误差使用梯度下降法不断对参数进行修正。

样本的二次型误差准则函数E为：

(9)

输出层权值公式：

(10)

输出层阈值公式：

(11)

隐藏层权值公式：

(12)

隐藏层阈值公式：

(13)

式中：η为学习速率，一般在0.01 ～0.8范围取值。

3.3 BP神经网络法氢气泄漏检测

首先要建立预测模型，需要做的第一步是将泄漏源参数及接收端的光斑图像导入计算机进行图像识别，并将数据归一化处理，然后建立BP神经网络进行训练。

本文以实验拍摄的不同形状特征的812张光斑图像进行算法验证，得到泄漏口压力和大小并将其作为网络的输出。将光斑图像数据输入网络进行训练，选取800张图片作为训练集，12张照片作为验证集，采用相对误差进行性能评价。

相对误差

(14)

在获取训练数据集时，泄漏源的出口压力通过与之连接的减压器表盘提取，泄漏口大小通过出口阀控制开口大小。将光斑图像导入计算机，利用图像识别获取光斑形状长短轴长、偏移量及光通量，将所提取的信息进行收集、整理，处理后应用到神经网络中。

3.4 样本数据的归一化处理

BP网络神经元的激励函数一般选取S型函数，这样可加快网络收敛速度。数据进行归一化处理公式如下：

(15)

式中：Tmax为训练样本中的最大值；Tmin为训练样本中的最小值；Tn为归一化后的训练矩阵。

反归一化公式如下：

(16)

3.5 网络的拓扑结构

1) 选取输入及输出层节点数：由于需要对泄漏口大小、压强进行检测，因此本文在输出层中使用2个神经元。而输入层有4个神经元，分别表示光斑图像的长轴长、短轴长(近似椭圆)、偏移量和光通量。

2) 确定隐藏层层数：隐藏层可以是一层或多层，由于单层隐藏层运算速度快，并且可以满足拟合复杂函数的需要，因此本文选择隐藏层为单层。

3) 确定隐藏层节点数：采用试凑的方法，通过对比不同节点数的预测结果误差，最终选取节点数为3。

综上几步，首先建立一个结构为4-3-2的3层 BP 神经网络，如图6所示，网络中激励函数均采用对数型的S型函数。

图6 BP网络氢气泄漏检测模型

4) 初始化网络权值、阈值：由于激励函数选取的是对数型的S函数，初始权值和阈值不能过大，一般在(0，1)范围。

5) 选取学习速率：学习速率过大易过调，过小则训练速度慢，一般情况下，选取学习速率在(0.01，0.9)范围，文中选取的学习速率为0.1。

4 实验

应用标准BP算法建立氢气泄漏预测模型，训练网络完成对图像的识别并使用其对模拟工况下泄漏参数进行预测。

本文对设计的氢气泄漏检测方法进行稳定性与重复性测试，共做了12次实验，实验数据如表1所示。从表中可以看出，每次实验均存在一定的误差，但误差值较小。

表1 BP网络误差分析

预测结果与实际的相对误差值如图7所示。从图中可以看到，本文基于BP神经网络的氢气泄漏检测方法具有很小的误差，且误差具有较高的稳定性。

图7 相对误差曲线

整体而言，本文的检测方法应用于氢气泄漏检测中，预测参数与真实的泄漏参数很接近且重复性与稳定性良好，能为相关氢气泄漏检测方法的设计提供思路。

5 结论

1) 提出了一种利用BP神经网络实现高压氢气泄漏检测的方法，将激光变形后的光斑图像输入BP神经网络中，通过机器学习可反推出泄漏口直径和出口压力大小。激光束穿过氢射流时发生折射，导致光斑变形。

2) 由于光斑形状和泄漏口直径与压力大小存在复杂的数学关系，直接求解费时费力。本文利用BP神经网络对泄漏口直径和压强进行实验预测，误差较小且稳定性良好。

3) 本研究具有较好的应用与实践价值，可以为实现低成本、安全的高压氢气泄漏检测提供参考。