0 引言

    常壓儲罐是石油化工生產(chǎn)中廣泛使用的儲存設(shè)備，調(diào)查顯示，儲罐的絕大多數(shù)損壞都是由腐蝕造成的，儲罐腐蝕的危害及其帶來的損失都很大^[1]。其中，儲罐底板均勻腐蝕、坑蝕的部分是腐蝕泄露高發(fā)區(qū)，故而儲罐腐蝕狀況評價的核心是儲罐底板腐蝕狀況的檢測。

    目前，大型常壓儲罐主要采用離線檢測和在線檢測相結(jié)合的方式進行腐蝕方面的安全檢測。在線檢測方面，相比于傳統(tǒng)的漏磁^[2]、導(dǎo)波檢測技術(shù)，聲發(fā)射檢測技術(shù)檢測周期短、經(jīng)濟損耗少，并且可對儲罐底板進行持續(xù)在線測量，是國際上進行儲罐底板腐蝕在線檢測的最優(yōu)選擇^[3]。美國PAC公司研發(fā)了TANKPAC大型常壓金屬儲罐底板聲發(fā)射檢測專家評估系統(tǒng)，并成功地在世界范圍進行了應(yīng)用和驗證。而我國尚未研發(fā)出大型常壓儲罐底板聲發(fā)射評估系統(tǒng)，目前主要應(yīng)用PAC公司的TANKPAC系統(tǒng)對大型常壓儲罐的腐蝕情況進行檢測和評估。

    近年來，國內(nèi)科研工作者也進行了很多相關(guān)研究。我國制訂了《無損檢測-常壓金屬儲罐-聲發(fā)射檢測及評價方法》，并廣泛應(yīng)用于常壓儲罐的無損檢測工作中^[4]；發(fā)現(xiàn)了聲發(fā)射信號活度與儲罐底板腐蝕速率之間的關(guān)系^[5]，并且能區(qū)分出不同聲發(fā)射信號的產(chǎn)生類型從而對聲發(fā)射信息進行適當修正^[6]；此外，在提高罐底不同性質(zhì)聲發(fā)射源的判別準確率方面也有著不錯的進展^[7]。

    本文使用BP神經(jīng)網(wǎng)絡(luò)及由遺傳算法（GA）優(yōu)化過的BP神經(jīng)網(wǎng)絡(luò)（GA-BP網(wǎng)絡(luò)）來構(gòu)建基于聲發(fā)射檢測的儲罐底板腐蝕評價模型，并對其進行訓(xùn)練和測試，最后對優(yōu)化前后的結(jié)果做出對比。

1 神經(jīng)網(wǎng)絡(luò)模型

1.1 BP神經(jīng)網(wǎng)絡(luò)

    BP網(wǎng)絡(luò)即誤差回傳神經(jīng)網(wǎng)絡(luò)(Back-Propagation Neural Network)，該神經(jīng)網(wǎng)絡(luò)模擬人腦神經(jīng)系統(tǒng)結(jié)構(gòu)和功能構(gòu)建，由輸入層、輸出層和隱含層組成，其內(nèi)神經(jīng)元輸出層層傳遞，并通過對各層間傳遞權(quán)值的調(diào)整來調(diào)整輸出，使其增強或者減弱以達到網(wǎng)絡(luò)要求^[8]。3層BP網(wǎng)絡(luò)是一種常見的BP網(wǎng)絡(luò)類型^[9]，如圖1所示，設(shè)輸入層神經(jīng)元為i，隱蔽層神經(jīng)元為j，輸出層神經(jīng)元為k，ω為網(wǎng)絡(luò)的權(quán)值矩陣，O為每一層的輸出。

    隱蔽層第j個神經(jīng)元的輸入為：

    BP神經(jīng)網(wǎng)絡(luò)可以將信息分開存儲并同時執(zhí)行多個處理，且具有較好的自學(xué)習(xí)、自組織、自適應(yīng)能力和容錯性，并可以很好地進行非線性映射關(guān)系的建立，但是它也存在兩點問題：網(wǎng)絡(luò)收斂速度慢、會在局部極小值處循環(huán)導(dǎo)致無法得到整體最優(yōu)解。遺傳算法是一種高效率的全局搜索方法^[10]，很適用于優(yōu)化復(fù)雜系統(tǒng)，因此考慮將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，以此來構(gòu)建更加準確而高效的模型^[11]。

1.2 GA-BP網(wǎng)絡(luò)

    GA-BP網(wǎng)絡(luò)模型的搭建需要3個步驟：BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定、遺傳算法優(yōu)化權(quán)值和閾值、BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練及預(yù)測。其中，網(wǎng)絡(luò)的拓撲結(jié)構(gòu)是根據(jù)樣本輸入輸出參數(shù)確定的，確定拓撲結(jié)構(gòu)后就得到BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值數(shù)量，即為遺傳算法需要優(yōu)化的參數(shù)個數(shù)，進而可以確定種群個體的編碼長度^[12]。BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值是隨機選取的，一般限定在[-0.5，0.5]的區(qū)間內(nèi)，這個初始參數(shù)對網(wǎng)絡(luò)訓(xùn)練的影響很大，不同初始參數(shù)帶來的訓(xùn)練結(jié)果不同，本文希望可以在網(wǎng)絡(luò)訓(xùn)練前就得到最佳的初始參數(shù)，故而引入遺傳算法，來得到最佳的初始權(quán)值閾值矩陣。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的算法流程圖如圖2所示。

2 聲發(fā)射信息

    聲發(fā)射檢測過程采集到信號，信號經(jīng)過篩選處理得到相應(yīng)的特性參數(shù)，這便是本文需要的聲發(fā)射信息。儲罐底板腐蝕聲發(fā)射信號屬于典型的突發(fā)型信號，其主要特性參數(shù)包括：幅度、上升時間、持續(xù)時間、振鈴計數(shù)、撞擊計數(shù)、事件計數(shù)和能量計數(shù)等^[13]。儲罐的質(zhì)量等級理論上便和這些參數(shù)相關(guān)。

    然而在實際檢測中發(fā)現(xiàn)，由于現(xiàn)場工況復(fù)雜，聲發(fā)射信號從聲源處傳播至傳感器的路徑較遠并且傳播途徑復(fù)雜，傳感器接收到的聲發(fā)射信號的幅值、能量參數(shù)值以及分布規(guī)律已較難反映聲源處信號的真實特征，因此現(xiàn)場檢測時幅值、能量等參數(shù)一般用于濾除噪聲信號而非直接參與結(jié)果評定。撞擊數(shù)和事件數(shù)不僅能夠反映腐蝕的活性以及泄漏的程度，而且容易提取和處理，受傳播途徑的影響也較小，足以表征腐蝕和泄漏的嚴重程度。除聲發(fā)射檢測信號外，儲罐的自身條件如儲罐尺寸、使用年限等，也對其腐蝕安全評價有著很強的參考價值。綜合上述考量，確定神經(jīng)網(wǎng)絡(luò)的輸入及輸出參數(shù)，詳見表1，其中，X₁~X₆是網(wǎng)絡(luò)輸入，Y是網(wǎng)絡(luò)輸出。

    為了對所構(gòu)建的罐底聲發(fā)射信號模式識別神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，首先從儲罐聲發(fā)射檢測數(shù)據(jù)庫中提取出150組儲罐信息，信息中包含聲發(fā)射檢測信號特性參數(shù)、儲罐信息及聲發(fā)射評級結(jié)果，取上述樣本前120組數(shù)據(jù)用于網(wǎng)絡(luò)訓(xùn)練，后30組數(shù)據(jù)用于訓(xùn)練后的樣本驗證。

3 模型構(gòu)建

    利用MATLAB工具箱及Sheffield大學(xué)的遺傳算法工具箱Gatbx建立BP模型和GA-BP模型。

    在模型構(gòu)建過程中，不同評價指標往往具有不同的量綱及量綱單位,在儲罐腐蝕評價模型中，各輸入?yún)⒘繌膫€位數(shù)到五位數(shù)都有，參量之間有著4個等級的數(shù)量差，若是直接進行模型構(gòu)建，會給數(shù)據(jù)分析的結(jié)果帶來很大的負面影響，為了提高訓(xùn)練時的收斂速度和網(wǎng)絡(luò)預(yù)測精度，需要各參量在訓(xùn)練時處于同等狀態(tài)，為此對數(shù)據(jù)進行歸一化處理。本文采取的歸一化方法是通過運算將數(shù)據(jù)映射至0～1之間。歸一化公式為：

式中，X是各樣本數(shù)據(jù)歸一化后的結(jié)果；X₀為樣本各數(shù)據(jù)歸一化前的原始數(shù)據(jù)；X_min是該類數(shù)據(jù)組原始數(shù)據(jù)中的最小值，X_max為最大值。

3.1 BP神經(jīng)網(wǎng)絡(luò)

    對設(shè)計好的BP神經(jīng)網(wǎng)絡(luò)進行多次實驗，出現(xiàn)了兩種類型的結(jié)果，如圖3所示。

    圖3取自多次訓(xùn)練后獲得的誤差最小的BP神經(jīng)網(wǎng)絡(luò)，顯示的是預(yù)測樣本的神經(jīng)網(wǎng)絡(luò)輸出與其期望輸出的對比圖，該組數(shù)據(jù)的平均絕對誤差為0.222 7。

    由于神經(jīng)網(wǎng)絡(luò)的輸出Y中鮮有整數(shù)，將Y四舍五入后得到整數(shù)，即為BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測的儲罐腐蝕情況評級，與期望值對比可知該模型的準確度為86.67%，結(jié)果對比詳見表2，其中，計算值是BP網(wǎng)絡(luò)的直接輸出值，經(jīng)過上述處理后得到估測值，即BP神經(jīng)網(wǎng)絡(luò)模型輸出的儲罐底板腐蝕程度評級。

    圖4是另一種訓(xùn)練結(jié)果相應(yīng)的訓(xùn)練界面，可以看到在訓(xùn)練次數(shù)達到2 000后網(wǎng)絡(luò)仍未達到指定誤差，且后期趨于穩(wěn)定，認為該次訓(xùn)練BP網(wǎng)絡(luò)陷入了局部極小值，其平均絕對誤差為32.493 5。

    以上是BP網(wǎng)絡(luò)的兩種訓(xùn)練結(jié)果，圖3代表的BP網(wǎng)絡(luò)結(jié)果準確率只有86.67%，準確率不高且網(wǎng)絡(luò)穩(wěn)定性不好；圖4則顯示著BP網(wǎng)絡(luò)的一種常見弊端——網(wǎng)絡(luò)陷入局部最小循環(huán)從而無法找到全局最優(yōu)值。針對以上兩個問題，選取遺傳算法來對BP網(wǎng)絡(luò)進行優(yōu)化。

3.2 GA-BP神經(jīng)網(wǎng)絡(luò)

    遺傳算法部分，根據(jù)經(jīng)驗與重復(fù)實驗，設(shè)置初始種群數(shù)量為40個，個體編碼方式采用二進制編碼，代溝取0.95，交叉概率取0.7，變異概率取0.01，最大遺傳代數(shù)設(shè)為80代。選擇算子采用隨機遍歷抽樣，交叉算子為單點交叉算子，變異采用隨機方法，適應(yīng)度函數(shù)選取排序的適應(yīng)度分配函數(shù)：FitnV=raning(obj)。由于本實驗旨在對儲罐底板腐蝕的評級結(jié)果進行預(yù)測，為了減小預(yù)測誤差，選取樣本預(yù)測值與期望值的誤差矩陣范數(shù)作為目標函數(shù)輸出。

    設(shè)定好參數(shù)后對網(wǎng)絡(luò)進行訓(xùn)練，GA-BP網(wǎng)絡(luò)的進化過程如圖5所示，仿真預(yù)測與原數(shù)據(jù)的對比如圖6所示，該組數(shù)據(jù)的平均絕對誤差為0.133 1。

    將神經(jīng)網(wǎng)絡(luò)輸出Y四舍五入后即可得到儲罐腐蝕情況的GA-BP評級，模型準確度為96.67%，結(jié)果對比詳見表3，同BP神經(jīng)網(wǎng)絡(luò)模型一樣，網(wǎng)絡(luò)計算值是GA-BP網(wǎng)絡(luò)的直接輸出值，估測值為整個GA-BP網(wǎng)絡(luò)模型輸出的儲罐底板腐蝕程度評級。

3.3 結(jié)果分析

    將BP神經(jīng)網(wǎng)絡(luò)與GA-BP神經(jīng)網(wǎng)絡(luò)的評估結(jié)果整合到表4中。對比BP網(wǎng)絡(luò)的最優(yōu)訓(xùn)練模型可知，GA-BP網(wǎng)絡(luò)的平均絕對誤差減少了40.23%，準確度提升了10%。故而相比傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)而言，遺傳算法優(yōu)化過的BP神經(jīng)網(wǎng)絡(luò)模型具有更好的穩(wěn)定性與準確度。GA-BP網(wǎng)絡(luò)構(gòu)建的儲罐腐蝕情況評價模型準確度可達96.67%，若有更多的實驗樣本和更詳實的數(shù)據(jù)構(gòu)成，這個數(shù)字還有增大空間，故而利用GA-BP網(wǎng)絡(luò)構(gòu)建的基于聲發(fā)射檢測的儲罐腐蝕評價模型對罐體的腐蝕級別評估具有可靠性。

4 結(jié)束語

    本文針對國內(nèi)缺乏常壓儲罐底板腐蝕情況的評估技術(shù)和方法的現(xiàn)狀，提出了利用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)評價方法。

    實驗證明，遺傳算法的優(yōu)化可以顯著改善BP網(wǎng)絡(luò)陷入局部極小值從而無法得到最優(yōu)解的問題，以及BP網(wǎng)絡(luò)精度不足、收斂速度慢的問題。利用GA-BP網(wǎng)絡(luò)可以對大型常壓儲罐的罐底腐蝕情況做出更為準確的預(yù)測，為我國自主研發(fā)儲罐在線檢測系統(tǒng)提供參考。

參考文獻

[1] 趙雪娥，蔣軍.原油儲罐的腐蝕機理研究及防護技術(shù)現(xiàn)狀[J].中國安全科學(xué)學(xué)報，2005，15(3)：104-107.

[2] ZHAO Y，SHAO X，ZHAO X，et al.Comparative analysis between acoustic emission testing and magnetic flux leakage testing[C].2018遠東無損檢測新技術(shù)論壇，2018.

[3] 田亞團.常壓儲罐底板在線聲發(fā)射檢測的試驗研究與工程應(yīng)用[D].天津：天津大學(xué)，2011.

[4] 沈功田，戴光.無損檢測常壓金屬儲罐聲發(fā)射檢測及評價方法[C].中國聲發(fā)射學(xué)術(shù)研討會，2006.

[5] 畢海勝，李自力，程遠鵬，等.常壓儲罐底板腐蝕速率與聲發(fā)射活度的相關(guān)性探討[J].腐蝕與防護，2015，36(6)：573-576.

[6] Bi Haisheng，Li Zili，Hu Dedong，et al.Cluster analysis of acoustic emission signals during tank bottom steel pitting corrosion process[J].Journal of China University of Petroleum(Edition of Natural Science)，2015，39(6)：145-152.

[7] 李一博，孫立瑛，靳世久，等.大型常壓儲罐底板的聲發(fā)射在線檢測[J].天津大學(xué)學(xué)報(自然科學(xué)與工程技術(shù)版)，2008，41(1)：11-16.

[8] 田景文，高美娟.人工神經(jīng)網(wǎng)絡(luò)算法研究及應(yīng)用[M].北京：北京理工大學(xué)出版社，2006.

[9] 于耕，方鴻濤.基于BP神經(jīng)網(wǎng)絡(luò)改進UKF的組合導(dǎo)航算法[J].電子技術(shù)應(yīng)用，2019，45(4)：29-33.

[10] 雷英杰，張善文.MATLAB遺傳算法工具箱及應(yīng)用[M].西安：西安電子科技大學(xué)出版社，2014.

[11] 王莉，郭曉東，惠延波.基于改進BP神經(jīng)網(wǎng)絡(luò)的心電信號分類方法[J].電子技術(shù)應(yīng)用，2019，45(6)：108-112.

[12] HAO-YUE P.The BP neural network′s GA optimization and its realization on MATLAB[C].Control and Decision Conference(CCDC)，2013 25th Chinese.IEEE，2013.

[13] 顧建宏.立式儲罐底板聲發(fā)射在線檢測與評價技術(shù)研究[D].南京：東南大學(xué)，2014.

作者信息:

劉琪華1，張世杰2

(1.天津大學(xué) 精密儀器與光電子工程學(xué)院，天津300072；2.交通運輸部天津水運工程科學(xué)研究院，天津300456)