0 引言

    常壓儲罐是石油化工生產中廣泛使用的儲存設備，調查顯示，儲罐的絕大多數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區，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，相比于傳統的漏磁^[2]、導波檢測技術，聲發射檢測技術檢測周期短、經濟損耗少，并且可對儲罐底板進行持續在線測量，是國際上進行儲罐底板腐蝕在線檢測的最優選擇^[3]。美國PAC公司研發了TANKPAC大型常壓金屬儲罐底板聲發射檢測專家評估系統，并成功地在世界范圍進行了應用和驗證。而我國尚未研發出大型常壓儲罐底板聲發射評估系統，目前主要應用PAC公司的TANKPAC系統對大型常壓儲罐的腐蝕情況進行檢測和評估。

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

    本文使用BP神經網絡及由遺傳算法（GA）優化過的BP神經網絡（GA-BP網絡）來構建基于聲發射檢測的儲罐底板腐蝕評價模型，并對其進行訓練和測試，最后對優化前后的結果做出對比。

1 神經網絡模型

1.1 BP神經網絡

    BP網絡即誤差回傳神經網絡(Back-Propagation Neural Network)，該神經網絡模擬人腦神經系統結構和功能構建，由輸入層、輸出層和隱含層組成，其內神經元輸出層層傳遞，并通過對各層間傳遞權值的調整來調整輸出，使其增強或者減弱以達到網絡要求^[8]。3層BP網絡是一種常見的BP網絡類型^[9]，如圖1所示，設輸入層神經元為i，隱蔽層神經元為j，輸出層神經元為k，ω為網絡的權值矩陣，O為每一層的輸出。

    隱蔽層第j個神經元的輸入為：

    BP神經網絡可以將信息分開存儲并同時執行多個處理，且具有較好的自學習、自組織、自適應能力和容錯性，并可以很好地進行非線性映射關系的建立，但是它也存在兩點問題：網絡收斂速度慢、會在局部極小值處循環導致無法得到整體最優解。遺傳算法是一種高效率的全局搜索方法^[10]，很適用于優化復雜系統，因此考慮將遺傳算法與BP神經網絡相結合，以此來構建更加準確而高效的模型^[11]。

1.2 GA-BP網絡

    GA-BP網絡模型的搭建需要3個步驟：BP神經網絡結構確定、遺傳算法優化權值和閾值、BP神經網絡訓練及預測。其中，網絡的拓撲結構是根據樣本輸入輸出參數確定的，確定拓撲結構后就得到BP神經網絡的權值和閾值數量，即為遺傳算法需要優化的參數個數，進而可以確定種群個體的編碼長度^[12]。BP神經網絡的初始權值和閾值是隨機選取的，一般限定在[-0.5，0.5]的區間內，這個初始參數對網絡訓練的影響很大，不同初始參數帶來的訓練結果不同，本文希望可以在網絡訓練前就得到最佳的初始參數，故而引入遺傳算法，來得到最佳的初始權值閾值矩陣。遺傳算法優化BP神經網絡的算法流程圖如圖2所示。

2 聲發射信息

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

    然而在實際檢測中發現，由于現場工況復雜，聲發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雜，傳感器接收到的聲發射信號的幅值、能量參數值以及分布規律已較難反映聲源處信號的真實特征，因此現場檢測時幅值、能量等參數一般用于濾除噪聲信號而非直接參與結果評定。撞擊數和事件數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，確定神經網絡的輸入及輸出參數，詳見表1，其中，X₁~X₆是網絡輸入，Y是網絡輸出。

    為了對所構建的罐底聲發射信號模式識別神經網絡進行訓練，首先從儲罐聲發射檢測數據庫中提取出150組儲罐信息，信息中包含聲發射檢測信號特性參數、儲罐信息及聲發射評級結果，取上述樣本前120組數據用于網絡訓練，后30組數據用于訓練后的樣本驗證。

3 模型構建

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

    在模型構建過程中，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，各輸入參量從個位數到五位數都有，參量之間有著4個等級的數量差，若是直接進行模型構建，會給數據分析的結果帶來很大的負面影響，為了提高訓練時的收斂速度和網絡預測精度，需要各參量在訓練時處于同等狀態，為此對數據進行歸一化處理。本文采取的歸一化方法是通過運算將數據映射至0～1之間。歸一化公式為：

式中，X是各樣本數據歸一化后的結果；X₀為樣本各數據歸一化前的原始數據；X_min是該類數據組原始數據中的最小值，X_max為最大值。

3.1 BP神經網絡

    對設計好的BP神經網絡進行多次實驗，出現了兩種類型的結果，如圖3所示。

    圖3取自多次訓練后獲得的誤差最小的BP神經網絡，顯示的是預測樣本的神經網絡輸出與其期望輸出的對比圖，該組數據的平均絕對誤差為0.222 7。

    由于神經網絡的輸出Y中鮮有整數，將Y四舍五入后得到整數，即為BP神經網絡模型預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%，結果對比詳見表2，其中，計算值是BP網絡的直接輸出值，經過上述處理后得到估測值，即BP神經網絡模型輸出的儲罐底板腐蝕程度評級。

    圖4是另一種訓練結果相應的訓練界面，可以看到在訓練次數達到2 000后網絡仍未達到指定誤差，且后期趨于穩定，認為該次訓練BP網絡陷入了局部極小值，其平均絕對誤差為32.493 5。

    以上是BP網絡的兩種訓練結果，圖3代表的BP網絡結果準確率只有86.67%，準確率不高且網絡穩定性不好；圖4則顯示著BP網絡的一種常見弊端——網絡陷入局部最小循環從而無法找到全局最優值。針對以上兩個問題，選取遺傳算法來對BP網絡進行優化。

3.2 GA-BP神經網絡

    遺傳算法部分，根據經驗與重復實驗，設置初始種群數量為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，最大遺傳代數設為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，適應度函數選取排序的適應度分配函數：FitnV=raning(obj)。由于本實驗旨在對儲罐底板腐蝕的評級結果進行預測，為了減小預測誤差，選取樣本預測值與期望值的誤差矩陣范數作為目標函數輸出。

    設定好參數后對網絡進行訓練，GA-BP網絡的進化過程如圖5所示，仿真預測與原數據的對比如圖6所示，該組數據的平均絕對誤差為0.133 1。

    將神經網絡輸出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%，結果對比詳見表3，同BP神經網絡模型一樣，網絡計算值是GA-BP網絡的直接輸出值，估測值為整個GA-BP網絡模型輸出的儲罐底板腐蝕程度評級。

3.3 結果分析

    將BP神經網絡與GA-BP神經網絡的評估結果整合到表4中。對比BP網絡的最優訓練模型可知，GA-BP網絡的平均絕對誤差減少了40.23%，準確度提升了10%。故而相比傳統的BP神經網絡而言，遺傳算法優化過的BP神經網絡模型具有更好的穩定性與準確度。GA-BP網絡構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據構成，這個數字還有增大空間，故而利用GA-BP網絡構建的基于聲發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 結束語

    本文針對國內缺乏常壓儲罐底板腐蝕情況的評估技術和方法的現狀，提出了利用遺傳算法優化的BP神經網絡評價方法。

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

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現狀[J].中國安全科學學報，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論壇，2018.

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

[4] 沈功田，戴光.無損檢測常壓金屬儲罐聲發射檢測及評價方法[C].中國聲發射學術研討會，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射活度的相關性探討[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射在線檢測[J].天津大學學報(自然科學與工程技術版)，2008，41(1)：11-16.

[8] 田景文，高美娟.人工神經網絡算法研究及應用[M].北京：北京理工大學出版社，2006.

[9] 于耕，方鴻濤.基于BP神經網絡改進UKF的組合導航算法[J].電子技術應用，2019，45(4)：29-33.

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

[11] 王莉，郭曉東，惠延波.基于改進BP神經網絡的心電信號分類方法[J].電子技術應用，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.立式儲罐底板聲發射在線檢測與評價技術研究[D].南京：東南大學，2014.

作者信息:

劉琪華1，張世杰2

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