基于GA

0 引言

    常压储罐是石油化工生产中广泛使用的储存设备，调查显示，储罐的绝大多数损坏都是由腐蚀造成的，储罐腐蚀的危害及其带来的损失都很大^[1]。其中，储罐底板均匀腐蚀、坑蚀的部分是腐蚀泄露高发区，故而储罐腐蚀状况评价的核心是状况的检测。

    目前，大型常压储罐主要采用离线检测和在线检测相结合的方式进行腐蚀方面的安全检测。在线检测方面，相比于传统的漏磁^[2]、导波检测技术，技术检测周期短、经济损耗少，并且可对储罐底板进行持续在线测量，是国际上进行储罐底板腐蚀在线检测的最优选择^[3]。美国PAC公司研发了TANKPAC大型常压金属储罐底板声发射检测专家评估系统，并成功地在世界范围进行了应用和验证。而我国尚未研发出大型常压储罐底板声发射评估系统，目前主要应用PAC公司的TANKPAC系统对大型常压储罐的腐蚀情况进行检测和评估。

    近年来，国内科研工作者也进行了很多相关研究。我国制订了《无损检测-常压金属储罐-声发射检测及评价方法》，并广泛应用于常压储罐的无损检测工作中^[4]；发现了声发射信号活度与储罐底板腐蚀速率之间的关系^[5]，并且能区分出不同声发射信号的产生类型从而对声发射信息进行适当修正^[6]；此外，在提高罐底不同性质声发射源的判别准确率方面也有着不错的进展^[7]。

    本文使用及由（GA）优化过的BP神经网络（GA-BP网络）来构建基于声发射检测的储罐底板腐蚀评价模型，并对其进行训练和测试，最后对优化前后的结果做出对比。

1 神经网络模型

1.1 BP神经网络

    BP网络即误差回传神经网络(Back-Propagation Neural Network)，该神经网络模拟人脑神经系统结构和功能构建，由输入层、输出层和隐含层组成，其内神经元输出层层传递，并通过对各层间传递权值的调整来调整输出，使其增强或者减弱以达到网络要求^[8]。3层BP网络是一种常见的BP网络类型^[9]，如图1所示，设输入层神经元为i，隐蔽层神经元为j，输出层神经元为k，ω为网络的权值矩阵，O为每一层的输出。

    隐蔽层第j个神经元的输入为：

    BP神经网络可以将信息分开存储并同时执行多个处理，且具有较好的自学习、自组织、自适应能力和容错性，并可以很好地进行非线性映射关系的建立，但是它也存在两点问题：网络收敛速度慢、会在局部极小值处循环导致无法得到整体最优解。遗传算法是一种高效率的全局搜索方法^[10]，很适用于优化复杂系统，因此考虑将遗传算法与BP神经网络相结合，以此来构建更加准确而高效的模型^[11]。

1.2 GA-BP网络

    GA-BP网络模型的搭建需要3个步骤：BP神经网络结构确定、遗传算法优化权值和阈值、BP神经网络训练及预测。其中，网络的拓扑结构是根据样本输入输出参数确定的，确定拓扑结构后就得到BP神经网络的权值和阈值数量，即为遗传算法需要优化的参数个数，进而可以确定种群个体的编码长度^[12]。BP神经网络的初始权值和阈值是随机选取的，一般限定在[-0.5，0.5]的区间内，这个初始参数对网络训练的影响很大，不同初始参数带来的训练结果不同，本文希望可以在网络训练前就得到最佳的初始参数，故而引入遗传算法，来得到最佳的初始权值阈值矩阵。遗传算法优化BP神经网络的算法流程图如图2所示。

2 声发射信息

    声发射检测过程采集到信号，信号经过筛选处理得到相应的特性参数，这便是本文需要的声发射信息。储罐底板腐蚀声发射信号属于典型的突发型信号，其主要特性参数包括：幅度、上升时间、持续时间、振铃计数、撞击计数、事件计数和能量计数等^[13]。储罐的质量等级理论上便和这些参数相关。

    然而在实际检测中发现，由于现场工况复杂，声发射信号从声源处传播至传感器的路径较远并且传播途径复杂，传感器接收到的声发射信号的幅值、能量参数值以及分布规律已较难反映声源处信号的真实特征，因此现场检测时幅值、能量等参数一般用于滤除噪声信号而非直接参与结果评定。撞击数和事件数不仅能够反映腐蚀的活性以及泄漏的程度，而且容易提取和处理，受传播途径的影响也较小，足以表征腐蚀和泄漏的严重程度。除声发射检测信号外，储罐的自身条件如储罐尺寸、使用年限等，也对其腐蚀安全评价有着很强的参考价值。综合上述考量，确定神经网络的输入及输出参数，详见表1，其中，X₁~X₆是网络输入，Y是网络输出。

    为了对所构建的罐底声发射信号模式识别神经网络进行训练，首先从储罐声发射检测数据库中提取出150组储罐信息，信息中包含声发射检测信号特性参数、储罐信息及声发射评级结果，取上述样本前120组数据用于网络训练，后30组数据用于训练后的样本验证。

3 模型构建

    利用MATLAB工具箱及Sheffield大学的遗传算法工具箱Gatbx建立BP模型和GA-BP模型。

    在模型构建过程中，不同评价指标往往具有不同的量纲及量纲单位,在储罐腐蚀评价模型中，各输入参量从个位数到五位数都有，参量之间有着4个等级的数量差，若是直接进行模型构建，会给数据分析的结果带来很大的负面影响，为了提高训练时的收敛速度和网络预测精度，需要各参量在训练时处于同等状态，为此对数据进行归一化处理。本文采取的归一化方法是通过运算将数据映射至0～1之间。归一化公式为：

式中，X是各样本数据归一化后的结果；X₀为样本各数据归一化前的原始数据；X_min是该类数据组原始数据中的最小值，X_max为最大值。

3.1 BP神经网络

    对设计好的BP神经网络进行多次实验，出现了两种类型的结果，如图3所示。

    图3取自多次训练后获得的误差最小的BP神经网络，显示的是预测样本的神经网络输出与其期望输出的对比图，该组数据的平均绝对误差为0.222 7。

    由于神经网络的输出Y中鲜有整数，将Y四舍五入后得到整数，即为BP神经网络模型预测的储罐腐蚀情况评级，与期望值对比可知该模型的准确度为86.67%，结果对比详见表2，其中，计算值是BP网络的直接输出值，经过上述处理后得到估测值，即BP神经网络模型输出的储罐底板腐蚀程度评级。

    图4是另一种训练结果相应的训练界面，可以看到在训练次数达到2 000后网络仍未达到指定误差，且后期趋于稳定，认为该次训练BP网络陷入了局部极小值，其平均绝对误差为32.493 5。

    以上是BP网络的两种训练结果，图3代表的BP网络结果准确率只有86.67%，准确率不高且网络稳定性不好；图4则显示着BP网络的一种常见弊端——网络陷入局部最小循环从而无法找到全局最优值。针对以上两个问题，选取遗传算法来对BP网络进行优化。

3.2 GA-BP神经网络

    遗传算法部分，根据经验与重复实验，设置初始种群数量为40个，个体编码方式采用二进制编码，代沟取0.95，交叉概率取0.7，变异概率取0.01，最大遗传代数设为80代。选择算子采用随机遍历抽样，交叉算子为单点交叉算子，变异采用随机方法，适应度函数选取排序的适应度分配函数：FitnV=raning(obj)。由于本实验旨在对储罐底板腐蚀的评级结果进行预测，为了减小预测误差，选取样本预测值与期望值的误差矩阵范数作为目标函数输出。

    设定好参数后对网络进行训练，GA-BP网络的进化过程如图5所示，仿真预测与原数据的对比如图6所示，该组数据的平均绝对误差为0.133 1。

    将神经网络输出Y四舍五入后即可得到储罐腐蚀情况的GA-BP评级，模型准确度为96.67%，结果对比详见表3，同BP神经网络模型一样，网络计算值是GA-BP网络的直接输出值，估测值为整个GA-BP网络模型输出的储罐底板腐蚀程度评级。

3.3 结果分析

    将BP神经网络与GA-BP神经网络的评估结果整合到表4中。对比BP网络的最优训练模型可知，GA-BP网络的平均绝对误差减少了40.23%，准确度提升了10%。故而相比传统的BP神经网络而言，遗传算法优化过的BP神经网络模型具有更好的稳定性与准确度。GA-BP网络构建的储罐腐蚀情况评价模型准确度可达96.67%，若有更多的实验样本和更详实的数据构成，这个数字还有增大空间，故而利用GA-BP网络构建的基于声发射检测的储罐腐蚀评价模型对罐体的腐蚀级别评估具有可靠性。

4 结束语

    本文针对国内缺乏常压储罐底板腐蚀情况的评估技术和方法的现状，提出了利用遗传算法优化的BP神经网络评价方法。

    实验证明，遗传算法的优化可以显著改善BP网络陷入局部极小值从而无法得到最优解的问题，以及BP网络精度不足、收敛速度慢的问题。利用GA-BP网络可以对大型常压储罐的罐底腐蚀情况做出更为准确的预测，为我国自主研发储罐在线检测系统提供参考。

参考文献

[1] 赵雪娥，蒋军.原油储罐的腐蚀机理研究及防护技术现状[J].中国安全科学学报，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远东无损检测新技术论坛，2018.

[3] 田亚团.常压储罐底板在线声发射检测的试验研究与工程应用[D].天津：天津大学，2011.

[4] 沈功田，戴光.无损检测常压金属储罐声发射检测及评价方法[C].中国声发射学术研讨会，2006.

[5] 毕海胜，李自力，程远鹏，等.常压储罐底板腐蚀速率与声发射活度的相关性探讨[J].腐蚀与防护，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，孙立瑛，靳世久，等.大型常压储罐底板的声发射在线检测[J].天津大学学报(自然科学与工程技术版)，2008，41(1)：11-16.

[8] 田景文，高美娟.人工神经网络算法研究及应用[M].北京：北京理工大学出版社，2006.

[9] 于耕，方鸿涛.基于BP神经网络改进UKF的组合导航算法[J].电子技术应用，2019，45(4)：29-33.

[10] 雷英杰，张善文.MATLAB遗传算法工具箱及应用[M].西安：西安电子科技大学出版社，2014.

[11] 王莉，郭晓东，惠延波.基于改进BP神经网络的心电信号分类方法[J].电子技术应用，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] 顾建宏.立式储罐底板声发射在线检测与评价技术研究[D].南京：东南大学，2014.

作者信息:

刘琪华1，张世杰2

(1.天津大学 精密仪器与光电子工程学院，天津300072；2.交通运输部天津水运工程科学研究院，天津300456)