基于自适应仿射传播的储罐罐底声发射腐蚀检测

朱 峰，胡建中，张延兵

（1.东南大学 机械工程学院，南京 211189；2.江苏省特种设备安全监督检验研究院 南通分院，南通 226011）

储罐在长期使用过程中受到自然环境和内部介质不利因素的影响，某些部位均会受到不同程度的腐蚀，为了保障储罐安全可靠运行，需要对储罐进行检测、评估与维护［1］。相比于定期开罐检查，声发射检测技术作为一种无损检测方式［2］，具有在线、高效、经济的巨大优势，并逐渐受到石化行业的普遍关注，其应用越来越广泛。

储罐底板声发射在线检测是指通过获取罐底板腐蚀而产生的声发射信号，对其腐蚀状况进行综合评价［3］。根据检测标准TB／T10764—2007《常压金属储罐声发射检测及评价方法》，声发射在线检测的结果可以采用时差定位分析方法进行分级，对评定区域内定位相对较集中的所有定位区域进行局部放大分析，并计算出每小时出现的定位事件数，根据定位事件数进行相应的腐蚀状态评价。因此，研究罐底腐蚀区域识别方法对于罐底的腐蚀状态评价具有十分重要的意义。

对罐底腐蚀区域进行评价主要是根据定位事件数分布的疏密情况，寻找事件数多发区域，进而为罐底腐蚀评价提供依据。传统的方法是利用人工视觉分析事件数分布，预先设定聚类数目后，通过K均值进行聚类，该方法容易受人感觉因素的影响，存在不足；还有通过小波聚类的方法对罐底腐蚀区域进行识别［4］，该方法能够识别任意形状分布的腐蚀区域，但其结果受到初始参数设置的影响。针对上述问题，笔者提出一种基于自适应仿射传播的储罐罐底声发射腐蚀检测评价方法。

1 自适应仿射传播算法

1.1 算法描述

仿射传播聚类算法是一种快速有效的聚类算法，它将每一个数据点作为潜在的聚类中心点，通过循环迭代和消息传递，动态地确定聚类中心［5］。给定一个有N个样本的数据集合X＝｛x1，x2，…，xN｝，定义相似度距离：

式中：i∈｛1，2，...，N｝，k∈｛1，2，...，N｝，xi、xk分别为样本点和类代表点；s（i，k）表示xk作为xi的类代表点的适合程度；p为偏向参数［7］，该参数会影响消息传递的过程和类代表点的数目。

一般p取较大值时，产生的聚类数目也较多。故在无先验知识的情况下，为产生数目适中的聚类结果，偏向参数的取值一般取相似度矩阵中各元素的中值pm＝（Smax＋Smin）／2，该值一般不为0。

计算数据集中两两数据点间的相似度距离，组成相似度矩阵：

式中：p为偏向参数；s（1，N）与s（N，1）为对应s（i，k）的相似度距离。

数据点之间存在着两种不同的消息传递，数据点xk对点xi的吸引度R（i，k），反映了数据点xk作为点xi的类代表点的吸引程度。相应地，数据点xi对于点xk的归属度A（i，k），反映了数据点xi选择xk的类代表点的归属程度，初始化归属度A（i，k）＝0。两种消息的迭代方程如下：

在消息的迭代过程中，有时会产生数据震荡。因此需要设定一个重要的参数，称为阻尼因子λ。在每次循环迭代中，R（i，k）和A（i，k）的更新结果都是由当前迭代更新的值和上一步迭代的结果加权得到的，该参数有效减少了震荡，使得算法尽快收敛。加权更新公式为：

仿射传播算法本质上是通过循环迭代不断地进行证据的收集和传递以产生高质量的类代表点和对应的聚类，通过搜索使得聚类的能量函数得到最小化的过程。聚类的能量函数为各数据点与其聚类中心的相似度之和，即

式中：i∈Ci，Ci为点i的聚类中心。

在算法的实现过程中，消息点之间不断进行信息的更新，随着计算过程中消息的传递与累计并不断进行循环迭代和信息传递，最终聚类产生高质量的类代表点的数目为m类［6］。

自适应仿射传播算法是针对仿射传播算法的改进算法，针对原算法中的阻尼因子和偏向参数这两个参数进行改进［7－8］。主要方法包括扫描偏向参数空间以寻找最优聚类结果，通过调整阻尼因子来消除震荡以及降低偏向参数的值以逃离震荡。自适应仿射传播算法无需设置初始聚类中心点，并且通过遍历偏向参数空间的方法可以消除初始参数设置的影响［9－10］。

1.2 聚类有效性评价

当得到一系列聚类中心点后，还需要通过聚类的有效性指标来对聚类的有效性进行评价。在众多的有效性指标中，Silhouette指标［11］以其性能好、简单易用而得到广泛的应用。

给定一个p维数据集D＝｛x1，x2，…，xn｝，n为数据集D中数据对象的个数。聚类算法将D划分为Nc个子集的集合D＝｛C1，C2，...，CNc｝，子集Ci称为D的子类（簇）。用ci表示类Ci中心点，ni表示类Ci中对象个数，d（x1，x2）表示对象间的距离。则Silhouette有效性指标定义为：

式中：a（x）为聚类Ci中的样本x与类内所有其他样本的平均距离，反映类的紧密型；b（x）为其他类与类Ci的最小类间距离，反映类的可分性。

一个数据集的所有样本的Silhouette平均值可以反映聚类结果的质量，平均Silhouette指标越大表示聚类质量越好。

2 罐底腐蚀检测评价方法

2.1 储罐底板腐蚀评价

储罐底板腐蚀评价主要是根据储罐底板事件数分布的疏密情况，找出事件数多发区域，并依据相应声发射检测标准对储罐底板的腐蚀状态进行评价。储罐底板事件数反映储罐底板腐蚀事件发生的频度，通常单位时间内出现的区域事件数越密集，评定区域的腐蚀状态越严重，因此如何确定事件数集中区域对储罐底板腐蚀评价至关重要。根据JB／T 10764—2007《常压金属储罐声发射检测及评价方法》［12］，对储罐底板进行声发射检测结果进行基于时差定位的分级，根据定位图中的事件分布，以不大于直径10%的长度对储罐底板划出正方形或圆形区域，对评定区域内比较集中的定位集团进行局部放大分析，计算每小时的定位事件数E，对评定区域的有效声源按照表1 进行分级。其中，C的具体数值须通过进行一定数量的储罐检测试验和开罐验证试验后获得。对采集到的储罐声发射信号进行定位后，采用自适应仿射传播算法对罐底定位事件数进行聚类分析，找出罐底板声发射事件数集中区域，对找出的事件数集中区域附近再次进行搜索，找出最大事件数区域，并按照表1对罐底事件数集中区域腐蚀状态进行评价。

2.2 基于自适应仿射传播的罐底腐蚀检测评价流程

基于自适应仿射传播的罐底腐蚀评价方法步骤如下：①对储罐进行现场勘测，在尽可能排除噪声的情况下开始采集信号，正常情况下采集2h。②使用数据滤波等信号处理方法对采集的信号进行降噪处理，对降噪后的信号采用平面三角定位算法，对声发射事件进行定位。③初始化基本参数，如衰减因子λ（初始化λ为0.5）、最大迭代次数N等。④计算所有声发射源样本点的相似度矩阵S和偏向参数p，p以一个较大的值作为起始值，可以取为p＝0.5×pm。⑤多次循环执行仿射传播算法，得到K个类代表点。⑥判断个类代表点是否收敛，若收敛，则以减少p值；若不收敛，则p＝p＋以一定步幅增大λ；若λ≥λmax（λmax取0.85）时仍不收敛，说明该p值下的震荡是固执的，可按上式继续减少p值以逃离震荡。⑦判断算法是否满足终止条件，若满足，终止迭代转至⑧，否则转至⑤。⑧采用Silhouette指标作为聚类有效性指标，输出聚类结果。⑨以直径10%的长度对聚类中心划出正方形区域作为局部搜索区域，以直径0.1%长度作为搜索步长，找出罐底事件数最大区域。⑩对罐底事件数最大区域进行腐蚀等级评价。

表1 基于时差定位分析的声发射源的分级

3 工程实例分析

为验证该方法的适用性，选取三个储罐作为试验对象，1＃储罐直径为4 000 mm，材料为碳钢，介质为石油；2＃储罐直径为14 000mm，材料为碳钢，介质为甲醇；3＃储罐直径为2 300 mm，材料为碳钢，介质为石油。检测仪器均为美国PAC 公司的SAMOS系统，传感器型号为DP3I，工作频率范围为20～100kHz，前放增益为40dB。

声发射源在笛卡尔坐标系中有x和y两个坐标。由于检测过程中只记录定位在罐内的声发射源，故两坐标的范围均为［－D／2，D／2］，D为储罐直径，罐圆心设为坐标原点（0，0），三个储罐声发射源分布图如图1所示。

图1所示的三个罐底声发射源，可以细分为局部集中型，如图1（a）所示；松散分布型，如图1（b）所示；密集集中型，如图1（c）所示三种类型。

3.1 聚类分析

3.1.1 自适应仿射传播算法聚类

对图1所示三个罐底声发射源进行自适应仿射传播聚类，得到相应的Silhouette 值分别为0.6 251，0.5 565和0.5 649，可认为自适应仿射传播算法能够将各个聚类分开，如图2所示。

3.1.2K均值聚类

传统的K均值算法在执行之前需要预先设定聚类数目，而实际情况中储罐的聚类数目是不得而知的，自适应仿射传播算法则并不存在上述问题，可以自动进行区域识别。为验证自适应仿射传播算法对于现场罐底声发射源数据是适用的，此处将K均值算法的初始聚类数目设置为自适应仿射传播算法得到的聚类数目相同，得到的结果如图3所示。计算各自的平均Silhouette值，如表2所示。

表2 自适应仿射传播算法与K 均值算法聚类数目对比

从表中对比的结果可知，对于现场罐底声发射源数据，自适应仿射传播算法能够达到传统K均值聚类算法的精度，得到一个较好的聚类结果。并且克服了传统K均值聚类对于初始类中心选择敏感，需要预知聚类数目的缺点。

通过分析对比可以发现，自适应仿射传播算法对于现场罐底声发射源数据是适用的。

图1 储罐罐底声发射源分布图

图2 不同储罐自适应仿射传播算法聚类分布

3.2 最大定位事件数

通过上述方法得到聚类中心点后，以储罐直径10%的长度对聚类中心划出正方形区域作为局部搜索区域，以直径0.1%长度作为搜索步长，进行局部搜索以求得最大定位事件数，如图4所示。将本方法得到的最大定位事件数，与K均值聚类结果和网格搜索算法得到的结果进行对比，如表3 所示。通过对比可以发现，该方法能够达到K均值聚类和网格搜索算法的精度，相对于K均值聚类算法，自适应仿射传播算法能够自动确定聚类数目。由于自适应仿射传播算法是在聚类中心点附近进行局部搜索，而网格搜索算法则需要对全局进行搜索，因此方法具有更快的搜索速度。

3.3 腐蚀等级评价

根据储罐声发射检测标准，储罐底板声发射检测结果可以基于时差定位，对储罐底板腐蚀等级进行评价。根据上述步骤求得罐底最大定位事件数，所在区域即为腐蚀最严重区域。根据表1，对三个储罐底板腐蚀等级进行评价，将得到的结果与实际开罐检验的结果进行对比，1＃储罐腐蚀等级为Ⅴ级，实际开罐检验结果为Ⅴ级；2＃储罐腐蚀等级为Ⅱ级，实际开罐检验结果为Ⅱ级；3＃储罐腐蚀等级为Ⅳ级，实际开罐检验结果为Ⅳ级。开罐结果如图5所示，表明基于自适应仿射传播的罐底腐蚀检测评价方法是可行的。

表3 罐底最大定位事件数

图3 不同储罐K 均值聚类

图4 不同储罐罐底最大事件数所在区域

图5 罐底实际开罐检验结果

4 结语

笔者提出了一种基于自适应仿射传播的储罐罐底声发射腐蚀检测评价方法，该方法通过采用自适应扫描偏向参数空间及调整阻尼因子等方法，确定声发射事件数集中区域，并按相应的检测标准对区域内罐底的腐蚀状态级别进行评价。通过现场应用分析表明，该方法很好地克服了传统K均值算法无法准确获知聚类数目的缺点，能够精确地确定罐底事件数集中区域，从而提高罐底腐蚀检测评价的准确率。

［1］戴光，李伟，王娅莉，等.常压立式储罐腐蚀状态检测与评价技术的研究与应用［J］.无损检测，2012，33（12）：58－61.

［2］闫河，赵彦修，李晓林，等.常压储罐底板泄漏的声发射源特征［J］.无损检测，2013，35（7）：32－35.

［3］RIAHI M，SHAMEKH H，KHOSROWZADEH B.Differentiation of leakage and corrosion signals in acoustic emission testing of aboveground storage tank floorswith artificial neural net works［J］.Russian Journal of Nondestructive Testing，2008，44（6）：436－441.

［4］王伟魁，曾周末，李一博，等.基于小波聚类的罐底声发射源聚集区域自动识别［J］.纳米技术与精密工程，2012，10（6）：531－536.

［5］FREY B J，DUECK D.Clustering by Passing Messages Between Data Points［J］.Science，2007，315：972－976.

［6］王羡慧，陈俊英，覃征，等.基于动态阻尼因子的动态阻尼仿射传播聚类［J］.华中科技大学学报：自然科学版，2012，40（2）：116－122.

［7］TANG D M，ZHU Q X，YANG F.A Poisson－based adaptive affinity propagation clustering for SAGE data［J］.Computational Biology and Chemistry，2010，34（1）：63－70.

［8］赵健，唐洁，谢瑜.仿射传播算法在图像聚类应用中的实现与分析［J］.计算机应用研究，2012，29（10）：3980－3982.

［9］ZHANG X L，FURTLEHNER C，SEBAG M.Data streaming with affinity propagation［J］.Machine Learning and Knowledge Discovery in Databases，Lecture Notes in Computer Science，2008，5212：628－643.

［10］郑文栋，王辉，钱勇，等.基于自适应仿射传播聚类的GIS局放缺陷分类研究［J］.高压电器，2013，49（8）：50－55.

［11］王开军，张军英，李丹，等.自适应仿射传播聚类［J］.自动化学报，2007，33（12）：1242－1246.

［12］JB／T 10764—2007，常压金属储罐声发射检测及评价方法［S］.