基于极限学习机和b值法的罐底声发射检测腐蚀信号识别方法

李一博，祝慧宇，张玉祥，周纯瑶，刘双赛，王伟魁，靳世久

(天津大学精密测试技术与仪器国家重点实验室，天津　300072)

第一作者李一博男，博士，副教授，1973年生

基于极限学习机和b值法的罐底声发射检测腐蚀信号识别方法

李一博，祝慧宇，张玉祥，周纯瑶，刘双赛，王伟魁，靳世久

(天津大学精密测试技术与仪器国家重点实验室，天津300072)

摘要：声发射储罐罐底腐蚀检测过程中，采集到的腐蚀信号里不可避免地混有干扰。针对该问题，提出了基于极限学习机(ELM)的石油储罐罐底腐蚀信号识别方法。为验证该方法的有效性，在秦皇岛输油站的消防水罐里，进行模拟罐底腐蚀检测实验，并应用ELM对采集到的声发射信号进行分类识别，用b值法对ELM的分类效果进行评估。实验结果表明：ELM识别正确率高于90%。ELM识别出的腐蚀信号的b值变化规律与实验室条件下腐蚀信号的b值变化规律一致，并能够反映磷酸腐蚀碳钢板的过程。

关键词：罐底检测；极限学习机；b值法；声发射；腐蚀信号识别

基金项目：国家自然科学基金(61240038);天津市应用基础及前沿技术研究计划项目(13JCYBJC18000)

收稿日期：2014-03-10修改稿收到日期：2014-06-19

中图分类号:TB52+9

文献标志码：A

DOI:10.13465/j.cnki.jvs.2015.11.007

Abstract:Collected corrosion signals are mixed with interference inevitably in acoustic emission (AE) detection process. To solve this problem，a novel extreme learning machine (ELM) -based method for corrosion signals recognition in AE testing of storage tank bottom was proposed. In order to test the validity of the method, the simulated tests of storage tank bottom corrosion were performed in the fire protection water tank of the oil transportation station in Qinhuangdao. ELM was applied in the classification of the collected corrosion signals, and b-value method was used to evaluate the classification effect of ELM. The experimental results indicated that the classification accuracy of ELM is above 90%; the b-value distribution of corrosion signals identified with ELM agrees well with that of corrosion signals in a laboratory; furthermore, the statistical distribution of b-value reflects the process of carbon steel sheet corroded by phosphoric acid.

Tank bottom corrosion signals recognition with acoustic emission testing based on ELM and b-value method

LIYi-bo,ZHUHui-yu,ZHANGYu-xiang,ZHOUChun-yao,LIUShuang-sai,WANGWei-kui,JINShi-jiu(State Key Laboratory of Precision Measurement Technology and Instrument, Tianjin University, Tianjin 300072, China)

Key words:tank bottom testing; extreme learning machine (ELM); b-value method; acoustic emission; corrosion signals recognition

随着石油工业的迅猛发展以及能源需求的快速增长，能源安全问题受到世界各国的普遍关注。石油储罐是石油石化行业中储存油品的主要设施。储油罐的安全事故，不仅会造成环境污染和经济损失，甚至还会危害人民的生命安全。研究发现，大型储油罐底板腐蚀是诱发泄漏的主要原因[1]。近年来，基于声发射技术的罐底腐蚀及泄漏在线检测方法得到了广泛的应用[2-7]。在进行声发射罐底腐蚀检测时，不可避免地会受到来自空间中的各种干扰，而如何从各种干扰中提取有用的腐蚀信号是评价整个罐底完整性的重要一步。

模式识别，如BP、支持向量机(SVM)，在无损检测领域有广泛应用[8-9]。Riahi[10]在罐底声发射检测中，利用BP神经网络有效区分不同腐蚀阶段的信号，但实验数据是在理想的实验室条件下获得，并不存在大量噪声干扰。李健等[11]利用BP和SVM区分不同类型的腐蚀信号，结果发现BP能够有效区分腐蚀类型，并且SVM的识别率优于BP。

然而，BP网络在应用的过程当中，需要人为设置大量参数，并且网络容易陷入局部最优。SVM需要消耗大量时间来进行参数调整，存在参数确定困难的缺点。而极限学习机(ELM)在训练前只需要设置网络隐含层节点个数，算法执行时无需调整网络的输入权值以及隐含层节点的偏置，并且产生唯一的最优解，参数选择容易，学习速度快且泛化性能好[12-15]。

回滴信号是石油储罐检测中常见的一种声发射信号。模拟罐底腐蚀检测过程中，采集到的信号里混有大量回滴信号。为区分腐蚀信号和回滴信号，本文提出了基于极限学习机的石油储罐罐底腐蚀信号识别方法，并利用b值法对ELM的分类效果进行评估。

1基本原理

1.1极限学习机

极限学习机(ELM)是一种新颖的简单有效的单隐层前馈神经网络(SLFNs)学习算法[16]。 典型的单隐层前馈神经网络结构见图1。

图1　典型的单隐层前馈神经网络结构Fig.1 Typical structure of a SLFN

一个含有N个训练样本，L个隐层节点，且激励函数为g(x)的标准单隐层前馈神经网络可以表示成：

j=1,2,…,N

(1)

式中：wi为输入神经元与第i个隐含层节点的输入权值，bi)是第i个隐含层节点与输出神经元的输出权值，bi为第i个隐含层节点的偏置，tj为第j个输入样本的输出值。

式(1)等价于

Hβ=T

(2)

式中：

(3)

(4)

H称为神经网络的隐含层输出矩阵。

ELM的算法：

一个含有N个训练样本，L个隐层节点，且激励函数为g(x)的标准单隐层前馈神经网络算法分为3步：

(1)随机设置输入权值wi和偏置bi, 1≤i≤N;

(2)计算隐含层输出矩阵H;

(3)计算输出权值b= H+T. 其中：H+为H 的Moor-Penrose (MP) 广义逆。

可见，ELM 完全不同于传统迭代学习算法，该算法随机产生输入层与隐含层的连接权值及隐含层神经元的阈值，并且训练过程中无需调整，只需选定激励函数，设定隐含层节点个数，便可获得唯一的最优解。该算法具有学习速度快，泛化性能好等优点。本文利用ELM对现场罐底检测中采集到的声发射信号进行模式识别，将腐蚀信号和干扰信号区分开。

1.2b值法

Gutenberg等[17]在研究世界地震活动时，提出了描述地震震级与频度之间统计关系的著名Gutenberg-Richter关系式:

LgN(≥m)=a-bm或N(≥m)=10a-bm

(5)

式中:m为震级，N为特定区域和时间范围内，震级不小于m的地震次数。a,b为常数，b值的大小通常称为地震活动的“b值”，是衡量某一区域地震活动水平的重要参数之一。

Mogi等[18-19]将该关系式应用到声发射领域，发现声发射现象与地震活动规律有着相似之处。Carpinteri等[20]提出利用b值法描述声发射检测过程中失稳破坏的统计规律。

类比地震领域，声发射检测过程中的m定义为：

m=LgAmax+f(r)

(6)

式中:Amax为声发射信号幅值(电压值)，f(r)为随着声发射源和传感器间距离r不同，产生的修正值。

声发射检测过程中，Gutenberg-Richter关系式的b值随着失稳破坏的程度而变化。因此，可以根据b值估计失稳破坏的程度[21-22]。

腐蚀是指材料与环境间发生的化学或电化学相互作用而导致材料功能受到损伤的现象。在腐蚀的不同阶段，材料损伤的程度不同。各个阶段采集到的声发射信号的统计特征也不同。b值法可以反映样本失稳破坏的前兆特征。本文利用b值法，分析磷酸腐蚀碳钢板过程中b值变化。

2实验及相关装置

2.1声发射内检测系统

声发射内检测系统是一种搭载声发射检测系统的内检测器，能够在储罐油品内部近距离地对腐蚀区域进行声发射检测，完成罐底一个区域的检测后运动到下一个区域进行检测。通过这种方法，可以消除传统储罐声发射检测中多途效应的影响。付铜玲等[23-25]对声发射内检测系统做了详细介绍。

本实验采用声发射内检测系统采集模拟罐底腐蚀的声发射信号。

2.2模拟罐底腐蚀装置

我国大型石油储罐罐底的材料是Q235碳素结构钢，因此，实验选用18 cm×18 cm的Q235碳钢板来模拟大型石油储罐的罐底，选用5 mol/L的磷酸(H3PO4)溶液进行模拟腐蚀。实验用的模拟储罐罐底腐蚀装置见图2，碳钢板与碳钢内丝接头焊接在一起。实验前，先将20 mlH3PO4溶液倒入内丝接头内，再把铸铁材料的外丝堵头与内丝接头拧在一起。

图2　模拟储罐罐底腐蚀装置实物图Fig.2 The simulated device of storage tank bottom corrosion

2.3实验设置

根据声发射内检测的基本原理，搭建罐底腐蚀检测实验平台(见图3)。

图3　罐底腐蚀声发射内检测实验示意图Fig.3 The schematic diagram of tank bottom corrosion acoustic emission internal detection experiment

在实验室，用尺寸为1.4 m×1.4 m×1.5 m的水缸模拟实际储罐。传感器选用美国声学物理公司(PAC)的R15a型压电式声发射传感器，用于接收腐蚀产生的声发射信号。实验系统的采样率为4 MSPS，采样精度为12位。硬件滤波带宽为72～400 kHz。考虑到阈值去噪，实验中阈值设定高于背景噪声。未放置腐蚀装置时，测量实验环境的背景噪声。放置模拟腐蚀装置后，设定阈值高于背景噪声，此时可以认为采集到的信号为腐蚀声发射信号。

现场实验是在秦皇岛输油站的直径6 m，高度10 m的消防水罐中完成的。实验参数设置与实验室完全一致。实验中，由于水罐内外存在温差，回滴现象明显，未放模拟腐蚀装置时，内检测器采集到大量回滴干扰。放置模拟腐蚀装置后，采集到的信号中既有腐蚀信号又有回滴信号。

能否正确区分腐蚀信号和回滴信号对检测精度来说是至关重要的。本文将实验室采集到的腐蚀信号和现场采集到的回滴信号混合后进行训练，建立ELM分类模型，并利用b值法评估分类效果。

3结果与讨论

3.1建立ELM分类模型

为建立模型，选用实验得到的288组腐蚀信号和288组回滴信号作为样本。从中随机选取28组腐蚀信号和28组回滴信号作为测试集。将余下的腐蚀信号数据和回滴信号数据混合，打乱样本的顺序，前400组数据作为训练集，401～520组数据作为验证集，用于确定模型的最优参数。根据已有的声发射信号，选取7个特征参数：幅值、振铃、持续时间、峰值频率、上升时间、绝对能量及平均频率，作为信号识别的特征向量。由于特征值在量值上有较大的差异，为避免小值特征的分类贡献被大值淹没，将所有样本归一化至[-1,1]。

ELM参数的选取：极限学习机只需在确定激励函数的情况下选择隐含层节点的个数，参数确定的过程相对简单。因此，分别选取不同的激励函数(Sine函数、Sigmoidal函数、Hardlim函数)，将每个激励函数的隐含层节点个数初始化为10，以10为周期增加隐含层节点数，分析激励函数及隐含层个数不同时，ELM对腐蚀信号分类精度的影响。参数选择的分析结果参见图4，整个识别的过程耗时6.4584s。由图4可知，当隐含层节点数较少时，Sigmoidal激励函数的分类效果优于其余两种激励函数。当隐含层节点数超过120时，hardlim激励函数的分类效果优于另外两种激励函数。隐含层节点数目越少，网络越简单，因此选用Sigmoidal函数。从图5可以看出，当隐含层节点数位于20～50之间的时候，网络训练时间较短。综上考虑，选用Sigmoidal激励函数，隐含层节点数为40，此时验证集的分类正确率为 93.3333%。

图4　三种激励函数对应的隐含层节点数与识别正确率的关系Fig.4 The relationship between the number of hidden layer nodes and the classification accuracy in the case of three different activation functions

图5　三种激励函数对应的隐含层节点数与识别正确率的关系Fig.5 The relationship between the number of hidden layer nodes and the training time in the case of three different activation functions

3.2ELM分类效果分析

根据选择出的最优参数，采用ELM对训练集进行训练，训练的过程中，记录该算法的训练时间和识别正确率。训练完成后，使用测试样本数据进行测试。

从图6可知，ELM可以将声发射腐蚀信号与干扰信号区分开。并且，ELM方法的识别正确率为90%以上，表明ELM在声发射罐底腐蚀信号识别中效果良好。

船舶靠离泊过程中的碰撞事故，可能是由于多种因素而导致的，这些因素类型多样，并且涵盖多方面内容，应当充分总结船舶靠离泊航行过程中的实践经验。船舶靠离泊航行过程中的安全事故的产生，很少是由单一因素所导致的，通常是由于多种因素的影响，多种过失链的积累，会对船舶靠离泊安全带来影响。船舶靠离泊航行安全事故的发生，基本上都与人为因素息息相关，而这些人为因素的产生，主要是由于相关人员责任意识的缺乏，专业技能较差，人员决策能力与指挥能力不足，以及航行经验与专业的不足等因素，这些因素都会对船舶靠离泊航行安全带来影响。

图6　ELM方法对罐底腐蚀信号识别结果(正确率92.8571%)Fig.6 The classification results of ELM(Accuracy is 92.8571%)

由此可知，在识别正确率方面，ELM对声发射罐底腐蚀信号的识别正确率较高，达到90%以上，识别效果较好；在参数选择方面，建立ELM分类模型时，只需要确定隐含层节点的个数，在激励函数选择“Sigmoidal”的情况下，确定最优的隐含层节点数仅需2.0240s，而且通常情况下，可以很容易通过经验法和试凑法得到隐含层节点个数；从训练时间上看，相同样本的情况下，因为ELM输入层和隐含层间的权值和隐含层的阈值是随机选取的，所以ELM训练样本需要的时间较少，加快了训练速率。

利用ELM对现场实验中采集到混有回滴信号的数据进行识别。60 min内，声发射内检测器采集到声发射信号7 475组，识别结果为：1 102组为腐蚀信号，6 373组为回滴信号。识别出的腐蚀信号数量与实验室条件下相同时间内采集到的腐蚀信号的数目相当。识别出的回滴信号数量与现场未放腐蚀装置条件下相同时间内采集到的回滴信号的数目接近。

3.3统计规律：b值

b值法是声发射领域常用的统计方法之一。它可以反映样本失稳破坏的前兆特征。实验中，分别计算腐蚀信号、回滴、未经过ELM分类识别的声发射信号、ELM识别出的腐蚀信号和回滴的b值，并对计算结果进行对比分析，来评估ELM的分类效果。

3.3.1腐蚀信号的b值

实验室条件下，将模拟腐蚀装置放入玻璃水缸，设定阈值高于背景噪声，采集到的声发射信号只有腐蚀信号。每隔10min计算一次该10min内腐蚀信号的b值。归一化后腐蚀信号的b值变化曲线见图7。

图7　归一化后腐蚀信号的b值变化曲线Fig.7 The normalized b-value distribution of corrosion signals

由图7可知，在5mol/LH3PO4腐蚀碳钢板的过程中，b值先变大后变小。开始时，H3PO4和碳钢板反应，产生氢气。氢气积聚，形成小气泡，从而使H3PO4和碳钢板的接触面积变小，因此，刚开始b值变化不大。随着生成氢气的增多，小气泡膨胀形成大气泡，大气泡破裂过程中会产生很强的声发射信号，因此，该时间内b值增长很快。之后，随着氢离子浓度越来越低，H3PO4的碳钢板的反应变慢，b值降低。

消防水罐中未放模拟腐蚀装置时，采集到的声发射信号只有回滴信号。每隔10min计算一次该10min内回滴信号的b值。回滴信号的b值变化曲线见图8。

图8　归一化后回滴信号的b值变化曲线Fig.8 The normalized b-value distribution of back titration signals

可以看出，回滴信号的b值变化比较平缓，基本在一个水平位置上下波动，且波动范围较小，不像腐蚀信号的b值有明显的变化。结果表明，在一定的温度条件下，回滴信号的b值基本维持在一个水平。

3.3.3现场数据b值

将模拟腐蚀装置放置于消防水罐中，此时，采集到的声发射信号既有腐蚀信号，又有干扰。利用ELM对其进行识别。每隔10min，计算该10min内识别出的腐蚀信号的b值(见图9)。

图9　归一化的未经过ELM分类识别的声发射信号的b值变化曲线Fig.9 The normalized b-value distribution of AE signals unidentified by ELM

由图9可知，在现场消防水罐实验中，由于采集到的声发射信号里混有大量的回滴信号，b值未出现先变大后变小的现象，已经不能反映出磷酸腐蚀碳钢板的整个过程。

采用ELM对该声发射信号进行分类，识别出腐蚀信号和回滴信号。计算识别出的腐蚀信号的b值，b值变化曲线见图10(a)。可以看到，在整个过程中，ELM识别出的腐蚀信号的b值先变大后变小，基本吻合实验室条件下测得腐蚀信号b值的变化规律。结果表明，ELM识别出的腐蚀信号能基本反映磷酸腐蚀碳钢板的过程，识别效果良好。

图10(b)反映的是ELM识别出的回滴信号的b值变化曲线。b值的变化与图8显示的回滴信号的变化规律相似，b值基本维持在一个水平，波动较小。

多次重复实验，得到的腐蚀信号和回滴信号的b值变化规律与上述规律趋于一致。

图10　归一化的经过ELM分类识别的声发射信号的b值变化曲线Fig.10 The normalized b-value distribution of AE signals identified by ELM

4结论

实验表明，ELM识别出的腐蚀信号的b值变化规律与实验室条件下得到的腐蚀信号的b值变化规律基本一致，ELM识别出的回滴信号的b值变化规律与现场条件下得到的回滴信号的b值变化规律一致。并且，腐蚀信号b值变化能够反映H3PO4腐蚀碳钢板的过程。结果表明，ELM能够正确识别出罐底腐蚀检测时的腐蚀信号和回滴信号，识别率高于90%，识别效果良好。

参考文献

[1]过梦飞. 储油罐罐底板全面腐蚀控制[J]. 油气储运，2001,20(7):40-43.

GUO Meng-fei. Total corrosion control of storage tank bottom [J]. Oil & Gas Storage and Transportation, 2001, 20 (7): 40-43.

[2]Sakamoto H, Sekine K, Maeda M, et al. Development of improved AE evaluation technique for corrosion damage in bottom plates of above-ground oil tanks in service [J]. Journal of the Japan Petroleum Institute, 2013, 56(5): 298-303.

[3]Sanchez M, Cardenas N, Dominguez V A. Acoustic emission testing of aboveground petroleum storage tanks: Riskassessment and lessons learned [J]. Process Safety Progress, 2012, 31(2): 159-164.

[4]Yuyama S, Yamada M, Sekine K,et al. Verification of acoustic emission testing of floor conditions in aboveground tanks by comparison of acoustic emission data and floor scan testing [J]. Materials Evaluation, 2007, 65(9): 929-934.

[5]Jomdecha C, Prateepasen A, Kaewtrakulpong P. Study on source location using an acoustic emission system for various corrosion types [J]. NDT & E International, 2007, 40(8):584-593.

[6]王伟魁，曾周末，孙立瑛，等. 基于相关分析的声发射储罐罐底检测降噪方法[J]. 振动与冲击，2010,29(8):178-180.

WANG Wei-kui, ZENG Zhou-mo, SUN Li-ying, et al. Denoising method for acoustic emission testing of tank bottom based on cross-correlation analysis [J]. Journal of Vibration and Shock, 2010, 29(8):178-180.

[7]王伟魁，李一博，杜刚，等. 基于聚类分析的罐底声发射检测信号融合方法[J]. 振动与冲击，2012,31(17):181-185.

WANG Wei-kui, LI Yi-bo, DU Gang, et al. Signal fusion method for acoustic emission testing of tank bottom based on clustering analysis [J].Journal of Vibration and Shock, 2012,31(17):181-185.

[8]Zeng Z, Zhou J, Tao N,et al. Support vector machines based defect recognition in SonicIR using 2D heat diffusion features [J]. NDT & E International, 2012, 47: 116-123.

[9]Xiang Y, Tso S K. Detection and classification of flaws in concrete structure using bispectra and neural networks [J]. NDT & E International, 2002, 35 (1):19-27.

[10]Riahi M, Shamekh H, Khosrowzadeh B. Differentiation of leakage and corrosion signals in acoustic emission testing of aboveground storage tank floors with artificial neural networks [J]. Russian Journal of Nondestructive Testing, 2008, 44(6): 436-441.

[11]Li J, Kong W K, Shi J B, et al. Determination of corrosion types from electrochemical noise by artificial neural networks [J]. International Journal of Electrochemical Science, 2013, 8(2): 2365-2377.

[12]Huang G B, Zhu Q Y, Siew C K. Extreme learning machine: A new learning scheme of feedforward neural networks [C]. // Ieee eds. 2004 Ieee International Joint Conference on Neural Networks, Vols 1-4, Proceedings. Budapest, Hungary: IEEE Neural Networks Society, 2004:985-990.

[13]Huang G B, Zhou H M, Ding X J, et al. Extreme learning machine for regression and multiclass classification [J]. Ieee Transactions on Systems Man and Cybernetics Part B-Cybernetics, 2012, 42 (2):513-529.

[14]Lan Y, Hu Z J, Soh Y C,et al. An extreme learning machine approach for speaker recognition [J]. Neural Computing & Applications, 2013, 22 (3/4):417-425.

[15]Xu Y, Dai Y Y, Dong Z Y,et al. Extreme learning machine-based predictor for real-time frequency stability assessment of electric power systems [J]. Neural Computing & Applications, 2013, 22 (3/4):501-508.

[16]Huang G B, Zhu Q Y, Siew C K. Extreme learning machine: Theory and applications[J]. Neurocomputing,2006,70(1/3):489-501.

[17]Richter CF. Elementary seismology [M]. San Francisco, London: W. H. Freeman and Company, 1958.

[18]Mogi K. Magnitude-frequency relation for elastic shocks accompanying fractures of various materials and some related problems in earthquakes [J]. Bull Earthq Res Inst Univ Tokyo, 1963, 40: 831-853.

[19]Scholz C H. The frequency-magnitude relation of microfracturing in rock and its relation to earthquakes [J]. Bull Seismol Soc Am, 1968, 58: 399-415.

[20]Carpinteri A, Lacidogna G. Damage evaluation of three masonry towers by acoustic emission [J]. Eng. Struct, 2007, 29:1569-1579.

[21]Invernizzi S, Lacidogna G, Carpinteri A. Particle-based numerical modeling of AE statistics in disordered materials [J]. Meccanica, 2012, 48(1): 211-220.

[22]Carpinteri A, Corrado M, Lacidogna G. Three different approaches for damage domain characterization in disordered materials: Fractal energy density, b-value statistics, renormalization group theory [J]. Mechanics of Materials, 2012, 53: 15-28.

[23]付铜玲，李一博，靳世久. 基于PC104的储罐罐底腐蚀声发射采集系统[J].传感器与微系统，2012, 31(6): 134-136.

FU Tong-ling, LI Yi-bo, JIN Shi-jiu. Acquisition system of storage tank bottom corrosion acoustic emission based on PC104 [J]. Transducer and Microsystem Technologies, 2012, 31(6): 134-136.

[24]付铜玲. 储罐罐底腐蚀内检测系统关键技术研究[D]. 天津：天津大学，2012.

[25]李建，孙立瑛，李一博，等. 基于游弋式传感节点技术的储罐罐内腐蚀检测方法: 中国，ZL201010031352. 5[P]. 2011-11-09.