基于EMD的神经网络空耦超声储油罐液位检测

陈志恒，罗文斌,，常俊杰,3,4，钟海鹰，吴中权，郑 阳

(1.南昌航空大学 无损检测技术教育部重点实验室，江西 南昌 330063; 2.中国特种设备检测研究院，北京 100029;3.日本探头株式会社，日本 横滨 232-0033; 4.浙江清华长三角研究院，浙江 嘉兴 314000)

0 引 言

社会能源的转换是一项长期的工程，论能量密度、使用便捷性、储量和成本等，石油仍处于不可撼动的地位，所以在将来相当长的一段时间内石油仍会是最重要的能源之一，加之目前世界石油价格战拉低了油价，相应油品的存储及其参数的测量显得十分必要。想要知道储油罐的油量就必须知道油品的液位或者体积，所以储油罐油位的测量便成为了一个很基本却很重要的工作。

目前国内对于油位测量的方法有多种，比如人工投尺测量法，该方法原理简单，但劳动强度高，效率低且不能实时监测，受人员因素影响大，且无法保证精度。此外大多是采用传感器测量油位[1-5]，如浮子法利用浮子随着油位的升降带动滑动变阻器等相关元器件而改变输出电压或电流来测量油位。

兰姆波作为非接触超声检测的一种，具有损耗低、安全、便捷等优势而被广泛用于超声检测中。用该原理设计的装置不需占用储油罐内部空间，在外部便可进行非接触测量，所以抗干扰性强；另外无需接触油品，产生污染较低；测量速度快，达到毫秒级别。其最大的优势就是可同时测油层和水层位置。此外，受温度气压等外界因素影响较小，在高原或气候恶劣的场地都适应。

目前，对储油罐内不同介质液位进行识别的分析还没有获得满意的研究成果。如何准确提取储油罐中不同介质信号的特征量决定了储油罐介质类型识别的结果[6]。根据接收信号在时域的幅值大小信息虽然能够判断储油罐中不同介质的液位，但是获得的特征信息非常有限，为了获得更多储油罐中不同介质信号的特征信息来提高液面识别率，对信号进行频域分析也是非常有必要的[7]。

对于特征值的提取，国内外学者做了大量的研究。戴波等[8]将A扫描信号作为特征量，并结合向量机对管道的缺陷进行有效识别；郑善朴等[9]将缺陷信号的波峰时刻和幅值当做提取特征量的来源，识别出了各种类型的脱粘缺陷；李娟等[10]将信号进行EMD处理，并提取了各IMF分量信号的最大幅值、中心频率和信号能量作为特征量进行缺陷的识别。将信号进行小波包变换，以近似系数及细节系数作为提取样本的特征量并对复合材料进行缺陷识别，证明了该方法能有效识别不同缺陷。

经验模态分解(EMD)是以局部时间尺度为基础，可根据信号自身的特点生成适合的基函数，对于非线性、非平稳信号的分析具有良好的适应性[11-13]。因此，本文利用经验模态分解（EMD）对采集储油罐中的不同介质信号进行EMD处理，求得各阶本征模函数（IMF）。通过分析各阶IMF分量的时域、频域信号与原始信号的相关性，以各IMF分量的时域、频域信号为特征值输入到BP神经网络进行决策，实现了对储油罐不同介质液面的识别与分类。

1 EMD经验模态分解

经验模式分解最早是由黄鳄教授提出的，是一种自适应信号分解方法[14]。信号x（t）经过EMD处理后可获得若干个本征模函数（IMF）。理论上，它可以实现任意高的时间分辨率与频率分辨率，并为非平稳和非线性信号提供了一种新的分析和指导方法。每个IMF必须满足以下两个条件：1)在整个数据段中，零交叉点和极限点的数量小于或等于一个差值；2)局部最小值与局部最大值组成的包络线在任何点的平均值都为零。

EMD分解过程的步骤：首先找到原始信号的所有最大值和最小值，通过三次样条函数拟合最大包络和最小包络，并使用上下包络的平均值作为原始信号减去原始信号的平均包络，以获得去除了低频的第一个新信号，并将该新信号用作原始信号。满足固有模态函数的条件为止后，将该条件记录为IMF。然后从原始信号中减去IMF以获取剩余信号，该信号将被作为新信号。按照上述步骤获得以下序列并重复循环，进而获得满足IMF的原始信号分量。为了便于理解，整理出EMD算法的流程图[15]，如图1所示。

图1 EMD算法流程图

经过EMD分解，原始信号可表示为

2 实验部分

2.1 检测实验装置

本文采用空气耦合超声兰姆波同侧相向法，即探头布置方式为一发一收式相向摆置在储油罐表面上方，采用的兰姆波模态为A0模态，5 mm钢板的群速度频散曲线如图2所示，由群速度频散曲线可知，S0模态的群速度随频率的变化比较剧烈，频散较严重，而且相比两种模态的传播过程，A0模态的离面位移分量整体大于S0模态，因此A0模态的Lamb波从介质到空气中的振动更明显，更适合作为本次研究所使用的模态。但是当探头中心频率大于400 kHz时，会在钢板中激励出更多的模态，且频散严重。由于空气耦合超声信号衰减比较大，在钢板表面的反射较多，因此空气耦合超声在检测薄板时，应选择低频探头，综合以上因素考虑，本实验使用A0模态，选择频率400 kHz的空气耦合超声换能器进行分析。

图2 5 mm钢板群速度频散曲线

因此将发射、接收空气耦合超声换能器以倾斜7.2°，探头中心距罐壁12 mm，两换能器中心相距为135 mm对称安装在固定板上。实验使用探头频率为400 kHz，施加电压为200 V，晶片大小为14 mm×20 mm，实验装置为日本探头株式会社提供的高灵敏度非接触空气耦合检测系统。该系统由NAUT21控制软件、高功率超声信号发射接收器（JPR-600C）、以及前置放大器组成。在5 mm钢制罐壁上设置刻度条，距罐底33 mm处开始标记第一个刻度，往上每隔10 mm做一个刻度标记。设置好软件参数后按步骤进行实验。实际检测示意图如图3所示。

图3 实验系统图

改变水、油层的高度分别测得当油罐里单独是水层、油层、空气层3种不同介质时泄露兰姆波幅值，经过多次测量取平均值，可得空气耦合超声接收换能器在同一介质中接收到的直达波信号幅值大小基本一致，其3种不同介质的波形图如图4所示。

为了便于比较，对所得不同介质的回波幅值进行归一化处理，由图4可知，油罐里为空气时探头接收到的直达波信号归一化后幅值为0.507；油罐里为油时探头接收到的直达波信号归一化后幅值为0.292；当油罐里是水时探头接收到的直达波信号归一化后幅值为0.2。从每个介质信号的幅值可以大致区分出储油罐中3种不同介质的信号。

图4 不同介质超声回波时域信号

2.2 储油罐中不同介质信号的识别与分类

为进一步精准的区分出3类介质的回波信号，分别采取水介质、油介质、空气介质各8个直达波信号共24个样本数据；以本实验中采集介质为水的波形为例，首先对直达波信号进行EMD分解得到各阶IMF分量与原始信号的相关性如图5所示。

从图5可以看出，前4个IMF分量与原始信号的相关性很高，而后4个IMF分量与原始信号的相关性很小，基本上可以忽略不计。因此，当储油罐介质为水信号进行EMD处理，并对前4个IMF分量进行分析。信号的前4个IMF分量如图6所示。

图5 各阶IMF分量与原信号相关性图

由于频域信息相对时域更加稳定，更易分析，因此对图6中的信号进行快速傅里叶变换得到对应频谱图如图7所示。

图6 水介质超声回波及其EMD分解结果

图7 水介质直达波EMD分解各阶IMF分量的频谱图

将各IMF分量时域信号的过零点数、频域信号的最大幅值能量和中心频率来表征各时域和频域特征信息的参数，再分别对介质为水时的直达波信号各IMF分量计算出这3个特征向量结果如表1所示。

表1 介质为水时的时域、频域特征值计算结果

根据前面对储油罐不同介质中超声直达波信号特征信息的提取，选取了水、油、空气8组样本，共24个样本集。24组样本由两部分组成：一部分为15组数据组成的训练样本集；另一部分为9组数据组成测试样本集。储油罐中介质为水时的训练样本、介质为油时的训练样本、介质为空气时的训练样本的输出如表2所示。

表2 不同介质编码

BP神经网络中输入层的节点数和输出层的节点数由输入和输出特征向量的个数决定。本文在储油罐中预设了3种直达波信号诊断神经网络，即水、油和空气。也就是说，神经网络输出层的节点数可以设为3。这3种介质的预期输出的编码为水100、油010和空气001。

分别对3种标准的直达波信号进行采样，每种信号采集5次，每次采样点为2 000个。实验中，每个样本取3组特征向量，得到15个信号样本，这些数据作为训练样本输入网络进行训练。因此，BP神经网络的具体结构为：输入层神经元为24个，隐含层神经元为20个，输出层神经元为3个。将双曲正切s型传递函数tansig作为BP神经网络隐含层的传递函数，同时采用s型对数函数logsig作为输出层的传递函数，使输出范围在1～10之间；BP神经网络函数的训练函数为BPMarquardt-Levenberg，网络训练函数的性能指标为MSE，训练目标设置为0.01。网络的训练误差曲线如图8所示。

从图8可以看出，在该网络训练之后，梯度已经达到最小值，并且此时的训练误差非常小。为了验证该网络的准确性，对网络模型进行了测试，测试数据为之前选用的9组测试样本数据，测试结果（特征值）如表3所示。从表3中可以看出，网络的实际输出与预期输出基本是一致的，进一步证明了此类型BP神经网络模型是可靠的，能够准确地对储油罐中不同介质超声信号进行识别与分类。

图8 网络的训练误差曲线

表3 归一化后样本输入向量测试结果

检查网络的输入样本，输入到经过训练的BP神经网络，BP神经网络模型的实际输出本结果如表4所示。

表4 实际输出样本结果

从实际输出值和期望输出值的结果中对比分析可以得出以下结论：经过训练以后的BP神经网络模型的输出样本结果接近实际样本状态，误差小，识别精度高，可以实现对储油罐中不同介质液位的分类需求。

3 结束语

通过理论与实验研究探讨了一种基于空气耦合超声兰姆波检测技术对油箱内不同介质及不同界面的检测的可行性，对于确定油箱内不同介质的液位有较好的效果，主要体现在以下3个方面：

1）该实验验证了用空气耦合超声兰姆波检测油位液位的可行性。

2）经多次测量取平均值，单纯的水层、油层、空气层的直达波信号归一化后幅值为0.2、0.3、0.5，可通过其幅值的大小来大致的区分储油罐中的不同介质。

3）训练后的BP神经网络模型的输出样本结果和实际样本状态基本吻合，其误差很小且识别准确率高，可以实现对储油罐不同介质超声直达波信号的分类需求。