CN108037190A - 一种基于神经网络的高温炉管损伤级别智能评定方法 - Google Patents

Abstract

本发明属于无损检测技术领域，提供一种基于神经网络的高温炉管损伤级别智能评定方法。首先，在分析采集数据特征的基础上，设计焊缝识别算法与损伤评级算法，进行逐段标记：其次，利用焊缝识别算法将炉管段分为两类‐焊缝段和非焊缝段；最后，利用损伤评级算法对非焊缝段炉管进行损伤级别的评定。本发明在对高温炉管损伤级别进行评定时避免人为因素造成的误判和漏判，同时能够降低其他因素对级别评定的影响，以保证高温炉管损伤级别的评定具有统一性和均衡性。

Description

一种基于神经网络的高温炉管损伤级别智能评定方法

技术领域

本发明属于无损检测技术领域，涉及到高温炉管损伤级别的评定，特别涉及到损伤级别的智能评定方法。

背景技术

制氢炉、转化炉、裂解炉是炼油厂、化肥厂的核心装置，而高温炉管是这些装置的关键部件。高温炉管服役环境恶劣，承受高温(950～1100℃)、高压(2～5MPa)及各种流体的冲蚀。在高温炉管长期的服役过程中，会逐渐产生组织劣化、蠕胀、微空洞、微裂纹等缺陷。组织劣化会导致炉管的持久强度、塑性、韧性等高温力学性能指标严重下降，而微缺陷会逐渐发展成宏观裂纹，这两方面作用的共同结果是导致高温炉管破裂。一台装置一般有几十根至几百根不等数量的高温炉管，任何一根炉管的破裂都会导致整个装置停车，轻则会造成每天上百万元的经济损失，重则会引起爆炸、火灾、有毒有害介质泄漏等严重危害社会安全的恶劣事件，因此，定期对高温炉管进行检测检验，确定炉管的损伤级别，对保障炉管的安全运行具有重要意义。

目前对于高温炉管有效的检测手段是超声透射法检测，根据炉管的透声性确定炉管的损伤级别：透声性100～80％为A级；透声性80～60％为B_上级；透声性60～40％为B级；透声性40～20％为B_下级；透声性20％以下为C级。C级炉管必修立即更换，B_下级炉管也应该更换，以便保障炉管的安全运行。炉管透声性的好坏是通过超声检测时的接收波形体现的，接收波形越高、越杂乱，说明炉管的透声性越差，炉管的损伤越严重，损伤级别也越高。但影响超声检测接收波形的因素非常多，除缺陷大小外，诸如炉管的蠕胀程度、炉管的表面状态、超声检测时的耦合状况、探头架的磨损程度、操作人员的技术水平等均会影响接收波形的大小，即使对相同的接收波形，不同的检测人员也可能得出不同的损伤级别评定，这将导致误判和漏判，从而造成不必要的经济损失，或者留下安全隐患。

发明内容

针对现有技术存在的问题，本发明提供一种高温炉管损伤级别的智能评定方法，避免人为因素和降低其他因素在高温炉管损伤级别评定过程中产生的不利影响，以保证评定过程的统一性和均衡性。

为了达到上述目的，本发明的技术方案为：

一种基于神经网络的高温炉管损伤级别智能评定方法，在分析采集数据特征的基础上，设计焊缝识别算法与损伤评级算法，进行逐段标记：利用焊缝识别算法将炉管段分为两类-焊缝段和非焊缝段；利用损伤评级算法对非焊缝段炉管进行损伤级别的评定。本发明包括以下步骤：

1)采集数据

一根炉管是由几个管段焊接而成，焊缝处的炉管外形轮廓近似抛物线，其余位置近似为直线，利用直线位移传感器对炉管外形轮廓进行采样，由公式(1)得到一根炉管管壁的原始数据y。

y＝c_x[b_i-a_i(x-x_i)²]+δ (1)

式中，y为采样值，x为采样位置；c_x表示该点是否为焊缝，取值为0或1；a_i、b_i、x_i是控制抛物线形态的参数，i表示一根炉管上焊缝的序号；δ为随机变量，影响δ的主要因素有炉管表面粗糙程度、电子噪声以及炉管制造工艺导致的炉管外径差异等。

2)利用采集的数据分段研究炉管管壁的数据特征

一根炉管中的一个焊缝的长度约为20个采样点，焊缝的两侧通常有一定的打磨宽度以便焊接，总长度约为50个采样点，设置的截取窗口宽度应大于50，考虑到研究中可能会使用FFT等信号处理方法进行分析，并且实际焊缝宽度不一，因此最终设置截取窗口宽度为50～80。

直线位移传感器输出电压采样精度为12位，范围为0～4095，对公式(1)得到的管壁原始数据利用公式(2)进行预处理：

式中，y为原始的采样值，y₀为起始点的采样值；ψ表示直线位移传感器能够测量的最大变化量；y′为处理后的数据，将其定义为管壁偏移量，单位为毫米(mm)，表示采样点相对起始点的水平偏移距离。

炉管段的管壁偏移量与采样位置的关系可以用公式(3)描述：

y'＝c_x[b-a(x-x₀)²]·[0.54-0.46·cos(2π·x/64)]+ξ (3)

式中，y′为管壁偏移量，x为采样位置；c_x表示该点是否为焊缝，取值为0或1；a、b、x₀是控制抛物线形态的参数；ξ为随机变量，由于截取的炉管段较短，ξ受炉管制造工艺的影响可以忽略不计，影响ξ的主要因素有炉管表面粗糙程度和电子噪声，此时ξ服从均值为0、方差很小的正态分布。

炉管段的管壁偏移量的表达式(3)中引入汉宁窗，使焊缝段的模型曲线与实际特征曲线的近似程度更高，不加汉宁窗(实际相当于加矩形窗)与加汉宁窗的对比结果如图1所示。

3)焊缝段与非焊缝段最明显的特征是采集的数据存在跃变，有一个峰值和两个谷值。由于峰值变化较大，谷值相对稳定，故采用谷值跃变进行焊缝识别更为可靠。采用差分运算的方法检测谷值跃变，检测谷值跃变采用公式(4)进行高阶差分运算：

z(n)＝|y'(n)-y'(n-n₀)| (4)

其中，y(n)′为管壁偏移量的采样值，n是采样点的序号，n₀是做差分运算的两个采样点间的序号差，z(n)为管壁偏移量进行差分运算的结果。

得到z(n)后，设置阈值z₀，选取z(n)值大于z₀的点，记录这些点的下标n，这些点都是焊缝上的点，如图2所示。

z₀和n₀的设置是根据焊缝检验算法并结合实验数据得出的。

4)根据步骤3)得到的焊缝上的点近似求得每个焊缝的中心位置

焊缝上的点可能是一些离散不连续的点，借助这些点可以近似求得每个焊缝的中心位置，方法如下：将步骤3)得到的焊缝上的点依次排列，选取第一个点作为当前焊缝的起始点，依次计算后面点的下标n与起始点的差值，当差值大于一定阈值z₀时，说明到达下一个焊缝的起始点，它的前一个点即是当前焊缝的结束点，计算当前焊缝的起始点与结束点下标的中值，得到当前焊缝的中心位置。再由下一个焊缝的起始点重复上述操作，直到结束。需要注意的是，结束时还需计算最后一个焊缝的起始点与最后一个点下标的中值得到最后一个焊缝的中心位置，否则会遗漏最后一个焊缝。

设一根炉管采集数据的长度为L，焊缝的中心位置x_i，若每个数据段长度设定为l，则评级结果的数量为[L/l]，据此可以绘制评级图。焊缝中心位置为[x_i/l]，其中[]为取整运算，由于焊缝有一定宽度，且l取值通常不大，故将其附近两侧也标记为焊缝，这样做一方面便于识别结果的观察，另一方面更有利于排除耦合不良造成的损伤评级算法的误判。

5)检测一根炉管的两个迎火面，得到实际采集数据，根据其得到同一根炉管两路超声信号幅值特征曲线(如图3和图4所示)，并根据超声信号幅值特征曲线确定损伤程度；

设置超声信号幅值特征曲线的相对幅值范围为0～500；幅值大，说明该点组织正常，损伤小；幅值小可能由几种情况导致：一是存在空洞或裂纹等缺陷；二是耦合不良或炉管表面过于粗糙；三是炉管产生蠕胀导致外径尺寸增大，这几种情况可通过管壁位移数据甄别。裂纹通常表现为孤立、尖锐的衰落，如图3中采样位置约1100处及图4中采样位置约1100和2100两处，通过观察管壁位移变化特征曲线，可以判定位置1100处为焊缝，而位置2100处极有可能存在裂纹。非焊缝处的耦合不良或表面粗糙通常表现为大范围的幅值偏小，如图4中的起始部分。

结合超声信号幅值特征曲线，损伤程度的五个等级的划分基本标准如下：

A级：曲线无明显毛刺，光滑度较好，如图3中采样位置1500～2500的部分。

B_上级：有幅度较小的毛刺，相对幅值在400～500之间，如图4中采样位置2500～4500的部分。

B级：有小范围连续的、中等幅度的衰落，相对幅值在200～400之间，如图3中采样位置4000左右处，图4中采样位置5000左右处。此外反复检测均出现连续的大幅度衰落时，极有可能由耦合不良导致，也评为B级。

B_下级：有离散的、较大幅度的衰落，一般相对幅值低于200，如图3中采样位置3200左右处。存在B_下级损伤时说明炉管已处于设计寿命的后期，有条件的可予以更换。

C级：有孤立、尖锐的大幅度衰落，一般相对幅值低于100，如图4中约2100处。存在C级损伤时说明炉管损伤严重，应立即予以更换。

等级的评定具有一定的模糊性，而且不是孤立的，应参考相邻炉管段的情况，以排除耦合不良的干扰。同时评级结果应具有连续性，临近的同等级别应连通起来。

6)采用两种算法对初步确定的损伤程度进行智能评级

一种算法是基于规则的逐步优化评级法，根据超声信号幅值特征曲线的统计特征制定划分损伤程度的标准，模拟人工评级的过程。另一种算法是基于BP神经网络的评级法，采用BP神经网络对输入的超声信号幅值特征曲线分类实现分级。两种算法均以10个数据为一个数据单元对一组数据进行划分，一个数据单元对应一个评级结果，因此长度为n的数据生成的评级结果的长度为n/10。

首先采用基于规则的逐步优化评级法，得到初步评级结果；在此基础上进行简单修改之后，采用BP神经网络进行训练学习，得到炉管损伤程度的结果。两种算法均对超声信号幅值特征曲线数据进行预处理，将同一根炉管两个通道的超声幅值特征曲线数据融合为一组，作为算法的输入数据。

6.1)基于规则的逐步优化评级算法主要分为三步：

第一步，初评。计算每个数据单元的最小值和均值，并以此进行初步评级，初步评级标准如表1所示；

表1

第二步，细评。为去除耦合不良造成的干扰，根据每个数据单元相邻两侧的初评结果进行细评，主要规则有：评级结果为A级、B_上级的数据单元无需重评；若B级两侧为B_上级或焊缝则将其修改为B_上级；若B_下级和C级两侧不是A级或B_上级，则将其修改为B级。这些评级规则的设计主要依赖于鉴定专家的经验，要想使评级结果更加准确则需要添加更复杂的规则。

第三步，膨胀连通。设置一定的连通宽度，若评级结果中两个B_上级的距离小于连通宽度，则将两个B_上级之间评级结果为A级的位置修改为B_上级，使其连通起来。B级结果同样需要进行这一步骤。

6.2)基于BP神经网络的评级法包括以下内容：

BP神经网络是一种多层前馈网络，可以实现从输入到输出的任意维非线性映射。BP神经网络具有三层或三层以上的拓扑结构，包括输入层、隐层和输出层，前后层神经元之间全连接，每层神经元之间无连接。其输入向量p＝(p₁,p₂,…,p_n)与输出向量h满足：

式中，W^T＝(-θ,ω₁,ω₂,…,ω_n)，P＝(1,p₁,p₂,…,p_n)和f()是输入输出的传递函数，传递函数必须是单调递增且可微的，常用的有sigmoid型对数函数、sigmoid型正切函数以及纯线性函数，两种sigmoid型函数的曲线如图5所示。

BP神经网络的输入信号经历中间各层由前向后传递到输出层，再将输出与目标输出的误差按照某种形式由后向前修改中间各层的网络权值，这种算法就是误差反向传播学习算法。通过输出误差不断修正网络权值，网络输出的正确率不断上升。对于样本的学习有两种方式：增量方式和批量方式。增量方式就是对每个输入样本计算一次梯度并更新网络权值，适合于在线学习；批量方式就是先利用所有样本得到累积误差再更新网络权值，适合于离线学习，Matlab神经网络工具箱中的各种训练函数就是采用这种方式。考虑到评级结果的模糊性和连续性，选择三个数据单元作为网络的输入，网络输出表示中间数据单元的评级结果，即输入数据个数为30，类别模式共5个，因此输入层节点个数选为30，输出层节点个数选为5。根据经验隐层选为1层，隐层的节点数通过实验确定，采用的神经网络结构如图6所示，传递函数选用sigmoid型对数函数。Matlab的神经网络工具箱集成了很多经典的神经网络模型和学习算法，利用它能够快速完成对实际问题的求解，利用神经网络工具箱在Matlab中编程，通过实验得到的学习曲线和分类正确率确定隐层节点数和网络权值。

本发明的效果和益处是在对高温炉管损伤级别进行评定时避免人为因素造成的误判和漏判，同时也降低其他因素对级别评定的影响，以保证高温炉管损伤级别的评定具有统一性和均衡性。

附图说明

图1(a)是矩形窗时偏移量曲线，图1(b)是汉宁窗时偏移量曲线。

图2是差分检测结果。

图3是通道1超声波形曲线。

图4是通道2超声波形曲线。

图5是sigmoid型函数曲线。

图6是BP神经网络结构图。

图7是神经网络分类正确率随隐层节点数的变化关系。

图8是12个隐层节点时的误差曲线。

图9是12个隐层节点时的分类混淆矩阵。图9(a)为训练混淆矩阵；图9(b)为验证混淆矩阵；图9(c)为测试混淆矩阵；图9(d)为全部混淆矩阵。

图10是比较有代表性的管壁偏移量数据曲线。

图11是管壁偏移量数据曲线识别结果。

图12是检测过程中系统主界面图。

图13是报告生成界面图。

图14是实际检测的第一根炉管的损伤级别评定结果图。

图15是实际检测的第二根炉管的损伤级别评定结果图。

图16是实际检测的第三根炉管的损伤级别评定结果图。

具体实施方式

以下结合具体实施例对本发明做进一步说明。

一种基于神经网络的高温炉管损伤级别智能评定方法，首先在分析采集数据特征的基础上，设计焊缝识别算法与损伤评级算法，进行逐段标记：再利用焊缝识别算法将炉管段分为两类-焊缝段和非焊缝段；最后利用损伤评级算法对非焊缝段炉管进行损伤级别的评定。

1)利用matlab编写程序验证前述提出的焊缝检测算法。根据实验结果，n₀取25，z₀取2时的识别效果较好，能够识别出10组样本中的所有焊缝，图10是比较有代表性的管壁偏移量数据曲线，图11是管壁偏移量数据曲线识别结果，其中l取10，图中的矩形标识了识别出的焊缝位置。

2)损伤评级算法的实现分为两部分，一部分是利用训练好的神经网络根据输入的超声数据生成评级结果，另一部分是根据修改后的结果采用增量学习方法重新训练网络。利用Excel文件存储神经网络的权值可以将Matlab中训练好的网络权值直接导入，重新训练后的权值还可以存入Excel文件中以备下次使用。利用本系统在现场共检测了260根炉管，经专家鉴定，系统的诊断正确率达到99％以上。检测过程中系统主界面如图12所示，报告生成界面如图13所示，图14～16中展示了三根炉管的损伤级别评定结果，第一根炉管外径150mm，壁厚10mm，长度10m，在第二条焊缝和第三条焊缝之间管段的波形幅值较高，评定级别为B级，估计剩余寿命为3年；第二根炉管外径125mm，壁厚10mm，长度10m，有两处波形幅值较高且孤立存在，评定级别为C级，需要立即更换；第三根炉管外径125mm，壁厚10mm，长度10m，起始处波形幅值较高且孤立存在，评定级别为B_下级，第一条焊缝和第二条焊缝之间管段的波形幅值也较高，但呈波浪形起伏，这是由于炉管表面粗糙或外径尺寸偏差造成的，虽然也有损伤，但不至于很严重，评定级别为B级，对整根炉管综合评级时按照损伤较重的级别评定，因此评定级别为B_下级，估计剩余寿命为1年。

9)从实际采集数据中挑选5种损伤级别的数据各200组并做归一化处理构成样本，由于B_下级和C级的数量较少，因此需要人工生成一部分。选取1000个样本中的60％作为BP神经网络的训练数据，20％作为验证数据，20％作为测试数据，分类正确率随隐层节点数的变化如图7所示。从图7可看出，神经网络的分类正确率并不完全是随隐层节点数的增加而减少，隐层节点数为12时能达到分类正确率和网络规模的最佳平衡点，此时的网络误差曲线和分类混淆矩阵分别如图8和图9所示。

Claims (3)

1.一种基于神经网络的高温炉管损伤级别智能评定方法，其特征在于，所述的高温炉管损伤级别智能评定方法首先在分析采集数据特征的基础上，设计焊缝识别算法与损伤评级算法，进行逐段标记：再利用焊缝识别算法将炉管段分为两类-焊缝段和非焊缝段；最后利用损伤评级算法对非焊缝段炉管进行损伤级别的评定；具体包括以下步骤：

1)采集数据

一根炉管由多段管段焊接而成，焊缝处的炉管外形轮廓近似抛物线，其余位置近似为直线，利用直线位移传感器对炉管外形轮廓进行采样，根据公式(1)得到一根炉管管壁的原始数据y；

y＝c_x[b_i-a_i(x-x_i)²]+δ (1)

式中，y为采样值，x为采样位置；c_x表示该点是否为焊缝，取值为0或1；a_i、b_i、x_i是控制抛物线形态的参数，i表示一根炉管上焊缝的序号；δ为随机变量；

2)利用采集的数据分段研究炉管管壁的数据特征

直线位移传感器输出电压采样精度为12位，范围为0～4095，对公式(1)得到的管壁原始数据利用公式(2)进行预处理：

<mrow> <msup> <mi>y</mi> <mo>&amp;prime;</mo> </msup> <mo>=</mo> <mfrac> <mi>&amp;psi;</mi> <mn>4095</mn> </mfrac> <mo>&amp;CenterDot;</mo> <mrow> <mo>(</mo> <mi>y</mi> <mo>-</mo> <msub> <mi>y</mi> <mn>0</mn> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>

式中，y为原始的采样值，y₀为起始点的采样值；ψ表示直线位移传感器能够测量的最大变化量；y′为处理后的数据，将其定义为管壁偏移量，单位为毫米mm，表示采样点相对起始点的水平偏移距离；

炉管段的管壁偏移量与采样位置的关系通过公式(3)描述：

y'＝c_x[b-a(x-x₀)²]·[0.54-0.46·cos(2π·x/64)]+ξ (3)

式中，y′为管壁偏移量，x为采样位置；c_x表示该点是否为焊缝，取值为0或1；a、b、x₀是控制抛物线形态的参数；ξ为随机变量；

3)采用谷值跃变进行焊缝识别，并采用如公式(4)所示的差分运算法检测谷值跃变：

z(n)＝|y'(n)-y'(n-n₀)| (4)

其中，y(n)′为管壁偏移量的采样值，n是采样点的序号，n₀是做差分运算的两个采样点间的序号差，z(n)为管壁偏移量进行差分运算的结果；

得到z(n)后，设置阈值z₀，选取z(n)值大于z₀的点，并记录上述点的下标n，上述点都是焊缝上的点；z₀和n₀的设置是根据焊缝检验算法并结合实验数据得到；

4)根据步骤3)得到的焊缝上的点近似求得每个焊缝的中心位置

将步骤3)得到的焊缝上的点依次排列，选取第一个点作为当前焊缝的起始点，依次计算后面点的下标n与起始点的差值，当差值大于一定阈值z₀时，说明到达下一个焊缝的起始点，它的前一个点即是当前焊缝的结束点，计算当前焊缝的起始点与结束点下标的中值，得到当前焊缝的中心位置；再由下一个焊缝的起始点重复上述操作，直到结束；结束时还需计算最后一个焊缝的起始点与最后一个点下标的中值得到最后一个焊缝的中心位置；

5)检测一根炉管的两个迎火面，得到实际采集数据，并得到同一根炉管两路超声信号幅值特征曲线，并根据超声信号幅值特征曲线确定损伤程度；设置超声信号幅值特征曲线的相对幅值范围为0～500；

6)采用两种算法对初步确定的损伤程度进行智能评级

一种算法是基于规则的逐步优化评级法，根据超声信号幅值特征曲线的统计特征制定划分损伤程度的标准，模拟人工评级的过程；另一种算法是基于BP神经网络的评级法，采用BP神经网络对输入的超声信号幅值特征曲线分类实现分级；两种算法均以10个数据为一个数据单元对一组数据进行划分，一个数据单元对应一个评级结果，因此长度为n的数据生成的评级结果的长度为n/10；

首先采用基于规则的逐步优化评级法，得到初步评级结果；在此基础上进行简单修改之后，采用BP神经网络进行训练学习，得到炉管损伤程度的结果；两种算法均对超声信号幅值特征曲线数据进行预处理，将同一根炉管两个通道的超声幅值特征曲线数据融合为一组，作为算法的输入数据；

6.1)基于规则的逐步优化评级算法包括以下三步：

6.1.1)初评

计算每个数据单元的最小值和均值，并以此进行初步评级，初步评级标准如表1所示；

表1

6.1.2)细评

根据每个数据单元相邻两侧的初评结果进行细评，主要规则有：评级结果为A级、B_上级的数据单元无需重评；若B级两侧为B_下级或焊缝则将其修改为B_下级；若B_下级和C级两侧不是A级或B_上级，则将其修改为B级；

6.1.3)膨胀连通

设置连通宽度，若评级结果中两个B_上级管段的距离小于连通宽度，则将两个B_上级之间评级结果为A级的位置修改为B_上级，使其连通；B级结果同样需要进行这一步骤；

6.2)基于BP神经网络的评级法包括以下内容：

BP神经网络具有三层或三层以上的拓扑结构，包括输入层、隐层和输出层，前后层神经元之间全连接，每层神经元之间无连接；其输入向量p＝(p₁,p₂,…,p_n)与输出向量h满足：

<mrow> <mi>h</mi> <mo>=</mo> <mi>f</mi> <mrow> <mo>(</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msub> <mi>p</mi> <mi>i</mi> </msub> <mo>&amp;CenterDot;</mo> <msub> <mi>&amp;omega;</mi> <mi>i</mi> </msub> <mo>-</mo> <mi>&amp;theta;</mi> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mi>W</mi> <mi>T</mi> </msup> <mi>P</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>

式中，W^T＝(-θ,ω₁,ω₂,…,ω_n)，P＝(1,p₁,p₂,…,p_n)和f()是输入输出的传递函数。

2.根据权利要求1所述的一种基于神经网络的高温炉管损伤级别智能评定方法，其特征在于，还可以在炉管段的管壁偏移量与采样位置的的表达式(3)中引入汉宁窗，提高焊缝段的模型曲线与实际特征曲线的近似程度。

3.根据权利要求1或2所述的一种基于神经网络的高温炉管损伤级别智能评定方法，其特征在于，所述的公式(5)中传递函数包括sigmoid型对数函数、sigmoid型正切函数以及纯线性函数。