CN110044554A - 一种基于声发射信号的金属压力容器泄漏的在线检测方法 - Google Patents

Abstract

本发明公开了一种基于堆叠降噪自编码器的金属压力容器声发射泄露在线检测方法。包括以下步骤：首先通过声发射传感器采集激励产生的各类声发射信号，并进行数据预处理；确定SDAE网络参数，设定合适的代价函数及优化策略；对SDAE网络进行无监督预训练，直到训练完所有的降噪自编码器；采用BP算法微调网络权值和偏置等参数，直到达到预期的准确率；建立LS‑SVM多分类器模型，确定多分类器的核函数及组合编码方法，利用粒子群优化算法找到分类器的最优参数；将训练好的LS‑SVM分类器作为SDAE网络的分类层，得到最终的SDAE‑LS‑SVM网络。最后对金属压力容器进行在线泄漏检测，将声发射传感器采集的数据处理后输入训练好的网络进行在线检测，得到压力容器的泄漏检测结果。

Description

一种基于声发射信号的金属压力容器泄漏的在线检测方法

技术领域

本发明属于金属压力容器的泄露在线检测领域，涉及一种基于堆叠降噪自编码器和LS-SVM的金属压力容器的声发射泄露在线检测方法。

背景技术

压力容器是在石油化工、医药、食品等行业领域中广泛使用的设备，属于工业生产和人民日常生活的重要基础设施。由于这些设备大多盛装高温、高压、易燃、易爆或剧毒介质，压力容器一旦发生开裂或泄漏，往往并发***、火灾或中毒等灾难性事故，造成人民生命财产的重大损失，并引起严重环境污染，社会影响恶劣。

为了保证压力容器的使用的安全性和规范性，各种无损检测技术在压力容器的制造和在役定期检验中得到广泛应用，现有的无损检测方法有声发射检测、射线检测、超声检测、磁粉检测和渗透检测等常规无损检测方法。但磁粉以及渗透等方法需要停产检验，超声检测或射线探伤方法探测到的能量来自无损检测仪器，不适合长期连续的检测，而声发射检测属于一种动态检测方法，可以提供缺陷随着环境变化的实时连续信息，并且能够快速检测大型构件，以及检测危害结构安全的活动性缺陷，提供缺陷动态信息。

声发射信号属于非线性、非平稳的检测信号，目前常用的压力容器泄露的检测方法有人工检测法、反向传播神经网络(BPNN)、DS融合和支持向量机等方法。然而BPNN方法存在收敛速度过慢的问题，并且容易陷人局部最优；DS融合方法通常在识别过程中无法获得大量的样本数据；传统的SVM是一个针对二分类问题的分类器，当问题规模较大时，二次规划问题的求解会变得非常复杂，还存在参数和核函数不容易确定的问题。

由于压力容器设备属于工业广泛且长期使用的设备，一旦容器出现了开裂和泄漏等情况，用传统检测方法可能存在生产过程中无法及时检测的情况，极可能导致人员和财产的重大损失。因此及时并准确地在线检测压力容器的泄露问题，对防止事故发生，保证人员和财产的安全具有重要意义。

发明内容

有鉴于此，本发明的目的在于提供一种基于堆叠降噪自编码器和LS-SVM的金属压力容器的声发射泄露在线检测方法。本方法通过构建堆叠降噪自动编码器(SDAE)网络来学习金属压力容器产生的几种典型声发射信号的特征，采用最小二乘支持向量机(LS-SVM)构成的多分类器对泄露和噪声进行多分类，利用子群优化(PSO)算法将该分类器的参数调整到最优值，最后将训练好的神经网络对压力容器的发射信号进行在线检测识别，以达到压力容器的泄露在线检测的目的。

为达到上述目的，本发明的技术方案提供一种基于堆叠降噪自编码器和LS-SVM的金属压力容器的声发射泄露在线检测方法，所述方法包括以下步骤：

1)通过安装在压力容器上的声发射传感器采集通过激励产生的泄露、噪声和正常的声发射信号，再对采集的数据进行预处理。

2)确定SDAE网络深度、各层神经元的数量、学习率和迭代次数等参数，根据任务需求设定合适的代价函数及优化策略。

3)对SDAE网络进行无监督贪婪逐层预训练，直到训练完成所有的降噪自动编码器。采用BP算法微调整个网络的权值和偏置等参数，直到达到预期的准确率要求。

4)建立LS-SVM多分类器模型，确定多分类器的核函数以及组合编码方法，利用粒子群优化算法找到分类器的核函数参数和惩罚函数的最优组合值。最后将训练好的LS-SVM分类器作为SDAE网络的分类层，得到最终的SDAE-LS-SVM网络。

5)将声发射传感器实时采集的数据进行预处理后，输入已训练好的网络进行泄露在线检测，输出压力容器是否存在泄露。

本发明达到的有益效果为：本发明提出了一种基于深度神经网络进行金属压力容器的声发射泄露在线检测方法。该方法克服了人工检测方法速度慢以及传统方法特征的提取依赖人工经验的缺点，由于去噪策略的引入，该方法能够从含噪数据中获取更加鲁棒的分层特征表示，增强特征的鲁棒性和分类能力。由于采用了LS-SVM作为分类器，该方法不仅对小样本泛化能力较强，并且训练速度更快，将SVM求解二次规划问题转换成求解线性方程组，极大地简化了计算的复杂度，粒子群优化算法的引入，能有效地对LS-SVM的核函数参数和惩罚函数进行优化，从而提高压力容器泄露识别分类结果的准确度。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明所述金属压力容器的泄露在线检测方法的实施流程框图。

图2为自编码器的结构示意图。

图3为无监督预训练示意图

图4为粒子群优化算法优化LS-SVM参数的算法流程示意图

图5为SDAE-LS-SVM网络结构

具体实施方式

为了更清楚地说明本发明的目的、技术方案和优点，下面结合附图对本发明的方法做描述，图1为本发明的金属压力容器的泄露在线检测技术方案的流程框图，具体实施的步骤如下：

1)通过安装在压力容器上的声发射传感器采集通过激励产生的泄露、噪声和正常的声发射信号，再进行数据预处理。

首先在压力容器各关键位置安装好统一规格的声发射传感器，通过施加激励的方式模拟泄露和噪声发生时的声发射信号，来获取需要的声发射数据，数据的种类和激励方式如下表1所示。本发明将压力容器现场常检测到的声发射源分为正常、泄露信号、干扰信号三种，正常数据直接采集正常的情况下的声发射信号，泄露的声发射数据可以通过打开压力容器的阀门来产生，用0.5mm的HB铅笔芯来断铅以模拟压力容器开裂的声信号，摩擦信号就通过用不同材料摩擦压力容器获取，水滴信号通过往压力容器滴水的方式模拟，电磁噪声则采用在一旁运行大功率电机来实现，至于复合干扰则将各类噪声信号交叉组合在一起来采集声发射信号。

表1压力容器各类声发射源激励方式表

获取了声发射数据后，需要提取声发射数据中的特征参数，将撞击计数、事件计数、幅度、能量计数、持续时间、上升时间、有效值电压、平均信号电平这八个参数作为声发射信号的特征参数。特征参数在输入网络之前还需要进行归一化处理(如公式1所示)，对于复合干扰的样本，将两者组合之后再归一化。

由于网络的整体微调阶段需要部分带标签数据，因此随机抽取部分各类声发射信号制作标签数据。

2)确定SDAE网络深度、各层神经元的数量、学习率和迭代次数等参数，根据任务需求设定合适的代价函数及优化策略。

SDAE的结构包含了输入层、3个降噪自编码器DAE层、分类层以及输出层，其中3个DAE层是将每个训练好的DAE的隐含层堆叠而成。分类层选择LS-SVM构成的多分类器，该方法不仅对小样本泛化能力较强，并且训练速度更快，能较好地结合SDAE进行声发射源的多分类。

一般情况AE由三层前馈式神经网络组成，其目标是尽可能复现输入信号，图2为典型自编码器结构图。AE的训练过程主要包括编码阶段和解码阶段。给定输入样本x∈[0,1]^N，N为输入层神经元的个数(也称为输入维数)，AE的编码和解码具体过程如下：

编码阶段：通过编码函数f_θ对输入x进行编码操作得到隐层表示，也称为编码矢量h∈R^M(M为隐含层神经元个数)，其数学表达式为：

h＝f_θ(x)＝s(Wx+b) (2)

式中，s(.)为非线性激活函数sigmoid函数，即s(z)＝1/(1+exp(-z))；W∈R^M×N和b∈R^M分别为权值矩阵和偏置向量。

解码阶段：通过解码函数g_θ′对隐层表示h进行解码得到x的重构输出其数学表达式为：

式中，s(.)同样为非线性激活函数sigmoid函数，W′∈R^M×N和b′∈R^M分别为隐含层和输出层之间的权值矩阵和偏置向量，一般W′＝W^T。AE的训练过程是通过最小化x与的重构误差来寻求参数θ＝{W,b,b′}，其损失函数计算如下，其中K为训练样本总数：

自编码器的变体有稀疏自编码器SAE和降噪自编码器DAE，由于后者DAE能从样本中学习到更具鲁棒性的特征，从而降低DAE对输入数据中微小随机扰动的敏感性，对畸变或缺失的输入数据具有较强的泛化能力是在输入样本中加入含特定统计特性噪声的样本，所依选择降噪自编码器DAE。

在DAE编码训练之前先对原始输入进行加噪处理，再对含噪样本进行编码和解码学***)加入随机噪声，使其变成含噪样本在实际的试验及测量中，为考虑噪声对所提方法损伤识别效果的影响，考虑5％，10％，20％的噪声对所提方法识别结果的影响，选择其中效果最好的作为最终的。

将多个DAE的隐含层依次堆积成为SDAE，其前一层DAE的输出是其后一层DAE的输入，它的网络层数和隐含层节点数决定了网络提取的最终特征向量，会影响压力容器的声发射源种类识别的精确度。需要在其他网络参数不变的情况下，通过改变网络层数对准确率的影响来选择最优的层数，这里默认选择层数为3层。

原始数据x和重构数据的数量n和输入信号长度一致，假设SAE1的隐藏层神经元数量为m，对应(1)和(2)式中W为n×m的权值矩阵，而W'为m×n的矩阵，SAE2与SAE3也以此类推，每层SAE的学习率μ设置为0.5，实际使用时迭代次数的数量可以通过实验的方式来选择最优的数量。

3)对SDAE网络进行无监督贪婪逐层预训练，直到训练完成所有的降噪自动编码器(DAE)。采用BP算法微调整个网络的权值和偏置等参数，直到达到预期的准确率要求。

SDAE的训练包括两个步骤：无监督预训练与有监督微调。首先利用无标签数据对每一层DAE逐层预训练去学习特征，采用的无监督的贪婪式逐层训练策略，每一次单独训练一层，并将训练结果作为更高一层的输入，然后到最顶层改用监督学习自顶向下对模型进行微调学习。无监督预训练示意图如图3所示，具体训练过程如下：

(1)利用无标签数据集x训练位于最底层的DAE1，通过编码和解码的学习过程，得到第一个特征表示层h₁，由于模型能力的限制和加噪操作，使DAE1能够学习到数据本身的结构，从而得到比输入更具有表示能力的特征；

(2)将h₁作为DAE2模型的输入，继续训练学习得到第2个特征表示层h₂；

(3)直到训练完成第3个DAE模型，得到第3个特征表示层h_n。

最后共得到3个特征表示层，每个特征表示层代表着原始输入数据的不同特征表示，也对应着不同级别的特征信息。

在逐层预训练之后进行有监督微调，将所有的特征表示层依次堆积起来，输入有标签数据，通过有监督的softmax回归层对特征表示层的权重和偏执进行微调。采用反向传播算法对网络微调，应用梯度下降算法进行权值的更新，算法的流程如下：

i.对输出层lnl的每一个节点i，残差公式为

ii.对于隐含层l＝n_l-1,n_l-2,...,2，其残差表达式为

式(10)中i，j分别代表隐含层l的第j个节点和隐含层l+1的第j个节点，1＜j≤s_l，ρ_j代表第j个节点的平均激活值。

iii.损失函数对W，b取偏导数

式中，C(W,b；x,y)为输入和输出的均方误差函数。

iv.根据下式进行参数更新，直到达到预期的准确率要求。

式中，参数η为更新时的学习率。微调好的SDAE网络能提取出输入数据的深层特征，然后将该特征作为LS-SVM分类器的输入。

4)建立LS-SVM多分类器模型，确定多分类器的核函数以及组合编码方法，利用粒子群优化算法找到分类器的核函数参数和惩罚函数的最优组合值。最后将训练好的LS-SVM分类器作为SDAE网络的分类层，得到最终的SDAE-LS-SVM网络。

LS-SVM分类器是SVM的变形，它将二次规划求解问题简化为线性方程组求解，避免了不敏感损失函数的使用，极大地简化了计算的复杂度，此外它还具有对小样本数据泛化能力强以及训练速度快等特点。设训练数据集为：

S＝{(x_i,y_i)|x_i∈R^l,y_i∈{-1,+1},i＝1,2,...,l} (10)

其中x_i为l维的训练样本输入，y_i为训练样本输出，l为样本数。LS-SVM的目标优化函数为：

其中：为核空间映射函数，ω为权矢量，e_i为误差变量，b为偏执量，μ和γ为可调参数。

构建Lagrange方程，将问题转化为：

其中：α_i为Lagrange乘子，分别对ω,b,e,α求偏微分

通过求解上式可得α和b那么用于函数估计的LS-SVM模型可以表示为

其中：K(x,x_i)为核函数，本文采用径向基核函数：

LS-SVM实现多分类通过最小输出编码(MOC)的方法，该方法计算量小且容易实现。对K0类问题进行分类时，该方法对于每一类别都分配一个独有的编码其中y_kn∈{-1,1}分别代表正类和负类，MOC的输出位数为N_m＝[log₂K₀]。

LS-SVM模型中核函数参数和惩罚函数对分类器的性能影响较大，采用PSO算法对这两个参数进行自动调整，找到参数的最优值。

首先将有标签数据集{(x_i,y_i),…,(x_N,y_N)}输入训练好的SDAE网络，然后将每一组输入数据x_i经过SDAE得到的输出z_i和已知样本的输出y_i构成LS-SVM参数优化的数据集{(z_i,y_i),…,(z_N,y_N)}。PSO优化LS-SVM过程中的衡量标准才有平均绝度预测误差(MAE)来衡量：

式中：y_i为已知样本的输出，y_i′为LS-SVM的预测输出，即模型输出值。为提高算法的泛化性能，在参数优化时采用交叉验证。

图4为粒子群优化算法优化LS-SVM参数的算法流程示意图，具体步骤如下：

(1)初始化PSO算法参数，包括群体规模N、学习因子c1和c2、最大迭代次数、惯性权重的最大值ω_max与最小值ω_min、初始化惯性权重、粒子的初始速度vid和位置xid。

(2)将LS-SVM的正则化参数γ和核函数宽度平方σ²作为每个粒子的二维坐标，根据训练数据训练LS-SVM，并进行留一交叉验证，计算粒子的适应度f。

(3)对每个粒子，将适应度f(x_i)与自身最优值进行比较，更新其自身最好适应值；将每个粒子的最好适应值与全局最好值进行比较，更新种群的全局最好适应值。

(4)按式(7)～(9)更新粒子速度vid及位置xid。

(5)按式(10)更新惯性权重ω，并更新计算适应度的平均值f_avg和最小值f_min。

(6)判断是否满足结束条件，若满足则输出最佳分类精度，若不满足则跳转到步骤b)。一般设定结束条件为到达最大迭代次数或适应度小于给定精度。

(7)选出最优化参数γ和σ²，建立LS-SVM识别模型。

将训练好的LS-SVM分类器作为SDAE网络的分类层，得到最终的SDAE-LS-SVM网络，具体的网络结构如图5所示。将经过预处理后的声发射数据输入至网络，然后输出金属压力容器的声发射源的泄露和干扰情况，分为表2的几类状态。

表2压力容器声发射信号源种类标签编码表

5)将声发射传感器实时采集的数据进行预处理后，输入已训练好的网络进行泄露在线检测，输出压力容器的泄露情况。

Claims (6)

1.一种基于堆叠降噪自编码器和LS-SVM的金属压力容器的声发射泄露的在线检测方法，其特征在于，包括如下步骤：

1)通过安装在压力容器上的声发射传感器采集通过激励产生的泄露、噪声和正常的声发射信号，再进行数据预处理；

2)确定SDAE网络深度、各层神经元的数量、学习率和迭代次数等参数，根据任务需求设定合适的代价函数及优化策略；

3)对SDAE网络进行无监督贪婪逐层预训练，直到训练完成所有的降噪自动编码器。采用BP算法微调整个网络的权值和偏置等参数，直到达到预期的准确率要求；

4)建立LS-SVM多分类器模型，确定多分类器的核函数以及组合编码方法，利用粒子群优化算法找到分类器的核函数参数和惩罚函数的最优组合值。最后将训练好的LS-SVM分类器作为SDAE网络的分类层，得到最终的SDAE-LS-SVM网络；

5)将声发射传感器实时采集的数据进行预处理后，输入已训练好的网络进行泄露在线检测，输出压力容器的泄露情况。

2.根据权利要求1所述，一种基于深度神经网络的金属压力容器的声发射泄露在线检测方法，其特征在于，所述步骤1)泄露、噪声和正常的声发射信号的获取，考虑到难以直接获取真实泄露的信息，因此考虑通过各种激励方式获取对应的声发射信号数据。将撞击计数、事件计数、幅度、能量计数、持续时间、上升时间、有效值电压、平均信号电平这八个参数作为声发射信号的特征参数。将获取的各类声发射数据的特征参数用做无标签数据用于SDAE网络预训练，随机抽取部分各类声发射信号制作标签数据用于网络微调，此外训练前还需对数据进行归一化处理，公式如下：

3.根据权利要求1所述的，一种基于深度神经网络的金属压力容器的声发射泄露在线检测方法，其特征在于，所述步骤2)AE由三层前馈式神经网络组成，训练过程主要包括编码阶段和解码阶段，在DAE编码训练之前先对原始输入进行加噪处理，对原始输入样本x按照q_D分布以概率ν(也称为噪声水平)加入随机噪声，使其变成含噪样本分别加噪5％，10％，20％的噪声进行训练，选择其中效果最好的作为最终的ν。

原始数据x和重构数据都的数量n和输入信号长度一致，SAE1的隐藏层神经元数量为m，对应(2)和(3)式中W为n×m的权值矩阵，而W'为m×n的矩阵，SAE2与SAE3也以此类推，每层SAE的学习率μ设置为0.5，实际使用时迭代次数的数量可以通过实验的方式来选择最优的数量。

4.根据权利要求1所述的，一种基于深度神经网络的金属压力容器的声发射泄露在线检测方法，其特征在于，所述步骤3)SDAE网络进行无监督贪婪逐层预训练，采用BP算法微调整个网络的权值和偏置等参数。无监督预训练最后共得到3个特征表示层，每个特征表示层代表着原始输入数据的不同特征表示。其有监督微调过程参数更新公式如下：

式中，参数η为更新时的学习率。微调好的SDAE网络能提取出输入数据的深层特征，然后将该特征作为LS-SVM分类器的输入。

5.根据权利要求1所述的，一种基于深度神经网络的金属压力容器的声发射泄露在线检测方法，其特征在于，所述步骤4)LS-SVM实现多分类通过最小输出编码(MOC)的方法，利用粒子群优化算法找到分类器的核函数参数和惩罚函数的最优组合值。PSO优化LS-SVM过程中的衡量标准才有平均绝度预测误差(MAE)来衡量：

6.根据权利要求1所述的，一种基于深度神经网络的金属压力容器的声发射泄露在线检测方法，其特征在于，所述步骤5)将声发射传感器实时采集的数据进行预处理后，输入已训练好的网络进行泄露在线检测，输出压力容器的状态类别分为正常、泄露、裂纹、电磁噪声、水滴、摩擦、复合干扰等几种分类结果。