馬佳良，于 洋

（1.中國人民解放軍65194部隊，通化 135000； 2.沈陽工業(yè)大學(xué)信息科學(xué)與工程學(xué)院，沈陽 110870）

基于相關(guān)向量機(jī)模型的腐蝕聲發(fā)射信號識別

馬佳良1，于 洋2

（1.中國人民解放軍65194部隊，通化 135000； 2.沈陽工業(yè)大學(xué)信息科學(xué)與工程學(xué)院，沈陽 110870）

相關(guān)向量機(jī)（RVM）模型的分類性能與其核函數(shù)參數(shù)的選擇有密切關(guān)系。本文分別利用人工蜂群算法（ABC）、粒子群算法(PSO)和遺傳算法(GA)尋找相關(guān)向量機(jī)模型的最優(yōu)參數(shù)，對幾種方法的尋優(yōu)性能進(jìn)行了對比。采用基于二叉樹結(jié)構(gòu)的一對多擴(kuò)展方法，對二分類相關(guān)向量機(jī)模型進(jìn)行了擴(kuò)展，建立了四分類模型。基于該分類模型對罐底腐蝕聲發(fā)射信號進(jìn)行識別，將聲發(fā)射特征參數(shù)和頻域參數(shù)作為模型的輸入?yún)?shù)，獲得了較好的識別結(jié)果。

相關(guān)向量機(jī)；參數(shù)優(yōu)化；聲發(fā)射信號識別

引言

石油儲罐是石油化工企業(yè)重要的存儲油品設(shè)備，但由于受到外環(huán)境和存儲介質(zhì)的影響，容易引起儲罐腐蝕和泄露，對安全生產(chǎn)構(gòu)成重大威脅。儲罐腐蝕檢測中最難檢測的部位是罐底板，常規(guī)檢測罐底板的方法主要包括漏磁、超聲、渦流等[1,2]。這些常規(guī)方法需在儲罐停止運行情況下，清空儲罐再進(jìn)行檢測，定期開罐普查時,一般僅有少數(shù)的罐確實發(fā)生了嚴(yán)重腐蝕或泄漏，需要及時檢測和修復(fù)，這就浪費了人力和物力。與傳統(tǒng)的儲罐底板檢測方法相比，聲發(fā)射是一種在線、高效和經(jīng)濟(jì)的檢測方法，國際上認(rèn)可的大型常壓金屬儲罐底板在線檢測方法[3]。

1 相關(guān)向量機(jī)分類模型的建立

相關(guān)向量機(jī)是基于貝葉斯概率模型的新的機(jī)器學(xué)習(xí)方法。本文的分類模型基于基本的二分類相關(guān)向量機(jī)建立。本節(jié)首先簡單介紹相關(guān)向量機(jī)的基本原理，然后通過數(shù)據(jù)實驗證實分類準(zhǔn)確率的影響因素，最后通過基于二叉樹結(jié)構(gòu)的一對多方法建立四分類的分類模型。

1.1 相關(guān)向量機(jī)的基本原理

其中 K ( x , xi)是選用的核函數(shù)，ωi代表權(quán)重值，ωi不為零時所對應(yīng)的xi被稱為相關(guān)向量[4]。

對于分類問題，輸入變量對應(yīng)目標(biāo)值的條件分布概率公式為：

其中σ(y) = (1+exp(-y))-1，考慮二分類情況時t ∈｛0,1｝，假設(shè)數(shù)據(jù)是獨立同分布的，似然函數(shù)可以表示為：

當(dāng)訓(xùn)練的數(shù)據(jù)量較大時，采用最大似然法對參數(shù)w進(jìn)行估計會引起過學(xué)習(xí)，為避免這個問題，貝葉斯學(xué)習(xí)模型給權(quán)重參數(shù)附加了一個條件概率分布，常用的是均值為零的高斯概率先驗分布：

其中α={αm}是超參數(shù)向量，超參數(shù)αm和權(quán)重參數(shù)

相對應(yīng)[5]。利用拉普拉斯逼近方法[4]不斷更新超參數(shù)α，直到滿足迭代終止條件，同時尋找權(quán)值wMP，將的得到的權(quán)值參數(shù)帶入（1）和（2）式進(jìn)行分類并計算后驗概率。

1.2 相關(guān)向量機(jī)的核函數(shù)及其參數(shù)的選擇

根據(jù)上述相關(guān)向量機(jī)原理，相關(guān)向量機(jī)模型中的核函數(shù)及其參數(shù)是可變的，這兩項可能對分類準(zhǔn)確率有影響。

首先討論不同核函數(shù)對分類模型準(zhǔn)確率是否有影響。選用的是兩類的標(biāo)準(zhǔn)數(shù)據(jù)集Pipley’s synthetic作為實驗數(shù)據(jù)，分別選用Poly、Laplace、Gauss、Cauchy和Spline核函數(shù)建立分類模型，針對上述的數(shù)據(jù)集進(jìn)行訓(xùn)練和測試，得到相對應(yīng)的分類正確率，如表1所示。

觀察表1中數(shù)據(jù)可知，選擇不同核函數(shù)的相關(guān)向量機(jī)對數(shù)據(jù)進(jìn)行分類的結(jié)果相差不到0.1%，在一定程度上可以忽略不計。因此可以得出結(jié)論，不同核函數(shù)對相關(guān)向量機(jī)模型的分類性能影響不大。

現(xiàn)在討論選擇同一核函數(shù)且不同尺度參數(shù)時，分類模型的分類表現(xiàn)，在此選用較為普遍的高斯核函數(shù)作為相關(guān)向量機(jī)的核函數(shù)。依然選用上述數(shù)據(jù)集，隨機(jī)設(shè)定五個尺度參數(shù)為0.1、0.4、0.7、1、1.5，將這個五個尺度參數(shù)代入核函數(shù)，得到了五個相關(guān)向量機(jī)分類模型，使用該數(shù)據(jù)集中的部分?jǐn)?shù)據(jù)對模型進(jìn)行訓(xùn)練，然后對剩下的數(shù)據(jù)進(jìn)行分類，得到的分類結(jié)果，如表2所示。

表1 不同核函數(shù)對應(yīng)的相關(guān)向量機(jī)分類正確率

對比表2中數(shù)據(jù)可知，不同的核函數(shù)尺度參數(shù)對應(yīng)的分類準(zhǔn)確率相差達(dá)到7%，如果選擇的尺度參數(shù)更大或更小，分類準(zhǔn)確率可能會更低。因此可以得出結(jié)論，相關(guān)向量機(jī)模型核函數(shù)的尺度參數(shù)選擇對其分類性能影響較大。

1.3 相關(guān)向量機(jī)多分類模型的建立

相關(guān)向量機(jī)基本模型能夠?qū)崿F(xiàn)二分類，要解決多分類問題需要在原有基礎(chǔ)上進(jìn)行擴(kuò)展。將二分類模型擴(kuò)展為多分類模型的方法主要有一對多、一對一、二叉樹、有向無環(huán)圖等[6-8]。但這些方法都存在不同程度的數(shù)據(jù)不可分以及分類器數(shù)量多的問題。本文采用的是基于二叉樹結(jié)構(gòu)的一對多模型，模型框圖如圖1所示。

圖1中的基于二叉樹結(jié)構(gòu)的四分類器由三個二分類器組合而成，第一個分類器的輸入訓(xùn)練數(shù)據(jù)為第一類數(shù)據(jù)和剩下的二、三、四類合并的數(shù)據(jù)，第二個分類器的輸入訓(xùn)練數(shù)據(jù)為第二類數(shù)據(jù)和剩下的三、四類合并的數(shù)據(jù)，第三個分類器的輸入訓(xùn)練數(shù)據(jù)為第三類數(shù)據(jù)和第四類數(shù)據(jù)。分類測試時依次分出第1、2、3、4類數(shù)據(jù)。

表2 不同尺度參數(shù)對應(yīng)的相關(guān)向量機(jī)分類正確率

2 腐蝕聲發(fā)射信號識別模型的建立

根據(jù)《無損檢測 常壓金屬儲罐聲發(fā)射檢測及評價方法》[9]，將儲罐底板的完整性等級分為四類：①完整性較好，可以繼續(xù)運行一個檢測周期；②完整性一般，可以運行不超過半個檢測周期；③完整性較差，1年之內(nèi)必須停產(chǎn)檢修；④完整性很差，必須立即停產(chǎn)檢修。這樣就可以確定了識別模型的輸出值是1、2、3、4，而輸入值就是聲發(fā)射檢測系統(tǒng)獲得的聲發(fā)射信號參數(shù)，主要包括：撞擊計數(shù)、能量計數(shù)、幅度、上升時間、持續(xù)時間、信號強(qiáng)度、絕對能量、平均頻率、峰值頻率、中心頻率。

識別模型需要一定的數(shù)據(jù)進(jìn)行訓(xùn)練才能夠?qū)ξ粗獙傩缘臄?shù)據(jù)集進(jìn)行識別，因此做了鋼板腐蝕實驗。利用儲罐底板常用的材料Q235鋼板為試樣，對其在含鹽酸0.05mol/L的FeCl3·6H2O溶液中局部腐蝕過程中產(chǎn)生的聲發(fā)射信號進(jìn)行采集，實驗裝置簡圖如圖2所示。

圖2中腐蝕區(qū)域為鋼板上的空心圓，非腐蝕區(qū)域用環(huán)氧樹脂覆蓋。腐蝕實驗進(jìn)行初期，腐蝕區(qū)域基本完好，存在表面上的部分腐蝕，這時采集的聲發(fā)射信號作為第一類信號；隨著腐蝕的進(jìn)行，腐蝕區(qū)域表面出現(xiàn)比較明顯的腐蝕，這時采集到的信號作為第二類聲發(fā)射信號；當(dāng)腐蝕區(qū)域的腐蝕產(chǎn)物較多，且發(fā)生部分腐蝕產(chǎn)物剝離，這時候采集信號作為第三類聲發(fā)射信號；出現(xiàn)比較深的腐蝕坑，且剩余鋼板厚度不到總厚度的1/5時，測的信號作為第四類聲發(fā)射信號。圖3顯示了鋼板腐蝕前后的對比圖，左側(cè)為腐蝕前的待腐蝕區(qū)域，右側(cè)是腐蝕后的情況。

將上述實驗獲得的數(shù)據(jù)訓(xùn)練相關(guān)向量機(jī)模型，并利用這些數(shù)據(jù)進(jìn)行測試，考察模型的分類性能，模型選擇高斯核函數(shù)，核函數(shù)參數(shù)分別利用ABC、PSO、GA方法進(jìn)行確定，三種方法的尋優(yōu)過程如圖4所示。

圖4中從左到右依次為ABC、PSO、GA方法的尋優(yōu)過程，分別迭代了50次，縱坐標(biāo)顯示了每次迭代獲得解的質(zhì)量。從圖中可以看出ABC算法收斂速度最快且比較穩(wěn)定。對于該類型的數(shù)據(jù)，三種方法獲得的最優(yōu)核函數(shù)尺度參數(shù)都為11.5，對同樣類型的數(shù)據(jù)進(jìn)行測試得到分類模型的準(zhǔn)確率為95.2%。

圖2 鋼板腐蝕實驗轉(zhuǎn)置簡圖

圖3 鋼板腐蝕效果圖

圖4 ABC、PSO、GA三種方法尋優(yōu)過程圖

3 現(xiàn)場試驗及結(jié)果分析

對某油田的某輸油站內(nèi)5號罐進(jìn)行了在線監(jiān)測，該罐已使用25年，容積為50000m3，主要用于中轉(zhuǎn)原油，該罐距前一次開罐檢修時間較短，罐底板狀況良好。檢測之前，儲罐已經(jīng)靜置24小時以上，儲罐內(nèi)液位高度為儲罐高度的80%，檢測時在儲罐一周靠近底板的罐壁上均勻布置了16個聲發(fā)射傳感器，監(jiān)測到的聲發(fā)射事件三維定位圖如圖5所示。

利用上述腐蝕聲發(fā)射信號識別模型對采集到的聲發(fā)射數(shù)據(jù)進(jìn)行分類識別，隨機(jī)抽取了70組數(shù)據(jù)，得到的識別結(jié)果如圖6所示，橫坐標(biāo)表示數(shù)據(jù)代號，縱坐標(biāo)表示對應(yīng)于上述等級的屬性值。

從圖6中可以發(fā)現(xiàn)，有1組數(shù)據(jù)被評判為4級，占1.4%；2組數(shù)據(jù)被評判為3級，占2.8%；9組數(shù)據(jù)被評判為2級，占12.9；其余都被評判為1級，占82.9%；被評判為1級和2級的占95.8%。考慮到識別模型本身存在的誤差，可以得出結(jié)論，該罐底板完整性狀況良好，與實際情況相符。

圖5 儲油罐底板檢測聲發(fā)射事件三維定位圖

圖6 儲油罐底板檢測識別結(jié)果

4 結(jié)論

基于二叉樹結(jié)構(gòu)的一對多方法，對基本的相關(guān)向量機(jī)模型進(jìn)行了擴(kuò)展。利用ABC、PSO、GA方法對相關(guān)向量機(jī)模型的核函數(shù)參數(shù)進(jìn)行了優(yōu)化，采用實驗腐蝕數(shù)據(jù)對模型進(jìn)行訓(xùn)練，得到腐蝕聲發(fā)射信號模型。應(yīng)用該模型對現(xiàn)場檢測的儲罐底板腐蝕聲發(fā)射信號進(jìn)行了分析評價，獲得了與實際情況相符的結(jié)果，可以應(yīng)用該模型對該罐區(qū)的儲罐進(jìn)行在線檢測。

[1] 劉貴民,馬麗麗.無損檢測技術(shù)[M].北京:國防工業(yè)出版社,2009.

[2] 楊志軍,戴光等.常壓立式儲罐罐底腐蝕檢測技術(shù)的研究與應(yīng)用[J].科學(xué)技術(shù)與工程,2009,9(18):5472-5475.

[3] Sosoon Park, Shigeo Kitsukawa, Kenji Katoh, et al. AE source and relation between AE activity and rate of corrosion of oil tank bottom plate on acidic soils [J]. Materials Transactions, 2005, 46 (11): 2490-2496.

[4] Michael E. Tipping. Sparse Bayesian Learning and the Relevance Vector Machine [J]. Journal of Machine Learning Research. 2001, 1:211-244.

[5] BISHOP C M, TIPPING M E. Variational relevance vector machines [C]. Proceedings of the 16th Conference on Uncertainty in Artifi cial Intelligence, Catalina Island, CA, USA, 8-11, July, 2010: 46-53.

[6] 茍博,黃賢武.支持向量機(jī)多類分類方法[J].數(shù)據(jù)采集與處理，2006,21(3):334-339.

[7] R.Debnath, N.Takahide, H.Takahashi. A decision based oneagainst-one method for multi-class support vector machine[J]. Pattern Analysis and Applications, 2004, 7(2):164～175.

[8] 王艷,陳歡歡,沈毅.有向無環(huán)圖的多類支持向量機(jī)分類算法[J].電機(jī)與控制學(xué)報,2011,15(4):85-89.

[9]JB/T 10764-2007，無損檢測 常壓金屬儲罐聲發(fā)射檢測及評價方法[S].

Corrosion Acoustic Emission Signal Recognition Based on Relevance Vector Machine Model

MA Jia-liang1，YU Yang2
（1. 65194 troops of People's Liberation Army, Tonghua 135000; 2. School of Information Science and Engineering, Shenyang University of Technology, Shenyang 110870）

The classification performance of the RVM model and its associated kernel function parameter are closely related. This paper applies artificial bee colony algorithm (ABC), particle swarm optimization (PSO) and genetic algorithm (GA) to find the optimal parameter of the RVM model, and the performance of these methods was compared. Based on the binary tree structure and one-againstall method, the binary-classification RVM model is extended to establish a four-classification model. The tank bottom corrosion acoustic emission signals were recognized using the established model. The characteristics parameters of the acoustic emission signal and the frequency-domain parameters were selected as the input parameters of the model, and a good recognition was obtained.

relevance vector machine； parameter optimization；acoustic emission signal recognition

TP391.4

A

1004-7204（2014）01-0023-04

馬佳良（1986- ），男，碩士，研究方向：無損檢測。