基于相關向量機模型的腐蝕聲發射信號識別

馬佳良，于 洋

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

基于相關向量機模型的腐蝕聲發射信號識別

馬佳良1，于 洋2

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

相關向量機（RVM）模型的分類性能與其核函數參數的選擇有密切關系。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)尋找相關向量機模型的最優參數，對幾種方法的尋優性能進行了對比。采用基于二叉樹結構的一對多擴展方法，對二分類相關向量機模型進行了擴展，建立了四分類模型。基于該分類模型對罐底腐蝕聲發射信號進行識別，將聲發射特征參數和頻域參數作為模型的輸入參數，獲得了較好的識別結果。

相關向量機；參數優化；聲發射信號識別

引言

石油儲罐是石油化工企業重要的存儲油品設備，但由于受到外環境和存儲介質的影響，容易引起儲罐腐蝕和泄露，對安全生產構成重大威脅。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]。這些常規方法需在儲罐停止運行情況下，清空儲罐再進行檢測，定期開罐普查時,一般僅有少數的罐確實發生了嚴重腐蝕或泄漏，需要及時檢測和修復，這就浪費了人力和物力。與傳統的儲罐底板檢測方法相比，聲發射是一種在線、高效和經濟的檢測方法，國際上認可的大型常壓金屬儲罐底板在線檢測方法[3]。

1 相關向量機分類模型的建立

相關向量機是基于貝葉斯概率模型的新的機器學習方法。本文的分類模型基于基本的二分類相關向量機建立。本節首先簡單介紹相關向量機的基本原理，然后通過數據實驗證實分類準確率的影響因素，最后通過基于二叉樹結構的一對多方法建立四分類的分類模型。

1.1 相關向量機的基本原理

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

對于分類問題，輸入變量對應目標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｝，假設數據是獨立同分布的，似然函數可以表示為：

當訓練的數據量較大時，采用最大似然法對參數w進行估計會引起過學習，為避免這個問題，貝葉斯學習模型給權重參數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}是超參數向量，超參數αm和權重參數

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

1.2 相關向量機的核函數及其參數的選擇

根據上述相關向量機原理，相關向量機模型中的核函數及其參數是可變的，這兩項可能對分類準確率有影響。

首先討論不同核函數對分類模型準確率是否有影響。選用的是兩類的標準數據集Pipley’s synthetic作為實驗數據，分別選用Poly、Laplace、Gauss、Cauchy和Spline核函數建立分類模型，針對上述的數據集進行訓練和測試，得到相對應的分類正確率，如表1所示。

觀察表1中數據可知，選擇不同核函數的相關向量機對數據進行分類的結果相差不到0.1%，在一定程度上可以忽略不計。因此可以得出結論，不同核函數對相關向量機模型的分類性能影響不大。

現在討論選擇同一核函數且不同尺度參數時，分類模型的分類表現，在此選用較為普遍的高斯核函數作為相關向量機的核函數。依然選用上述數據集，隨機設定五個尺度參數為0.1、0.4、0.7、1、1.5，將這個五個尺度參數代入核函數，得到了五個相關向量機分類模型，使用該數據集中的部分數據對模型進行訓練，然后對剩下的數據進行分類，得到的分類結果，如表2所示。

表1 不同核函數對應的相關向量機分類正確率

對比表2中數據可知，不同的核函數尺度參數對應的分類準確率相差達到7%，如果選擇的尺度參數更大或更小，分類準確率可能會更低。因此可以得出結論，相關向量機模型核函數的尺度參數選擇對其分類性能影響較大。

1.3 相關向量機多分類模型的建立

相關向量機基本模型能夠實現二分類，要解決多分類問題需要在原有基礎上進行擴展。將二分類模型擴展為多分類模型的方法主要有一對多、一對一、二叉樹、有向無環圖等[6-8]。但這些方法都存在不同程度的數據不可分以及分類器數量多的問題。本文采用的是基于二叉樹結構的一對多模型，模型框圖如圖1所示。

圖1中的基于二叉樹結構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練數據為第一類數據和剩下的二、三、四類合并的數據，第二個分類器的輸入訓練數據為第二類數據和剩下的三、四類合并的數據，第三個分類器的輸入訓練數據為第三類數據和第四類數據。分類測試時依次分出第1、2、3、4類數據。

表2 不同尺度參數對應的相關向量機分類正確率

2 腐蝕聲發射信號識別模型的建立

根據《無損檢測 常壓金屬儲罐聲發射檢測及評價方法》[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年之內必須停產檢修；④完整性很差，必須立即停產檢修。這樣就可以確定了識別模型的輸出值是1、2、3、4，而輸入值就是聲發射檢測系統獲得的聲發射信號參數，主要包括：撞擊計數、能量計數、幅度、上升時間、持續時間、信號強度、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據進行訓練才能夠對未知屬性的數據集進行識別，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生的聲發射信號進行采集，實驗裝置簡圖如圖2所示。

圖2中腐蝕區域為鋼板上的空心圓，非腐蝕區域用環氧樹脂覆蓋。腐蝕實驗進行初期，腐蝕區域基本完好，存在表面上的部分腐蝕，這時采集的聲發射信號作為第一類信號；隨著腐蝕的進行，腐蝕區域表面出現比較明顯的腐蝕，這時采集到的信號作為第二類聲發射信號；當腐蝕區域的腐蝕產物較多，且發生部分腐蝕產物剝離，這時候采集信號作為第三類聲發射信號；出現比較深的腐蝕坑，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射信號。圖3顯示了鋼板腐蝕前后的對比圖，左側為腐蝕前的待腐蝕區域，右側是腐蝕后的情況。

將上述實驗獲得的數據訓練相關向量機模型，并利用這些數據進行測試，考察模型的分類性能，模型選擇高斯核函數，核函數參數分別利用ABC、PSO、GA方法進行確定，三種方法的尋優過程如圖4所示。

圖4中從左到右依次為ABC、PSO、GA方法的尋優過程，分別迭代了50次，縱坐標顯示了每次迭代獲得解的質量。從圖中可以看出ABC算法收斂速度最快且比較穩定。對于該類型的數據，三種方法獲得的最優核函數尺度參數都為11.5，對同樣類型的數據進行測試得到分類模型的準確率為95.2%。

圖2 鋼板腐蝕實驗轉置簡圖

圖3 鋼板腐蝕效果圖

圖4 ABC、PSO、GA三種方法尋優過程圖

3 現場試驗及結果分析

對某油田的某輸油站內5號罐進行了在線監測，該罐已使用25年，容積為50000m3，主要用于中轉原油，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，儲罐已經靜置24小時以上，儲罐內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個聲發射傳感器，監測到的聲發射事件三維定位圖如圖5所示。

利用上述腐蝕聲發射信號識別模型對采集到的聲發射數據進行分類識別，隨機抽取了70組數據，得到的識別結果如圖6所示，橫坐標表示數據代號，縱坐標表示對應于上述等級的屬性值。

從圖6中可以發現，有1組數據被評判為4級，占1.4%；2組數據被評判為3級，占2.8%；9組數據被評判為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射事件三維定位圖

圖6 儲油罐底板檢測識別結果

4 結論

基于二叉樹結構的一對多方法，對基本的相關向量機模型進行了擴展。利用ABC、PSO、GA方法對相關向量機模型的核函數參數進行了優化，采用實驗腐蝕數據對模型進行訓練，得到腐蝕聲發射信號模型。應用該模型對現場檢測的儲罐底板腐蝕聲發射信號進行了分析評價，獲得了與實際情況相符的結果，可以應用該模型對該罐區的儲罐進行在線檢測。

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

[2] 楊志軍,戴光等.常壓立式儲罐罐底腐蝕檢測技術的研究與應用[J].科學技術與工程,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.支持向量機多類分類方法[J].數據采集與處理，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.有向無環圖的多類支持向量機分類算法[J].電機與控制學報,2011,15(4):85-89.

[9]JB/T 10764-2007，無損檢測 常壓金屬儲罐聲發射檢測及評價方法[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。