基于人工神經網絡的長周期壓力容器安全評價評估系統

鄭金標

摘??要：為保障長周期壓力容器的連續不間斷生產，研究設計了一套基于人工神經網絡（ANNs）的長周期壓力容器安全分析評價系統，該系統整合各種在線檢測技術數據并通過人工神經網絡系統的分析處理，做出可靠的安全評價，實現在線安全管理。

關鍵詞：長周期壓力容器;人工神經網絡;壓力容器安全評價系統

近年來，隨著工業不斷發展，安全管理水平的提高，企業對提高生產效率、降低生產成本、增加經濟效益的訴求越來越強烈，對延長壓力容器檢驗周期的呼聲越來越多，特別是石油化工行業，各類長周期壓力容器的數量逐漸增多。

1.長周期壓力容器的特點

長周期壓力容器是指那些因生產裝置連續運行，停產困難或開罐成本大，致使其檢驗檢測成本高，而需要延長檢修周期的壓力容器。長周期壓力容器是一種可以提供長周期穩定運行的承壓設備，它以設備管理、技術管理和安全管理為依托，滿足企業生產裝置的長周期運行，以達到降本增效。例如：石化裝置長周期安全穩定運行是企業提高生產效率、降低生產成本、增加經濟效益的有效途徑。尤其是在今天，石化產業已經跨越了粗放發展的階段，降本增效是企業提升競爭力的重要手段。

如何保證生產裝置的長周期安全穩定運行，已經成為世界跨國石油公司必須高度重視，并加以研究、解決的技術和管理問題。從總體上講，我們目前設備管理許多方面還是傳統經驗型和規定型的，我們生產裝置的長周期運行水平與世界跨國石油公司相比仍有較大差距。因此，為了保證壓力容器在較長的周期內安全穩定運行，對這類壓力容器進行安全性分析是十分必要的。

2.人工神經網絡的原理

在人工神經網絡中，BP模型是應用最為廣泛的。BP模型是一種多層感知器網絡，它是具有三層或三層以上的階層型神經網絡，其中較典型的是三層前饋神經網絡。相鄰層之間的各神經元實現全連接，即下一層每個神經元與上一層每個神經元都實現全連接，而每層中各神經元之間無連接。最早的感知器模型即單層感知器僅由輸入層和輸出層構成，只能解決線性可分的分類問題，因此引入了能夠解決一些非線性分類問題的多層感知器模型。但由于感知器學習算法的限制，其模式分類能力仍然有限。BP算法采用非線性連續變換函數，使隱含層神經元具有了學習能力，于是多層感知器采用了BP學習算法。人們通常將采用BP學習算法的多層感知器模型稱為BP神經網絡。

BP網絡根據誤差梯度下降原則進行權值調整，具有很強的非線性映射、自組織、泛化和容錯能力。然而，基本BP網絡的固有缺陷也嚴重影響著它的實用效果。這些缺陷可歸結為：（1）收斂速度較慢（2）全局優化性不高（3）缺乏理論指導（4）包容能力差。

針對基于BP算法的多層感知器模型具有的缺陷，我們通過基于二次動量項的改進BP算法進行建立基于改進BP算法的多層感知器神經網絡模型來提高神經網絡模型分類的準確性。

基于二次動量項的改進BP神經網絡的長周期壓力容器智能評估系統具有自學習能力，其數值計算能力使其具有較高的預測能力。我們使用改進BP神經網絡模型進行長周期壓力容器安全評估預測大致分為兩個階段：首先通過對大量的已知類別的有標簽樣本進行脫機訓練，使其具有對無標簽樣本進行檢測的分類能力;然后在訓練完成后即可將該模型用于實際的樣本預測環境中。

3.基于人工神經網絡的安全評定系統

基于人工神經網絡模型可以建立一套長周期壓力容器安全分析評價系統。該系統在對長周期壓力容器的腐蝕機理、應力分析及主要失效模式理論研究的基礎上，以標準GB/T?19624—2004《在用含缺陷壓力容器安全評定》為依據，整合聲發射、導波檢測、相控陣技術、TOFD技術、漏磁檢測、低頻渦流檢測等長周期壓力容器在線檢測技術，對長周期壓力容器的器壁、焊縫、支撐結構進行在線運行監測，得到相關數據，并進一步運用有限元進行應力分析，創建應力數據庫，結合壓力容器的性能數據，所受到的載荷大小，所處的工作環境等條件，對在役壓力容器進行安全評定，進而得出評定結果數據庫，利用人工神經網絡系統進行學習和訓練，建立反饋型人工神經網絡，進而創建一套基于人工神經網絡的安全評價系統，對各種在線檢測的結果和長周期壓力容器的技術參數、服役條件等參數進行分析處理。安全評價評估系統主要包括材料性能參數數據庫模塊、分類應力數據庫模塊、缺陷復合模塊、斷裂評定模塊、安全性與經濟性平衡模塊。系統結構如下圖所示

4.結論

長周期壓力容器的安全評定是一個很復雜的過程，具有高度非線性，評定結果是多種因素如材料性能、缺陷幾何尺寸、缺陷所在部位及應力分布與外加載荷等綜合影響的結果。通過引入人工神經網絡技術，很好的解決了長周期壓力容器安全評定中的難題，而且通過對比驗證，與GB/T19624-2004《在用含缺陷壓力容器安全評定》的評定結果完全一致，說明基于人工神經網絡的長周期壓力容器安全評定系統是可行的。

參考文獻：

[1]嚴蘇星.在役壓力容器安全評價及工程應用[J].西北電力技術，2004，（3）：1-5.

[2]尹作文，張化光.基于人工神經網絡的壓力容器故障的診斷.儀器儀表學報，2005，26（8），173-174

[3]俞樹榮，李爾國，梁瑞.?基于人工神經網絡的壓力容器安全評定可靠度的模糊分析.化工機械，2000，27（6），333-335

[4]中華人民共和國國家質量監督檢驗檢疫總局.GB/T19624-2004在用含缺陷壓力容器安全評定[Z]，2004-12-29.