王志伟,高 斌,肖 湘
(电子科技大学 自动化工程学院,成都 610000)
石油输送行业的快速发展和油气管道的腐蚀严重影响着石化企业的安全生产[1],有效地监测腐蚀引起的管道壁厚减薄程度,可以及时地对管道进行维护,延长其使用寿命,同时可大幅减少因管道腐蚀而发生的安全事故,降低不必要的经济损失[2]。
现有油气管道腐蚀检测和在线监测的解决方案在温度变化较大的工况环境中会产生较大的测量误差,尤其是在国内昼夜温差变化很大的地区,长期暴露在石油平台或野外的在线石油管道监测系统会受到早晚温差较大的影响。因此,笔者提出温度与声速误差补偿的神经网络模型和线性回归模型,并进行两种模型的效果对比分析,在监测系统中融入了误差补偿更优的自校正模型,在一定程度上消除了温度对超声波测厚造成的误差影响。
超声波检测是无损检测的重要分支,利用超声波测量石油管道的壁厚,依据的是超声波在材料中传播的特征,如:声波在通过材料时能量会有损失,在遇到两种介质的分界面时,会发生反射等,常用的频率为0.5 MHz~25 MHz。其工作过程为:① 利用压电效应在探头中激发超声波;② 超声波在试件中传播,与材料相互作用,材料的不均匀性将改变超声波传播方向等特性;③ 通过仪器可观察到超声波特征的改变;④ 根据采样数据可获得超声波的传播时间,从而评估试件的内部特征。
脉冲反射法是由超声波探头发射脉冲波到试件内部,通过观察来自内部缺陷或试件底面的反射波的情况来对试件进行检测的方法。采用脉冲反射技术进行超声测厚的工作原理是利用厚度与声速及超声波在试件中的传播时间的关系,如式(1)所示。
(1)
式中:H为试件厚度;c为材料中的声速;t为垂直入射时超声波在试件中往返一次的传播时间。
可以得知,影响超声波测厚精度的因素是声速c和传播时间t。
声速c的基本物理关系如式(2)所示。
(2)
式中:T为周期;f为频率;λ为波长;ω为角频率;c为材料中的声速。
固体中横波的声速关系如式(3)所示。
(3)
式中:E为弹性模量;G为切变模量;σ为泊松比;ρ为密度。
固体中纵波的声速关系如式(4)所示。
(4)
在不同温度下,固体材料的弹性模量会发生变化,一般来说,弹性模量随着温度的升高而减小。结合式(3),(4)可知,在不同温度下,超声波的声速会发生变化。随着温度的升高,一般固体材料中超声波的传播速度会相应降低,从而影响超声波的测厚精度。
因此,为了解决超声波测厚系统中温度变化引起的精度误差问题,笔者对神经网络误差补偿模型和线性回归误差补偿模型进行了大量的试验研究。
神经网络的本质是一种算法模型,其由各种节点相互连接组合而成,每一个节点可以代表一种激励函数,节点之间的连接有着权值,可代表其所占的比重,是由大量的处理单位组成的非线性、非局限性、非常规性、非凸性的一种信息处理系统。根据温度与声速的关系,建立了神经网络输入输出模型,如图1所示。
图1 神经网络的输入输出模型
线性回归模型利用统计的思路来确定两种或两种以上变量间相互依赖的定量关系。采用的回归分析只包含一个自变量和一个因变量,且二者关系可用一条直线近似表示一元线性回归分析,表达式如式(5)所示。
y=bx+a+ε
(5)
(6)
a=y2-bx2
(7)
ε-N(0,σ2)
(8)
(9)
(10)
式中:x为固体中的温度;y为固体中的传播声速;b为回归方程斜率;a为回归方程截距;ε为误差项;σ为标准差;r2为相关系数,代表变异回归直线解释的比例;Syy(1-r2)就是不能回归直线解释的变异。
超声波测厚系统由上位机、超声波自动检测终端及软件组成,其检测终端由采集控制模块、处理传输模块、算法模块和多路超声探头等组成。超声采集控制模块以嵌入式处理器(ARM)芯片S3C2440和可编程集成电路(FPGA)芯片为核心,设计了多通道超声波自动监测终端的硬件电路,主要包括采集模块、处理传输模块、运动控制模块、机械执行模块和多路超声模块等;采用C语言和多线程编程机制编写了处理传输模块(ARM)的软件,实现了对超声采集控制和超声探头的运动控制。超声采集板卡原理框图如图2所示(DMA为直接存储器访问通信模式,REQ为请求,ACK为应答;DSC为动态稳定控制系统)。
图2 超声采集板卡原理框图
监测系统可用于监测各种规格的油气设备及管道的受冲蚀、腐蚀的关键部位,检验人员可实时查询数据结果。监测设备安装在防爆箱里(防爆级别达到IP65),由屏蔽线从防爆箱连接外面的超声探头,其中探头安装于管道上面。超声探头发射超声信号并接收超声回波,传输到采集板卡,经滤波处理后传输到上位机软件进行分析并显示,系统硬件结构如图3所示(PLC为可编程逻辑控制器;MODBUS为串行通信协议)。
图3 系统硬件结构示意
超声波测厚系统软件借助于面向对象的编程技术,具备模块性、继承性、动态链接性和易维护性等特点。考虑到软件编程、调试、运行与升级等方面的因素,在程序设计中采用了模块化设计思想,各模块分别执行相应的功能,可以分别对其进行设计、调试和修改。软件整体设计由5大模块组成(见图4)。
图4 软件结构图
软件程序启动后先初始化声学参数和配置参数,接着判断软件是否需要终止,如果“否”,则接收软件界面输入的指令并进行相应的动作,然后把执行结果和计算结果显示在屏幕上。最后,继续判断软件是否需要终止,重复上述的步骤,软件执行流程如图5所示。
图5 软件执行流程图
其中数据流从超声探头以模拟信号的形式传输到采集板卡,经过A/D(模拟/数字)转换为数字信号后传输到上位机系统。上位机绘画出原始回波并在屏幕上显示。另外,上位机存储数据并进行处理,计算出管道测试点的壁厚并在屏幕上显示。软件系统数据流如图6所示。
图6 软件系统数据流示意
试验获得的三列数据存于txt文本中。第一列是探头的通道号,所使用的通道号一共有4个;第二列是当前的温度,0~70 ℃;第三列是在该探头通道与当前温度下得到的声速,m/s。
将试验数据导入MATLAB软件,并对网络进行训练样本。经过BP神经网络训练后会得到如图7,8,9所示的结果,分别是原始训练集温度与声速的曲线、未训练完成的网络仿真曲线和原始训练集曲线、训练完成的网络仿真曲线和原始训练集曲线,这3幅图中实线代表的是原始训练集曲线,虚线代表的是通过网络进行仿真后的曲线。可以看出,在BP神经网络未进行训练前,对其仿真后的效果表现比较差,只能看出大概趋势,精准度远远不够,且收敛系数和准确值相差过大,无法作为所需的算法来使用。图7为输出的温度声速原始图像;图8为经过误差反向传播及一次训练后的网络图像和原始训练集温度与声速的图像对比;图9为经过多次训练后的网络,有着良好的回归性能,其回归曲线能够很好地表示原曲线的趋势。
图7 原始训练集曲线
图8 一次训练效果曲线
图9 多次训练效果曲线
将试验数据进行线性回归分析,结果如表1和图10 所示,可得线性回归模型如式(11)所示。
图10 线性回归分析结果
表1 线性回归分析结果参数
f(x)=p1×x+p2
(11)
式中:系数p1的最优值选-0.849 7,取值-0.907 2~-0.792 3;p2选593 2,取值5 929~5 934。
改变温度,使用神经网络模型和线性回归模型分别测量试块两处不同厚度的阶梯(15 mm和12 mm),得到误差和相对误差如表2~5所示。
表2 神经网络训练模型探头测量15 mm试块结果
表3 神经网络训练模型探头测量12 mm试块结果
表4 线性回归模型探头测量15 mm试块结果
表5 线性回归模型探头测量12 mm试块结果
由表2~5可以看出,随着温度的变化,测量所得误差并没有出现大于0.1 mm的情况,可知两种算法模型都具备较好的鲁棒性。在同等条件下,线性回归模型比神经网络模型测量的结果更准确,相对误差值更小。
超声波壁厚监测是保证石油管道安全运输的重要手段。利用超声波在线监测石油管道的厚度和腐蚀情况,研究了温度与声速的关系,对比了神经网络和线性回归两种模型的误差精度。两种误差补偿模型都能达到石油管道测厚的0.1 mm误差精度要求,但线性回归模型的相对误差更小且测量数据更稳定,更适合用于温度变化比较大的工况环境。在监测系统中融入线性回归误差补偿模型,在一定程度上消除了温度对超声波测厚造成的误差影响。