姚璐嶠，張小軍，王 凱，張 蒙，張?bào)汨?，李躍娟，苗 揚(yáng),b

(北京工業(yè)大學(xué) a.材料與制造學(xué)部; b.先進(jìn)制造技術(shù)北京市重點(diǎn)實(shí)驗(yàn)室， 北京 100124)

氫氣作為一種能量載體，以其資源豐富、來源多樣、清潔環(huán)保、高熱值、可存儲(chǔ)、可再生等優(yōu)點(diǎn)備受世界各國(guó)青睞[1]。但是高壓存儲(chǔ)的氫氣容易與金屬發(fā)生氫脆反應(yīng)，誘發(fā)容器壁裂紋生長(zhǎng)，造成氫氣泄漏。因此對(duì)于氫氣的利用、運(yùn)輸與存儲(chǔ)等都需要保證安全性，有必要對(duì)氫氣進(jìn)行泄漏檢測(cè)。在氫氣泄漏方面，鄒強(qiáng)等[2]提出了一種支持向量機(jī)的氫氣泄漏檢測(cè)方法。苗揚(yáng)等[3]提出了一種光面式高壓氫氣泄漏快速可視化檢測(cè)方法，并進(jìn)行仿真實(shí)驗(yàn)證明其方法的可行性。余亞波等[4]建立了三維高壓艙氫氣泄漏擴(kuò)散模型，利用數(shù)值模擬方法進(jìn)行研究，揭示了高壓艙內(nèi)氫氣的泄漏擴(kuò)散過程。Kodoth等[5]提出了利用HRS事故信息估計(jì)氫氣泄漏率的方法。Malakhov等[6]采用計(jì)算流體力學(xué)(CFD)方法對(duì)半封閉式通風(fēng)設(shè)備的氫氣泄漏進(jìn)行了分析。Won等[7]通過控制壓力和開孔面積進(jìn)行實(shí)驗(yàn)探究抑制高壓氫氣泄漏自燃的方法。 Kim等[8]利用計(jì)算流體力學(xué)工具FLACS，在給定壓力和氫噴射孔尺寸的條件下，對(duì)加氫站氫泄漏情況進(jìn)行了三維模擬，驗(yàn)證了泄漏氫射流的擴(kuò)散行為。Falsafi等[9]找到一種新型電導(dǎo)式氫泄漏傳感材料，并測(cè)試了摻釤鈷鐵氧體的傳感器在氫泄漏中的適用性。在激光應(yīng)用方面，李雪芳[10]搭建了平面激光瑞利散射(PLRS)實(shí)驗(yàn)系統(tǒng)，可視化地測(cè)量氫氣泄漏射流的濃度場(chǎng)，研究了不同流量下的亞聲速射流和不同實(shí)驗(yàn)條件下的高壓欠膨脹射流。在機(jī)器學(xué)習(xí)方面，張瑞程等[11]利用VGG-16模型提出基于一維卷積神經(jīng)網(wǎng)絡(luò)的燃?xì)夤艿拦收显\斷模型，用以診斷燃?xì)夤艿拦收?。張憶等[12]提出了一種基于BP神經(jīng)網(wǎng)絡(luò)的氣體管道泄漏檢測(cè)方法。Syed等[13]研究了具有時(shí)滯和泄漏項(xiàng)的分?jǐn)?shù)階記憶模糊細(xì)胞神經(jīng)網(wǎng)絡(luò)(MFFCNNs)的有限時(shí)間穩(wěn)定性分析。 Minhhuy等[14]提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的仿真方法。Suntonsinsoungvon等[15]研究了同時(shí)具有多重泄漏時(shí)變時(shí)滯和離散時(shí)變時(shí)滯的不確定離散神經(jīng)網(wǎng)絡(luò)的一個(gè)新的指數(shù)穩(wěn)定性判據(jù)。Beaudelaire等[16]提出了一種基于經(jīng)典的邊緣檢測(cè)濾波器和人工神經(jīng)網(wǎng)絡(luò)的新的視網(wǎng)膜圖像血管分割方法。Erik等[17]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的選擇性激光燒結(jié)缺陷檢測(cè)與可視化的機(jī)器學(xué)習(xí)方法。Meha等[18]比較了人工神經(jīng)網(wǎng)絡(luò)、多層感知器神經(jīng)網(wǎng)絡(luò)(MLP)和卷積神經(jīng)網(wǎng)絡(luò)(CNN)在乳腺癌診斷中的應(yīng)用，確定更適合于乳腺癌的診斷方法。然而這些技術(shù)存在著儀器價(jià)格昂貴、研究計(jì)算量大等缺陷，不能滿足低成本、高響應(yīng)、本質(zhì)安全的要求，因此尋找一種新型的檢測(cè)方法對(duì)于及時(shí)檢測(cè)出氫氣泄漏是十分必要的。

射流場(chǎng)很多狀態(tài)會(huì)對(duì)光斑產(chǎn)生疊加效應(yīng)，影響光斑特征，所以，激光高斯光斑特征反映射流狀態(tài)問題非常復(fù)雜。一般來說，這一過程需要推算射流的壓力、出口大小等條件對(duì)高斯光斑大小、偏移和光強(qiáng)等的影響并進(jìn)行疊加。這些參數(shù)的求解通常需要復(fù)雜的數(shù)學(xué)計(jì)算?？紤]低成本、安全的需求，本團(tuán)隊(duì)尋找一種更為便捷的方法檢測(cè)泄漏氣體的狀況。

文中提出了一種實(shí)驗(yàn)的方法，利用機(jī)器學(xué)習(xí)實(shí)現(xiàn)反推泄漏氣體狀態(tài)參數(shù)。通過訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)得到射流狀態(tài)和光斑圖像的關(guān)系，省去人為計(jì)算過程，最終產(chǎn)生一個(gè)完善的對(duì)應(yīng)模型，實(shí)現(xiàn)以圖像反推泄漏狀態(tài)參數(shù)的目的，完成對(duì)氫氣的泄漏檢測(cè)。

1 檢測(cè)裝置及原理

在激光光束中，激光穿過氫氣射流發(fā)生微弱分子散射后產(chǎn)生的高斯光斑的大小、光強(qiáng)等變化，可以靈敏地反映出光斑特征與泄漏狀態(tài)之間的映射關(guān)系。實(shí)驗(yàn)裝置的原理圖如圖1所示。實(shí)驗(yàn)選用532 nm綠光激光器，激光功率保持在10 mW以下，這樣對(duì)射流氣體的輻射壓力和加熱效應(yīng)可以忽略不計(jì)。使用2.6 MPa的氦氣瓶做替代實(shí)驗(yàn)，產(chǎn)生實(shí)驗(yàn)氣流，使用黑紙板作為激光的接收板，可大幅減少干擾光斑測(cè)量下、激光照射物體時(shí)產(chǎn)生的漫反射效應(yīng)。光斑產(chǎn)生的位置可以通過調(diào)節(jié)ZX平臺(tái)上下和左右旋鈕進(jìn)行校準(zhǔn)。

圖1 實(shí)驗(yàn)裝置的示意圖

本裝置中的黑紙板可以替換為CCD相機(jī)或其他接收裝置。進(jìn)一步地，在距離激光器長(zhǎng)度為D1處會(huì)呈現(xiàn)半徑為R1的圓形高斯光斑，在距離激光器長(zhǎng)度為D2(D2

A=F(S，P)

A1=πr2，A2=πab

式中：S表示泄漏口面積；P表示泄漏口壓力；F為A和S、P存在的函數(shù)關(guān)系。

研究發(fā)現(xiàn)，隨著泄漏口面積和壓力變化，高斯光斑的面積也隨之變化，并且這2種變化存在一定的函數(shù)關(guān)系，即可通過激光器產(chǎn)生的高斯光斑的大小變化反映出泄漏口大小，通過壓力等參數(shù)的變化反映出泄漏特征。

2 機(jī)器學(xué)習(xí)方法

機(jī)器學(xué)習(xí)方法是提出一種能夠基于圖像的特征推測(cè)流場(chǎng)狀態(tài)的方法。在激光穿過流場(chǎng)時(shí)，光斑特征會(huì)發(fā)生變化，機(jī)器學(xué)習(xí)識(shí)別光斑特征并將這些信息轉(zhuǎn)化為相應(yīng)的流場(chǎng)狀態(tài)參數(shù)，如圖2所示。激光穿過射流時(shí)，會(huì)產(chǎn)生從光斑各參數(shù)指標(biāo)到射流場(chǎng)狀態(tài)參數(shù)的映射關(guān)系。在這里，光斑各參數(shù)指標(biāo)對(duì)應(yīng)于CCD相機(jī)所接收識(shí)別的影像信息(如光斑的大小、強(qiáng)度等)。射流場(chǎng)狀態(tài)參數(shù)是泄漏口情況的表示，如泄漏口處壓強(qiáng)、泄漏口大小等。

圖2 光斑各參數(shù)指標(biāo)到射流場(chǎng)狀態(tài)參數(shù)的映射關(guān)系

使用機(jī)器學(xué)習(xí)方法后，可以將圖像數(shù)據(jù)提交計(jì)算機(jī)，計(jì)算機(jī)通過獲取圖像信息參數(shù)，通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)泄漏位置的情況，得到泄漏參數(shù)。實(shí)現(xiàn)氫氣泄漏檢測(cè)目的，如圖3所示。

圖3 機(jī)器學(xué)習(xí)的使用方法示意圖

3 BP神經(jīng)網(wǎng)絡(luò)

在進(jìn)行氫氣泄漏檢測(cè)時(shí)，由于泄漏參數(shù)(泄漏口大小、壓強(qiáng)等)組合不同，激光通過氫氣折射出的光斑大小與泄漏參數(shù)之間的對(duì)應(yīng)關(guān)系十分復(fù)雜，理論上，通過復(fù)雜的數(shù)學(xué)計(jì)算，可以推導(dǎo)出光斑的形狀信息，但費(fèi)時(shí)耗力。有閾值的神經(jīng)元構(gòu)成的網(wǎng)絡(luò)具有很好的性能[19]，發(fā)揮計(jì)算機(jī)的高速運(yùn)算能力，能夠很快找到優(yōu)化解而達(dá)到反推光斑信息與泄漏參數(shù)之間存在的耦合關(guān)系，此外，其自學(xué)習(xí)功能能夠慢慢學(xué)會(huì)識(shí)別類似的圖像，對(duì)不同條件下泄漏情況進(jìn)行推測(cè)，因此，BP神經(jīng)網(wǎng)絡(luò)可以作為處理圖像的手段，實(shí)現(xiàn)氫氣泄漏檢測(cè)。

3.1 神經(jīng)元模型

人工神經(jīng)網(wǎng)絡(luò)由多個(gè)神經(jīng)元廣泛連接而成，是一種非線性、自適應(yīng)系統(tǒng)，其模型如圖4所示。

圖4 神經(jīng)元模型示意圖

最后可以得出神經(jīng)元的輸出為

y=f(wx+b)

(3)

3.2 BP神經(jīng)網(wǎng)絡(luò)分析

BP網(wǎng)絡(luò)即基于 BP 算法的多層感知器，因此它的拓?fù)浣Y(jié)構(gòu)和多層感知器的拓?fù)浣Y(jié)構(gòu)相同，相鄰2層是全連接，而層內(nèi)是沒有連接的，跨層之間也沒有連接，其結(jié)構(gòu)如圖5所示。

圖5 3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在給定訓(xùn)練數(shù)據(jù)集的情況下，可以構(gòu)建一個(gè)神經(jīng)網(wǎng)絡(luò)來對(duì)這些數(shù)據(jù)進(jìn)行擬合，構(gòu)建過程主要分為前向傳播和反向傳播2部分。

1) 信號(hào)的前向傳播過程

傳遞函數(shù)：

(4)

隱藏層的第j個(gè)節(jié)點(diǎn)的輸入為：

(5)

輸出層的第k個(gè)節(jié)點(diǎn)的輸入為：

(6)

隱藏層的第j個(gè)節(jié)點(diǎn)的輸出為：

(7)

輸出層的第k個(gè)節(jié)點(diǎn)的輸出為：

(8)

2) 誤差的反向傳播過程

由于前向傳播階段的權(quán)值和閾值是隨機(jī)初始化的，因此需要根據(jù)網(wǎng)絡(luò)輸出誤差使用梯度下降法不斷對(duì)參數(shù)進(jìn)行修正。

樣本的二次型誤差準(zhǔn)則函數(shù)E為：

(9)

輸出層權(quán)值公式：

(10)

輸出層閾值公式：

(11)

隱藏層權(quán)值公式：

(12)

隱藏層閾值公式：

(13)

式中：η為學(xué)習(xí)速率，一般在0.01 ～0.8范圍取值。

3.3 BP神經(jīng)網(wǎng)絡(luò)法氫氣泄漏檢測(cè)

首先要建立預(yù)測(cè)模型，需要做的第一步是將泄漏源參數(shù)及接收端的光斑圖像導(dǎo)入計(jì)算機(jī)進(jìn)行圖像識(shí)別，并將數(shù)據(jù)歸一化處理，然后建立BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

本文以實(shí)驗(yàn)拍攝的不同形狀特征的812張光斑圖像進(jìn)行算法驗(yàn)證，得到泄漏口壓力和大小并將其作為網(wǎng)絡(luò)的輸出。將光斑圖像數(shù)據(jù)輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練，選取800張圖片作為訓(xùn)練集，12張照片作為驗(yàn)證集，采用相對(duì)誤差進(jìn)行性能評(píng)價(jià)。

相對(duì)誤差

(14)

在獲取訓(xùn)練數(shù)據(jù)集時(shí)，泄漏源的出口壓力通過與之連接的減壓器表盤提取，泄漏口大小通過出口閥控制開口大小。將光斑圖像導(dǎo)入計(jì)算機(jī)，利用圖像識(shí)別獲取光斑形狀長(zhǎng)短軸長(zhǎng)、偏移量及光通量，將所提取的信息進(jìn)行收集、整理，處理后應(yīng)用到神經(jīng)網(wǎng)絡(luò)中。

3.4 樣本數(shù)據(jù)的歸一化處理

BP網(wǎng)絡(luò)神經(jīng)元的激勵(lì)函數(shù)一般選取S型函數(shù)，這樣可加快網(wǎng)絡(luò)收斂速度。數(shù)據(jù)進(jìn)行歸一化處理公式如下：

(15)

式中：Tmax為訓(xùn)練樣本中的最大值；Tmin為訓(xùn)練樣本中的最小值；Tn為歸一化后的訓(xùn)練矩陣。

反歸一化公式如下：

(16)

3.5 網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

1) 選取輸入及輸出層節(jié)點(diǎn)數(shù)：由于需要對(duì)泄漏口大小、壓強(qiáng)進(jìn)行檢測(cè)，因此本文在輸出層中使用2個(gè)神經(jīng)元。而輸入層有4個(gè)神經(jīng)元，分別表示光斑圖像的長(zhǎng)軸長(zhǎng)、短軸長(zhǎng)(近似橢圓)、偏移量和光通量。

2) 確定隱藏層層數(shù)：隱藏層可以是一層或多層，由于單層隱藏層運(yùn)算速度快，并且可以滿足擬合復(fù)雜函數(shù)的需要，因此本文選擇隱藏層為單層。

3) 確定隱藏層節(jié)點(diǎn)數(shù)：采用試湊的方法，通過對(duì)比不同節(jié)點(diǎn)數(shù)的預(yù)測(cè)結(jié)果誤差，最終選取節(jié)點(diǎn)數(shù)為3。

綜上幾步，首先建立一個(gè)結(jié)構(gòu)為4-3-2的3層 BP 神經(jīng)網(wǎng)絡(luò)，如圖6所示，網(wǎng)絡(luò)中激勵(lì)函數(shù)均采用對(duì)數(shù)型的S型函數(shù)。

圖6 BP網(wǎng)絡(luò)氫氣泄漏檢測(cè)模型

4) 初始化網(wǎng)絡(luò)權(quán)值、閾值：由于激勵(lì)函數(shù)選取的是對(duì)數(shù)型的S函數(shù)，初始權(quán)值和閾值不能過大，一般在(0，1)范圍。

5) 選取學(xué)習(xí)速率：學(xué)習(xí)速率過大易過調(diào)，過小則訓(xùn)練速度慢，一般情況下，選取學(xué)習(xí)速率在(0.01，0.9)范圍，文中選取的學(xué)習(xí)速率為0.1。

4 實(shí)驗(yàn)

應(yīng)用標(biāo)準(zhǔn)BP算法建立氫氣泄漏預(yù)測(cè)模型，訓(xùn)練網(wǎng)絡(luò)完成對(duì)圖像的識(shí)別并使用其對(duì)模擬工況下泄漏參數(shù)進(jìn)行預(yù)測(cè)。

本文對(duì)設(shè)計(jì)的氫氣泄漏檢測(cè)方法進(jìn)行穩(wěn)定性與重復(fù)性測(cè)試，共做了12次實(shí)驗(yàn)，實(shí)驗(yàn)數(shù)據(jù)如表1所示。從表中可以看出，每次實(shí)驗(yàn)均存在一定的誤差，但誤差值較小。

表1 BP網(wǎng)絡(luò)誤差分析

預(yù)測(cè)結(jié)果與實(shí)際的相對(duì)誤差值如圖7所示。從圖中可以看到，本文基于BP神經(jīng)網(wǎng)絡(luò)的氫氣泄漏檢測(cè)方法具有很小的誤差，且誤差具有較高的穩(wěn)定性。

圖7 相對(duì)誤差曲線

整體而言，本文的檢測(cè)方法應(yīng)用于氫氣泄漏檢測(cè)中，預(yù)測(cè)參數(shù)與真實(shí)的泄漏參數(shù)很接近且重復(fù)性與穩(wěn)定性良好，能為相關(guān)氫氣泄漏檢測(cè)方法的設(shè)計(jì)提供思路。

5 結(jié)論

1) 提出了一種利用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)高壓氫氣泄漏檢測(cè)的方法，將激光變形后的光斑圖像輸入BP神經(jīng)網(wǎng)絡(luò)中，通過機(jī)器學(xué)習(xí)可反推出泄漏口直徑和出口壓力大小。激光束穿過氫射流時(shí)發(fā)生折射，導(dǎo)致光斑變形。

2) 由于光斑形狀和泄漏口直徑與壓力大小存在復(fù)雜的數(shù)學(xué)關(guān)系，直接求解費(fèi)時(shí)費(fèi)力。本文利用BP神經(jīng)網(wǎng)絡(luò)對(duì)泄漏口直徑和壓強(qiáng)進(jìn)行實(shí)驗(yàn)預(yù)測(cè)，誤差較小且穩(wěn)定性良好。

3) 本研究具有較好的應(yīng)用與實(shí)踐價(jià)值，可以為實(shí)現(xiàn)低成本、安全的高壓氫氣泄漏檢測(cè)提供參考。