基于SMOTE-GWO-SVM模型的儲(chǔ)罐底板腐蝕聲發(fā)射檢測(cè)智能評(píng)價(jià)

李 偉，薛永強(qiáng)，賈 鑫，劉祥彪，徐海豐

(1.東北石油大學(xué) 機(jī)械科學(xué)與工程學(xué)院，大慶 163318； 2.中國(guó)石油天然氣集團(tuán)有限公司 工程和物裝管理部，北京 100007)

隨著經(jīng)濟(jì)的快速發(fā)展，我國(guó)對(duì)石油能源的需求不斷增加，而常壓儲(chǔ)罐作為石油的專(zhuān)用儲(chǔ)存容器，保障其長(zhǎng)期安全穩(wěn)定運(yùn)行極為重要。儲(chǔ)罐所有部位中底板是最易腐蝕但也是最難檢測(cè)的部位，常規(guī)無(wú)損檢測(cè)方法在不開(kāi)罐的前提下無(wú)法對(duì)儲(chǔ)罐底板進(jìn)行有效檢測(cè)和評(píng)價(jià)，目前聲發(fā)射檢測(cè)是儲(chǔ)罐底板腐蝕狀態(tài)在線(xiàn)檢測(cè)的主要技術(shù)之一[1]。依據(jù)標(biāo)準(zhǔn) JB/T 10764-2007 《無(wú)損檢測(cè) 常壓金屬儲(chǔ)罐聲發(fā)射檢測(cè)及評(píng)價(jià)方法》 能夠?qū)?chǔ)罐的底板腐蝕情況做出評(píng)價(jià)，該標(biāo)準(zhǔn)將儲(chǔ)罐底板腐蝕狀態(tài)劃分為5個(gè)等級(jí)，其中1級(jí)最好，5級(jí)最差，然而標(biāo)準(zhǔn)中某些關(guān)鍵參數(shù)值的確定仍需依靠經(jīng)驗(yàn)，這給儲(chǔ)罐底板腐蝕狀況的評(píng)價(jià)帶來(lái)了不確定因素，同時(shí)限制了聲發(fā)射檢測(cè)技術(shù)在儲(chǔ)罐底板腐蝕檢測(cè)中的推廣應(yīng)用。

隨著機(jī)器學(xué)習(xí)技術(shù)的發(fā)展，利用機(jī)器學(xué)習(xí)算法、統(tǒng)計(jì)方法對(duì)數(shù)據(jù)進(jìn)行分析，智能化評(píng)價(jià)儲(chǔ)罐底板的腐蝕狀態(tài)，對(duì)擺脫對(duì)傳統(tǒng)經(jīng)驗(yàn)的依賴(lài)具有十分重要的意義。美國(guó)聲學(xué)物理公司基于其掌握的大量?jī)?chǔ)罐檢測(cè)數(shù)據(jù)研發(fā)了大型常壓金屬儲(chǔ)罐底板聲發(fā)射檢測(cè)專(zhuān)家評(píng)估系統(tǒng)(TANKPAC)，目前已在全世界進(jìn)行了大規(guī)模應(yīng)用。國(guó)內(nèi)，陳榮剛[2]通過(guò)遺傳算法優(yōu)化貝葉斯網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)儲(chǔ)罐底板腐蝕狀態(tài)的預(yù)測(cè)，并將儲(chǔ)罐的宏觀(guān)特征作為評(píng)價(jià)模型的輸入特征，提高模型預(yù)測(cè)的準(zhǔn)確率。張延兵等[3]、宋高峰等[4]、劉琪華等[5]等則利用BP神經(jīng)網(wǎng)絡(luò)及其優(yōu)化算法建立了儲(chǔ)罐底板腐蝕狀態(tài)的預(yù)測(cè)模型，實(shí)現(xiàn)了對(duì)儲(chǔ)罐底板腐蝕等級(jí)的預(yù)測(cè)。

儲(chǔ)罐底板腐蝕聲發(fā)射智能評(píng)價(jià)系統(tǒng)的建立需要大量的聲發(fā)射檢測(cè)數(shù)據(jù)支持，這不僅對(duì)數(shù)據(jù)的量有要求，數(shù)據(jù)的分布情況也同樣會(huì)影響智能評(píng)價(jià)系統(tǒng)的準(zhǔn)確性。儲(chǔ)罐底板腐蝕檢測(cè)數(shù)據(jù)庫(kù)中各等級(jí)樣本分布如圖1所示，可見(jiàn)，儲(chǔ)罐底板腐蝕狀況的實(shí)際分布情況往往并不均衡，其中1級(jí)(非常微小腐蝕)和4級(jí)(存在動(dòng)態(tài)腐蝕)的儲(chǔ)罐均只有20臺(tái)，而大部分儲(chǔ)罐的聲發(fā)射評(píng)價(jià)等級(jí)為2級(jí)(存在少量腐蝕)和3級(jí)(存在中等腐蝕)。缺陷樣本在數(shù)據(jù)空間分布上存在差異，尤其是在底板腐蝕狀態(tài)極好和極差的儲(chǔ)罐聲發(fā)射檢測(cè)數(shù)據(jù)不足的情況下，往往會(huì)造成1，4，5等級(jí)的欠學(xué)習(xí)和2，3等級(jí)的過(guò)學(xué)習(xí)，從而降低底板腐蝕狀態(tài)智能評(píng)價(jià)系統(tǒng)的準(zhǔn)確性。

圖1 儲(chǔ)罐底板腐蝕檢測(cè)數(shù)據(jù)庫(kù)中各等級(jí)樣本分布

針對(duì)以上問(wèn)題，在結(jié)合專(zhuān)業(yè)人員相關(guān)經(jīng)驗(yàn)的基礎(chǔ)上，充分考慮了儲(chǔ)罐的宏觀(guān)特征和聲發(fā)射特征，并以可能的腐蝕導(dǎo)向?qū)μ卣鬟M(jìn)行了合理的預(yù)處理，同時(shí)提出采用過(guò)采樣技術(shù)來(lái)優(yōu)化樣本空間，改善數(shù)據(jù)集的平衡性。過(guò)采樣技術(shù)是一種廣泛應(yīng)用的數(shù)據(jù)增強(qiáng)方法，其中SMOTE算法是該領(lǐng)域影響力最大的過(guò)采樣方法，能大幅度改善數(shù)據(jù)集的平衡性[6]，最后結(jié)合灰狼算法優(yōu)化的支持向量機(jī)(GWO-SVM)，實(shí)現(xiàn)對(duì)儲(chǔ)罐底板腐蝕聲發(fā)射檢測(cè)等級(jí)的智能評(píng)價(jià)。

1 SMOTE-GWO-SVM儲(chǔ)罐底板腐蝕聲發(fā)射檢測(cè)等級(jí)智能評(píng)價(jià)模型

1.1 基于SMOTE算法的樣本優(yōu)化

與試驗(yàn)數(shù)據(jù)不同，儲(chǔ)罐底板腐蝕的現(xiàn)場(chǎng)聲發(fā)射檢測(cè)數(shù)據(jù)非常珍貴，在246個(gè)樣本數(shù)據(jù)中，2，3級(jí)占83.7%，1，4級(jí)均僅占16.3%，存在樣本分布不均衡的情況，為提高后續(xù)模型的訓(xùn)練效果，采用SMOTE算法對(duì)少數(shù)類(lèi)樣本進(jìn)行擴(kuò)充。SMOTE算法對(duì)距離較近的少數(shù)類(lèi)樣本進(jìn)行線(xiàn)性插值生成新的少數(shù)類(lèi)樣本，以實(shí)現(xiàn)數(shù)據(jù)平衡[7]。其主要計(jì)算過(guò)程為：① 對(duì)于每一個(gè)少數(shù)類(lèi)樣本x，計(jì)算其到該類(lèi)中其余所有樣本的歐氏距離并得到k近鄰；② 根據(jù)數(shù)據(jù)集的不平衡比例設(shè)置采樣倍率N，從少數(shù)類(lèi)樣本x的k近鄰中隨機(jī)選擇若干個(gè)實(shí)例，假設(shè)選擇的近鄰樣本為xn；③ 將隨機(jī)選擇的樣本xn按照式(1)計(jì)算出新的樣本，并加入到數(shù)據(jù)集中。

xnew=x+rand(0,1)×(xn-x)

(1)

式中：x為少數(shù)類(lèi)樣本；xnew為生成的新樣本；rand為隨機(jī)函數(shù)。

1.2 基于灰狼優(yōu)化算法的支持向量機(jī)(GWO-SVM)智能評(píng)價(jià)模型

SVM(支持向量機(jī))是一種處理分類(lèi)和回歸問(wèn)題的監(jiān)督式機(jī)器學(xué)習(xí)算法。在樣本數(shù)據(jù)量不充足的情況下，與人工神經(jīng)網(wǎng)絡(luò)等其他需要大量數(shù)據(jù)訓(xùn)練的分類(lèi)算法相比，具有更好的學(xué)習(xí)效果[8]。對(duì)于線(xiàn)性分類(lèi)問(wèn)題，其利用間隔最大化求解最優(yōu)分離超平面;對(duì)于非線(xiàn)性分類(lèi)問(wèn)題，其通過(guò)核函數(shù)將原空間的數(shù)據(jù)映射到新空間，在新的空間里用線(xiàn)性分類(lèi)學(xué)習(xí)方法學(xué)習(xí)分類(lèi)模型。對(duì)于非線(xiàn)性可分的SVM形式可描述為[9]

(2)

s.t.yi(wxi+b)≥1-ξi,i=1,2,1,…,N

(3)

(4)

(5)

式中：w為權(quán)值；b為誤差；C為懲罰因子；ξi為松弛變量；N為訓(xùn)練樣本數(shù)；s.t.為約束條件；xi，xj為樣本；yi為類(lèi)別號(hào)；K(xi,xj)為核函數(shù)；αi為拉格朗日乘子；sgn為判別函數(shù)；f(x)為分類(lèi)決策函數(shù)；σ2為核函數(shù)參數(shù)；g為內(nèi)部參數(shù)，g=1/(2σ2)。

懲罰因子C和核函數(shù)內(nèi)部參數(shù)g共同決定了SVM模型的精度，依靠經(jīng)驗(yàn)確定SVM的參數(shù)難以使模型達(dá)到最大準(zhǔn)確率，因此對(duì)SVM的參數(shù)C和g進(jìn)行優(yōu)化，確定最優(yōu)值十分重要。

在眾多支持向量機(jī)的優(yōu)化方法中，灰狼優(yōu)化算法(GWO)與其他傳統(tǒng)方法相比具有在復(fù)雜空間的全局搜索能力，GWO算法是受狼群捕獵行為啟發(fā)而提出的群體優(yōu)化算法，優(yōu)化過(guò)程分為以下3個(gè)部分[10]。

(1) 包圍獵物。狼群在狩獵過(guò)程中需要確定獵物位置并包圍獵物，用數(shù)學(xué)方程描述為

D=|SXP(t)-X(t)|

(6)

X(t+1)=XP(t)-AD

(7)

A=2ar1-a

(8)

a=2-2t/T

(9)

S=2r2

(10)

式中：D為灰狼與獵物之間的距離；XP(t)為當(dāng)前最優(yōu)解即獵物位置；X(t)表示灰狼當(dāng)前位置；X(t+1)為迭代至t+1次時(shí)灰狼的位置；A和S為系數(shù)；r1和r2為在 [0,1] 區(qū)間內(nèi)的隨機(jī)數(shù)；a為收斂因子，隨著迭代次數(shù)增加從2線(xiàn)性遞減到0；T為最大迭代數(shù)。

(2) 狩獵過(guò)程。在狩獵時(shí)，狼群的位置不斷變化，此過(guò)程在α狼、β狼、δ狼的引導(dǎo)下，計(jì)算ω狼群與前3個(gè)狼的距離并不斷更新位置，接近獵物，此過(guò)程的數(shù)學(xué)描述為

(11)

(12)

Xt+1=(X1+X2+X3)/3

(13)

式中：Dα,Dβ,Dδ分別為α,β,δ狼與其他狼之間的距離；Xα,Xβ,Xδ分別為α,β,δ狼的當(dāng)前位置；S1,S2,S3,A1,A2,A3為系數(shù)；X1,X2,X3為普通灰狼向α,β,δ狼移動(dòng)的步長(zhǎng)；Xt+1為迭代至t+1次時(shí)獵物的位置。

(3) 攻擊獵物。在最后階段，狼群攻擊追捕獵物即完成尋優(yōu)過(guò)程，獲取最優(yōu)解。在收斂因子a從2線(xiàn)性遞減到0的過(guò)程中，當(dāng)|A|≤1時(shí)狼群集中攻擊，捕獲獵物位置進(jìn)行局部搜索，當(dāng)|A|≥1時(shí)狼群發(fā)散，遠(yuǎn)離獵物進(jìn)行全局搜索。

1.3 SMOTE-GWO-SVM模型構(gòu)建

首先利用SMOTE算法處理擴(kuò)充數(shù)據(jù)集，實(shí)現(xiàn)樣本數(shù)據(jù)的平衡，利用SVM算法進(jìn)行訓(xùn)練，并采用GWO算法優(yōu)化SVM算法中的參數(shù)，從而得出使儲(chǔ)罐底板腐蝕等級(jí)評(píng)價(jià)精度最高的最佳參數(shù)，優(yōu)化評(píng)價(jià)結(jié)果。SMOTE-GWO-SVM模型的流程圖如圖2所示。

圖2 SMOTE-GWO-SVM模型流程圖

2 儲(chǔ)罐底板腐蝕狀態(tài)聲發(fā)射智能評(píng)價(jià)模型的應(yīng)用

2.1 數(shù)據(jù)預(yù)處理

儲(chǔ)罐聲發(fā)射檢測(cè)數(shù)據(jù)均來(lái)源于課題組所依托的國(guó)家認(rèn)證聲發(fā)射檢測(cè)實(shí)驗(yàn)室近年來(lái)進(jìn)行現(xiàn)場(chǎng)儲(chǔ)罐聲發(fā)射檢測(cè)所建立的數(shù)據(jù)庫(kù)。每條數(shù)據(jù)有兩類(lèi)特征(宏觀(guān)特征和聲發(fā)射特征)，共20個(gè)特征參數(shù)，具體如表1所示。

表1中數(shù)據(jù)類(lèi)型復(fù)雜，部分宏觀(guān)特征并不是數(shù)值型數(shù)據(jù)，考慮到不同條件底板腐蝕的情況不同，因此并沒(méi)有直接采用one-hot編碼，而是以可能的腐蝕狀況為導(dǎo)向?qū)?chǔ)罐字符型宏觀(guān)特征進(jìn)行預(yù)處理，預(yù)處理結(jié)果如圖3所示(腐蝕速率為歸一化數(shù)值，無(wú)量綱)。處理分析如下所述。

表1 儲(chǔ)罐宏觀(guān)特征和聲發(fā)射特征數(shù)據(jù)

圖3 儲(chǔ)罐宏觀(guān)特征腐蝕導(dǎo)向預(yù)處理結(jié)果

(1) 儲(chǔ)存介質(zhì)。儲(chǔ)罐內(nèi)的各儲(chǔ)存介質(zhì)對(duì)儲(chǔ)罐的腐蝕程度不同，重質(zhì)儲(chǔ)罐的腐蝕程度比輕質(zhì)儲(chǔ)罐的腐蝕程度更嚴(yán)重[11]。

(2) 運(yùn)行溫度。對(duì)于絕大多數(shù)化學(xué)反應(yīng)，反應(yīng)速率會(huì)隨溫度升高而加快[12]。

(3) 外觀(guān)腐蝕情況。外觀(guān)腐蝕情況包括罐壁、罐底邊緣板及焊縫腐蝕情況，防腐漆脫落情況等，外觀(guān)情況較差則儲(chǔ)罐腐蝕更嚴(yán)重[13]。

(4) 基礎(chǔ)完好情況。儲(chǔ)罐基礎(chǔ)無(wú)防滲層、表面有粘土、底部滲水、沉降等都會(huì)加重儲(chǔ)罐的腐蝕[14]。

(5) 保溫結(jié)構(gòu)。保溫層多為疏松多孔結(jié)構(gòu)，易吸水，且保溫層下的水分冷凝難以蒸發(fā)，與雜質(zhì)形成電解質(zhì)溶液更易造成儲(chǔ)罐腐蝕[15]。

(6) 材料類(lèi)別。建造常壓儲(chǔ)罐所用材料多為低碳鋼和合金鋼，低碳鋼S和P的含量較高，而合金鋼添加了Mn，Cr，Ni等耐腐蝕元素，其耐蝕性比低碳鋼耐蝕性更好[16]。

(7) 儲(chǔ)罐結(jié)構(gòu)。浮頂儲(chǔ)罐浮盤(pán)支柱與儲(chǔ)罐底板接觸部位的涂層易受到破壞無(wú)法再次涂刷，且浮頂儲(chǔ)罐支柱易對(duì)底板造成沖擊，更易造成儲(chǔ)罐底板腐蝕[17]。

預(yù)處理后的數(shù)據(jù)宏觀(guān)特征和聲發(fā)射特征之間的量級(jí)相差較大，如果不進(jìn)行無(wú)量綱化處理會(huì)對(duì)后續(xù)計(jì)算造成較大影響，因此對(duì)數(shù)據(jù)進(jìn)行了歸一化處理，公式為

y=(x-xmin)/(xmax-xmin)

(14)

式中：x為樣本值；xmax,xmin分別為樣本的最大值和最小值；y為歸一化后的值，范圍在01之間且無(wú)量綱。

儲(chǔ)罐宏觀(guān)特征和聲發(fā)射預(yù)處理后的數(shù)據(jù)如表2所示(表中宏觀(guān)特征均已數(shù)據(jù)化)。

表2 儲(chǔ)罐外觀(guān)和聲發(fā)射數(shù)據(jù)預(yù)處理后的數(shù)據(jù)

2.2 智能評(píng)價(jià)模型應(yīng)用

為提高模型的訓(xùn)練效果，使用SMOTE算法進(jìn)行少數(shù)類(lèi)樣本擴(kuò)容，將每個(gè)等級(jí)各20個(gè)原數(shù)據(jù)集樣本作為測(cè)試集，其余樣本和擴(kuò)充樣本作為訓(xùn)練集，同時(shí)，采用GWO優(yōu)化算法對(duì)SVM算法的懲罰因子C和和核數(shù)參數(shù)g進(jìn)行優(yōu)化，以獲得最佳模型，經(jīng)試驗(yàn)，最終尋參結(jié)果為C=3.97，g=1.79，圖4為SVM參數(shù)尋優(yōu)過(guò)程示意。

圖4 SVM參數(shù)尋優(yōu)過(guò)程示意

為驗(yàn)證SMOTE-GWO-SVM模型用于儲(chǔ)罐底板腐蝕等級(jí)評(píng)價(jià)的有效性，將未進(jìn)行SMOTE處理和SMOTE處理后數(shù)據(jù)的分類(lèi)結(jié)果進(jìn)行對(duì)照，其中未經(jīng)過(guò)SMOTE處理的數(shù)據(jù)中1級(jí)、4級(jí)各10個(gè)，2級(jí)、3級(jí)各20個(gè)原數(shù)據(jù)集樣本作為測(cè)試集，其余作為訓(xùn)練集。同時(shí)與BP神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林(RF)算法進(jìn)行分類(lèi)準(zhǔn)確性對(duì)比，結(jié)果如表3所示，各個(gè)模型的混淆矩陣如圖5所示。

圖5 各預(yù)測(cè)模型的混淆矩陣

表3 各模型準(zhǔn)確率對(duì)比

由分析結(jié)果可知，在進(jìn)行SMOTE處理之前，儲(chǔ)罐底板腐蝕1級(jí)和4級(jí)的樣本數(shù)量較少，模型得不到充分訓(xùn)練，導(dǎo)致這兩類(lèi)數(shù)據(jù)的分類(lèi)準(zhǔn)確率極低。對(duì)數(shù)據(jù)集進(jìn)行SMOTE處理后，針對(duì)不平衡小樣本數(shù)據(jù)的分類(lèi)準(zhǔn)確率有較明顯提升，準(zhǔn)確率從71.67%提升至96.25%。

從模型準(zhǔn)確率的角度分析，SOMTE-GWO-SVM模型的準(zhǔn)確率最高，從模型安全性的角度分析SOMTE-GWO-SVM模型將低腐蝕等級(jí)預(yù)測(cè)為高腐蝕等級(jí)，雖然可能會(huì)提高后續(xù)儲(chǔ)罐的維護(hù)成本，但是更好地滿(mǎn)足了石化行業(yè)對(duì)安全性的高要求，因此采用SOMTE-GWO-SVM模型對(duì)儲(chǔ)罐底板腐蝕等級(jí)進(jìn)行預(yù)測(cè),可滿(mǎn)足企業(yè)安全生產(chǎn)和維護(hù)要求。

2.3 智能評(píng)價(jià)結(jié)果分析

儲(chǔ)罐典型聲發(fā)射特征參數(shù)分布如圖6所示(IQR為四分位距)，可見(jiàn)，儲(chǔ)罐腐蝕情況越嚴(yán)重，聲發(fā)射參數(shù)中的定位事件密度、撞擊平均值、能量標(biāo)準(zhǔn)差和振鈴計(jì)數(shù)標(biāo)準(zhǔn)差就越大，這與儲(chǔ)罐聲發(fā)射檢測(cè)評(píng)價(jià)標(biāo)準(zhǔn)一致。標(biāo)準(zhǔn)將評(píng)定區(qū)域內(nèi)每小時(shí)出現(xiàn)的定位數(shù)和每個(gè)通道每小時(shí)出現(xiàn)的撞擊數(shù)作為儲(chǔ)罐底板腐蝕等級(jí)的評(píng)價(jià)依據(jù)。從圖6也可以看出，不同腐蝕等級(jí)的聲發(fā)射數(shù)據(jù)存在一定程度的重合區(qū)域，對(duì)于某一腐蝕等級(jí)，儲(chǔ)罐個(gè)體數(shù)據(jù)之間可能存在差異，而智能評(píng)價(jià)模型對(duì)多維度數(shù)據(jù)(聲發(fā)射特征和宏觀(guān)特征)進(jìn)行學(xué)習(xí)和訓(xùn)練，避免了某個(gè)維度數(shù)據(jù)偏差給整體評(píng)價(jià)帶來(lái)影響。

圖6 儲(chǔ)罐典型聲發(fā)射特征參數(shù)分布

儲(chǔ)罐樣本不同特征的分布如圖7所示，圖中儲(chǔ)罐的腐蝕等級(jí)與儲(chǔ)罐的使用年限、運(yùn)行溫度、外觀(guān)腐蝕情況和儲(chǔ)罐基礎(chǔ)沉降情況呈正相關(guān)。不難理解，儲(chǔ)罐服役年限越長(zhǎng)，儲(chǔ)罐底板累積腐蝕產(chǎn)物越多，服役狀態(tài)越差，而溫度越高，存儲(chǔ)介質(zhì)越容易與底板材料發(fā)生化學(xué)反應(yīng)。外觀(guān)腐蝕情況和儲(chǔ)罐沉降則體現(xiàn)了企業(yè)對(duì)儲(chǔ)罐的日常維護(hù)和維修情況，若外觀(guān)疏于維護(hù)，罐內(nèi)底板的腐蝕狀態(tài)也不會(huì)太好。此外，儲(chǔ)罐腐蝕狀態(tài)與儲(chǔ)罐體積呈負(fù)相關(guān)，即儲(chǔ)罐體積越大，底板腐蝕狀態(tài)越好。數(shù)據(jù)研究發(fā)現(xiàn)，大型儲(chǔ)罐建造年限都比較短，同時(shí)由于建造費(fèi)用高，企業(yè)對(duì)大型儲(chǔ)罐的維護(hù)投入也較高，所以?xún)?chǔ)罐容積越大，儲(chǔ)罐底板越不容易腐蝕。

圖7 儲(chǔ)罐樣本不同特征分布

3 結(jié)語(yǔ)

(1) 將儲(chǔ)罐宏觀(guān)信息和聲發(fā)射數(shù)據(jù)相結(jié)合，并以可能的腐蝕狀況導(dǎo)向?qū)?chǔ)罐宏觀(guān)信息進(jìn)行預(yù)處理，提高了數(shù)據(jù)的合理性。

(2) SMOTE-GWO-SVM智能評(píng)價(jià)模型能夠通過(guò)擴(kuò)充少數(shù)類(lèi)數(shù)據(jù)集樣本，實(shí)現(xiàn)各類(lèi)樣本空間的平衡，相對(duì)未采用SMOTE算法的智能評(píng)價(jià)模型，準(zhǔn)確率從71.67%提升至96.25%。

(3) 智能評(píng)價(jià)結(jié)果表明，儲(chǔ)罐腐蝕與聲發(fā)射參數(shù)中的定位事件密度、撞擊平均值、能量標(biāo)準(zhǔn)差和振鈴計(jì)數(shù)標(biāo)準(zhǔn)差呈正相關(guān)，與外觀(guān)參數(shù)中的儲(chǔ)罐使用年限、運(yùn)行溫度和外觀(guān)腐蝕情況呈現(xiàn)正相關(guān)。

(4) 利用同時(shí)考慮聲發(fā)射特征和宏觀(guān)特征的智能評(píng)價(jià)模型對(duì)多維度數(shù)據(jù)進(jìn)行分析,實(shí)現(xiàn)了對(duì)儲(chǔ)罐底板腐蝕狀態(tài)評(píng)價(jià)分級(jí)，避免了某個(gè)維度數(shù)據(jù)偏差給整體評(píng)價(jià)帶來(lái)影響。