随着石油储备基地的不断建设,储油罐数目会大幅度增长,对其安全管理提出了更高的要求。研究发现,大型储罐罐底板腐蚀是引发储罐安全事故的主要原因之一。本文主要研究一种新颖的罐底检测方法:储罐罐底腐蚀内检测方法,该方法是对传统声发射罐底检测方法的改进和优化。内检测系统采用的是抵近测量的思想,即进入储罐内部,抵近腐蚀源,采集未发生模态变化的腐蚀信号,从而解决了传统声发射检测信号衰减大、“重定位”、“虚定位”等问题,实现了定量测量。本文研究内容主要包括内检测系统的基本原理和系统组成,现场实验设置及遇到的问题,并采用识别的方法解决了该问题。根据内检测方法的基本原理,搭建了声发射内检测数据采集系统。硬件方面包括声发射传感器、信号调理电路、采集卡以及PC104控制单元等。软件方面编写了VC++数据采集控制软件和MATLAB数据处理软件。利用该数据采集系统,在实验室和现场完成了多次模拟罐底腐蚀检测实验。实验室环境下,可以采集到腐蚀信号。现场环境下,采集到的腐蚀信号中混有大量的回滴干扰。为区分腐蚀信号和回滴干扰,提出了两种新颖的声发射罐底腐蚀信号识别方法:极限学习机(ELM)和条件随机场(CRF)。首先采用三种特征提取方法:散布矩阵、最大相关最小冗余和主成分分析分别对初始的声发射特征进行优化。然后,建立ELM、CRF分类模型,并从分类正确率、训练时间、ROC曲线三个方面与反向传播神经网络、支持向量机、隐马尔可夫模型的分类效果作比较,最后采用b值法评估ELM、CRF的识别效果。结果表明,ELM和CRF算法都可以区分腐蚀信号和回滴干扰。与BP、SVM、HMM相比,CRF的分类正确率要优于其余4种算法,ELM的运算时间要短于其余4种算法。腐蚀信号b值变化能够反映磷酸腐蚀碳钢板的过程,ELM、CRF算法识别出的腐蚀信号的b值变化规律与实验室条件下得到的腐蚀信号的b值变化规律基本一致。