CN104897771A - 三维漏磁检测缺陷轮廓重构方法及装置 - Google Patents
三维漏磁检测缺陷轮廓重构方法及装置 Download PDFInfo
- Publication number
- CN104897771A CN104897771A CN201510239389.XA CN201510239389A CN104897771A CN 104897771 A CN104897771 A CN 104897771A CN 201510239389 A CN201510239389 A CN 201510239389A CN 104897771 A CN104897771 A CN 104897771A
- Authority
- CN
- China
- Prior art keywords
- defect
- magnetic flux
- flux leakage
- value
- defect profile
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 261
- 230000004907 flux Effects 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012360 testing method Methods 0.000 title abstract description 6
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims description 24
- 230000002068 genetic effect Effects 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 16
- 238000010845 search algorithm Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 8
- 230000002093 peripheral effect Effects 0.000 claims description 8
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000001788 irregular Effects 0.000 abstract 1
- 238000005457 optimization Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 20
- 230000008901 benefit Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 239000000523 sample Substances 0.000 description 6
- 230000035772 mutation Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 241000544061 Cuculus canorus Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 210000003733 optic disk Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明公开了一种三维漏磁检测缺陷轮廓重构方法及装置,其中,方法包括以下步骤:构建正向有限元计算模型;提取缺陷漏磁场的特征值;根据特征值得到缺陷轮廓参数的初始估计值,并将初始估计值作为输入值代入有限元计算模型进行迭代计算得到漏磁场预测值,其中,通过启发式优化算法更新缺陷轮廓参数,以获取缺陷轮廓参数期望值实现缺陷重构。本发明实施例的方法可以提高缺陷重构效率,具有稳定性好、计算准确、速度快的优点,从而有利于提高各种不规则缺陷的重构速度和精度。
Description
技术领域
本发明涉及无损检测技术领域,特别涉及一种三维漏磁检测缺陷轮廓重构方法及装置。
背景技术
漏磁检测由于原理简单、在线检测能力强、检测效果好等优点,广泛应用于油气管道、储罐底板、钢丝绳等铁磁性材料质量检测和安全监测领域。然而,由于缺陷形状的不确定性、漏磁信号与缺陷形状间之间复杂的非线性关系,导致缺陷轮廓的重构成为目前漏磁检测技术研究的难点和热点。现有的缺陷重构方法多以单轴漏磁检测信号作为数据源,进行二维重构或在二维基础上通过插值间接实现三维重构,这些重构方法检测信号来源单一,计算模型复杂,运算量大,重构精度较低。
相关技术中,例如一种石油管道缺陷最小二乘支持向量机二维重现方法,虽然能够利用经去噪、归一化处理后的管道漏磁信号数据实现对管道缺陷轮廓的重构,但仅限于二维重构,即对缺陷的某一断层轮廓进行反演,精度也难以保证;例如基于布谷鸟搜索和粒子滤波混杂算法的漏磁缺陷重构方法,虽然在一定程度上可精确实现缺陷轮廓重构,特别是能够减少信号噪声,提高迭代方法对噪声的鲁棒性,但仍为缺陷轮廓的二维重构,且计算模型过于复杂,计算量大,效率不高。
发明内容
本发明旨在至少在一定程度上解决上述相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种的三维漏磁检测缺陷轮廓重构方法,该方法可以提高缺陷重构效率,具有稳定性好、计算准确、速度快的优点。
本发明的另一个目的在于提出一种三维漏磁检测缺陷轮廓重构装置。
为达到上述目的,本发明一方面实施例提出了一种三维漏磁检测缺陷轮廓重构方法,包括以下步骤:S1,根据漏磁检测模型构建正向有限元计算模型,其中,所述正向有限元计算模型将缺陷轮廓参数作为输入值,漏磁信号序列作为输出值;S2,利用三轴磁传感器阵列测量缺陷漏磁场以提取所述缺陷漏磁场的特征值;以及S3,根据所述缺陷漏磁场的特征值得到缺陷轮廓参数的初始估计值,并将所述缺陷轮廓参数的初始估计值作为输入值代入所述有限元计算模型进行迭代计算得到漏磁场预测值,其中,通过启发式优化算法更新所述缺陷轮廓参数直至缺陷漏磁场测量值与所述漏磁场预测值之间的误差的绝对值小于或等于预设的误差阈值,以获取缺陷轮廓参数期望值实现缺陷重构。
根据本发明实施例提出的三维漏磁检测缺陷轮廓重构方法,通过构建正向有限元计算模型获取漏磁场预测值以与漏磁场测量值比较,并且利用启发式优化算法对缺陷轮廓参数进行更新,从而得到理想的缺陷轮廓期望值实现缺陷重构,提高缺陷重构效率,具有稳定性好、计算准确、速度快的优点,从而有利于提高各种不规则缺陷的重构速度和精度。
另外,根据本发明上述实施例的三维漏磁检测缺陷轮廓重构方法还可以具有如下附加的技术特征:
进一步地,在本发明的一个实施例中,所述步骤S2进一步包括:S21,根据缺陷漏磁场的分布特征采用等间距采样法测量缺陷周围区域多个点的漏磁场强度;S22,提取轴向测量值、径向测量值和周向测量值作为所述缺陷漏磁场的特征值。
进一步地,在本发明的一个实施例中,所述步骤S3进一步包括:S31,如果所述缺陷漏磁场测量值与所述漏磁场预测值之间的误差小于或等于所述误差阈值,则确认所述缺陷轮廓参数的初始估计值为所述缺陷轮廓参数期望值;S32,如果所述缺陷漏磁场测量值与所述漏磁场预测值之间的误差大于所述误差阈值,则通过所述启发式优化算法更新所述缺陷轮廓参数的初始估计值,并将更新后的缺陷轮廓参数的初始估计值代入所述有限元模型进行迭代计算,直至所述缺陷漏磁场测量值与所述漏磁场预测值之间的误差的绝对值小于或等于所述预设的误差阈值。
进一步地,在本发明的一个实施例中,所述启发式算法包括遗传算法和禁忌搜索算法。
进一步地,在本发明的一个实施例中,所述漏磁检测模型由管壁、空气和内嵌在所述管壁中的永磁体组成。
本发明另一方面实施例提出了一种三维漏磁检测缺陷轮廓重构装置,包括:构建模块,用于根据漏磁检测模型构建正向有限元计算模型,其中,所述正向有限元计算模型将缺陷轮廓参数作为输入值,漏磁信号序列作为输出值;提取模块,用于利用三轴磁传感器阵列测量缺陷漏磁场,并提取所述缺陷漏磁场的特征值;以及缺陷重构模块,用于根据所述缺陷漏磁场的特征值得到缺陷轮廓参数的初始估计值,并将所述缺陷轮廓参数的初始估计值作为输入值代入所述有限元计算模型进行迭代计算得到漏磁场预测值,其中,通过启发式优化算法更新所述缺陷轮廓参数直至缺陷漏磁场测量值与所述漏磁场预测值之间的误差的绝对值小于或等于预设的误差阈值,以获取缺陷轮廓参数期望值实现缺陷重构。
根据本发明实施例提出的三维漏磁检测缺陷轮廓重构装置,通过构建正向有限元计算模型获取漏磁场预测值以与漏磁场测量值比较,并且利用启发式优化算法对缺陷轮廓参数进行更新,从而得到理想的缺陷轮廓期望值实现缺陷重构,提高缺陷重构效率,具有稳定性好、计算准确、速度快的优点,从而有利于提高各种不规则缺陷的重构速度和精度。
另外,根据本发明上述实施例的三维漏磁检测缺陷轮廓重构装置还可以具有如下附加的技术特征:
进一步地,在本发明的一个实施例中,所述提取模块包括:测量单元,用于根据缺陷漏磁场的分布特征采用等间距采样法测量缺陷周围区域多个点的漏磁场强度;提取单元,用于提取轴向测量值、径向测量值和周向测量值作为所述缺陷漏磁场的特征值。
进一步地,在本发明的一个实施例中,所述缺陷重构模块还用于:如果所述缺陷漏磁场测量值与所述漏磁场预测值之间的误差小于或等于所述误差阈值,则确认所述缺陷轮廓参数的初始估计值为所述缺陷轮廓参数期望值;如果所述缺陷漏磁场测量值与所述漏磁场预测值之间的误差大于所述误差阈值,则通过所述启发式优化算法更新所述缺陷轮廓参数的初始估计值,并将更新后的缺陷轮廓参数的初始估计值代入所述有限元模型进行迭代计算,直至所述缺陷漏磁场测量值与所述漏磁场预测值之间的误差的绝对值小于或等于所述预设的误差阈值。
进一步地,在本发明的一个实施例中,所述启发式算法包括遗传算法和禁忌搜索算法。
进一步地,在本发明的一个实施例中,所述漏磁检测模型由管壁、空气和内嵌在所述管壁中的永磁体组成。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例的三维漏磁检测缺陷轮廓重构方法的流程图;
图2为根据本发明一个实施例的三维漏磁检测缺陷轮廓重构方法的流程图;
图3为根据本发明一个实施例的漏磁检测模型的结构示意图;
图4为根据本发明一个实施例的100.1mm×57.2mm×10.01mm的长方体形缺陷轮廓重构结果示意图;
图5为根据本发明一个实施例的71.5mm×4.29mm的球体缺陷轮廓重构结果示意图;
图6为根据本发明实施例的三维漏磁检测缺陷轮廓重构装置的结构示意图;以及
图7为根据本发明一个具体实施例的三维漏磁检测缺陷轮廓重构装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度小于第二特征。
下面参照附图描述根据本发明实施例提出的三维漏磁检测缺陷轮廓重构方法及装置,首先将参照附图描述根据本发明实施例提出的三维漏磁检测缺陷轮廓重构方法。参照图1所示,该方法包括以下步骤:
S1,根据漏磁检测模型构建正向有限元计算模型,其中,正向有限元计算模型将缺陷轮廓参数作为输入值,漏磁信号序列作为输出值。
具体地,参照图2所示,本发明实施例首先根据简化的漏磁检测模型构建相应的正向有限元计算模型。
其中,在本发明的一个实施例中,参照图3所示,漏磁检测模型由管壁、空气和内嵌在管壁中的永磁体组成。管壁厚T可以为7.0~36.0mm,磁铁宽度D2可以为40~120mm,磁铁之间的距离D1可以为100~400mm。
S2,利用三轴磁传感器阵列测量缺陷漏磁场以提取缺陷漏磁场的特征值。
具体地,参照图2所示,利用三轴磁传感器阵列测量缺陷漏磁场,并提取相应特征值,同时设定缺陷漏磁场测量值A与有限元预测值B之间的误差阈值ε。需要说明的是,具体误差阈值可以由技术人员根据实际数据进行设定。
进一步地,在本发明的一个实施例中,步骤S2进一步包括:S21,根据缺陷漏磁场的分布特征采用等间距采样法测量缺陷周围区域多个点的漏磁场强度;S22,提取轴向测量值、径向测量值和周向测量值作为缺陷漏磁场的特征值。
其中,本发明实施例可以根据缺陷漏磁场的分布特征通过采用等间距采样法测量缺陷周围区域若干个点的漏磁场强度,采样间距可以为0.5~6.0mm。
S3,根据缺陷漏磁场的特征值得到缺陷轮廓参数的初始估计值,并将缺陷轮廓参数的初始估计值作为输入值代入有限元计算模型进行迭代计算得到漏磁场预测值,其中,通过启发式优化算法更新缺陷轮廓参数直至缺陷漏磁场测量值与漏磁场预测值之间的误差的绝对值小于或等于预设的误差阈值,以获取缺陷轮廓参数期望值实现缺陷重构。本发明实施例基于启发式优化算法更新缺陷轮廓参数,提高缺陷重构效率。
进一步地,在本发明的一个实施例中,步骤S3进一步包括:S31,如果缺陷漏磁场测量值与漏磁场预测值之间的误差小于或等于误差阈值,则确认缺陷轮廓参数的初始估计值为缺陷轮廓参数期望值;S32,如果缺陷漏磁场测量值与漏磁场预测值之间的误差大于误差阈值,则通过启发式优化算法更新缺陷轮廓参数的初始估计值,并将更新后的缺陷轮廓参数的初始估计值代入有限元模型进行迭代计算,直至缺陷漏磁场测量值与漏磁场预测值之间的误差的绝对值小于或等于预设的误差阈值。
具体地,参照图2所示,本发明实施例根据所测量缺陷漏磁场的大小设定缺陷轮廓参数的初始估计值,将缺陷轮廓参数的初始估计值作为输入代到构建的有限元模型进行迭代计算,如果缺陷漏磁场测量值A与预测值B之间的误差E大于设定的误差阈值ε,则需要更新缺陷轮廓参数的估计值重新代入有限元模型进行计算;如果误差E小于或等于设定的误差阈值ε,则认为用于有限元模型计算的缺陷轮廓参数估计值是所期望的缺陷轮廓参数,即为缺陷轮廓参数期望值。
进一步地,在本发明的一个实施例中,启发式算法可以包括遗传算法和禁忌搜索算法。
具体地,遗传算法,首先将缺陷区域分成N1×N2×N3个长方体,则任何缺陷都可以由一组不同的深度来表示d1,d2,...,di,其中,i∈{0,1,...,N1×N2},di∈{0,1,...,N3}。深度值作为3位二进制进行编码,则整个缺陷可由3×N1×N2位二进制表示。
初始群体:反演过程中使用了10种随机生成的原始解决方案,2个特殊的3×N1×N2位二进制字符串“0”和“1”被添加到遗传算法的初始群体当中。
选择:漏磁信号测量值和预测值之间的最小化误差转化为以下最大化的适应度函数:
其中,n是采样点总数;Cr,Ct和Ca分别为径向,周向和轴向的权重系数; 和分别是径向,周向和轴向漏磁信号的测量值和预测值,i∈{1,2,...,n},r、t、a、m、p则分别表示radial(径向)、tangential(周向)、axial(轴向)、measure(测量)、prediction(预测);按下式赋予它们选择概率:
P(xi)=Fi/∑Fi=F(xi)/∑F(xi),
其中,F(xi)是个体xi的适应度函数。
交叉:交叉确保继承性,交叉概率Pc确定任意两个方案之间是否交叉。
变异:变异确保多样性,变异概率Pm确定变异是否发生在任意选定的解决方案。
禁忌搜索算法,首先选择一组随机的深度作为初步的解决方案,然后,使用邻域搜索反复迭代以改进当前解决方案。
邻域:除定义一个径向深度以外,某一确定缺陷附近的所有缺陷都是类似的,具体来说,一个缺陷d1,d2,...,di包含了附近所有的缺陷d1,d2,...,di±1,其中,i∈{0,1,...,N1×N2},di∈{0,1,...,N3}。
邻域移动:任何潜在的解决方案的目标函数定义如下:
其中,N1和N2分别是轴向和周向采样点数量;和分别是径向,周向和轴向漏磁信号的测量值和预测值,j∈{1,2,...,N1},i∈{1,2,...,N2};选择具有最小目标函数的邻域作为下一个解决方案。
x'={x|F(x)=min[F(x1),F(x2),...,F(xn)]}。
在本发明的实施例中,本发明实施例采用正向有限元计算模型,通过该模型对给定的缺陷初始轮廓求解得到漏磁场预测值,再与测量值比较,并利用启发式优化算法对缺陷轮廓参数不断更新,直至目标误差小于或等于设定的误差阈值,从而得到理想的缺陷轮廓。本发明实施例不但稳定性好、计算准确、速度快,而且避免了常规闭环迭代方法中参数更新方式单一、迭代次数多的问题,效率更高,有利于提高对各种不规则缺陷的重构速度和精度。
下面以一个具体实施例对本发明实施例提出的三维漏磁检测缺陷轮廓重构方法进行详细赘述。
在本发明的一个具体实施例中,本发明实施例使用一种沿周向等间隔分布480个探头块的三轴磁传感器阵列对口径为457mm、壁厚为14.3mm的待测油气管道进行检测,其中,每个探头快里均包含3个霍尔探头,方向分别为轴向、径向和周向,总计1440个霍尔探头。管壁上制作两个不同形状的缺陷,一个100.1mm×57.2mm×10.01mm的长方体形缺陷,一个71.5mm×4.29mm的球体缺陷。
S101,根据简化的漏磁检测模型构建相应的正向有限元计算模型:该模型将缺陷轮廓参数作为输入,漏磁信号序列作为输出。
具体地,参照图3所示,以管壁、空气和内嵌在管壁的永磁体组成的模型作为简化的漏磁检测模,其中,管壁厚T为14.3mm、磁铁宽度D2为60mm、磁铁之间的距离D1为240mm。
S102,三轴磁传感器阵列在管道内匀速等间距采样,轴向和周向采样间距均为3.0mm。然后提取轴向、径向和周向测量值作为缺陷漏磁场的特征值。同时设定缺陷漏磁场测量值A与有限元预测值B之间的误差阈值ε为0.05。
S103,根据所测量缺陷漏磁场的大小,设定缺陷轮廓参数的初始估计值,将其作为输入代到步骤S101构建的有限元模型进行迭代计算,如果缺陷漏磁场测量值A与预测值B之间的误差E大于步骤S102所设定的误差阈值0.05,则需要更新缺陷轮廓参数的估计值重新代入有限元模型进行计算;如果误差E小于或等于步骤S102所设定的误差阈值0.05,则认为用于有限元模型计算的缺陷轮廓参数估计值是所期望的缺陷轮廓参数。
具体地,更新缺陷轮廓参数采用启发式优化算法,包含遗传算法和禁忌搜索算法。
遗传算法,首先将缺陷区域分成20×20×15个长方体,则任何缺陷都可以由一组不同的深度来表示d1,d2,...,di,其中,i∈{0,1,...,20×20},di∈{0,1,...,15}。深度值作为3位二进制进行编码,则整个缺陷可由3×20×20位二进制表示。
初始群体:反演过程中使用了10种随机生成的原始解决方案,2个特殊的3×20×20位二进制字符串“0”和“1”被添加到遗传算法的初始群体当中。
选择:漏磁信号测量值和预测值之间的最小化误差转化为以下最大化的适应度函数。
其中,采样点总数为n,对于长方体缺陷,n=50×28=1400;对于球体缺陷,n=38×38=1444;径向,周向和轴向的权重系数分别选择1,0.5和2; 和分别是径向,周向和轴向漏磁信号的测量值和预测值;按下式赋予它们选择概率:
P(xi)=Fi/∑Fi=F(xi)/∑F(xi),
其中,F(xi)是个体xi的适应度函数。
交叉:交叉概率Pc选择0.5。
变异:变异概率Pm选择0.05。
禁忌搜索算法,首先选择一组随机的深度作为初步的解决方案,然后,使用邻域搜索反复迭代以改进当前解决方案。
邻域:除定义一个径向深度以外,某一确定缺陷附近的所有缺陷都是类似的,具体来说,一个缺陷d1,d2,...,di包含了附近所有的缺陷d1,d2,...,di±1,其中,i∈{0,1,...,20×20},di∈{0,1,...,15}。
邻域移动:任何潜在的解决方案的目标函数定义如下:
其中,对于长方体缺陷,轴向和周向采样点数量分别为N1=50和N2=28;对于球体缺陷,轴向和周向采样点数量分别为N1=38和N2=38;和分别是径向,周向和轴向漏磁信号的测量值和预测值;选择具有最小目标函数的邻域作为下一个解决方案。
x'={x|F(x)=min[F(x1),F(x2),...,F(xn)]}。
最后,本发明实施例得到的两种形状缺陷的轮廓重构结果如图5和图5所示,其中,a为真实轮廓示意图,b为遗传算法得到的轮廓示意图,c为禁忌搜索算法得到的轮廓示意图。
为评价缺陷轮廓重构的精度,对任何缺陷,可在其表面均匀取100×100个采样点,再测量所有点的深度值。定义一个重构误差函数:
其中,和分别是预测深度和真实深度。
经过计算,对于100.1mm×57.2mm×10.01mm的长方体形缺陷轮廓重构结果,遗传算法的重构误差为1.39%,禁忌搜索算法的重构误差为1.53%;对于71.5mm×4.29mm的球体缺陷轮廓重构结果,遗传算法的重构误差为1.41%,禁忌搜索算法的重构误差为1.58%。此外,再对其他多种形状缺陷进行轮廓重构时,两种优化算法的重构误差均低于5%。综合以上结果可以得出,本发明实施例可有效实现对各种形状缺陷的轮廓重构,稳定性好、计算准确、速度快。
根据本发明实施例提出的三维漏磁检测缺陷轮廓重构方法,通过构建正向有限元计算模型获取漏磁场预测值以与漏磁场测量值比较,并且利用启发式优化算法对缺陷轮廓参数进行更新,从而得到理想的缺陷轮廓期望值实现缺陷重构。本发明实施例实质是一种缺陷轮廓的闭环伪逆重构方法,在重构过程中采用正向计算模型,通过该模型对给定的缺陷初始轮廓求解得到漏磁场预测值,再与测量值比较,并利用启发式优化算法对缺陷轮廓参数不断更新,直至目标误差小于或等于设定的误差阈值,从而得到理想的缺陷轮廓。本发明实施例具有稳定性好、计算准确、速度快的优点,速同时避免了常规闭环迭代方法中参数更新方式单一、迭代次数多的问题,效率更高,有利于提高各种不规则缺陷的重构速度和精度。
下面参照附图描述根据本发明实施例提出的三维漏磁检测缺陷轮廓重构装置。参照图6所示,该重构装置10包括:构建模块100、提取模块200和缺陷重构模块300。
其中,构建模块100用于根据漏磁检测模型构建正向有限元计算模型,其中,正向有限元计算模型将缺陷轮廓参数作为输入值,漏磁信号序列作为输出值。提取模块200用于利用三轴磁传感器阵列测量缺陷漏磁场,并提取缺陷漏磁场的特征值。缺陷重构模块300用于根据缺陷漏磁场的特征值得到缺陷轮廓参数的初始估计值,并将缺陷轮廓参数的初始估计值作为输入值代入有限元计算模型进行迭代计算得到漏磁场预测值,其中,通过启发式优化算法更新缺陷轮廓参数直至缺陷漏磁场测量值与漏磁场预测值之间的误差的绝对值小于或等于预设的误差阈值,以获取缺陷轮廓参数期望值实现缺陷重构。本发明实施例的重构装置10可以提高缺陷重构效率,具有稳定性好、计算准确、速度快的优点。
进一步地,在本发明的一个实施例中,参照图3所示,漏磁检测模型由管壁、空气和内嵌在管壁中的永磁体组成。
具体地,参照图2所示,本发明实施例首先根据简化的漏磁检测模型构建相应的正向有限元计算模型。
其中,在本发明的一个实施例中,参照图3所示,漏磁检测模型由管壁、空气和内嵌在管壁中的永磁体组成。管壁厚T可以为7.0~36.0mm,磁铁宽度D2可以为40~120mm,磁铁之间的距离D1可以为100~400mm。
进一步地,在本发明的一个实施例中,参照图7所示,提取模块200包括:测量单元201和提取单元202。测量单元201用于根据缺陷漏磁场的分布特征采用等间距采样法测量缺陷周围区域多个点的漏磁场强度。提取单元202用于提取轴向测量值、径向测量值和周向测量值作为缺陷漏磁场的特征值。
进一步地,在本发明的一个实施例中,缺陷重构模块300还用于:如果缺陷漏磁场测量值与漏磁场预测值之间的误差小于或等于误差阈值,则确认缺陷轮廓参数的初始估计值为缺陷轮廓参数期望值;如果缺陷漏磁场测量值与漏磁场预测值之间的误差大于误差阈值,则通过启发式优化算法更新缺陷轮廓参数的初始估计值,并将更新后的缺陷轮廓参数的初始估计值代入有限元模型进行迭代计算,直至缺陷漏磁场测量值与漏磁场预测值之间的误差的绝对值小于或等于预设的误差阈值。
具体地,参照图2所示,利用三轴磁传感器阵列测量缺陷漏磁场,并提取相应特征值,同时设定缺陷漏磁场测量值A与有限元预测值B之间的误差阈值ε。需要说明的是,具体误差阈值可以由技术人员根据实际数据进行设定。其中,本发明实施例可以根据缺陷漏磁场的分布特征通过采用等间距采样法测量缺陷周围区域若干个点的漏磁场强度,采样间距可以为0.5~6.0mm。
进一步地,参照图2所示,本发明实施例根据所测量缺陷漏磁场的大小设定缺陷轮廓参数的初始估计值,将缺陷轮廓参数的初始估计值作为输入代到构建的有限元模型进行迭代计算,如果缺陷漏磁场测量值A与预测值B之间的误差E大于设定的误差阈值ε,则需要更新缺陷轮廓参数的估计值重新代入有限元模型进行计算;如果误差E小于或等于设定的误差阈值ε,则认为用于有限元模型计算的缺陷轮廓参数估计值是所期望的缺陷轮廓参数,即为缺陷轮廓参数期望值。
进一步地,在本发明的一个实施例中,启发式算法包括遗传算法和禁忌搜索算法。
具体地,遗传算法,首先将缺陷区域分成N1×N2×N3个长方体,则任何缺陷都可以由一组不同的深度来表示d1,d2,...,di,其中,i∈{0,1,...,N1×N2},di∈{0,1,...,N3}。深度值作为3位二进制进行编码,则整个缺陷可由3×N1×N2位二进制表示。
初始群体:反演过程中使用了10种随机生成的原始解决方案,2个特殊的3×N1×N2位二进制字符串“0”和“1”被添加到遗传算法的初始群体当中。
选择:漏磁信号测量值和预测值之间的最小化误差转化为以下最大化的适应度函数:
其中,n是采样点总数;Cr,Ct和Ca分别为径向,周向和轴向的权重系数; 和分别是径向,周向和轴向漏磁信号的测量值和预测值,i∈{1,2,...,n},r、t、a、m、p则分别表示radial(径向)、tangential(周向)、axial(轴向)、measure(测量)、prediction(预测);按下式赋予它们选择概率:
P(xi)=Fi/∑Fi=F(xi)/∑F(xi),
其中,F(xi)是个体xi的适应度函数。
交叉:交叉确保继承性,交叉概率Pc确定任意两个方案之间是否交叉。
变异:变异确保多样性,变异概率Pm确定变异是否发生在任意选定的解决方案。
禁忌搜索算法,首先选择一组随机的深度作为初步的解决方案,然后,使用邻域搜索反复迭代以改进当前解决方案。
邻域:除定义一个径向深度以外,某一确定缺陷附近的所有缺陷都是类似的,具体来说,一个缺陷d1,d2,...,di包含了附近所有的缺陷d1,d2,...,di±1,其中,i∈{0,1,...,N1×N2},di∈{0,1,...,N3}。
邻域移动:任何潜在的解决方案的目标函数定义如下:
其中,N1和N2分别是轴向和周向采样点数量;和分别是径向,周向和轴向漏磁信号的测量值和预测值,j∈{1,2,...,N1},i∈{1,2,...,N2};选择具有最小目标函数的邻域作为下一个解决方案。
x'={x|F(x)=min[F(x1),F(x2),...,F(xn)]}。
在本发明的实施例中,本发明实施例采用正向有限元计算模型,通过该模型对给定的缺陷初始轮廓求解得到漏磁场预测值,再与测量值比较,并利用启发式优化算法对缺陷轮廓参数不断更新,直至目标误差小于或等于设定的误差阈值,从而得到理想的缺陷轮廓。本发明实施例不但稳定性好、计算准确、速度快,而且避免了常规闭环迭代方法中参数更新方式单一、迭代次数多的问题,效率更高,有利于提高对各种不规则缺陷的重构速度和精度。
需要说明的是,本发明实施例的装置的具体实现方式与方法部分具体实现方式类似,为了减少冗余,此处不做进一步赘述。
根据本发明实施例提出的三维漏磁检测缺陷轮廓重构装置,通过构建正向有限元计算模型获取漏磁场预测值以与漏磁场测量值比较,并且利用启发式优化算法对缺陷轮廓参数进行更新,从而得到理想的缺陷轮廓期望值实现缺陷重构。本发明实施例实质是一种缺陷轮廓的闭环伪逆重构方法,在重构过程中采用正向计算模型,通过该模型对给定的缺陷初始轮廓求解得到漏磁场预测值,再与测量值比较,并利用启发式优化算法对缺陷轮廓参数不断更新,直至目标误差小于或等于设定的误差阈值,从而得到理想的缺陷轮廓。本发明实施例具有稳定性好、计算准确、速度快的优点,速同时避免了常规闭环迭代方法中参数更新方式单一、迭代次数多的问题,效率更高,有利于提高各种不规则缺陷的重构速度和精度。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种三维漏磁检测缺陷轮廓重构方法,其特征在于,包括以下步骤:
S1,根据漏磁检测模型构建正向有限元计算模型,其中,所述正向有限元计算模型将缺陷轮廓参数作为输入值,漏磁信号序列作为输出值;
S2,利用三轴磁传感器阵列测量缺陷漏磁场以提取所述缺陷漏磁场的特征值;以及
S3,根据所述缺陷漏磁场的特征值得到缺陷轮廓参数的初始估计值,并将所述缺陷轮廓参数的初始估计值作为输入值代入所述有限元计算模型进行迭代计算得到漏磁场预测值,其中,
通过启发式优化算法更新所述缺陷轮廓参数直至缺陷漏磁场测量值与所述漏磁场预测值之间的误差的绝对值小于或等于预设的误差阈值,以获取缺陷轮廓参数期望值实现缺陷重构。
2.根据权利要求1所述的三维漏磁检测缺陷轮廓重构方法,其特征在于,所述步骤S2进一步包括:
S21,根据缺陷漏磁场的分布特征采用等间距采样法测量缺陷周围区域多个点的漏磁场强度;
S22,提取轴向测量值、径向测量值和周向测量值作为所述缺陷漏磁场的特征值。
3.根据权利要求1所述的三维漏磁检测缺陷轮廓重构方法,其特征在于,所述步骤S3进一步包括:
S31,如果所述缺陷漏磁场测量值与所述漏磁场预测值之间的误差小于或等于所述误差阈值,则确认所述缺陷轮廓参数的初始估计值为所述缺陷轮廓参数期望值;
S32,如果所述缺陷漏磁场测量值与所述漏磁场预测值之间的误差大于所述误差阈值,则通过所述启发式优化算法更新所述缺陷轮廓参数的初始估计值,并将更新后的缺陷轮廓参数的初始估计值代入所述有限元模型进行迭代计算,直至所述缺陷漏磁场测量值与所述漏磁场预测值之间的误差的绝对值小于或等于所述预设的误差阈值。
4.根据权利要求3所述的三维漏磁检测缺陷轮廓重构方法,其特征在于,所述启发式算法包括遗传算法和禁忌搜索算法。
5.根据权利要求1所述的三维漏磁检测缺陷轮廓重构方法,其特征在于,所述漏磁检测模型由管壁、空气和内嵌在所述管壁中的永磁体组成。
6.一种三维漏磁检测缺陷轮廓重构装置,其特征在于,包括:
构建模块,用于根据漏磁检测模型构建正向有限元计算模型,其中,所述正向有限元计算模型将缺陷轮廓参数作为输入值,漏磁信号序列作为输出值;
提取模块,用于利用三轴磁传感器阵列测量缺陷漏磁场,并提取所述缺陷漏磁场的特征值;以及
缺陷重构模块,用于根据所述缺陷漏磁场的特征值得到缺陷轮廓参数的初始估计值,并将所述缺陷轮廓参数的初始估计值作为输入值代入所述有限元计算模型进行迭代计算得到漏磁场预测值,其中,通过启发式优化算法更新所述缺陷轮廓参数直至缺陷漏磁场测量值与所述漏磁场预测值之间的误差的绝对值小于或等于预设的误差阈值,以获取缺陷轮廓参数期望值实现缺陷重构。
7.根据权利要求6所述的三维漏磁检测缺陷轮廓重构装置,其特征在于,所述提取模块包括:
测量单元,用于根据缺陷漏磁场的分布特征采用等间距采样法测量缺陷周围区域多个点的漏磁场强度;
提取单元,用于提取轴向测量值、径向测量值和周向测量值作为所述缺陷漏磁场的特征值。
8.根据权利要求6所述的三维漏磁检测缺陷轮廓重构装置,其特征在于,所述缺陷重构模块还用于:
如果所述缺陷漏磁场测量值与所述漏磁场预测值之间的误差小于或等于所述误差阈值,则确认所述缺陷轮廓参数的初始估计值为所述缺陷轮廓参数期望值;
如果所述缺陷漏磁场测量值与所述漏磁场预测值之间的误差大于所述误差阈值,则通过所述启发式优化算法更新所述缺陷轮廓参数的初始估计值,并将更新后的缺陷轮廓参数的初始估计值代入所述有限元模型进行迭代计算,直至所述缺陷漏磁场测量值与所述漏磁场预测值之间的误差的绝对值小于或等于所述预设的误差阈值。
9.根据权利要求8所述的三维漏磁检测缺陷轮廓重构装置,其特征在于,所述启发式算法包括遗传算法和禁忌搜索算法。
10.根据权利要求6所述的三维漏磁检测缺陷轮廓重构装置,其特征在于,所述漏磁检测模型由管壁、空气和内嵌在所述管壁中的永磁体组成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510239389.XA CN104897771B (zh) | 2015-05-12 | 2015-05-12 | 三维漏磁检测缺陷轮廓重构方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510239389.XA CN104897771B (zh) | 2015-05-12 | 2015-05-12 | 三维漏磁检测缺陷轮廓重构方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104897771A true CN104897771A (zh) | 2015-09-09 |
CN104897771B CN104897771B (zh) | 2018-01-23 |
Family
ID=54030568
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510239389.XA Expired - Fee Related CN104897771B (zh) | 2015-05-12 | 2015-05-12 | 三维漏磁检测缺陷轮廓重构方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104897771B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105512441A (zh) * | 2016-01-27 | 2016-04-20 | 湖北科技学院 | 一种物体内热源分布重构系统及方法 |
CN105701285A (zh) * | 2016-01-12 | 2016-06-22 | 西安电子科技大学 | 一种基于启发式算法的高速主轴回转精度评定方法 |
CN106372282A (zh) * | 2016-08-24 | 2017-02-01 | 大连理工大学 | 一种体现制造几何缺陷的三维有限元模型修调方法 |
CN107024531A (zh) * | 2017-03-22 | 2017-08-08 | 清华大学 | 漏磁检测单元缺陷伸缩重构方法 |
CN107102056A (zh) * | 2017-03-22 | 2017-08-29 | 清华大学 | 缺陷漏磁信号的单元伸缩构建方法 |
CN107688673A (zh) * | 2016-08-03 | 2018-02-13 | 北京机电工程研究所 | 用于提取阀门阀座的面对面垂直度误差的方法 |
CN107918693A (zh) * | 2017-10-11 | 2018-04-17 | 上海电力学院 | 一种用于不规则形状缺陷的漏磁检测建模分析方法 |
CN110889830A (zh) * | 2019-11-13 | 2020-03-17 | 河南科技大学 | 基于三维漏磁彩色成像的钢丝绳损伤检测方法及检测系统 |
CN111448453A (zh) * | 2017-10-06 | 2020-07-24 | 罗森瑞士股份公司 | 确定缺陷的几何结构的方法以及确定负荷能力极限的方法 |
CN113051521A (zh) * | 2021-03-22 | 2021-06-29 | 国网江苏省电力有限公司无锡供电分公司 | 地上钢结构件腐蚀缺陷漏磁检测信号修复方法及系统 |
CN113984880A (zh) * | 2021-10-27 | 2022-01-28 | 清华大学 | 对管道金属损失缺陷生成三维轮廓的方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1963491A (zh) * | 2006-12-08 | 2007-05-16 | 清华大学 | 基于三维有限元神经网络的缺陷识别和量化评价方法 |
US20110125685A1 (en) * | 2009-11-24 | 2011-05-26 | Rizvi Syed Z | Method for identifying Hammerstein models |
CN102128880A (zh) * | 2010-01-12 | 2011-07-20 | 上海工程技术大学 | 一种裂纹形状反演方法 |
CN104458895A (zh) * | 2014-12-08 | 2015-03-25 | 清华大学 | 管道三维漏磁成像检测方法及系统 |
CN104514987A (zh) * | 2014-12-19 | 2015-04-15 | 清华大学 | 管道三维漏磁成像缺陷量化方法 |
-
2015
- 2015-05-12 CN CN201510239389.XA patent/CN104897771B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1963491A (zh) * | 2006-12-08 | 2007-05-16 | 清华大学 | 基于三维有限元神经网络的缺陷识别和量化评价方法 |
US20110125685A1 (en) * | 2009-11-24 | 2011-05-26 | Rizvi Syed Z | Method for identifying Hammerstein models |
CN102128880A (zh) * | 2010-01-12 | 2011-07-20 | 上海工程技术大学 | 一种裂纹形状反演方法 |
CN104458895A (zh) * | 2014-12-08 | 2015-03-25 | 清华大学 | 管道三维漏磁成像检测方法及系统 |
CN104514987A (zh) * | 2014-12-19 | 2015-04-15 | 清华大学 | 管道三维漏磁成像缺陷量化方法 |
Non-Patent Citations (2)
Title |
---|
CHEN JUNJIE ET AL.: "Three-dimensional defect inversion from magnetic flux leakage signals using iterative neural network", 《IET SCIENCE MEASUREMENT & TECHNOLOGY》 * |
宋小春 等: "基于漏磁检测数据的缺陷三维重构技术", 《中国机械工程》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701285A (zh) * | 2016-01-12 | 2016-06-22 | 西安电子科技大学 | 一种基于启发式算法的高速主轴回转精度评定方法 |
CN105701285B (zh) * | 2016-01-12 | 2019-01-15 | 西安电子科技大学 | 一种基于启发式算法的高速主轴回转精度评定方法 |
CN105512441B (zh) * | 2016-01-27 | 2018-11-09 | 湖北科技学院 | 一种物体内热源分布重构系统及方法 |
CN105512441A (zh) * | 2016-01-27 | 2016-04-20 | 湖北科技学院 | 一种物体内热源分布重构系统及方法 |
CN107688673A (zh) * | 2016-08-03 | 2018-02-13 | 北京机电工程研究所 | 用于提取阀门阀座的面对面垂直度误差的方法 |
CN106372282A (zh) * | 2016-08-24 | 2017-02-01 | 大连理工大学 | 一种体现制造几何缺陷的三维有限元模型修调方法 |
CN106372282B (zh) * | 2016-08-24 | 2019-04-23 | 大连理工大学 | 一种体现制造几何缺陷的三维有限元模型修调方法 |
CN107102056A (zh) * | 2017-03-22 | 2017-08-29 | 清华大学 | 缺陷漏磁信号的单元伸缩构建方法 |
CN107024531A (zh) * | 2017-03-22 | 2017-08-08 | 清华大学 | 漏磁检测单元缺陷伸缩重构方法 |
CN107024531B (zh) * | 2017-03-22 | 2020-03-27 | 清华大学 | 漏磁检测单元缺陷伸缩重构方法 |
CN111448453A (zh) * | 2017-10-06 | 2020-07-24 | 罗森瑞士股份公司 | 确定缺陷的几何结构的方法以及确定负荷能力极限的方法 |
CN107918693A (zh) * | 2017-10-11 | 2018-04-17 | 上海电力学院 | 一种用于不规则形状缺陷的漏磁检测建模分析方法 |
CN110889830A (zh) * | 2019-11-13 | 2020-03-17 | 河南科技大学 | 基于三维漏磁彩色成像的钢丝绳损伤检测方法及检测系统 |
CN110889830B (zh) * | 2019-11-13 | 2023-03-24 | 河南科技大学 | 基于三维漏磁彩色成像的钢丝绳损伤检测方法及检测系统 |
CN113051521A (zh) * | 2021-03-22 | 2021-06-29 | 国网江苏省电力有限公司无锡供电分公司 | 地上钢结构件腐蚀缺陷漏磁检测信号修复方法及系统 |
CN113984880A (zh) * | 2021-10-27 | 2022-01-28 | 清华大学 | 对管道金属损失缺陷生成三维轮廓的方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104897771B (zh) | 2018-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104897771A (zh) | 三维漏磁检测缺陷轮廓重构方法及装置 | |
Goulet et al. | Model falsification diagnosis and sensor placement for leak detection in pressurized pipe networks | |
CN104990977A (zh) | 三维漏磁检测缺陷复合反演成像方法 | |
CN104487839B (zh) | 考虑eifs不确定性使用超声检测数据的概率疲劳寿命预测 | |
JP5474268B1 (ja) | パイプラインにおける漏れ量の判定 | |
CN106537134A (zh) | 测量铁磁材料中的缺陷的系统和方法 | |
CN101750136B (zh) | 一种基于管内磁场仿真数值计算的电磁流量计干标定方法 | |
CN107024531A (zh) | 漏磁检测单元缺陷伸缩重构方法 | |
CN116482227B (zh) | 一种管道腐蚀监测方法、装置及系统 | |
JP2016053250A (ja) | 漏水分布推定装置 | |
JP7468724B2 (ja) | 配管診断装置、配管診断方法、及びプログラム | |
CN107843333B (zh) | 一种基于压缩感知理论的管道径向声模态检测系统及方法 | |
CN114265001B (zh) | 一种智能电表计量误差评估方法 | |
ES2942784T3 (es) | Procedimiento para la determinación de la geometría de un defecto sobre la base de procedimientos de medición no destructivos utilizando inversión directa | |
CN112228111B (zh) | 衬砌混凝土温度控制方法及系统 | |
KR101097414B1 (ko) | 배관진동 평가방법 | |
WO2024098605A1 (zh) | 一种流动水体中泥沙含量的测定方法及装置 | |
CN102721957B (zh) | 一种水环境遥感监测校正检验方法及装置 | |
CN103953024B (zh) | 基坑自动化监测异常数据识别方法 | |
CN113137912B (zh) | 一种磁结构耦合的管道形变分析方法 | |
CN115270637A (zh) | 一种基于gbrt的地下排水管道最大应力预测方法 | |
CN114912291A (zh) | 服务于供水管网水力模型校核的新增监测点布置方法及装置 | |
CN113984880A (zh) | 对管道金属损失缺陷生成三维轮廓的方法及装置 | |
KR101444794B1 (ko) | 노내계측기 신호 기반의 반경방향 첨두계수를 이용한 노심운전제한치감시계통의 Pseudo Hot Pin 출력분포 구성 방법 | |
CN113009107A (zh) | 一种冻土未冻水含量检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180123 |