CN104990977B - 三维漏磁检测缺陷神经网络迭代反演成像方法 - Google Patents
三维漏磁检测缺陷神经网络迭代反演成像方法 Download PDFInfo
- Publication number
- CN104990977B CN104990977B CN201510368744.3A CN201510368744A CN104990977B CN 104990977 B CN104990977 B CN 104990977B CN 201510368744 A CN201510368744 A CN 201510368744A CN 104990977 B CN104990977 B CN 104990977B
- Authority
- CN
- China
- Prior art keywords
- defect
- magnetic flux
- flux leakage
- dimensional
- leakage inspecting
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 127
- 230000004907 flux Effects 0.000 title claims abstract description 59
- 238000003384 imaging method Methods 0.000 title claims abstract description 43
- 230000007935 neutral effect Effects 0.000 title claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 10
- 230000005415 magnetization Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 5
- 229920006395 saturated elastomer Polymers 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 15
- 238000004364 calculation method Methods 0.000 abstract description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 10
- 229910000831 Steel Inorganic materials 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 239000010959 steel Substances 0.000 description 6
- 229910052742 iron Inorganic materials 0.000 description 5
- 239000000523 sample Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 210000001550 testis Anatomy 0.000 description 4
- 238000004141 dimensional analysis Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000544061 Cuculus canorus Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000696 magnetic material 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
- 230000001537 neural effect Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- -1 oil-gas pipeline Chemical compound 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials By The Use Of Magnetic Means (AREA)
Abstract
本发明提出一种三维漏磁检测缺陷神经网络迭代反演成像方法,包括:从待测管道选取成像区域;扫描待测管道,得到最终的三维漏磁场检测值;根据主成分分析法对三维漏磁场检测值进行分析,得到多个特征值对应的实际特征值向量;确定缺陷开口轮廓,建立缺陷三维轮廓条状模型;构建正向径向基函数神经网络模型;将初始深度向量输入该模型,得到多个特征值对应的预测特征值向量;如果实际特征值向量与预测特征值向量之间的误差是小于误差阈值,则进行反演成像,否则,对初始的深度向量进行修正,继续进行迭代运算,直至实际特征值向量与预测特征值向量之间的误差小于或等于误差阈值。本发明的方法针对性强、稳定性好,有助于减少计算量,提高成像精度。
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神经网络迭代反演成像方法。
背景技术
漏磁检测是较常用的无损检测方法,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。近年来,随着缺陷量化技术的不断进步与提高,人们希望可以将管道腐蚀缺陷分布情况转化为肉眼可直接识别的图形和图像形式,实现缺陷成像。然而,由于缺陷形状与漏磁信号之间复杂的非线性关系,导致缺陷成像成为目前漏磁检测技术研究的难点和热点。现有的缺陷成像方法多以单轴漏磁检测信号作为数据源,检测信号来源单一,已不能适应三轴漏磁检测的要求,且计算模型复杂,重构精度较低。
相关技术中,例如一种磁声成像和漏磁成像的复合无损检测方法,虽然结合漏磁与超声检测原理,将漏磁成像图和磁声成像图同时送入计算机并进行融合计算,从而可实现对缺陷所在内外层次准确定位,但该技术重点在于区分缺陷具体位于待测钢板的哪个表面,并未对缺陷成像本身做更多的说明。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,但只是二维重构,即对缺陷的某一断层轮廓进行反演,精度一般。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,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,本发明的目的在于提出一种三维漏磁检测缺陷神经网络迭代反演成像方法,该方法针对性强、稳定性好,有助于减少计算量,提高成像精度。
为了实现上述目的,本发明的实施例提出了一种三维漏磁检测缺陷神经网络迭代反演成像方法,包括以下步骤:S1:提供待测管道,并从所述待测管道选取成像区域,其中,所述成像区域包括标准人工缺陷;S2:利用三轴磁传感器扫描所述待测管道,得到所述待测管道的离散三维漏磁检测数据,并对所述离散三维漏磁检测数据进行过滤,得到最终的三维漏磁场检测值;S3:根据主成分分析法对所述三维漏磁场检测值进行分析,并提取缺陷轮廓反演时所需的多个特征值,并组成相应的实际特征值向量;S4:根据三维缺陷漏磁信号确定缺陷开口轮廓,并根据所述缺陷开口轮廓和深度参数建立对应的缺陷三维轮廓条状模型;S5:构建正向径向基函数神经网络模型,其中,所述正向径向基函数神经网络模型的输入为基于所述三维轮廓条状模型的缺陷参数;S6:设定初始的深度向量,并将所述深度向量输入所述正向径向基函数神经网络模型以进行正向预测,得到所述三维漏磁场检测值的多个特征值对应的预测特征值向量;S7:计算并判断所述实际特征值向量与所述预测特征值向量之间的误差是否小于误差阈值,如果是,则根据所述初始的深度向量进行反演成像,以得到最终缺陷轮廓,否则,对所述初始的深度向量进行修正,并返回执行所述步骤S6,直至所述实际特征值向量与所述预测特征值向量之间的误差小于或等于所述误差阈值。
根据本发明实施例的三维漏磁检测缺陷神经网络迭代反演成像方法,首先,应用主成分分析法提取反映缺陷轮廓参数的多个主要特征值,以消除三维漏磁检测信号中的数据冗余现象;然后,根据缺陷开口轮廓检测结果,建立适于神经网络的缺陷三维轮廓条状模型,并定义了缺陷轮廓表达式,未知参数只剩下深度参数;最后,建立正向RBF(RadialBasis Function,径向基函数)神经网络预测模型,并将其嵌入迭代循环,从而实现三维漏磁检测缺陷三维轮廓的神经网络迭代反演。因此,本发明的方法针对性强、稳定性好,有助于减少计算量,提高了成像精度,具有广阔的应用前景。
另外,根据本发明上述实施例的三维漏磁检测缺陷神经网络迭代反演成像方法还可以具有如下附加的技术特征:
在一些示例中,在所述步骤S2之前,还包括:利用直流磁化场对所述待测管道的管壁进行饱和磁化处理。
在一些示例中所述步骤S2进一步包括:利用三轴磁传感器以预设速度匀速等间距扫描所述待测管道,得到沿管道轴向、径向和周向的离散三维漏磁检测数据;计算所述离散三维漏磁检测数据的平均值,并根据所述平均值得到异常阈值;删除所述离散三维漏磁检测数据中大于所述异常阈值的漏磁检测数据,得到最终漏磁场检测值。
在一些示例中,所述离散三维漏磁检测数据包括:轴向漏磁检测数据、径向漏磁检测数据和周向漏磁检测数据。
在一些示例中,所述三维缺陷漏磁信号包括:轴向缺陷漏磁信号、径向缺陷漏磁信号和周向缺陷漏磁信号。
在一些示例中,所述多个特征值包括:轴向信号漏磁场体积、轴向信号漏磁场能量、轴向信号正峰值、轴向信号负峰值、径向信号正负峰值的轴向间距及周向信号正负峰值的周向间距。
在一些示例中,所述步骤S4中建立所述缺陷三维轮廓条状模型,具体包括:
a.确定划分尺寸Δw,将管壁待求解区域沿周向划分为N等份,设缺陷开口轮廓外部的深度均为0,其内部的每等份均为深度相同的等高平面,以得到初步划分结果;
b.计算所述缺陷开口轮廓的每一等份的等价长度,并将每一等份用对应的等价长方形进行表示,其中,所述等价长方形的长度按下式进行计算,
L=S/Δw,
其中,S为每一等份开口截面的面积,Δw为模型沿管道周向的划分尺寸;
c.组合各等份所对应的等价长方形,得到新的开口轮廓,确定各等份在管道径向方向的深度参数d,得到最终的缺陷三维轮廓条状模型Ms,其中,所述最终的缺陷三维轮廓条状模型Ms模型中的未知参数为各个等份的深度d,令Li表示第i个等份的长度值,di表示第i个等份的深度值,则在已知沿管道周向的划分尺寸Δw的前提下,整个缺陷三维轮廓条状模型可表示为:
MS={(L1,d1),...,(Li,di),...,(LN,dN)},
其中,缺陷开口轮廓内部的长度与深度参数为待求解的未知量,在缺陷开口轮廓外部,所有等份的长度与深度参数均为:
Li=di=0。
本发明的附加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是根据本发明一个实施例的三维漏磁检测缺陷神经网络迭代反演成像方法的流程图;
图2是根据本发明另一个实施例的三维漏磁检测缺陷神经网络迭代反演成像方法的流程图;
图3是根据本发明一个实施例的直流磁化场导磁回路示意图;
图4是根据本发明一个实施例的建立缺陷三维轮廓条状模型示意图;
图5是根据本发明一个具体实施例的30mm×20mm×5mm的长方体缺陷成像结果示意图;
图6是根据本发明一个具体实施例的30mm×5mm的球体缺陷成像结果示意图;以及
图7是根据本发明一个具体实施例的30mm×5mm的圆柱体缺陷成像结果示意图。
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,仅用于解释本发明,而不能理解为对本发明的限制。
以下结合附图描述根据本发明实施例的三维漏磁检测缺陷神经网络迭代反演成像方法。
图1是根据本发明一个实施例的三维漏磁检测缺陷神经网络迭代反演成像方法的流程图。图2是根据本发明另一个实施例的三维漏磁检测缺陷神经网络迭代反演成像方法的流程图。结合图1和图2所示,该方法包括以下步骤:
步骤S1:提供待测管道,并从待测管道选取成像区域,其中,成像区域包括标准人工缺陷。更为具体地,该缺陷为腐蚀缺陷。
在具体示例中,例如,待测管道壁厚为7.0~36.0mm,直径为200~600mm。
步骤S2:利用三轴磁传感器扫描待测管道,得到待测管道的离散三维漏磁检测数据,并对离散三维漏磁检测数据进行过滤,得到最终的漏磁场检测值。
在本发明的一个实施例中,在该步骤之前,也即在利用三轴磁传感器扫描待测管道之前,首先利用直流磁化场对待测管道的管壁进行饱和磁化处理。
进一步地,步骤S2具体包括:
步骤1:利用三轴磁传感器以预设速度匀速等间距扫描待测管道,得到沿管道轴向、径向和周向的离散三维漏磁检测数据。换言之,即离散三维漏磁检测数据包括:轴向漏磁检测数据、径向漏磁检测数据和周向漏磁检测数据。
在具体示例中,换言之,即首先用直流磁化场沿管壁轴向对管壁进行饱和磁化,然后三轴磁传感器阵列在管道内以一定的运行速度等间距扫描采样,得到检测管道内标准缺陷沿管道轴向、径向和周向的离散三维漏磁检测数据。其中,传感器提离值需保持在1.0~5.0mm之间,传感器提离值是指霍尔传感器距离管道内壁表面的距离。在该示例中,例如,采样间距d为0.1~6.0mm,三轴磁传感器的运行速度(也即预设速度)为0.1~5.0m/s。
进一步地,在该示例中,例如,直流磁化场的导磁回路由磁铁、背铁、钢刷和管壁组成,例如图3所示。更为具体地,所用磁铁宽度例如为30~100mm,背铁长度例如为100~500mm,钢刷长度例如为30~120mm。
步骤2:计算离散三维漏磁检测数据的平均值,并根据平均值得到异常阈值。
在具体示例中,换言之,即对上述步骤1中得到的离散三维漏磁检测数据取平均值,并以平均值的1.2~1.5倍作为异常阈值。
步骤3:删除离散三维漏磁检测数据中大于异常阈值的漏磁检测数据,得到最终漏磁场检测值。换言之,即根据上述步骤2中得到的异常阈值对所采集的数据进行提取过滤,大于异常阈值的数据予以删除,从而排除一些明显错误数据和异常数据,最终得到沿轴向、径向和周向过滤后的漏磁场测量值。
步骤S3:根据主成分分析法对三维漏磁场检测值进行分析,并提取缺陷轮廓反演时所需的多个特征值,并组成相应的实际特征值向量PR。在本发明的一个实施例中,多个特征值例如为六个,分别为:轴向信号漏磁场体积P1,单位为mm3、轴向信号漏磁场能量P2,单位为J、轴向信号正峰值P3,单位为Gs、轴向信号负峰值P4,单位为Gs、径向信号正负峰值的轴向间距P5,单位为mm、以及周向信号正负峰值的周向间距P6,单位为mm。
步骤S4:根据三维缺陷漏磁信号确定缺陷开口轮廓S(即缺陷三维轮廓反演在水平面内的待求解区域),设定划分宽度为W,并根据缺陷开口轮廓S和引入的深度参数建立对应的缺陷三维轮廓条状模型,其中,各个划分的长度向量L为已知量,而深度向量H为未知的待求量。其中,在本发明的一个实施例中,三维缺陷漏磁信号包括:轴向缺陷漏磁信号、径向缺陷漏磁信号和周向缺陷漏磁信号。
其中,在该步骤中,建立缺陷三维轮廓状态模型的具体过程如下:
a.确定划分尺寸Δw,将管壁待求解区域沿周向划分为N等份,设缺陷开口轮廓外部的深度均为0,其内部的每等份均为深度相同的等高平面,以得到初步划分结果。
b.计算缺陷开口轮廓的每一等份的等价长度,并将每一等份用对应的等价长方形进行表示,其中,等价长方形的长度按下式进行计算:
L=S/Δw,
其中,S为每一等份开口截面的面积,Δw为模型沿管道周向的划分尺寸。
c.组合各等份所对应的等价长方形,得到新的开口轮廓,确定各等份在管道径向方向的深度参数d,得到最终的缺陷三维轮廓条状模型Ms,其中,最终的缺陷三维轮廓条状模型Ms模型中的未知参数为各个等份的深度d,令Li表示第i个等份的长度值,di表示第i个等份的深度值,则在已知沿管道周向的划分尺寸Δw的前提下,整个缺陷三维轮廓条状模型可表示为:
MS={(L1,d1),...,(Li,di),...,(LN,dN)},
其中,缺陷开口轮廓内部的长度与深度参数为待求解的未知量,在缺陷开口轮廓外部,所有等份的长度与深度参数均为:
Li=di=0。
步骤S5:构建正向RBF(径向基函数)神经网络模型,其中,该正向RBF神经网络模型的输入为基于三维轮廓条状模型的缺陷参数Ms,输出则为预测得到的三维漏磁信号六个主要特征值对应的预测特征值向量PP。
在具体示例中,其中,RBF神经网络包含三层:输入层、隐含层和输出层。该网络需要训练,使用三维有限元仿真一系列缺陷外形参数下的漏磁信号。对于不同形状缺陷与其对应的漏磁信号,选择70%用于训练神经网络,15%用于验证网络并修正参数,剩下的15%用于测试已经训练好的神经网络。
步骤S6:设定初始的深度向量H,并将该初始的深度向量H输入正向径向基函数神经网络模型以进行正向预测,得到三维漏磁场检测值的多个特征值对应的预测特征值向量PP。
步骤S7:计算并判断实际特征值向量PR与预测特征值向量PP之间的误差E是否小于误差阈值ε,如果是,则结束迭代反演,获得经过平滑处理的最终缺陷轮廓,也即根据初始的深度向量H进行反演成像,以得到最终缺陷轮廓,否则,对初始的深度向量H进行修正,并返回执行步骤S6,也即将修正后的深度向量重新输入正向径向基函数神经网络模型进行正向预测,直至实际特征值向量PR与预测特征值向量PP之间的误差E小于或等于误差阈值ε。
综上,根据本发明实施例的三维漏磁检测缺陷神经网络迭代反演成像方法,首先,应用主成分分析法提取反映缺陷轮廓参数的多个主要特征值,以消除三维漏磁检测信号中的数据冗余现象;然后,根据缺陷开口轮廓检测结果,建立适于神经网络的缺陷三维轮廓条状模型,并定义了缺陷轮廓表达式,未知参数只剩下深度参数;最后,建立正向RBF(RadialBasis Function,径向基函数)神经网络预测模型,并将其嵌入迭代循环,从而实现三维漏磁检测缺陷三维轮廓的神经网络迭代反演。因此,本发明的方法针对性强、稳定性好,有助于减少计算量,提高了成像精度,具有广阔的应用前景。
为了便于更好地理解本发明实施例的方法,以下结合图2-图7,以具体的实施例来对本发明上述实施例的三维漏磁检测缺陷神经网络迭代反演成像方法进行具体描述。
在该实施例中,使用一种沿周向等间隔分布540个探头块的三维传感器阵列。其中,每个探头块里均包含3个霍尔传感器,方向分别为轴向、径向和周向,总计1620个霍尔传感器。
结合图2所示,在该实施例中,该方法包括以下步骤:
步骤A:取一段直径为457mm、壁厚为14.3mm的待测管道,上面加工3个具有不同形状的标准人工缺陷,一个30mm×20mm×5mm的长方体缺陷,一个30mm×5mm的球体缺陷,一个30mm×5mm的圆柱体缺陷。
步骤B:使用直流磁化场沿管壁轴向对其进行饱和磁化,三轴磁传感器阵列在管道内以0.5m/s的速度匀速等间距扫描采样,周向采样间距为2.7mm,轴向采样间距设置为2.5mm,传感器提离值选择1.8mm。进而得到标准缺陷沿管道轴向、径向和周向的离散三维漏磁检测数据。
其中,参照图3所示,例如,直流磁化场导磁回路由磁铁,背铁,钢刷和管壁组成,所用磁铁宽度为80mm,背铁长度为300mm,钢刷长度为65mm。
步骤C:将步骤B中得到的离散三维漏磁检测数据取平均值,以平均值的1.25倍作为阈值对数据进行提取过滤,得到沿轴向、径向和周向过滤后的测量值。
D:应用主成分分析法对三维漏磁检测信号进行分析,同时提取缺陷轮廓反演时所需的六种主要特征值P1~P6,组成相应的主要特征值向量PR。
具体包括:轴向信号漏磁场体积P1,单位为mm3;轴向信号漏磁场能量P2,单位为J;轴向信号正峰值P3,单位为Gs;轴向信号负峰值P4,单位为Gs;径向信号正负峰值的轴向间距P5,单位为mm;周向信号正负峰值的周向间距P6,单位为mm。
步骤E:如图4所示,根据三维缺陷漏磁信号确定缺陷开口轮廓S(即缺陷三维轮廓反演在水平面内的带求解区域),设定划分宽度W,基于开口轮廓检测结果S,同时引入深度参数,建立对应的缺陷三维轮廓条状模型,其中各个划分的长度向量L为已知量,而深度向量H为未知的待求量。其中,图4(a)展示了缺陷开口轮廓的初步划分结果示意,图4(b)展示了最终的缺陷三维轮廓条状模型示意。该步骤具体包括:
a.关于长方体缺陷,基于等价条状模型,可将L×W×H的长方体缺陷表示为:
MSR={(L1,H1),...,(Li,Hi),...,(Lk,Hk)},
其中,每个等份的长度均为Li=L,其深度均为Hi=H。
b.关于球体缺陷,基于等价条状模型,可将D×H的球体缺陷表示为:
MSA={(L1,H1),...,(Li,Hi),...,(Lk,Hk)},
其中,每个等份的长度Li与深度Hi按上式进行计算。
c、关于圆柱体缺陷,基于等价条状模型,可将D×H的圆柱体缺陷表示为:
MSC={(L1,H1),...,(Li,Hi),...,(Lk,Hk)},
其中,每个等份的深度均为Hi=H,长度Li按上式进行计算。
步骤F:构建正向RBF(径向基函数)神经网络预测模型。其中,该模型输入为基于三维轮廓条状模型的缺陷参数Ms,输出则为预测得到的三维漏磁信号六个主要特征值对应的预测特征值向量PP。具体地,RBF神经网络包含三层:输入层、隐含层和输出层。网络训练,根据待测管壁上加工的3种缺陷形状,使用三维有限元仿真了一系列相同形状缺陷外形参数下的漏磁信号,具体包含260个长方体缺陷,55个球体缺陷以及55个圆柱体缺陷。其中,选择70%用于训练神经网络,15%用于验证网络并修正参数,剩下的15%用于测试已经训练好的神经网络。
步骤G:设定初始的深度向量H,基于RBF神经网络进行正向预测,得到预测的主要特征值向量PP。
步骤H:计算预测特征值向量PP与实际特征值向量PR之间的误差E,若E小于误差阈值ε,则结束迭代反演,获得经过平滑处理的最终缺陷轮廓;否则,对缺陷参数中的深度向量H进行修正,并跳转至步骤G继续进行迭代反演,例如图2所示。
经过计算,例如图5、6和7所示,对于30mm×20mm×5mm的长方体缺陷轮廓重构结果,重构误差为15.7%,时间为0.38小时;对于30mm×5mm的球体缺陷轮廓重构结果,重构误差为12.4%,时间0.33小时;对于30mm×5mm的圆柱体缺陷轮廓重构结果,重构误差为13.2%,时间0.34小时。中,在图5、图6和图7中,图(a)展示了真实轮廓示意,图(b)展示了由开口轮廓识别结果建立的缺陷三维轮廓条状模型示意,图(c)展示了缺陷三维轮廓条状模型的反演结果示意,图(d)展示了最终的缺陷轮廓示意。此外,再对其它多种形状缺陷进行重构时,本发明实施例的三维漏磁检测缺陷神经网络迭代反演成像方法的重构误差均低于18%,时间均低于0.4小时。综合以上结果可以看出,本发明可有效实现对各种形状缺陷的轮廓重构,稳定性好,成像精度高,计算速度快。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此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至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,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,或成一体;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或两个元件的相互作用关系,除非另有明确的限定。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“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,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”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
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必须针对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一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
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 (6)
1.一种三维漏磁检测缺陷神经网络迭代反演成像方法,其特征在于,包括以下步骤:
S1:提供待测管道,并从所述待测管道选取成像区域,其中,所述成像区域包括标准人工缺陷;
S2:利用三轴磁传感器扫描所述待测管道,得到所述待测管道的离散三维漏磁检测数据,并对所述离散三维漏磁检测数据进行过滤,得到最终的三维漏磁场检测值;
S3:根据主成分分析法对所述三维漏磁场检测值进行分析,并提取缺陷轮廓反演时所需的多个特征值,并组成相应的实际特征值向量,其中,所述多个特征值包括:轴向信号漏磁场体积、轴向信号漏磁场能量、轴向信号正峰值、轴向信号负峰值、径向信号正负峰值的轴向间距及周向信号正负峰值的周向间距;
S4:根据三维缺陷漏磁信号确定缺陷开口轮廓,并根据所述缺陷开口轮廓和深度参数建立对应的缺陷三维轮廓条状模型;
S5:构建正向径向基函数神经网络模型,其中,所述正向径向基函数神经网络模型的输入为基于所述三维轮廓条状模型的缺陷参数;
S6:设定初始的深度向量,并将所述深度向量输入所述正向径向基函数神经网络模型以进行正向预测,得到所述三维漏磁场检测值的多个特征值对应的预测特征值向量;
S7:计算并判断所述实际特征值向量与所述预测特征值向量之间的误差是否小于误差阈值,如果是,则根据所述初始的深度向量进行反演成像,以得到最终缺陷轮廓,否则,对所述初始的深度向量进行修正,并返回执行所述步骤S6,直至所述实际特征值向量与所述预测特征值向量之间的误差小于所述误差阈值。
2.根据权利要求1所述的三维漏磁检测缺陷神经网络迭代反演成像方法,其特征在于,在所述步骤S2之前,还包括:利用直流磁化场对所述待测管道的管壁进行饱和磁化处理。
3.根据权利要求1所述的三维漏磁检测缺陷神经网络迭代反演成像方法,其特征在于,所述步骤S2进一步包括:
利用三轴磁传感器以预设速度匀速等间距扫描所述待测管道,得到沿管道轴向、径向和周向的离散三维漏磁检测数据;
计算所述离散三维漏磁检测数据的平均值,并根据所述平均值得到异常阈值;
删除所述离散三维漏磁检测数据中大于所述异常阈值的漏磁检测数据,得到最终漏磁场检测值。
4.根据权利要求1-3任一项所述的三维漏磁检测缺陷神经网络迭代反演成像方法,其特征在于,所述离散三维漏磁检测数据包括:轴向漏磁检测数据、径向漏磁检测数据和周向漏磁检测数据。
5.根据权利要求4所述的三维漏磁检测缺陷神经网络迭代反演成像方法,其特征在于,所述三维缺陷漏磁信号包括:轴向缺陷漏磁信号、径向缺陷漏磁信号和周向缺陷漏磁信号。
6.根据权利要求1所述的三维漏磁检测缺陷神经网络迭代反演成像方法,其特征在于,所述步骤S4中建立所述缺陷三维轮廓条状模型,具体包括:
a.确定划分尺寸Δw,将管壁待求解区域沿周向划分为N等份,设缺陷开口轮廓外部的深度均为0,其内部的每等份均为深度相同的等高平面,以得到初步划分结果;
b.计算所述缺陷开口轮廓的每一等份的等价长度,并将每一等份用对应的等价长方形进行表示,其中,所述等价长方形的长度按下式进行计算,
L=S/Δw,
其中,S为每一等份开口截面的面积,Δw为模型沿管道周向的划分尺寸;
c.组合各等份所对应的等价长方形,得到新的开口轮廓,确定各等份在管道径向方向的深度参数d,得到最终的缺陷三维轮廓条状模型Ms,其中,所述最终的缺陷三维轮廓条状模型Ms模型中的未知参数为各个等份的深度参数d,令Li表示第i个等份的长度值,di表示第i个等份的深度值,则在已知沿管道周向的划分尺寸Δw的前提下,整个缺陷三维轮廓条状模型可表示为:
MS={(L1,d1),...,(Li,di),...,(LN,dN)},
其中,缺陷开口轮廓内部的长度与深度参数为待求解的未知量,在缺陷开口轮廓外部,所有等份的长度与深度参数均为:
Li=di=0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510368744.3A CN104990977B (zh) | 2015-06-29 | 2015-06-29 | 三维漏磁检测缺陷神经网络迭代反演成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510368744.3A CN104990977B (zh) | 2015-06-29 | 2015-06-29 | 三维漏磁检测缺陷神经网络迭代反演成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104990977A CN104990977A (zh) | 2015-10-21 |
CN104990977B true CN104990977B (zh) | 2018-02-09 |
Family
ID=54302816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510368744.3A Active CN104990977B (zh) | 2015-06-29 | 2015-06-29 | 三维漏磁检测缺陷神经网络迭代反演成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104990977B (zh) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105292175B (zh) * | 2015-11-16 | 2018-06-19 | 清华大学 | 铁轨缺陷的检测方法、检测系统及车辆 |
JP6768305B2 (ja) * | 2016-02-23 | 2020-10-14 | 東京ガスエンジニアリングソリューションズ株式会社 | 探傷装置および探傷方法 |
CN106093182B (zh) * | 2016-05-31 | 2019-02-01 | 电子科技大学 | 一种基于环电流的可视化漏磁检测建模方法 |
CN106770627B (zh) * | 2016-12-16 | 2019-12-13 | 北京华航无线电测量研究所 | 一种轴向漏磁信号长度量化方法 |
CN106950276B (zh) * | 2017-03-21 | 2020-05-05 | 东北大学 | 一种基于卷积神经网络的管道缺陷深度的反演方法 |
CN107102056B (zh) * | 2017-03-22 | 2020-06-19 | 清华大学 | 缺陷漏磁信号的单元伸缩构建方法 |
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 |
EP3467489A1 (de) * | 2017-10-06 | 2019-04-10 | Rosen Swiss AG | Verfahren zur bestimmung der geometrie einer fehlstelle und zur bestimmung einer belastbarkeitsgrenze |
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 |
CN109164165B (zh) * | 2018-10-09 | 2022-10-11 | 河南科技大学 | 基于图像融合的钢丝绳无损检测方法及其装置 |
CN109358110B (zh) * | 2018-11-28 | 2024-05-31 | 中国计量大学 | 一种用于钢板内部缺陷成像的阵列式电磁多维度检测系统 |
CN109632942B (zh) * | 2019-02-21 | 2022-08-26 | 东北大学 | 一种基于集成学习的管道缺陷尺寸的反演方法 |
CN110220966B (zh) * | 2019-03-07 | 2022-12-13 | 宜昌华腾管道工程有限公司 | 一种漏磁检测缺陷三维量化方法 |
CN110006338B (zh) * | 2019-04-28 | 2020-11-06 | 哈尔滨工业大学(深圳) | 一种钢丝绳损伤面积检测方法 |
CN110108783B (zh) * | 2019-05-14 | 2023-04-28 | 上海市特种设备监督检验技术研究院 | 一种基于卷积神经网络的管道缺陷检测方法和装置 |
CN110274952B (zh) * | 2019-07-22 | 2023-04-18 | 西安工程大学 | 一种基于磁特性的三维编织复合材料健康检测方法 |
CN110596233B (zh) * | 2019-08-27 | 2022-11-22 | 电子科技大学 | 一种连续采样下钢丝绳漏磁成像实时处理方法 |
CN112098507A (zh) * | 2020-08-20 | 2020-12-18 | 云浮(佛山)氢能标准化创新研发中心 | 一种管壁缺陷确定方法 |
CN112345626B (zh) * | 2020-10-30 | 2022-07-29 | 东北大学 | 一种基于异构场信号的管道缺陷智能反演方法 |
CN112834606B (zh) * | 2021-01-07 | 2022-11-29 | 清华大学 | 基于聚焦漏磁复合检测的内外壁缺陷识别的方法和装置 |
CN113030244B (zh) * | 2021-03-22 | 2024-01-23 | 国网江苏省电力有限公司无锡供电分公司 | 输电线塔架腐蚀缺陷漏磁检测信号反演成像方法及系统 |
CN113984880B (zh) * | 2021-10-27 | 2023-06-23 | 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 |
CN115047060B (zh) * | 2022-05-23 | 2023-06-20 | 中国矿业大学 | 一种管道焊缝缺陷漏磁信号的剥离方法 |
CN116384253B (zh) * | 2023-04-20 | 2024-04-05 | 中国石油大学(北京) | 管道漏磁检测缺陷深度预测模型建立、预测方法及装置 |
Citations (4)
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 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8346712B2 (en) * | 2009-11-24 | 2013-01-01 | King Fahd University Of Petroleum And Minerals | Method for identifying hammerstein models |
-
2015
- 2015-06-29 CN CN201510368744.3A patent/CN104990977B/zh active Active
Patent Citations (4)
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 |
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 |
---|
Three-dimensional defect inversion from magnetic flux leakage signals using iterative neural network;Chen Junjie et al.;《IET Science Measurement & Technology》;20150220;第9卷(第4期);摘要、正文第1节、第2节、第3节,图3、图4 * |
基于漏磁检测数据的缺陷三维重构技术;宋小春 等;《中国机械工程》;20080430;第19卷(第8期);第905-908页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104990977A (zh) | 2015-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104990977B (zh) | 三维漏磁检测缺陷神经网络迭代反演成像方法 | |
CN104899868B (zh) | 三维漏磁检测缺陷复合反演成像方法 | |
CA2630050C (en) | Pulsed eddy current pipeline inspection system and method | |
CN104458895A (zh) | 管道三维漏磁成像检测方法及系统 | |
KR102251819B1 (ko) | 특히 현지에서 전기음향 위상망을 사용한 튜브형 제품들의 비파괴 제어를 위한 장치 및 방법 | |
Klotz et al. | On the identification of critical state lines for sands | |
CN104514987A (zh) | 管道三维漏磁成像缺陷量化方法 | |
JP2007010568A (ja) | 土壌乾燥密度の測定方法、土壌締め固め度合いの判定方法及び土壌締め固め度合いの判定装置 | |
CN108844963B (zh) | 大型储罐底板腐蚀缺陷在线监测系统及方法 | |
CN103063737A (zh) | 连续油管磁法检测方法 | |
CN103344694A (zh) | 一种检测在役支柱瓷绝缘子裂纹缺陷的方法 | |
CN104965063A (zh) | 一种基于时域反射的早龄期混凝土养护质量检测方法 | |
Underhill et al. | Eddy current analysis of mid-bore and corner cracks in bolt holes | |
CN111896629A (zh) | 一种隧道结构表层病害的快速检测方法 | |
CN110220967B (zh) | 一种acfm技术簇状裂纹表面轮廓自动识别方法 | |
CN114755269A (zh) | 基于无损时域反射技术的黄土湿陷性原位评价方法及系统 | |
CN109059813B (zh) | 一种起重机械钢结构腐蚀强度检测方法 | |
CN104536001B (zh) | 一种基于数据切片的圆柱形桥墩质量检测方法 | |
CN106226406A (zh) | 超声波探伤检测用对比试块及其检测方法 | |
Volker et al. | Experimental results of guided wave travel time tomography | |
CN107178710B (zh) | 一种基于内外检测信号特征提取的管道缺陷内外辨识方法 | |
CN206020347U (zh) | 超声波探伤检测用对比试块 | |
CN205426840U (zh) | 一种用于电容法测量湿型砂含水量的传感器探头 | |
CN105784735A (zh) | 一种超声ct检测的结果数据图形化处理显示方法 | |
CN106404842A (zh) | 一种金相组织评估测试方法 |
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 |