CN105334269A - 一种基于神经网络和导波特征数据库的管道缺陷类别判别方法 - Google Patents

Abstract

本发明公开了一种基于神经网络和导波特征数据库的管道缺陷类别判别方法，包括步骤1，对管道的类型和状态进行分类，设计m种缺陷；步骤2，建立与每种缺陷对应的特征向量Fv；步骤3，建立导波特征数据库；步骤4，提取数据库中的n个特征向量Fv，构成输入矩阵A；步骤5，对A进行BP神经网络训练，输出标准输出矩阵B，B包含n个m行1列的类别向量Fvc；步骤6，对待测管道进行导波检测，构建特征向量fv；步骤7，利用fv构成输入矩阵A1；步骤8，将A1进行BP神经网络训练，输出向量fvc；步骤9，求出fvc与各类别的Fvc之间的欧氏距离ei(i＝1,2,…,m)；步骤10，求出最小的ei，此ei对应的第i类缺陷即为判别结果。本发明实现了管道缺陷自动化判别，提高检测效率。

Description

一种基于神经网络和导波特征数据库的管道缺陷类别判别方法

技术领域

本发明属于无损检测领域，具体涉及一种基于管道超声导波和神经网络判别管道缺陷类别的方法。

背景技术

管道运输与铁路运输，公路运输，水路运输，航空运输并称五大运输方式，在国民经济和社会发展中扮演着非常重要的角色。然而，在管道长期服役过程中，由于自然老化和内部介质的冲刷和腐蚀，导致管道产生腐蚀、穿孔等缺陷，带来巨大的安全隐患，尤其是在工业承压管道的应用中，由于大多数行业中的管道运输介质属易燃易爆物，如泄漏和爆管，必然造成巨大的人员伤亡和财产损失。为了确保管道的正常工作，必须定期对管道进行缺陷检测。

传统的无损检测方法主要包括声发射法、涡流检测法、射线法、超声波检测法等，但这些检测方法检测范围只能局限在被测点的附近，效率低，在检测长距离管道时无疑费时、费力且成本高昂；此外，对架空、埋地等特殊环境下的管道检测也难以适用。

近年来发展了一种可用于长距离管道检测的超声导波检测技术，但是超声导波回波波形复杂，很难直接分辨出管道上的缺陷或特征，只有经过专门培训的检测人员，才能准确的判别管道信息。这就需要一种可靠的智能化判别方法，能够根据回波信号的特征快速准确的给出检测结果。与超声导波检测相比，导波检测具有距离长(最长可达200m)、对管道进行100％检测、不需要耦合剂和检测方便快速的优点；

目前，对于超声导波检测方法的研究主要集中在降噪和增强缺陷处特征的研究上，而对于管道缺陷和特征的分类则研究的比较少。专利200910086451.0通过建立波形时域特征的相关系数对进行判别，但导波回波信号的时域成分本身很复杂，单单从相关系数的角度判别难以保证识别的准确；另有专利CN102122351A利用RBF神经网络，但仅使用了管道缺陷尺寸和信号幅值进行缺陷识别，考虑影响因素并不全面。

神经网络在信号分类中发挥的巨大作用已经得到广泛认可，但识别的准确性与样本特征关联紧密。综合使用了导波信号的时域、频域和变换域特征参数并应用于神经网络识别的方法尚未见报道。

发明内容

本发明的目的是为了实现对管道缺陷的自动化、智能化判别，解决在导波检测信号分析环节对操作人员水平要求较高的难题。为此，本发明提出了一种基于神经网络和导波特征数据库的管道缺陷类别判别方法，采用的技术方案如下：

一种基于神经网络和导波特征数据库的管道缺陷类别判别方法，包括如下步骤：

步骤1，对管道的类型和状态进行分类，对每种管道设计不同的缺陷或自然缺陷，分m种缺陷；

步骤2，对每个带缺陷的管道采集n组检测数据进行信息处理，对每组检测数据提取特征参数，利用特征参数构成特征向量Fv；

步骤3，将n个特征向量导入数据库中，建立导波特征数据库；

步骤4，从导波特征数据库提取n个特征向量Fv，构成输入矩阵A；

步骤5，将输入矩阵A进行BP神经网络训练，训练后输出为标准输出矩阵B，标准输出矩阵B中包含了n个m行1列的类别向量Fvc，B中每一列的Fvc和A中每一列的Fv一一对应，Fvc由m种不同的形式，依次为[1；0；0；…；0]，[0；1；0；…；0]，[0；0；1；…；0]，……，[0；0；0；…；1]；

步骤6，对待测管道进行导波检测，提取此管道的测量数据，构成特征向量fv；

步骤7，利用特征向量fv，构成输入矩阵A1；

步骤8，将输入矩阵A1进行BP神经网络训练，训练后输出向量fvc，所述fvc是一个m行1列的向量，并且与Fvc格式相同；

步骤9，求出fvc与各类别的Fvc之间的欧氏距离并依次标记为e1,e2,e3,…ei…em，ei(i＝1,2,…,m)依次与m种管道缺陷一一对应；

步骤10，求出最小的ei，此ei所对应的第i类缺陷即为判别的结果。

进一步地，步骤2中所述的特征参数包括：峰度系数Ku、偏度系数Sk、形状系数Sc、反射系数Rc、变异系数Cv、熵值Et、频域半高宽r、小波子空间能量系数We；

其中，熵值Et包含两个不同的值Et1和Et2，小波子空间能量系数We包含7个不同的值We1、We2、We3、We4、We5、We6、We7。

进一步地，所述特征向量Fv＝[Ku；Sk；Sc；Cv；Rc；Et1；Et2；r；We1；We2；We3；We4；We5；We6；We7]。

进一步地，所述步骤2中所述的提取特征参数采用信号预处理方法，包括幅值归一化、滤波降噪、分解重构、包络提取、缺陷信号截取、信号筛选；

所述幅值归一化采用将检测信号的最大幅值设为1的方法进行等比例缩放；所述滤波降噪采用快速傅里叶变换滤除超出中心频率附近30kHz的高频或低频信号；所述分解重构采用小波分析方法对时域信号进行6层分解并进行筛选、重构；所述缺陷信号截取采用矩形窗截取出管道缺陷位置附近的1.5-2倍于激励波长的波形信号；所述信号筛选采用的标准为缺陷信号的幅值最大处不低于噪声幅值的3倍。

进一步地，所述步骤5中所述的BP神经网络包括输入层、隐含层和输出层；所述输入层节点为15个，隐含层节点为k个，输出层节点为m个；其中k是根据分类识别的准确性进行尝试性调节的可变量，k的范围为5-30。

进一步地，所述小波分析方法采用的小波基函数为db或sym小波基，分解重构过程中选用与被分解信号外观最为相似的2-3层信号进行重构。

更进一步地，所述m＝3，所述n＝15，所述k＝10。

与现有管道缺陷分类判别方法相比，本发明提出的方法具备以下优点：

(1)实现了对管道缺陷的自动化判别，实现了利用导波方法快速区分管道缺陷类型，提高了检测效率。

(2)使用了时域、频域和变换域的多个具有代表性的无量纲特征参量，并使用了大量数据训练神经网络，保证了检测结果的稳定性与准确性。

(3)建立了导波信号特征数据库，便于对导波信号进行统一有效的管理。

(4)数据库与BP神经网络之间相互连接，便于对BP神经网络系统的训练与改进。

附图说明

图1为基于管道超声导波特征数据库和神经网络判别管道缺陷的流程图；

图2为SQLSERVER数据库与Matlab软件分析平台之间的关系图；

图3为使用Matlab建立的导波数据分析与特征提取软件平台主界面；

图4为数据库各项数据结构关系图；

图5为使用Matlab调用SQLSERVER数据库的操作界面；

图6为导波检测实验系统；

图7为带有裂纹和孔洞的碳钢管道导波信号波形图及其包络；

图8为带有裂纹和孔洞的碳钢管道预处理后的管道导波波形图及其包络；

图9为管道缺陷特征神经网络训练的收敛曲线。

具体实施方式

本发明采用截取管道缺陷处的信号并提取其时域、频域和变换域的多项无量纲特征参量，建立导波缺陷特征数据库，最后结合BP神经网络建立了完整的缺陷分类系统，能够准确有效对管道缺陷的导波信号进行分类。

本发明的理论原理为：

管道导波在传播过程中存在频散、模态转换和能量衰减现象，又由于噪声和其他外界干扰，使得回波信号成分相当复杂，难以直观判别缺陷类别，故而需要对波形特征进行更深层的分析。首先，对信号进行了归一化处理，截取管道缺陷处的原始信号，提取熵值、小波子空间能量系数和频域半高宽，这三种参数反应了信号本身的无序性、能量分布和频域特征，且对干扰信号较敏感，未进行滤波重构处理，较好保留了可能因为滤波和分解重构损失的信息；其次，滤除了干扰信号并突出管道缺陷处的特征，有效抑制了外在因素的干扰，在截取管道缺陷处的预处理后的包络信号后，提取峰度系数、偏度系数、形状系数、反射系数、变异系数、熵值，这些参数各自具有不同的几何意义，从不同的侧面反映波形特征；最后，在对大量实验数据精心筛选后建立了导波特征数据库，结合神经网络技术进行识别。本发明在选取了具有典型几何意义和物理意义的波形特征参数基础上，对管道缺陷和处的大量导波检测数据进行了严格的筛选后，最终结合BP神经网络判别管道缺陷类别。因此，利用该方法建立起的系统能够对管道缺陷进行有效的区分。

本发明方法的具体实现过程如下：

步骤1，对管道的类型和状态进行分类，对每种管道设计不同的缺陷或自然缺陷，分m种缺陷；

具体实施如下：

导波检测实验系统如图6所示，主要包括函数发生器、功率放大器、传感器激励环、传感器接收环、前置放大器、示波器、计算机和管道；函数发生器产生导波信号，导波信号经功率放大器放大后通过传感器激励环作用于管道，导波信号在管道内传输后被传感器接收环接收，经前置放大器放大后导波信号传输至示波器进行显示，示波器处理的导波信号被计算机采集处理。在实验室环境下采集带缺陷管道的导波数据，选用45#碳钢管道规格为108*4mm，长度为12m，在距离管道一端8m、6m和4m处依次加工孔洞、裂纹和腐蚀3种不同类别的管道缺陷，每加工一次缺陷则采集一次数据，采集信号的频率范围为60-150kHz；激励信号均采用汉宁窗调制的10周期正弦脉冲信号，激励电压为20V。

步骤2，对每个带缺陷的管道采集n组检测数据进行信息处理，对每组检测数据提取特征参数，利用特征参数构成特征向量Fv；

具体实现如下：

(1)原始信号处理环节：计算机通过已编写的Matlab软件对利用图6所示的设备采集到的回波信号进行幅值归一化处理，以便消除幅值不统一对特征参数造成的影响，所述幅值归一化采用将检测信号的最大幅值设为1的方法进行等比例缩放；由于导波检测信号中不可避免的混入了噪声及其它外界干扰，信号的各个部分都有一定的幅值，但往往在管道缺陷处回波信号幅值更为明显，但选取数据时必须注重数据本身的质量，所以信号筛选环节很重要，所述信号筛选采用的标准为缺陷信号的幅值最大处不低于噪声幅值的3倍。读取原始信号的波形图，对信号进行筛选，观测管道缺陷位置处回波幅值，若低于噪声水平的3倍，舍弃该信号；反之，截取管道缺陷处1.5-2倍于激励波长的回波信号并进入预处理环节。

具体实施例：使用Matlab编写的分析软件对采集的信号进行处理，提取特征参数的软件主界面如图3所示。图3中的左上端经过导波预处理后导波信号全局时域视图和频域图，包括了导波信号和包络曲线，根据缺陷位置的幅值情况判别是否录入数据库；图3中的左下端为截取的管道缺陷处的导波信号的时域和频域图，截取的波形长度为2个激励波的波长；图3中的右侧部分为管道缺陷处的15个特征参数，包括2个熵值、7个小波子空间能量系数、1个频域半高宽、1个峰度系数、1个偏度系数、1个形状系数、1个反射系数、1个变异系数，特征参数与截取的管道缺陷信号存在对应关系，每一次重新调整管道缺陷处波形范围后，软件就会对界面右侧的特征参数进行一次自动更新。图7和图8为一组示例，表示选取的激励频率为140kHz时，带有裂纹和孔洞的碳钢管道导波信号时域波形图及其包络。

(2)信号预处理环节：通过数学处理方法降低噪声并突出管道缺陷处的回波信号。如图1所示，首先，对幅值归一化的导波信号进行滤波降噪处理，使用快速傅里叶变换将时域信号转换为频域信号，利用矩形窗截取中心频率附近30kHz范围的高频或低频信号，然后使用傅里叶逆变换将频域信号变换为时域信号；接着采用小波分析方法对时域信号进行小波6层分解并进行筛选、重构，所述小波分析方法采用的小波基函数为db或sym小波基，将小波系数转换为时域信号，提取出最能够反映管道缺陷和的小波系数层，即波形上与被分解前的波形外观最为相似的的2-3层信号进行重构，并对这些时域信号进行叠加组合；最后，对时域信号取绝对值，并提取其包络线，然后对包络线进行幅值归一化处理，绘制预处理波形图进行第二次筛选，筛选出管道缺陷位置处回波幅值波峰明显且幅值最大处不低于噪声幅值的3倍的信号，截取管道缺陷信号1.5-2倍于激励波长的波形包络信号后进入信号特征提取环节。

(3)信号特征提取环节：分别对截取的原始波形信号和截取的预处理波形信号进行处理，提取出代表波形特征的参数，其中，特征参数均为无量纲参数。从已截取的检测波形信号中提取熵值Et2、7个小波子空间能量系数We1,We2,We3,We4,We5,We6，We7、频域半高宽r；从已截取的预处理波形信号中提取峰度系数Ku、偏度系数Sk、形状系数Sc、反射系数Rc、变异系数Cv、熵值Et1。各信号特征参数表示的意义如下：

熵值(Et1和Et2)表示信号的不确定性和无组织性，熵值越小不确定性就越小，熵值越小无组织性也越小；本发明中采用Matlab的熵函数entropy来计算管道缺陷处信号的无序程度。

小波子空间能量系数(We1～We7)表示经过小波多层分解后，各个子空间对应的信号占据原始信号的能量比。本发明中主要使用了Matlab中小波分解函数wavedec和waverec来计算不同子空间的能量系数，该Matlab程序代码为“[c，l]＝wavedec(x，6，'db9')；[Ea，Ed]＝wenergy(c，l)；”，在该代码中x为截取的时域数据，db9为小波基函数，wavedec和waverec为Matlab小波工具箱中自带的函数，Ea＝We7，Ed＝[We1,We2,We3,We4,We5,We6]。

频域半高宽r表示主频最大幅值下降到一半时，波形上的两个频率之间的频率宽度。一般情况下，由于不同的缺陷对导波声场的影响，使得回波信号的谐波频率、幅度与相角发生变化，不仅在时域会有相应的特征，在频域中也有相应的特点，其在频域上的差别主要体现在频域半高宽。而频域半高宽r的计算公式如式(1)：

r＝|f₂-f₁|(1)

式(1)中，f2为频带中幅值为最高幅值一半时对应的截止频率的上界限值，f1为为频带中幅值为最高幅值一半时对应的截止频率的下界限值。

峰度系数Ku表示缺陷波形的峰态，即它的尖锐与陡峭程度。峰度系数越大说明波形愈陡峭，峰值系数愈小表明波形愈平缓。其中峰度系数的计算公式如式(2)所示：

$Ku=\frac{\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{(x_i-\stackrel{\‾}{x})}^4}{{\left(\sqrt{\frac{1}{n}\underset{i=1}{\overset{n}{\Σ}}{(x_i-\stackrel{\‾}{x})}^2}\right)}^4}---\left(2\right)$

式(2)中，x_i为截取的时域数据，为x_i的平均数，n为截取的时域数据点的个数。

偏度系数Sk描述缺陷信号是否对称，用于检验其正态性。由于不同类型缺陷的大小和形状不同，导波与缺陷相互作用后，经反射的波形会有一定程度的倾斜，通过提取不同缺陷的偏度系数特征，来表征回波的倾斜特征。当偏度系数Sk为正时，缺陷波形右偏；当偏度系数Sk为负值时，缺陷波形左偏；当偏度系数Sk为零时，缺陷波形呈正态分布。偏度系数的计算公式如式(3)：

$Sk=\frac{\frac{1}{n}\underset{n=1}{\overset{n}{\Σ}}{(x_i-\stackrel{\‾}{x})}^3}{{\left(\sqrt{\frac{1}{n}\underset{n=1}{\overset{n}{\Σ}}{(x_i-\stackrel{\‾}{x})}^2}\right)}^3}---\left(3\right)$

式(3)中，x_i为截取的时域数据，为x_i的平均数，n为截取的时域数据点的个数。

形状系数Sc表征出缺陷信号的跨度，一般通过时域波形的判断就可以就缺陷类型进行大致的判别，而且形状系数特征也是反映管道结构回波的一种有效的特征参数，形状系数Sc的计算公式如式(4)：

$Sc=\frac{n}{f\underset{i=1}{\overset{n}{\Σ}}{x}_i^2}---\left(4\right)$

式(4)中，x_i为截取的时域数据，f为采样频率，n为截取的时域数据点的个数。

变异系数Cv主要用于比较不同水平的变量数列的离散程度，一般来说，变量值平均水

高，其离散程度的测度值也大，反之越小；变异系数Cv的计算公式如式(5)：

$Cv=\frac{\sqrt{1/n\underset{i=1}{\overset{n}{\Σ}}{(x_i-\stackrel{\‾}{x})}^2}}{\stackrel{\‾}{x}}---\left(5\right)$

式(5)中，x_i为截取的时域数据，为x_i的平均数，n为截取的时域数据点的个数。

反射系数Rc表示管道缺陷处信号的幅值和激励端最高幅值的比值。由于设计算法时，以回波幅值最高值为基准，即激励段信号的最大值为基准，对幅值进行了归一化处理，此时，反射系数即为经过预处理的管道缺陷处的包络信号的幅值；反射系数Rc的计算公式如式(6)：

$Rc=\frac{A_d}{A_e}---\left(6\right)$

式(6)中，Ad为管道缺陷处的波形最大幅值，Ae为激励端信号的最大幅值。

在Matlab中编写程序，将经过处理提取出的管道缺陷导波特征参数按照顺序形成特征向量Fv，Fv＝[Ku；Sk；Sc；Cv；Rc；Et1；Et2；r；We1；We2；We3；We4；We5；We6；We7]。

步骤3，将n个特征向量导入数据库中，建立导波特征数据库；

具体实现如下：

图4为数据库各项数据结构的关系图，数据库已提前建立完备，包括了管道信息、仪器设备、参数设置、检测结果等信息，图2为SQLSERVER数据库与Matlab软件分析平台之间的关系图；使用Matlab的ODBC数据源建立SQLSERVER数据库于Matlab之间的连接，将特征参数按照预定的格式导入到数据库的检测表中，并与检测环境、检测人员、检测参数等一一对应，除了特征参数之外的管道信息已通过自动或手动方式提前输入到数据库。采用以上方法得到特征向量后，通过Matlab自带的ODBC数据源建立于SQLSERVER数据库之间的连接，将特征数据一一导入到数据库中对应的位置进行存储。

步骤4，从导波特征数据库提取n个特征向量Fv，构成输入矩阵A；

具体实现如下：

图5为特征数据提取的界面，首先与数据库建立连接，然后使用Select语句从数据库读取裂纹、腐蚀和孔洞的特征参数，并保存为A.mat和B.mat数据文件。.mat文件Matlab默认的一种数据文件，此处的A.mat文件为成45×15的矩阵，B.mat文件为成45×3的矩阵，其中，采集裂纹、腐蚀和孔洞的数据各15组。

步骤5，将输入矩阵A进行BP神经网络训练，训练后输出为标准输出矩阵为B，标准输出矩阵B中包含了n个m行1列的类别向量Fvc，B中每一列的Fvc和A中每一列的向量Fv一一对应，Fvc由m种不同的形式，依次为[1；0；0；…；0]，[0；1；0；…；0]，[0；0；1；…；0]，……，[0；0；0；…；1]；

具体实现如下：

通过固定神经网络的训练样本和识别样本名称和格式，使用Matlab的VisualQueryBuilder和T-SQL编程语言直接选取数据库中的数据读入到对应的变量中。在利用BP神经网络进行判别时，无须知道输入输出之间的函数关系，只需要设定输入量与输出量的关系，使用大量数据进行训练，当实际输出与期望输出出现误差时，系统自适应的调整阈值和权值修正误差，将最终的权值和阈值保存下来；神将网络系统能够对新的特征参量进行辨别。最终识别的准确性与神经网络系统的输入层、隐藏层、输出层、训练函数等多项影响因素均有关联，需要根据检测结果进行调整。通常情况下，神经网络训练的样本越多，训练的结果越正确。

本发明采用的神经网络的输入层神经元节点个数为15个，与特征参量的个数对应；输出层神经元个数为3个，分别对应腐蚀、裂纹和孔洞；隐含层的神经元个数为k个，k是根据分类识别的准确性进行尝试性调节的可变量，范围为5-30，本发明中选取k＝10，学习速率为0.05，期望误差为e-3。使用newff函数构建BP神经网络，选用的传递函数依次为tansig、logsig函数，采用的训练函数为带动量的梯度下降法(traingdm)。为了方便对以上3种特征的判别，在神经网络的输出层设置了3个标准输出向量，将裂纹、腐蚀、孔洞依次表示为[1；0；0],[0；1；0],[0；0；1]。如图9所示，为本发明采用的神经网络训练的收敛曲线图，由图中看出，训练的曲线逐步与目标曲线和最佳曲线接近，由此本发明的神经网络具备收敛性。

步骤6，对待测管道进行导波检测，提取此管道的某一次测量数据，构成特征向量fv；

步骤7，利用特征向量fv，构成输入矩阵A1；

步骤8，将输入矩阵A1进行BP神经网络训练，训练后输出fvc，fvc是一个与Fvc格式相同的m行1列的向量；

步骤9，求出fvc与各类别的Fvc之间的欧氏距离并依次标记为e1,e2,e3,…ei…em，ei(i＝1,2,…,m)依次与m种管道缺陷一一对应；

具体实现如下：

在使用神经网络进行识别时，设定各个类别的标准输出向量，通过实际待测输出向量与标准输出向量的相似性强弱确定输入待测信号的所属类别，而判别相似性的可通过相似系数、欧式距离等多种方法，本发明采用了欧式距离来判别相似性。

步骤10，求出最小的ei，此ei所对应的第i类缺陷即为判别的结果。

使用编写好的Matlab神经网络模块读取.mat文件中的特征数据进行训练，将每种缺陷的10组数据取出作为训练样本，剩余5组数据作为测试样本，识别的结果如表1所示，对比管道实际缺陷类型，对以上3种缺陷的识别结果具有较高的识别准确率。

表1训练结果

例如，某次识别的结果为[1.2；0.1；0.2]，则计算该结果与上述3个标准输出向量的欧氏距离依次为0.3，1.51，1.44，最小值0.3与裂纹缺陷对应，表明识别的结果为裂纹。

以上所述仅用于解释本发明的技术方案和具体实施例，并不用于限定本发明的保护范围，应当理解，在不违背本发明实质内容和精神的前提下，所作任何修改、等同替换等都将落入本发明的保护范围内。

Claims (7)

1.一种基于神经网络和导波特征数据库的管道缺陷类别判别方法，其特征在于，包括如下步骤：

步骤1，对管道的类型和状态进行分类，对每种管道设计不同的缺陷或自然缺陷，分m种缺陷；

步骤2，对每个带缺陷的管道采集n组检测数据进行信息处理，对每组检测数据提取特征参数，利用特征参数构成特征向量Fv；

步骤3，将n个特征向量导入数据库中，建立导波特征数据库；

步骤4，从导波特征数据库提取n个特征向量Fv，构成输入矩阵A；

步骤5，将输入矩阵A进行BP神经网络训练，训练后输出为标准输出矩阵B，标准输出矩阵B中包含了n个m行1列的类别向量Fvc，B中每一列的Fvc和A中每一列的Fv一一对应，Fvc由m种不同的形式，依次为[1；0；0；…；0]，[0；1；0；…；0]，[0；0；1；…；0]，……，[0；0；0；…；1]；

步骤6，对待测管道进行导波检测，提取此管道的测量数据，构成特征向量fv；

步骤7，利用特征向量fv，构成输入矩阵A1；

步骤8，将输入矩阵A1进行BP神经网络训练，训练后输出向量fvc，所述fvc是一个m行1列的向量，并且与Fvc格式相同；

步骤9，求出fvc与各类别的Fvc之间的欧氏距离并依次标记为e1,e2,e3,…ei…em，ei(i＝1,2,…,m)依次与m种管道缺陷一一对应；

步骤10，求出最小的ei，此ei所对应的第i类缺陷即为判别的结果。

2.根据权利要求1所述的一种基于神经网络和导波特征数据库的管道缺陷类别判别方法，其特征在于，步骤2中所述的特征参数包括：峰度系数Ku、偏度系数Sk、形状系数Sc、反射系数Rc、变异系数Cv、熵值Et、频域半高宽r、小波子空间能量系数We；

其中，熵值Et包含两个不同的值Et1和Et2，小波子空间能量系数We包含7个不同的值We1、We2、We3、We4、We5、We6、We7。

3.根据权利要求2所述的一种基于神经网络和导波特征数据库的管道缺陷类别判别方法，其特征在于，所述特征向量Fv＝[Ku；Sk；Sc；Cv；Rc；Et1；Et2；r；We1；We2；We3；We4；We5；We6；We7]。

4.根据权利要求1所述的一种基于神经网络和导波特征数据库的管道缺陷类别判别方法，其特征在于，所述步骤2中所述的提取特征参数采用信号预处理方法，包括幅值归一化、滤波降噪、分解重构、包络提取、缺陷信号截取、信号筛选；

所述幅值归一化采用将检测信号的最大幅值设为1的方法进行等比例缩放；所述滤波降噪采用快速傅里叶变换滤除超出中心频率附近30kHz的高频或低频信号；所述分解重构采用小波分析方法对时域信号进行6层分解并进行筛选、重构；所述缺陷信号截取采用矩形窗截取出管道缺陷位置附近的1.5-2倍于激励波长的波形信号；所述信号筛选采用的标准为缺陷信号的幅值最大处不低于噪声幅值的3倍。

5.根据权利要求1所述的一种基于神经网络和导波特征数据库的管道缺陷类别判别方法，其特征在于，所述步骤5中所述的BP神经网络包括输入层、隐含层和输出层；所述输入层节点为15个，隐含层节点为k个，输出层节点为m个；其中k是根据分类识别的准确性进行尝试性调节的可变量，k的范围为5～30。

6.根据权利要求4所述的一种基于神经网络和导波特征数据库的管道缺陷类别判别方法，其特征在于，所述小波分析方法采用的小波基函数为db或sym小波基，分解重构过程中选用与被分解信号外观最为相似的2-3层信号进行重构。

7.根据权利要求5所述的一种基于神经网络和导波特征数据库的管道缺陷类别判别方法，其特征在于，所述m＝3，所述n＝15，所述k＝10。